CN107742177A - 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法 - Google Patents

一种基于多因素影响的驾驶员弯道行驶轨迹分析方法 Download PDF

Info

Publication number
CN107742177A
CN107742177A CN201710729261.0A CN201710729261A CN107742177A CN 107742177 A CN107742177 A CN 107742177A CN 201710729261 A CN201710729261 A CN 201710729261A CN 107742177 A CN107742177 A CN 107742177A
Authority
CN
China
Prior art keywords
driver
factor
negotiation
bends
analysis method
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.)
Pending
Application number
CN201710729261.0A
Other languages
English (en)
Inventor
江浩斌
周婕
李傲雪
蔡骏宇
马世典
耿国庆
周新宸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201710729261.0A priority Critical patent/CN107742177A/zh
Publication of CN107742177A publication Critical patent/CN107742177A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Transportation (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种基于多因素影响的驾驶员弯道行驶轨迹分析方法，包括步骤S1、提出驾驶员弯道行驶轨迹的影响因素和评价指标：影响因素包括客观因素和主观因素，客观因素包括驾驶员的行车速度和弯道的曲率，主观因素包括优秀驾驶员驾驶经验，评价指标包括客观评价与主观评价；步骤S2、根据正交试验法建立正交表；步骤S3、根据得到的正交表进行驾驶员弯道行驶轨迹的试验；步骤S4、得到的试验数据进行方差分析，进行影响因素显著性分析。本发明提出了影响驾驶员在弯道行驶轨迹的客观因素和主观因素相结合的分析方法，基于正交试验法对客观因素和主观因素进行显著性分析，对提出的影响因素的显著程度排序，为弯道工况下的智能汽车仿人控制研究奠定基础。

