現(xiàn)代社會的汽車數(shù)量日益增加,駕駛員一旦出現(xiàn)不良駕駛行為,將嚴(yán)重影響道路交通安全。在當(dāng)前智能網(wǎng)聯(lián)汽車的技術(shù)背景下,對駕駛行為甚至駕駛風(fēng)格進行有效監(jiān)測,對提升道路行車安全性具有重要意義。當(dāng)前研究人員以經(jīng)驗性選取的駕駛操作特征與傳統(tǒng)機器學(xué)習(xí)方法對駕駛風(fēng)格進行離線辨識,存在著評測維度的局限性和不完整性。因此,本課題以駕駛操作和駕駛模式為基礎(chǔ),分析不同駕駛風(fēng)格下駕駛員的駕駛操作與行為特征,并探索駕駛風(fēng)格的深度學(xué)習(xí)辨識方法與駕駛模式的辨識方法。為探究不同駕駛風(fēng)格下,駕駛員駕駛操作與模式的特點,本課題以駕駛風(fēng)格類型為因子,對駕駛操作數(shù)據(jù)特征與駕駛模式時長與頻次特性進行統(tǒng)計分析,并通過顯著性分析揭示顯著性差異點。對駕駛操作特征的分析結(jié)果表明:直行模式下,不同駕駛風(fēng)格的駕駛員僅在縱向操作上存在顯著性差異,且車速保持在不同的層級;換道模式下,不同駕駛風(fēng)格的駕駛員在橫向操作上存在顯著性差異,且左換道相對右換道更為保守。對駕駛模式特性的分析結(jié)果表明:自由直行是駕駛員日常行駛的主要模式,且駕駛員更偏好于受限換道而不是自由換道。此外,駕駛危險度越高的駕駛員越傾向于迫近前車進行近距離跟馳,但出于行車安全或者駕駛意圖的...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1視頻采集情況

高速道路上的駕駛風(fēng)格與模式的操作層解析與評測研究11第2章數(shù)據(jù)采集與介紹本課題的數(shù)據(jù)來源為真實場景駕駛試驗�；谘b備多傳感器與攝像頭的試驗車輛，在真實環(huán)境的高速工況下，開展了28名駕駛員的駕駛試驗，并對整個試驗中的駕駛模式事件數(shù)據(jù)進行提取，構(gòu)成了本課題研究的基礎(chǔ)數(shù)據(jù)庫。測試車上安....

圖3-7本課題中的CNN網(wǎng)絡(luò)架構(gòu)示意圖

高速道路上的駕駛風(fēng)格與模式的操作層解析與評測研究21后對第二個卷積-池化層的輸出平鋪，經(jīng)由全連接層進行線性處理后傳遞給輸出層。在輸出層采用softmax函數(shù)對分類結(jié)果進行概率輸出。softmax是將多個神經(jīng)元的輸出映射到區(qū)間（0,1）之間，在本課題中即對應(yīng)駕駛危險度類別的概率值，....

圖3-12四種模型在測試集上的ROC曲線圖

高速道路上的駕駛風(fēng)格與模式的操作層解析與評測研究29（a）CNN（b）LSTM（c）pretrained-LSTM（d）SVM圖3-12四種模型在測試集上的ROC曲線圖為了觀測不同駕駛風(fēng)格下操作層特征構(gòu)建的DOP的區(qū)別，對不同駕駛風(fēng)格的DOP進行可視化并畫出其直方圖，圖3-13是....

圖3-13三種駕駛風(fēng)格下DOP及其直方圖示例

高速道路上的駕駛風(fēng)格與模式的操作層解析與評測研究30（a）低危險度（b）中危險度（c）高危險度圖3-13三種駕駛風(fēng)格下DOP及其直方圖示例通過文獻(xiàn)調(diào)研發(fā)現(xiàn)，以操作層數(shù)據(jù)作為特征的各種模型，在駕駛風(fēng)格分類問題上的分類精度從71.0%到93.5%不等[13][21][27]，以操作轉(zhuǎn)....

本文編號：4053424