CN106491144B - 一种驾驶人潜伏风险感知能力的测试与评价方法 - Google Patents
一种驾驶人潜伏风险感知能力的测试与评价方法 Download PDFInfo
- Publication number
- CN106491144B CN106491144B CN201610838713.4A CN201610838713A CN106491144B CN 106491144 B CN106491144 B CN 106491144B CN 201610838713 A CN201610838713 A CN 201610838713A CN 106491144 B CN106491144 B CN 106491144B
- Authority
- CN
- China
- Prior art keywords
- risk
- driver
- latent
- information
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Hospice & Palliative Care (AREA)
- Pathology (AREA)
- Developmental Disabilities (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Biophysics (AREA)
- Educational Technology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种驾驶人潜伏风险感知能力的测试与评价方法,属于道路交通安全技术领域。主要包括:(1)收对潜伏风险信息进行分类;(2)确定不同类型潜伏风险信息的风险等级;(3)确定测试路段或区域内潜伏风险信息的潜伏风险度;(4)确定基于潜伏风险度的测试路段或区域内潜伏风险信息下的驾驶风险度;(5)构建测试驾驶员潜伏风险感知的虚拟实验测试场景;(6)通过驾驶模拟实验测试驾驶员潜伏风险感知数据;(7)驾驶员对潜伏风险信息感知的评价。本发明可对驾驶人的潜伏风险感知能力进行测试和评价,帮助实现对驾驶人风险感知能力的测评,从而改善驾驶员的风险认知能力,提高驾驶员的安全意识,减少事故发生的可能性。
Description
技术领域
本发明涉及一种驾驶人潜伏风险感知能力的测试与评价方法,属于道路交通安全技术领域。
背景技术
只要驾驶车辆,就存在安全风险。在车辆驾驶碰到的各种安全风险中,有一种风险最容易被人忽视,即由道路交通大环境引起的风险。这种风险实际上是由不利于安全驾驶的道路条件因素或环境因素所产生,由于这种风险不同于各种交通突显事件,对驾驶安全只是存在着一种可能的风险,因此称为潜伏风险。实际上,绝大多数交通事故来自于潜伏风险的爆发。从宏观来看,道路交通潜伏风险因素是影响交通安全的主要因素之一。
交通安全涉及人、车、道路及交通环境等诸多因素。长期以来,对于交通安全的预防主要集中在驾驶行为和车辆状态上,忽视了道路条件和交通环境对行车安全的影响。事实上,道路条件和交通环境中存在的潜伏风险常常直接或间接地影响驾驶的安全性,一些特殊的道路条件和交通环境可能直接诱发驾驶风险,导致交通事故的发生。
驾驶机动车不仅对驾驶人的各项技能有较高的要求,还要求驾驶人具有良好的风险感知能力,这样才能快捷、安全地完成驾驶任务。在保证安全驾驶的各项技能中,准确有效地发现驾驶环境中的潜伏风险信息,即驾驶人对潜伏风险的感知能力,无疑是最重要的能力之一。但由于驾驶员受教育的程度、安全意识和性格的差异,对风险感知的差异很大,因此,设计一种能对驾驶员潜伏风险感知进行测试和评价的系统是非常必要的。
虽然驾驶人对潜伏风险感知的能力很重要,但至今没有一种较为完善的检测和评价方法。在对驾驶人的培训和考核中,没有对该项能力的评价。有学者研究使用静态图片来测试驾驶人的风险感知能力,即将一些具有风险情景的图片呈现在受试者面前,让其标注风险信息,并做出评价。但这类风险基本是突显风险。因为由道路和交通大环境产生的潜伏风险的风险度与突显风险相比较弱,不易引起人们的注意。目前还未发现有成熟的,能直接用于对驾驶潜伏风险进行测试和评价的系统,因此,需开发出一种功能较为全面、能实现对驾驶潜伏风险进行测试和评价的相关技术和方法,以帮助帮助提供驾驶员的风险意识,从而改善车辆驾驶的安全性,减少事故发生的可能性。
发明内容
本发明要解决的技术问题是测试驾驶人对潜伏风险信息的感知能力,并对驾驶员的这种风险感知能力进行评价,从而提供一种驾驶人风险感知能力的测试与评价方法。
本发明的技术方案是:一种驾驶人潜伏风险感知能力的测试与评价方法,具体步骤为:
对潜伏风险信息进行分类;
确定不同类型潜伏风险信息的风险等级;