Description

一种基于多因素影响的驾驶员弯道行驶轨迹分析方法
技术领域
本发明属于智能汽车仿人控制领域，具体涉及一种基于多因素影响的驾驶员弯道行驶轨迹分析方法。
背景技术
智能汽车具有环境感知，规则决策，多等级辅助驾驶等功能，融合了计算机，通讯，人工智能及自动控制等技术。目前，智能汽车研究重点为提高汽车的安全性以及舒适性并提供优良的人车交互界面。优秀的驾驶员具有丰富的驾驶经验和技巧，若智能汽车能学习或模仿人类驾驶员对汽车转向系统进行控制，则会使智能汽车更容易被人类接受。
现有的智能汽车路线规划方法中，中国专利申请：基于威胁估计的智能车辆路径规划方法(申请号：CN201610050880.2)中仅以提高智能驾驶的安全性及高效性为目的进行路径规划，未考虑智能汽车的乘坐舒适性。中国专利申请：一种基于经验路线的车辆路径规划方法(申请号：CN201610417918.5)中经验路线优选时，仅考虑起点距离经验路线的直线距离，以及重点距离经验路线的直线距离等客观因素，忽略了经验路径中的主观因素以及经验路径其余环境因素。现行汽车行驶理论的道路设计方法，均是在无外界干扰且严格按照中心线行驶的理想状态。仿人控制则为智能控制的核心，它主要通过模仿人的经验和技巧来进行控制。此种方法显然和实际行驶轨迹有差别，且无法满足仿人智能驾驶的要求。
正交试验法是研究多因素多水平的一种设计方法，它是根据正交性从全面试验中挑选出部分有代表性的点进行试验，是一种高效率、快速、经济的实验设计方法。在优秀驾驶员普通弯道行驶路径的影响因素分析方法中，应用正交试验法，达到高效，全面分析影响因素的目的。
发明内容
本发明的目的是针对上述问题提供一种基于多因素影响的驾驶员弯道行驶轨迹分析方法，本发明是用于优秀驾驶员普通弯道行驶轨迹影响因素分析，提出了影响优秀驾驶员在普通弯道行驶轨迹的客观因素和主观因素相结合的分析方法，基于正交试验法对客观因素和主观因素进行显著性分析，对提出影响优秀驾驶员行驶轨迹的影响因素的显著性、及显著程度排序，为普通弯道工况下的智能汽车仿人控制研究奠定基础。
本发明的技术方案是：一种基于多因素影响的驾驶员弯道行驶轨迹分析方法，包括以下步骤：
步骤S1、提出驾驶员弯道行驶轨迹的影响因素和评价指标：所述影响因素包括客观因素和主观因素，所述客观因素包括驾驶员的行车速度和弯道的曲率，所述主观因素包括优秀驾驶员驾驶经验，所述驾驶经验包括驾驶员驾龄、年龄、性格以及试验路段熟悉程度；所述评价指标包括客观评价与主观评价，所述客观评价指标为侧向偏移量，所述主观评价指标为乘客的乘坐舒适性以及安全性；
步骤S2、根据正交试验法，建立正交表：根据所述步骤S1中提出的驾驶员的行车速度、弯道的曲率和驾驶员驾驶经验三个影响因素，选取n个因素水平，建立正交表；
步骤S3、根据所述步骤S2中得到的正交表进行驾驶员弯道行驶轨迹的试验；
步骤S4、对所述步骤S3中得到的试验数据进行方差分析，进行影响因素显著性分析：利用方差分析来区别试验数据的差异是由于因素水平不同引起的还是试验误差引起的，以进一步来确定普通弯道工况下优秀驾驶员行驶轨迹的主要影响因素和次要影响因素；方差分析又称“变异数分析”，用于两个及两个以上样本均数差别的显著性检验。通过方差分析的方法来进行显著性分析可以区别考察因素的试验数据差别是由于不同水平引起的还是由于试验误差引起的；
利用方差分析，得到各影响因素的检验统计量F比值：
其中fA表示偏差平方和SA，f误表示S误的自由度；
fA＝因素A的水平数－1；
f误＝f总－fA；
f总＝N－1，N为同一水平的总试验次数；
其中为因素A在各水平下的偏差平方和相加；
其中为因素A各水平平均值之间的偏差平方和；
F分布临界值表列出了各种自由度情况下F比的临界值，查得的临界值记做Fα，这里的α是预先给定的显著性水平，若F比≥Fα，就有(1－α)的把握说明因素A的水平改变对结果有显著性影响。
上述方案中，所述驾驶员为优秀驾驶员；
所述秀驾驶员驾驶经验＝50％×驾龄+20％×年龄+20％×性格+10％×试验路段熟悉程度。
优选的，所述优秀驾驶员的行车速度取三个水平，分别为20km/h、30km/h和40km/h。
优选的，所述优秀驾驶员驾驶经验分别为驾龄10年，年龄28岁，性格急躁，对试验路段熟悉；驾龄20年，年龄46岁，性格稳重，对试验路段不熟悉；驾龄30年，年龄53岁，性格稳重，对试验路段熟悉。
上述方案中，所述弯道为除垂直弯道以外的普通弯道。
优选的，所述弯道曲率选取三个不同试验路段。
上述方案中，所述乘坐舒适性可分为不舒适、较不舒适、一般、较舒适和舒适；
所述乘坐安全性可分为不安全、较不安全、一般、较安全和安全。
