高速道路上的驾驶风格与模式的操作层解析与评测研究

发布时间：2025-06-26 23:16

　　现代社会的汽车数量日益增加,驾驶员一旦出现不良驾驶行为,将严重影响道路交通安全。在当前智能网联汽车的技术背景下,对驾驶行为甚至驾驶风格进行有效监测,对提升道路行车安全性具有重要意义。当前研究人员以经验性选取的驾驶操作特征与传统机器学习方法对驾驶风格进行离线辨识,存在着评测维度的局限性和不完整性。因此,本课题以驾驶操作和驾驶模式为基础,分析不同驾驶风格下驾驶员的驾驶操作与行为特征,并探索驾驶风格的深度学习辨识方法与驾驶模式的辨识方法。为探究不同驾驶风格下,驾驶员驾驶操作与模式的特点,本课题以驾驶风格类型为因子,对驾驶操作数据特征与驾驶模式时长与频次特性进行统计分析,并通过显著性分析揭示显著性差异点。对驾驶操作特征的分析结果表明:直行模式下,不同驾驶风格的驾驶员仅在纵向操作上存在显著性差异,且车速保持在不同的层级;换道模式下,不同驾驶风格的驾驶员在横向操作上存在显著性差异,且左换道相对右换道更为保守。对驾驶模式特性的分析结果表明:自由直行是驾驶员日常行驶的主要模式,且驾驶员更偏好于受限换道而不是自由换道。此外,驾驶危险度越高的驾驶员越倾向于迫近前车进行近距离跟驰,但出于行车安全或者驾驶意图的...

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图2-1视频采集情况

高速道路上的驾驶风格与模式的操作层解析与评测研究11第2章数据采集与介绍本课题的数据来源为真实场景驾驶试验。基于装备多传感器与摄像头的试验车辆，在真实环境的高速工况下，开展了28名驾驶员的驾驶试验，并对整个试验中的驾驶模式事件数据进行提取，构成了本课题研究的基础数据库。测试车上安....

图3-7本课题中的CNN网络架构示意图

高速道路上的驾驶风格与模式的操作层解析与评测研究21后对第二个卷积-池化层的输出平铺，经由全连接层进行线性处理后传递给输出层。在输出层采用softmax函数对分类结果进行概率输出。softmax是将多个神经元的输出映射到区间（0,1）之间，在本课题中即对应驾驶危险度类别的概率值，....

图3-12四种模型在测试集上的ROC曲线图

高速道路上的驾驶风格与模式的操作层解析与评测研究29（a）CNN（b）LSTM（c）pretrained-LSTM（d）SVM图3-12四种模型在测试集上的ROC曲线图为了观测不同驾驶风格下操作层特征构建的DOP的区别，对不同驾驶风格的DOP进行可视化并画出其直方图，图3-13是....

图3-13三种驾驶风格下DOP及其直方图示例

高速道路上的驾驶风格与模式的操作层解析与评测研究30（a）低危险度（b）中危险度（c）高危险度图3-13三种驾驶风格下DOP及其直方图示例通过文献调研发现，以操作层数据作为特征的各种模型，在驾驶风格分类问题上的分类精度从71.0%到93.5%不等[13][21][27]，以操作转....

本文编号：4053424