确定测试路段或区域内潜伏风险信息的潜伏风险度;
确定基于潜伏风险度的测试路段或区域内潜伏风险信息下的驾驶风险度;
构建测试驾驶员潜伏风险感知的虚拟实验测试场景;
通过驾驶模拟实验测试驾驶员潜伏风险感知数据;
驾驶员对潜伏风险信息感知的评价。
所述将潜伏风险信息进行分类,分为道路条件风险、交通环境风险、自然环境风险、气候条件风险4类。对城市道路,道路条件风险包含:无灯交叉口、异形交叉口、双向不分离、弯道、坡道、匝道出入口、视距受限等风险信息,交通环境风险包含:机非混行、人车混行、机非人混行等风险信息,自然环境风险包含:通过公交车站、经过学校、经过居住区、经过商业区等风险信息,气候条件风险包含:雨、雪、雾、冰天气等风险信息;对于公路,道路条件风险包含双向不分离、弯道、长坡道、弯坡组合道、桥隧道、匝道出入口、视距受限等风险信息,交通环境风险包含:小交通流量、中交通流量、大交通流量等风险信息,自然环境风险包含:通过村庄、开放景观、半开放景观、闭合景观等风险信息,气候条件风险包含:雨、雪、雾、冰天气等风险信息,每一类信息的风险程度是不同的。
所述不同类型潜伏风险信息的风险等级是根据不同信息对潜伏风险的贡献率不同,在事故统计、专家咨询、问卷调查的基础上,通过采用层次分析法可确定潜伏因素风险信息在运行车速下的风险级别。
所述不同类型潜伏风险信息的风险等级是通过潜伏因素风险级别模型获得。对一个路段单元,潜伏因素风险级别模型为HRi=W1*R+W2*T+W3*E+W4*C,HRi为路段单元潜伏风险等级;R为道路条件风险等级,R∈(r1,r2,r3,r4,r5,r6,r7);T为交通环境风险等级,T∈(t1,t2,t3);E为自然环境风险等级,E∈(e1,e2,e3,e4);C为气候条件风险等级,C∈(c1,c2,c3,c4);Wj(j=1.2.3.4)为各类风险的权重;ri,ti,ei,ci分别为R,T,E,C类信息的风险等级。
所述R,T,E,C风险类型的风险等级根据各类潜伏风险信息的权重确定。权重最大的信息为5级风险,即S=5;权重最小的信息为1级风险,即S=1;介于上述两级之间的风险等级按权重插值确定;权重越大,风险越大;无潜伏风险信息时,风险等级为0,即S=0。
所述风险等级值S是介于1和5之间的一个值,不一定是整数值,各类潜伏风险信息的风险等级通过以下公式获得,
S为某一类信息的风险级别,P为该类风险信息的权重,Pmax为该类风险信息的最大权重,Pmin为该类风险信息的最小权重,则当P=Pmax时,S=5;当P=Pmin时,S=1。
所述实施例的城市道路和公路潜伏风险信息分类如表1所示,实施例的城市道路各类风险信息权重如表2所示,实施例的城市道路各类风险等级如表3所示,公路风险等级可以类似建立。由上述定义确定的实施例的城市道路各类因素风险级别分别为:
R∈(r1,r2,r3,r4,r5,r6,r7)=(1.43,1.11,3.67,1.88,2.76,1,5);
T∈(t1,t2,t3)=(1,1.83,5);
E∈(e1,e2,e3,e4)=(5,3.19,1,1.45);
C∈(c1,c2,c3,c4)=(1,2.59,1.52,5)。
所述测试路段或区域内一个路段单元的潜伏因素风险级别模型为Sj(j=1,2,3,4)为道路条件、交通环境、自然环境、气候条件四类潜伏风险中的某一风险信息,Wj(j=1.2.3.4)为各类风险的权重,单元风险等级HRi为(0,5)之间的一个值。
所述测试路段或区域内一个路段单元的道路潜伏风险度模型是通过对测试路段或区域内一个路段单元的潜伏因素风险级别模型经归一化获得,其模型为HFi的取值为(0,1),当HFi=0时,没有潜伏风险,当HFi=1时,潜伏风险最大。
所述测试路段或区域内的道路潜伏风险度是根据一个路段单元的道路潜伏风险度获得,其模型为n为评价区域内包含的道路单元数。
所述测试路段或区域内潜伏风险信息下的驾驶风险度是基于测试路段或区域内的道路潜伏风险度,并根据车速对于潜伏风险信息的影响获得的,则有:
Vi为实际行驶车速,Vd为该风险信息因素所处路段的运行车速,λ为风险标定系数,主要用于标定运行车速。显然,当行驶车速等于设计车速时,为标准风险;当行驶车速低于运行车速时,驾驶风险显著降低;当行驶车速高于运行车速时,驾驶风险显著提高。
所述测试驾驶员潜伏风险感知的虚拟实验测试场景通过实验场景设计,设计出具有各类潜在风险因素的道路交通场景,潜伏风险因素存在于道路交通场景中,每个风险因素至少存在于一个单元路段内,并使它们自然地融合在一个测试场景中,如果一个场景太大,可以分成几个实验场景。不同风险因素对速度控制的要求不同,因此要根据风险因素设计确定各单元潜伏风险因素引起的速度变化区域,作为驾驶员速度控制范围,并根据该区域的速度计算驾驶员的风险感知度。