上述方案中，所述行车速度是通过车速传感器记录得到；所述行驶轨迹是指通过GPS传感器记录得到的车辆行驶GPS信息导入软件，画出的相应路径。
上述方案中，所述侧向偏移量是汽车行驶轨迹与道路中心线之间的侧向距离。
进一步的，所述侧向偏移量为动态量，一段弯道的侧向偏移量在动态变化，因此用于客观评价的所述侧向偏移量取平均值。
与现有技术相比，本发明的有益效果是：
1.本发明所提出的普通弯道工况下优秀驾驶员行驶轨迹影响因素以及评价指标，其中客观因素的选取依据为，优秀驾驶员的行车速度可以反映优秀驾驶员对当前行驶环境的判断以及对下一时刻行驶状态的预测。在普通弯道工况下，优秀驾驶员对普通弯道的曲率的反馈影响车辆转向盘的控制，从而影响优秀驾驶员的行驶轨迹的变化。主观因素为驾驶经验，驾驶经验是由优秀驾驶员驾龄，年龄，性格以及道路熟悉程度组成。本发明中提出普通弯道工况下影响优秀驾驶员行驶轨迹的主观因素，对优秀驾驶员的行驶轨迹分析更加全面，为进一步的智能汽车仿人控制研究提供理论依据。本发明均涉及客观层面和主观层面，且更加全面，更加能反映人的驾驶特点，为仿人智能驾驶研究奠定了基础。
2.本发明中，需要对三因素多水平的影响因素进行分析，并进行实车试验，同一个优秀驾驶员在同一弯道下，针对不同的行车速度，需要进行三次试验，一共需要进行二十七次试验，应用正交试验法可以在减少实车试验次数的情况下，全面反映这三种影响因素对普通弯道工况下优秀驾驶员的行驶轨迹的影响。
3.本发明通过方差分析的方法针对普通弯道工况下优秀驾驶员行驶轨迹影响因素来进行显著性分析可以区别行驶轨迹的侧向偏移量的数据差别是由于不同水平引起的还是由于试验误差引起的，使得测得的侧向偏移量数据更具可信度。
附图说明
图1是本发明优秀驾驶员普通弯道行驶轨迹影响因素分析方法技术路线图。
图2是本发明一实施方式的实车设备安装图。
图3是本发明一实施方式的Google earth路径图。
图4是本发明一实施方式的几何意义。
图中，1.GPS传感器；2.车速传感器。
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详细说明，但本发明的保护范围并不限于此。
图1所示为本发明所述基于多因素影响的驾驶员弯道行驶轨迹分析方法的一种实施方式，所述基于多因素影响的驾驶员弯道行驶轨迹分析方法，本实施例中驾驶员为优秀驾驶员，弯道为除垂直弯道以外的普通弯道，包括以下步骤：
步骤S1：提出普通弯道下优秀驾驶员行驶轨迹影响因素及评价标准，其中客观因素为：优秀驾驶员的行车速度，普通弯道的曲率；主观因素为：优秀驾驶员经验，驾驶经验由驾驶员驾龄、年龄、性格以及试验路段熟悉程度等综合组成。评价标准分别为客观评价和主观评价，其中客观评价指标为行驶轨迹的侧向偏移量，主观评价指标为乘客的乘坐舒适性以及安全性。
本实施例中的三个影响因素分别有三个水平，分别为：优秀驾驶员的行车速度为20km/h、30km/h以及40km/h；普通弯道曲率分别选取三个不同试验路段，分别为路段1江苏大学校园弯道路段，路段2高架桥转弯路段，路段3谷阳路与禹山路交汇转弯处。
表1.驾驶员信息
优秀驾驶员驾驶经验根据其组成部分分别为驾龄10年，年龄28岁，性格急躁，对试验路段熟悉；驾龄20年，年龄46岁，性格稳重，对试验路段不熟悉；驾龄30年，年龄53岁，性格稳重，对试验路段熟悉。优秀驾驶员的驾驶经验用式(一)表示，其中每个因素用百分制来表征，具体如表1。评价标准为侧向偏移量为汽车行驶轨迹与道路中心线之间的侧向距离；乘客乘坐舒适性为：很不舒适，较不舒适，一般，较舒适，舒适；乘客乘坐安全性为很不安全，较不安全，一般，较安全，安全。影响因素及水平取值表2。
优秀驾驶员驾驶经验＝50％×驾龄+20％×年龄+20％×性格+10％×试验路段熟悉程度(一)。
表2.影响因素及水平取值
行驶速度(km/h) 弯道曲率 优秀驾驶员驾驶经验
20 0.01 优秀驾驶员1(76)
30 0.005 优秀驾驶员2(81)
40 0.0025 优秀驾驶员3(84)
试验车辆为日系汽车本田，在试验车辆上安装车速传感器2，型号为Kistler-MotionL55140446，用来测量实时车速，本实施例中的理想试验车速为恒速，考虑普通弯道的实车试验情况，测量实时车速，观察实时车速与转弯路径的关系。试验车辆上安装GPS传感器1，型号为高精度GPS定位仪SDI-600GI，用于记录车辆行驶的GPS信息，经度，纬度以及海拔，用于测量车辆行驶过程中的侧向偏移量。实车设备安装图2所述。
步骤S2、根据正交试验法，建立正交表，根据所述步骤S1中提出的驾驶员的行车速度、弯道的曲率和驾驶员驾驶经验三个影响因素，选取三个因素水平，建立正交表；由于试验对象是三因素三水平，所以此次做试验的数量为9，记为L9(33)，合理选取因素进行试验，用SPSS建立如下试验正交表3。