所述通过驾驶模拟实验测试驾驶员潜伏风险感知数据是要求驾驶员在驾驶模拟器上按指定方向行驶,不设限速标志,但要求受试者按风险感知自行控制速度。全程记录行驶车速、加减速度、行车轨迹、方向盘转角和其他操作行为。实验完成后,处理数据,完成数据的统计分析,最后计算出受试者的风险感知度和敏感度。
所述驾驶员对潜伏风险信息感知的评价是用驾驶员风险感知度和风险敏感度作为评价指标。根据上述潜伏因素风险等级的定义,针对一个路段单元,潜伏风险度在(0,1)区间,另一方面,风险与车速密切相关,风险度与车速的平方成正比。因此,当驾驶员感知到风险时,最重要的应对措施是调整车速。车速调整的大小就反应了驾驶员对风险感知的程度。根据这一原理设计了驾驶员潜伏风险感知测试方法。当驾驶员行驶在测试道路单元上时,驾驶员根据对该单元潜伏风险的感知会将对车速进行控制,此时,驾驶员对风险的感知度即为该路段单元的风险度,其模型为则驾驶员在整个路段或区域上对潜伏风险信息的风险感知度模型为n为总路段包含的单元数,HFi为各路段单元上的潜伏风险度,Vi为单元上降速路段行驶车速的平均值;驾驶员在整个路段或区域上对潜伏风险信息的风险敏感度模型为HPk=1-HPf,HPf为驾驶员的风险感知度,HPk为驾驶员的风险敏感度,驾驶员风险感知度越低,敏感度越高,反之亦然。风险敏感度表示驾驶员对风险感知的敏感性。敏感度越高,表明驾驶员的安全意识越强;敏感度低,说明驾驶员的安全意识弱。
本发明的有益效果是:可对驾驶人的潜伏风险感知能力进行测试和评价,帮助实现对驾驶人风险感知能力的测评,从而改善驾驶员的风险认知能力,提高驾驶员的安全意识,减少事故发生的可能性。
附图说明
图1是本发明的流程图;
图2是本发明实施例1中通过公交车站场景设计简图;
图3是本发明实施例1中通过学校场景设计简图;
图4是本发明实施例1中通过公交车站三维驾驶视景图;
图5是本发明实施例1中通过学校三维驾驶视景图;
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如图1所示,应用该驾驶人潜伏风险感知能力的测试与评价方法,遵循以下步骤:(1)收对潜伏风险信息进行分类;(2)确定不同类型潜伏风险信息的风险等级;(3)确定测试路段或区域内潜伏风险信息的潜伏风险度;(4)确定基于潜伏风险度的测试路段或区域内潜伏风险信息下的驾驶风险度;(5)构建测试驾驶员潜伏风险感知的虚拟实验测试场景;(6)通过驾驶模拟实验测试驾驶员潜伏风险感知数据;(7)驾驶员对潜伏风险信息感知的评价。
下面结合附图2、3、4、5所示,进一步对本发明的方法进行具体描述。
对潜伏风险信息进行分类;
确定不同类型潜伏风险信息的风险等级;
确定测试路段或区域内潜伏风险信息的潜伏风险度;
确定基于潜伏风险度的测试路段或区域内潜伏风险信息下的驾驶风险度;
构建测试驾驶员潜伏风险感知的虚拟实验测试场景;
通过驾驶模拟实验测试驾驶员潜伏风险感知数据;
驾驶员对潜伏风险信息感知的评价。
所述将潜伏风险信息进行分类,分为道路条件风险、交通环境风险、自然环境风险、气候条件风险4类。各类信息下又可分为具体信息。实施例的城市道路和公路信息分类如表1。每一类信息的风险程度是不同的。
表1
所述不同类型潜伏风险信息的风险等级是根据不同信息对潜伏风险的贡献率不同,在事故统计、专家咨询、问卷调查的基础上,通过采用层次分析法可确定潜伏因素风险信息在运行车速下的风险级别。
所述实施例的城市道路各类风险信息权重如表2所示。
表2
所述R,T,E,C风险类型的风险等级根据各类潜伏风险信息的权重确定。权重最大的信息为5级风险,即S=5;权重最小的信息为1级风险,即S=1;介于上述两级之间的风险等级按权重插值确定;权重越大,风险越大;无潜伏风险信息时,风险等级为0,即S=0。
所述风险等级值S是介于1和5之间的一个值,不一定是整数值,各类潜伏风险信息的风险等级通过以下公式获得:
S为某一类信息的风险级别,P为该类风险信息的权重,Pmax为该类风险信息的最大权重,Pmin为该类风险信息的最小权重,则当P=Pmax时,S=5;当P=Pmin时,S=1。
所述实施例的城市道路各类风险等级如表3所示,公路风险等级可以类似建立。
表3
所述不同类型潜伏风险信息的风险等级是通过潜伏因素风险级别模型获得。对一个路段单元,潜伏因素风险级别模型为HRi=W1*R+W2*T+W3*E+W4*C,HRi为路段单元潜伏风险等级;R为道路条件风险等级,R∈(r1,r2,r3,r4,r5,r6,r7);T为交通环境风险等级,T∈(t1,t2,t3);E为自然环境风险等级,E∈(e1,e2,e3,e4);C为气候条件风险等级,C∈(c1,c2,c3,c4);Wj(j=1.2.3.4)为各类风险的权重;ri,ti,ei,ci分别为R,T,E,C类信息的风险等级。由上述定义确定的实施例的城市道路各类因素风险级别分别为:
R∈(r1,r2,r3,r4,r5,r6,r7)=(1.43,1.11,3.67,1.88,2.76,1,5);
T∈(t1,t2,t3)=(1,1.83,5);
E∈(e1,e2,e3,e4)=(5,3.19,1,1.45);
C∈(c1,c2,c3,c4)=(1,2.59,1.52,5)。
所述测试路段或区域内一个路段单元的潜伏因素风险级别模型为Sj(j=1,2,3,4)为道路条件、交通环境、自然环境、气候条件四类潜伏风险中的某一风险信息,Wj(j=1.2.3.4)为各类风险的权重,单元风险等级HRi为(0,5)之间的一个值。
所述测试路段或区域内一个路段单元的道路潜伏风险度模型是通过对测试路段或区域内一个路段单元的潜伏因素风险级别模型经归一化获得,其模型为HFi的取值为(0,1),当HFi=0时,没有潜伏风险,当HFi=1时,潜伏风险最大。
所述测试路段或区域内的道路潜伏风险度是根据一个路段单元的道路潜伏风险度获得,其模型为n为评价区域内包含的道路单元数。
所述测试路段或区域内潜伏风险信息下的驾驶风险度是基于测试路段或区域内的道路潜伏风险度,并根据车速对于潜伏风险信息的影响获得的。当驾驶员行驶在测试道路上时,驾驶员会根据该测试路段内潜伏风险的感知对车速进行控制,则测试路段或区域内潜伏风险信息下的驾驶风险度通过以下公式获得:
Vi为实际行驶车速,Vd为该风险信息因素所处路段的运行车速,λ为风险标定系数,主要用于标定运行车速。显然,当行驶车速等于设计车速时,为标准风险;当行驶车速低于运行车速时,驾驶风险显著降低;当行驶车速高于运行车速时,驾驶风险显著提高。
所述驾驶员速度控制范围是基于不同潜伏信息对速度控制的要求不同所确定的。根据风险信息设计确定各单元潜伏风险信息引起的速度变化区域,作为驾驶员速度控制范围。根据实施例设计场景中的风险信息特征,确定速度控制范围区域如表4。在图2实施例中,通过公交车站的速度控制区域为150m;在图3实施例中,通过学校的速度控制区域为200m。
表4
所述测试驾驶员潜伏风险感知的虚拟实验测试场景通过实验场景设计,设计出具有各类潜在风险因素的道路交通场景,潜伏风险因素存在于道路交通场景中,每个风险因素至少存在于一个单元路段内,并使它们自然地融合在一个测试场景中,如果一个场景太大,可以分成几个实验场景。图2为实施例的城市道路通过公交车站时的一个单元场景设计图,图3为实施例的城市道路通过学校时的一个单元场景设计图。图4和图5分别为实施例:通过公交车站和通过学校时的三维场景图。
所述通过驾驶模拟实验测试驾驶员潜伏风险感知数据是要求驾驶员在驾驶模拟器上按指定方向行驶,不设限速标志,但要求受试者按风险感知自行控制速度。全程记录行驶车速、加减速度、行车轨迹、方向盘转角和其他操作行为。实验完成后,处理数据,完成数据的统计分析,最后计算出受试者的风险感知度和敏感度。
所述驾驶员对潜伏风险信息感知的评价是用驾驶员风险感知度和风险敏感度作为评价指标。根据上述潜伏因素风险等级的定义,针对一个路段单元,潜伏风险度在(0,1)区间,另一方面,风险与车速密切相关,风险度与车速的平方成正比。因此,当驾驶员感知到风险时,最重要的应对措施是调整车速。车速调整的大小就反应了驾驶员对风险感知的程度。根据这一原理设计了驾驶员潜伏风险感知测试方法。当驾驶员行驶在测试道路单元上时,驾驶员根据对该单元潜伏风险的感知会将对车速进行控制,此时,驾驶员对风险的感知度即为该路段单元的风险度,其模型为则驾驶员在整个路段或区域上对潜伏风险信息的风险感知度模型为n为总路段包含的单元数,HFi为各路段单元上的潜伏风险度,Vi为单元上降速路段行驶车速的平均值;驾驶员在整个路段或区域上对潜伏风险信息的风险敏感度模型为HPk=1-HPf,HPf为驾驶员的风险感知度,HPk为驾驶员的风险敏感度,驾驶员风险感知度越低,敏感度越高,反之亦然。风险敏感度表示驾驶员对风险感知的敏感性。敏感度越高,表明驾驶员的安全意识越强;敏感度低,说明驾驶员的安全意识弱。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种驾驶人潜伏风险感知能力的测试与评价方法,其特征在于具体步骤为:
(1)对潜伏风险信息进行分类;
(2)确定不同类型潜伏风险信息的风险等级;
(3)确定测试路段或区域内潜伏风险信息的潜伏风险度;
(4)确定基于潜伏风险度的测试路段或区域内潜伏风险信息下的驾驶风险度;
(5)构建测试驾驶员潜伏风险感知的虚拟实验测试场景;
(6)通过驾驶模拟实验测试驾驶员潜伏风险感知数据;
(7)驾驶员对潜伏风险信息感知的评价。
2.根据权利要求1所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:所述潜伏风险信息分为道路条件风险、交通环境风险、自然环境风险、气候条件风险4类。
3.根据权利要求1所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:根据不同信息对潜伏风险的贡献率不同,通过层次分析法确定潜伏风险信息在设计车速下的风险级别,对一个路段单元,潜伏因素风险级别通过以下公式获得:
HRi=W1*R+W2*T+W3*E+W4*C
其中,HRi为路段单元潜伏风险等级;R为道路条件风险等级,R∈(r1,r2,r3,r4,r5,r6,r7);T为交通环境风险等级,T∈(t1,t2,t3);E为自然环境风险等级,E∈(e1,e2,e3,e4);C为气候条件风险等级,C∈(c1,c2,c3,c4);Wj,其中j=1.2.3.4为各类风险的权重;ri,ti,ei,ci分别为R,T,E,C类信息的风险等级。
4.根据权利要求3所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:根据各类潜伏风险信息的权重确定R,T,E,C风险类型的风险等级,权重最大的信息为5级风险,即S=5;权重最小的信息为1级风险,即S=1;介于上述两级之间的风险等级按权重插值确定;权重越大,风险越大;无潜伏风险信息时,风险等级为0,即S=0。
5.根据权利要求4所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:风险等级值S是介于1和5之间的一个值,不一定是整数值,各类潜伏风险信息的风险等级通过以下公式获得:
其中,S为某一类信息的风险级别,P为该类风险信息的权重,Pmax为该类风险信息的最大权重,Pmin为该类风险信息的最小权重,则当P=Pmax时,S=5;当P=Pmin时,S=1。
6.根据权利要求3所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:测试路段或区域内一个路段单元的道路潜伏风险度通过以下公式获得:
其中,Sj,其中j=1,2,3,4为道路条件、交通环境、自然环境、气候条件四类潜伏风险中的某一风险信息,单元风险等级HRi为(0,5)之间的一个值,HFi的取值为(0,1),当HFi=0时,没有潜伏风险;当HFi=1时,潜伏风险最大。
7.根据权利要求6所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:测试路段或区域内的道路潜伏风险度通过以下公式获得:
其中,n为评价区域内包含的道路单元数。
8.根据权利要求6所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:根据车速对于潜伏风险信息的影响,基于潜伏风险度的测试路段或区域内潜伏风险信息下的驾驶风险度通过以下公式获得:
其中,Vi为实际行驶车速,Vd为该风险信息因素所处路段的运行车速,λ为风险标定系数,主要用于标定运行车速。
9.根据权利要求6所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:驾驶员对潜伏风险信息感知的评价用驾驶员风险感知度和风险敏感度作为评价指标,当驾驶员行驶在测试道路单元上时,驾驶员根据对该单元潜伏风险的感知会将对车速进行控制,此时,驾驶员对风险的感知度即为该路段单元的风险度为:
驾驶员在整个路段或区域上对潜伏风险信息的风险感知度模型表示为:
其中,n为总路段包含的单元数,HFi为各路段单元上的潜伏风险度,Vi为单元上降速路段行驶车速的平均值。
10.根据权利要求9所述的驾驶人潜伏风险感知能力的测试与评价方法,其特征在于:驾驶员在整个路段或区域上对潜伏风险信息的风险敏感度模型表示为:
HPk=1-HPf
其中,HPf为驾驶员的风险感知度,HPk为驾驶员的风险敏感度,驾驶员风险感知度越低,敏感度越高,驾驶员风险感知度越高,敏感度越低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610838713.4A CN106491144B (zh) | 2016-09-22 | 2016-09-22 | 一种驾驶人潜伏风险感知能力的测试与评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610838713.4A CN106491144B (zh) | 2016-09-22 | 2016-09-22 | 一种驾驶人潜伏风险感知能力的测试与评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106491144A CN106491144A (zh) | 2017-03-15 |