表3.实车试验正交表
步骤S3、根据所述步骤S2的正交表进行实车试验，车速传感器记录实时车速，GPS传感器记录车辆行驶的GPS信息。将GPS信息导入Google earth软件，画出相应的路径如图3所示。
算出相应的侧向偏移量，侧向偏移量为影响因素的客观评价指标，由于侧向偏移量为动态量，一段弯道的侧向偏移量在动态变化，所以此处用于客观评价的侧向偏移量取平均值。
每次试验均有同一名乘客乘坐，记录下这名乘客的乘坐舒适性感受与乘坐安全性感受，乘坐舒适性感受有五个等级，很不舒适，较不舒适，一般，较舒适，舒适，如表4；乘坐安全性感受有五个等级，很不安全，较不安全，一般，较安全，安全，如表5；试验结果如表6。
表4乘坐舒适性主观评价指标表
表6.实车试验结果
所述步骤S4、根据所述步骤S3试验所得数据利用方差分析进行影响因素显著性分析，通过方差分析的方法针对普通弯道工况下优秀驾驶员行驶轨迹影响因素来进行显著性分析可以区别行驶轨迹的侧向偏移量的数据差别是由于不同水平引起的还是由于试验误差引起的。
利用方差分析，得到各影响因素的检验统计量F比值：
其中fA和f误分别表示偏差平方和SA和S误的自由度；
fA＝因素A的水平数－1；
f误＝f总－fA；
f总＝N－1，N为同一水平的总试验次数；
其中为因素A在各水平下的偏差平方和相加；
其中为因素A各水平平均值之间的偏差平方和；
从数据偏差平方和可见，数据个数多的，偏差平方和就可能大。为了消除数据个数的影响，此处采用平均偏差平方和SA/fA、S误/f误，其中fA和f误分别表示偏差平方和SA和S误的自由度。
F分布临界值表列出了各种自由度情况下F比的临界值。在F分布临界值表上横行f1代表F比中分子的自由度fA，竖行f2代表F比中分母的自由度f误。查得的临界值记做Fα，这里的α是预先给定的显著性水平，若F比≥Fα，就有(1－α)的把握说明因素A的水平改变对结果(指标)有显著性影响，其几何意义见图3示。
根据试验所得数据利用SPSS进行方差分析，影响因素显著性分析，方差分析可以区别行驶轨迹的侧向偏移量的数据差别是由于不同水平引起的还是由于试验误差引起的。
数据处理结果如表7侧向偏移量主体间效应检验，表10.舒适性主体间效应检验，表11安全性主体间效应检验。
表中Sig为根据F分布表查到的P值，如果P<0.05，较其他因素而言，较显著。
根据表7可知优秀驾驶员经验较其他因素较显著，影响因素的影响程度排序为：优秀驾驶员经验>弯道曲率>行驶车速。
表7.侧向偏移量主体间效应检验
因变量:侧向偏移量
a.R方＝.999(调整R方＝.996)
根据表8可知在A1＝20km/h、A2＝30km/h和A3＝40km/h中，车速为A1＝20km/h时，侧向偏移量的均值较小。
表8.行驶速度统计量表
因变量:侧向偏移量
表9.行驶速度成对比较表
因变量:侧向偏移量
基于估算边际均值
a.对多个比较的调整：最不显著差别(相当于未作调整)。
根据表9可知Sig值均大于0.05，所以A1＝20km/h，A2＝30km/h，A3＝40km/h
之间无显著差异。
同理，从表10、表11、表12和表13分析可以得到结论，B3＝0.0025时，均值较小，B3＝0.0025与B1＝0.01，B2＝0.005有显著差异，B1与B2之间无显著差异；C2＝81，均值最小，C1＝76与C2＝81，C3＝84有显著差异，C2＝81与C3＝84差异不大。所以具有良好轨迹要求的组合为：车速20km/h，弯道曲率为0.0025，优秀驾驶员评分为81。
表10.弯道曲率统计量
因变量:侧向偏移量
表11.弯道曲率成对比较表
因变量:侧向偏移量
基于估算边际均值
*.均值差值在.05级别上较显著。
b.对多个比较的调整：最不显著差别(相当于未作调整)。
表12优秀驾驶员经验统计量
因变量:侧向偏移量
表13.优秀驾驶员经验成对比较表
因变量:侧向偏移量
基于估算边际均值
*.均值差值在.05级别上较显著。
b.对多个比较的调整：最不显著差别(相当于未作调整)。
根据表14舒适性主体间效应检验，表15安全性主体间效应检验，可知，行驶车速较其他因素较为显著。
弯道曲率三个水平，对舒适性和安全性无显著的差异影响。
所以具有良好舒适性与安全性的组合为：行驶车速为20km/h，弯道曲率均可，优秀驾驶员评分为81分。
表14.舒适性主体间效应的检验
因变量:舒适性
a.R方＝.996(调整R方＝.983)
表15.安全性主体间效应的检验
因变量:安全性
a.R方＝.996(调整R方＝.980)
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，包括以下步骤：
步骤S1、提出驾驶员弯道行驶轨迹的影响因素和评价指标：所述影响因素包括客观因素和主观因素，所述客观因素包括驾驶员的行车速度和弯道的曲率，所述主观因素包括优秀驾驶员驾驶经验，所述驾驶经验包括驾驶员驾龄、年龄、性格以及试验路段熟悉程度；所述评价指标包括客观评价与主观评价，所述客观评价指标为侧向偏移量，所述主观评价指标为乘客的乘坐舒适性以及安全性；
步骤S2、根据正交试验法，建立正交表：根据所述步骤S1中提出的驾驶员的行车速度、弯道的曲率和驾驶员驾驶经验三个影响因素，选取n个因素水平，建立正交表；
步骤S3、根据所述步骤S2中得到的正交表进行驾驶员弯道行驶轨迹的试验；
步骤S4、对所述步骤S3中得到的试验数据进行方差分析，进行影响因素显著性分析：利用方差分析来区别试验数据的差异是由于因素水平不同引起的还是试验误差引起的，以进一步来确定普通弯道工况下优秀驾驶员行驶轨迹的主要影响因素和次要影响因素；
利用方差分析，得到各影响因素的检验统计量F比值：
其中fA表示偏差平方和SA，f误表示S误的自由度，
fA＝因素A的水平数－1，
f误＝f总－fA，
f总＝N－1，N为同一水平的总试验次数，
其中为因素A在各水平下的偏差平方和相加，
其中为因素A各水平平均值之间的偏差平方和，
查找F分布临界值表，查得的临界值记做Fα，这里的α是预先给定的显著性水平，若F比≥Fα，就有(1－α)的把握说明因素A的水平改变对结果有显著性影响。
2.根据权利要求1所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述驾驶员为优秀驾驶员；
所述优秀驾驶员的驾驶经验＝50％×驾龄+20％×年龄+20％×性格+10％×试验路段熟悉程度。
3.根据权利要求2所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述优秀驾驶员的行车速度取三个水平，分别为20km/h、30km/h和40km/h。
4.根据权利要求3所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述优秀驾驶员驾驶经验分别为驾龄10年，年龄28岁，性格急躁，对试验路段熟悉；驾龄20年，年龄46岁，性格稳重，对试验路段不熟悉；驾龄30年，年龄53岁，性格稳重，对试验路段熟悉。
5.根据权利要求1所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述弯道为除垂直弯道以外的普通弯道。
6.根据权利要求5所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述弯道曲率选取三个不同试验路段。
7.根据权利要求1所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述乘坐舒适性可分为很不舒适、较不舒适、一般、较舒适和舒适；
所述乘坐安全性可分为不安全、较不安全、一般、较安全和安全。
8.根据权利要求1所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述行车速度是通过车速传感器记录得到；所述行驶轨迹是指通过GPS传感器记录得到的车辆行驶GPS信息导入软件，画出的相应路径。
9.根据权利要求1所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述侧向偏移量是汽车行驶轨迹与道路中心线之间的侧向距离。
10.根据权利要求9所述的基于多因素影响的驾驶员弯道行驶轨迹分析方法，其特征在于，所述侧向偏移量为动态量，一段弯道的侧向偏移量在动态变化，因此用于客观评价的所述侧向偏移量取平均值。
CN201710729261.0A 2017-08-23 2017-08-23 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法 Pending CN107742177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710729261.0A CN107742177A (zh) 2017-08-23 2017-08-23 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710729261.0A CN107742177A (zh) 2017-08-23 2017-08-23 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法

Publications (1)

Publication Number Publication Date
CN107742177A true CN107742177A (zh) 2018-02-27

Family

ID=61235497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710729261.0A Pending CN107742177A (zh) 2017-08-23 2017-08-23 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法

Country Status (1)

Country Link
CN (1) CN107742177A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710035A (zh) * 2018-02-28 2018-10-26 北京无线电计量测试研究所 一种改善混响室均匀性的方法和装置
CN108898178A (zh) * 2018-06-27 2018-11-27 江苏大学 一种人类驾驶员弯道轨迹建模方法
CN108920753A (zh) * 2018-05-25 2018-11-30 江苏大学 一种基于优秀驾驶员行驶轨迹的弯道彩色路面设计方法
CN116749989A (zh) * 2023-07-24 2023-09-15 吉林大学 驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710035A (zh) * 2018-02-28 2018-10-26 北京无线电计量测试研究所 一种改善混响室均匀性的方法和装置
CN108920753A (zh) * 2018-05-25 2018-11-30 江苏大学 一种基于优秀驾驶员行驶轨迹的弯道彩色路面设计方法
CN108920753B (zh) * 2018-05-25 2023-01-17 江苏大学 一种基于优秀驾驶员行驶轨迹的弯道彩色路面设计方法
CN108898178A (zh) * 2018-06-27 2018-11-27 江苏大学 一种人类驾驶员弯道轨迹建模方法
CN108898178B (zh) * 2018-06-27 2021-07-20 江苏大学 一种人类驾驶员弯道轨迹建模方法
CN116749989A (zh) * 2023-07-24 2023-09-15 吉林大学 驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质
CN116749989B (zh) * 2023-07-24 2023-11-07 吉林大学 驾驶员转弯驾驶习惯识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107742177A (zh) 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法
CN108482379B (zh) 轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法
CN112201038A (zh) 一种基于单车不良驾驶行为风险的路网风险评估方法
CN111210165B (zh) 一种基于风险传导耦合的车辆运行风险评估系统
CN109167818A (zh) 基于智能手机众包采集的道路平整度检测系统
CN104851286B (zh) 一种利用公交车辆gps数据动态评估道路交通状态的方法
CN105303832B (zh) 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法
CN106203735A (zh) 一种机动车驾驶员驾驶行为能耗特征测算方法
CN107677484A (zh) 车辆测试系统，存储其程序的存储介质，车辆测试方法和行驶阻力设定装置
CN107458380A (zh) 一种适用于综合驾驶工况下的道路坡度实时估计方法
CN107894223B (zh) 一种基于逆虚拟激励法的路面行驶质量辨识方法
CN106651210A (zh) 基于can数据的驾驶人综合素质评价方法
CN107107927A (zh) 铁道车辆状态监视装置
CN109670217A (zh) 隧道气动载荷影响因素的权重分析方法及计算机系统
CN112193253B (zh) 一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法
CN105913666A (zh) 一种快速道路主线可变限速标志优化布设方法
CN109572706A (zh) 一种驾驶安全评价方法及装置
CN112884288A (zh) 一种高速公路雨雾场景行车安全评估系统
US20160209297A1 (en) Method for simulating cornering
CN108920753B (zh) 一种基于优秀驾驶员行驶轨迹的弯道彩色路面设计方法
CN116383678B (zh) 一种营运客车异常变速行为常发性路段识别方法
CN116821775A (zh) 一种基于机器学习的载重估计方法
CN110069894A (zh) 一种针对智能汽车交通协调性的客观映射测试方法
CN107064010B (zh) 软土地区路面行驶质量评价方法
CN113610298B (zh) 考虑用户出行行为的用户出行能耗预测及路径推荐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180227

RJ01 Rejection of invention patent application after publication