CN106491144B true CN106491144B (zh) | 2019-07-05 |
Family
ID=58290792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610838713.4A Active CN106491144B (zh) | 2016-09-22 | 2016-09-22 | 一种驾驶人潜伏风险感知能力的测试与评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106491144B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615110B (zh) * | 2018-04-23 | 2021-07-06 | 吉林大学 | 基于视觉特性的驾驶风险评估系统 |
CN110660270B (zh) * | 2018-06-29 | 2021-09-21 | 比亚迪股份有限公司 | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 |
CN109272775B (zh) * | 2018-10-22 | 2021-07-16 | 华南理工大学 | 一种高速公路弯道安全监测预警方法、系统及介质 |
JP7173702B2 (ja) * | 2019-02-27 | 2022-11-16 | トヨタ自動車株式会社 | 評価装置 |
JP7136720B2 (ja) * | 2019-02-27 | 2022-09-13 | トヨタ自動車株式会社 | 評価装置 |
CN113739796A (zh) * | 2020-05-28 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 信息提示方法、装置、导航服务器、导航终端及存储介质 |
CN113222458A (zh) * | 2021-05-31 | 2021-08-06 | 上海工程技术大学 | 一种城市轨道交通驾驶员安全风险测评模型及系统 |
CN115089182B (zh) * | 2022-05-23 | 2023-05-02 | 长安大学 | 一种多维度驾驶员风险感知能力的评估方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002140786A (ja) * | 2000-11-01 | 2002-05-17 | Nec Corp | 危険度評価装置 |
CA2863229A1 (en) * | 2012-01-13 | 2013-07-18 | Pulse Function F6 Limited | Telematics system with 3d inertial sensors |
US9099006B2 (en) * | 2013-08-22 | 2015-08-04 | GM Global Technology Operations LLC | Context-aware threat response arbitration |
CN103646534B (zh) * | 2013-11-22 | 2015-12-02 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
FR3021913B1 (fr) * | 2014-06-10 | 2016-05-27 | Renault Sa | Systeme de detection pour vehicule automobile pour signaler a l'aide d'une scene sonore un defaut de vigilance du conducteur en presence d'un danger immediat |
JP6418574B2 (ja) * | 2015-01-14 | 2018-11-07 | 株式会社デンソーアイティーラボラトリ | 危険度推定装置、危険度推定方法及び危険度推定用コンピュータプログラム |
CN104605820A (zh) * | 2015-01-21 | 2015-05-13 | 清华大学 | 驾驶员风险倾向行为的诊断系统 |
CN104732075B (zh) * | 2015-03-06 | 2017-07-07 | 中山大学 | 一种城市道路交通事故风险实时预测方法 |
-
2016
- 2016-09-22 CN CN201610838713.4A patent/CN106491144B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106491144A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106491144B (zh) | 一种驾驶人潜伏风险感知能力的测试与评价方法 | |
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
US20170323568A1 (en) | Risk prediction device and driving support system | |
CN109100155A (zh) | 一种无人车在环快速仿真测试系统和方法 | |
CN109358612A (zh) | 智能驾驶控制方法和装置、车辆、电子设备、存储介质 | |
CN112885145B (zh) | 路口风险预警的方法和装置 | |
JP2008058459A (ja) | 運転評価装置 | |
KR20240006532A (ko) | 차량들의 운전 거동 검출 | |
CN112101670A (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
JP4814816B2 (ja) | 事故発生予測シミュレーション装置、方法及びプログラム並びに安全システム評価装置及び事故警報装置 | |
Gürbüz et al. | Improvement of safe stopping distance and accident risk coefficient based on active driver sight field on real road conditions | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
CN105620486B (zh) | 应用于车辆能量管理的行驶模式判断装置及方法 | |
Toledo et al. | Alternative definitions of passing critical gaps | |
Koloushani et al. | Mobile mapping system-based methodology to perform automated road safety audits to improve horizontal curve safety on rural roadways | |
KR20210050150A (ko) | 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차 | |
CN106570609A (zh) | 一种驾驶人动态风险感知能力的测试与评价方法 | |
Anwari et al. | Investigating surrogate safety measures at midblock pedestrian crossings using multivariate models with roadside camera data | |
CN115270381A (zh) | 仿真场景生成方法、装置、自动驾驶设备及可读存储介质 | |
KR102435442B1 (ko) | 어린이 보호구역의 제한속도 가변 시스템, 장치 및 방법 | |
Hoogendoorn et al. | Simple and multi-anticipative car-following models: Performance and parameter value effects in case of fog | |
Sheykhfard et al. | Analysis of traffic conflicts with right-turning vehicles at unsignalized intersections in suburban areas | |
CN117242460A (zh) | 不安全驾驶场景的计算机化检测 | |
Pratelli et al. | Roundabout perception: review of standards and guidelines for advanced warning | |
Lee et al. | Enhancing School Zone and School Bus Safety |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |