CN109784768B - 一种驾驶任务识别方法 - Google Patents
一种驾驶任务识别方法 Download PDFInfo
- Publication number
- CN109784768B CN109784768B CN201910119821.XA CN201910119821A CN109784768B CN 109784768 B CN109784768 B CN 109784768B CN 201910119821 A CN201910119821 A CN 201910119821A CN 109784768 B CN109784768 B CN 109784768B
- Authority
- CN
- China
- Prior art keywords
- driving
- driving task
- driver
- task
- standard grade
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种驾驶任务识别方法,包括步骤:利用驾驶规范性评价指标建立驾驶规范等级评价模型,评选高规范等级驾驶人作为试验对象;设计试验对象执行几种常见的驾驶任务的实车试验,并为每种驾驶任务分配驾驶任务数字识别序列;利用驾驶任务识别指标与驾驶任务数字识别序列,建立基于深度神经网络的驾驶任务特征模型;采集测试驾驶人的驾驶任务识别指标并分别输入各个驾驶任务特征模型中,使用拟合优度衡量测试驾驶任务与各特征模型的显著性差异,拟合优度最高的驾驶任务特征模型映射测试驾驶人的驾驶任务,达到识别驾驶任务的效果。本发明可以在汽车高级驾驶辅助系统、道路驾驶技能考试等需要监测驾驶人行为的领域有较好的普遍适用性。
Description
技术领域
本发明属于驾驶安全辅助技术领域,具体涉及一种适用于驾驶人行为分析的驾驶任务识别方法。
背景技术
目前,人为错误是导致交通事故的主要原因。在操纵车辆行驶的同时,驾驶人执行手机通话、发短信或交谈等次要驾驶任务是一种常见现象,次要驾驶任务会在驾驶人的反应时间、感知能力和控制能力方面对驾驶安全产生负面影响。随着智能网联汽车的发展以及人们对汽车高级驾驶辅助功能需求的不断提高,准确地识别驾驶人的驾驶行为并对有风险的驾驶行为采取适当管理措施,是提高驾驶安全辅助技术的必经之路。因此,迫切需要一种驾驶任务识别方法,对驾驶人行为进行准确地识别,在此基础上采取预警、干预等安全辅助手段,既可以提高车辆对驾驶人的主动安全辅助能力,还可以降低交通事故发生率。
发明内容
本发明的目的在于针对目前现有技术的不足,提供一种驾驶任务识别方法,该方法可用于智能网联汽车记录、学习车主的个性化驾驶行为习惯,有利于加深交通管理部门对驾驶人特性的了解;可以为智能网联汽车的个性化服务提供参考依据;还可以为驾驶证考试等场合的驾驶行为规范性分析提供技术支持。
本发明的目的是通过以下技术方案实现的:
一种驾驶任务识别方法,包括以下步骤:
A、基于驾驶规范性评价指标体系建立驾驶规范等级评价模型,筛选出高规范等级的驾驶人作为相对理想的模型训练样本,建立高规范等级驾驶人试验样本库。
A1、建立驾驶人规范等级评价指标体系U={U1,U2,…,Uk},包括:具备兵役经历、学历等级、实际驾龄、生涯驾驶里程、违章扣分、保险出险率、工作类型以及具备职业驾驶员经历。
其中,学历等级包括:无、小学、中学、本科、硕士和博士;实际驾龄非按取得驾照时长;违章扣分包括:分数/年和总分数;保险出险率按次/年计算;工作类型包括:金领、白领、粉领和蓝领。
A2、使用隶属度函数将A1中的驾驶人规范等级评价指标转换为隶属度,隶属度序列记为δi={ζi1,ζi2,ζi3,ζi4,ζi5};将驾驶人规范等级评价结果划分为五个级别,由高到低记为V={V1,V2,…,V5},结合k个驾驶人规范等级评价指标,则可以构成规范等级判断矩阵
A3、为了计算各评价指标的权重值,借助熵值衡量各驾驶人规范等级评价指标所包含的信息量的大小,信息量越大表明该指标对综合评价的影响越大,设评价指标值为xi,1≤i≤n,采用经过归一化处理的规范等级评价指标数据作为决策矩阵X=(xij)m×n,计算第x个评价指标的熵值1≤i≤n,k>0,h>0。通过对评价指标赋权得到权重序列为W={w1,w2,…,wn},权值的计算公式为1≤i≤n,n∈N+。
A4、在步骤A2、A3的基础上,利用乘与有界算子计算驾驶人的规范等级,其计算公式为Bi=W·δk×5={bj},其中,然后得到第i名驾驶人的规范等级评判向量Bi={b1,b2,b3,b4,b5};最后,依据最大隶属度原则将Bi中的数值映射至驾驶人规范等级评价集合V={V1,V2,…,V5}={很高,高,一般,低,很低},即可得出被测驾驶人的规范等级,然后筛选出高规范等级驾驶人作为相对理想的模型训练样本;
B、设计高规范等级驾驶人在参与各种驾驶任务的情境下的实车试验,然后为每种驾驶任务分配对应的驾驶任务数字识别序列。
B1、将驾驶人行为分为主要驾驶任务和次要驾驶任务。其中,主要驾驶任务,是在行车过程中完全遵守交通规则,以保持车辆稳定、安全行驶,不执行任何与正常驾驶无关的行为。次要驾驶任务,是在行车过程中执行与保持车辆安全行驶无关的任务,主要包括:使用车载收音机或CD播放器、手持手机通话、使用手机编辑并发送文字信息、吸烟、单手操作转向盘、使用无线耳机通话、唱歌、交谈、使用电子导航设备、听音乐。
B2、为步骤B1中的各种驾驶任务设计试验方案,试验中,要求驾驶人执行驾驶任务时表现出明显的行为特征,使采集到的驾驶任务识别指标具有特征显著的数据规律。
B3、为每种驾驶任务分配对应的驾驶任务数字识别序列,将每种驾驶任务转化为数字代码的形式,用于建立驾驶任务特征模型。
C、建立驾驶任务特征模型。
C1、展开步骤B2中的驾驶任务试验,并采集各种驾驶任务试验中的驾驶任务识别指标数据,通过试验采集到的驾驶人生理状态参数、驾驶人面部特征参数及车辆运行状态参数,构成驾驶任务识别指标体系。
为了量化分析行车过程中驾驶人所执行的驾驶任务,借助驾驶任务识别指标以深入研究各种驾驶任务中人、车状态的变化规律,驾驶任务识别指标包括:车辆运行状态参数、驾驶人面部特征参数和驾驶人生理状态参数。
其中,车辆运行状态参数包括:车身横向变量、车身纵向变量、车身侧偏角度、车身横向变量、加速踏板变量和制动踏板变量。驾驶人面部特征参数包括:眼动状态变量和嘴部状态变量。驾驶人生理状态参数包括:心脏状态变量、血压状态变量、脑电波状态变量和皮肤电信号状态变量。
C2、以步骤B3中的驾驶任务的识别指标序列为深度神经网络的训练样本输入数据,以步骤C1中的驾驶任务识别序列为深度神经网络的训练样本输出数据,从而建立网络训练数据库,然后为每一种驾驶任务建立各自的驾驶任务特征模型。
C21、设驾驶任务识别指标的总数量,即深度神经网络的输入层节点数为μ,每个隐层的神经元节点数为2μ+1;记Pi为第i位驾驶人,设共有n位驾驶人;
C22、将全部驾驶任务识别指标对应其所属的驾驶任务,按顺序排列,构成驾驶任务的识别指标序列集合Ip为第p类驾驶任务识别指标集合,i∈[1,n],其中,为第p类驾驶任务的第q个指标,q为识别指标序号,p为驾驶任务序号;
C23、训练深度神经网络直到模型误差符合预期要求,完成驾驶任务特征模型的建立。
D、在完成上述驾驶任务特征模型建立的基础上,将测试驾驶人的驾驶任务识别指标作为输入端数据输入至各特征模型Np中,得到特征模型输出序列。
E、利用拟合优度检验特征模型输出序列与每个驾驶任务数字识别序列的显著差异性,拟合优度最高的驾驶任务特征模型即为其对应的驾驶任务类型。
R2为拟合优度的度量指标,其计算方法如公式(1)所示。
R2的值越接近1,表明测试驾驶人执行的驾驶任务与特征模型的线性规律越接近,因此,拟合优度最高的驾驶任务特征模型可以映射测试驾驶人的驾驶任务,达到识别驾驶任务的效果。
与现有技术相比,本发明的有益效果在于:本发明可以用于协助交通管理部门分析车主的驾驶习惯并采取相应的安全监管办法,例如:提高对有不良驾驶习惯的驾驶人的监管力度,从源头降低交通事故的驾驶人影响因素。本发明可以用于智能网联汽车记录、学习车主的个性化驾驶行为习惯,为智能网联汽车的个性化定制功能提供参考依据。本发明还可以用于行车过程中对驾驶人行为进行实时监管,针对有风险的驾驶行为采取预警、干预等安全辅助手段,既可以提高车辆对驾驶人的主动安全辅助能力,还可以降低交通事故发生率。本发明可以为驾驶人疲劳监测、驾驶人分心行为分析等研究提供技术支持。本发明还可以在高级驾驶辅助系统、道路驾驶技能考试等需要监测驾驶人行为的领域有较好的普遍适用性。
附图说明
图1为建立驾驶人规范等级评价模型示意图;
图2为训练驾驶任务特征模型的内部网络结构示意图;
图3为驾驶任务识别方法的步骤流程示意图。
具体实施方式
下面结合实施例对本发明作进一步说明:
一种驾驶任务识别方法,包括以下步骤:
A、基于驾驶人规范性评价指标体系建立驾驶规范等级评价模型,筛选出高规范等级的驾驶人作为相对理想的模型训练样本,建立高规范等级驾驶人试验样本库:
A1、建立驾驶人规范等级评价指标体系U={U1,U2,…,Uk},包括:具备兵役经历、学历等级、实际驾龄、生涯驾驶里程、违章扣分、保险出险率、工作类型以及具备职业驾驶员经历。
其中,学历等级包括:无、小学、中学、本科、硕士和博士;实际驾龄非按取得驾照时长;违章扣分包括:分数/年和总分数;保险出险率按次/年计算;工作类型包括:金领、白领、粉领和蓝领。
A2、使用隶属度函数将A1中的驾驶人规范等级评价指标转换为隶属度,隶属度序列记为δi={ζi1,ζi2,ζi3,ζi4,ζi5};将驾驶人规范等级评价结果划分为五个级别,由高到低记为V={V1,V2,…,V5},结合k个驾驶人规范等级评价指标,则可以构成规范等级判断矩阵
A3、为了计算各评价指标的权重值,借助熵值衡量各驾驶人规范等级评价指标所包含的信息量的大小,信息量越大表明该指标对综合评价的影响越大,设评价指标值为xi,1≤i≤n,采用经过归一化处理的规范等级评价指标数据作为决策矩阵X=(xij)m×n,计算第x个评价指标的熵值1≤i≤n,k>0,h>0,通过对评价指标赋权得到权重序列为W={w1,w2,…,wn},其中1≤i≤n,n∈N+。
A4、为了划分驾驶人规范等级,在步骤A2、A3的基础上,利用乘与有界算子计算驾驶人规范等级,其计算公式为Bi=W·δk×5={bj},其中,wi为A3中计算得到的权值,ζij为A2中的隶属度;然后得到第i名驾驶人的规范等级评判向量Bi={b1,b2,b3,b4,b5};最后,依据最大隶属度原则将Bi中的数值映射至驾驶人规范等级评价集合V={V1,V2,…,V5}={很高,高,一般,低,很低},即可得出相应驾驶人的规范等级,挑选出规范等级最高的驾驶人组成试验人群。
B、设计高规范等级驾驶人在参与各种驾驶任务的情境下的实车试验,并为每种驾驶任务分配对应的驾驶任务数字识别序列。
将驾驶人行为分为主要驾驶任务和次要驾驶任务。其中,主要驾驶任务,是在行车过程中完全遵守交通规则,以保持车辆稳定、安全行驶,不执行任何与正常驾驶无关的行为。次要驾驶任务,是在行车过程中执行与保持车辆安全行驶无关的任务,主要包括:使用车载收音机或CD播放器、手持手机通话、使用手机编辑并发送文字信息、吸烟、单手操作转向盘、使用无线耳机通话、唱歌、交谈、使用电子导航设备、听音乐。
C、建立驾驶任务识别模型。
C1、展开步骤B中设计的驾驶任务试验,采集驾驶人生理状态参数、驾驶人面部特征参数及车辆运行状态参数,构成驾驶任务识别指标体系。
为了量化分析行车过程中驾驶人所执行的驾驶任务,借助驾驶任务识别指标以深入研究各种驾驶任务中人、车状态的变化规律,驾驶任务识别指标包括:车辆运行状态参数、驾驶人面部特征参数和驾驶人生理状态参数。
其中,车辆运行状态参数包括:车身横向变量、车身纵向变量、车身侧偏角度、车身横向变量、加速踏板变量和制动踏板变量。驾驶人面部特征参数包括:眼动状态变量和嘴部状态变量。驾驶人生理状态参数包括:心脏状态变量、血压状态变量、脑电波状态变量和皮肤电信号状态变量。
C2、以步骤B中的驾驶任务的识别指标序列作为深度神经网络的训练样本输入数据,以步骤C1中的驾驶任务识别序列作为深度神经网络的训练样本输出数据,为每一种驾驶任务建立各自的驾驶任务特征模型;
网络拓扑结构如附图2,其中,为第l-1层的第j个神经元到第l层的第k个神经元的线性系数;第l层神经网络记为Ll;各层网络节点的激活函数为σ(z);线性关系为 为第l层网络的第m个偏执,m计算方法符合2n+1法则,n为输入节点的数量;以第l层神经元的输入、输出计算法则为例,每个神经元的输出记为l为层数,k为神经元的序号,其计算方法如下。
进一步将上述计算方法整理,驾驶任务网络识别模型内部各层神经元节点输出的数学表达式如下:
其中,x为驾驶任务识别指标的总数量,为神经网络内第l层的第k个神经元输出;Rq为第q个神经网络模型的输出向量,作为驾驶任务识别序列;Rp作为驾驶任务识别序列,即用于训练第q个神经网络模型的输出序列;Ip、Rp对应的驾驶任务特征模型记为Np,即对应于第p种驾驶任务的深度神经网络模型。
具体过程为:
C21、设驾驶任务识别指标的总数量,即深度神经网络的输入层节点数为μ,每个隐层的神经元节点数为2μ+1;记Pi为第i位驾驶人,设共有n位驾驶人;
C22、将全部驾驶任务识别指标对应其所属的驾驶行为,按顺序排列,构成驾驶任务的识别指标序列集合Ip为第p类驾驶任务识别指标集合,i∈[1,n],其中,为第p类驾驶任务的第q个指标,q为识别指标的序号,p为驾驶任务的序号;
C23、为了在神经网络模型训练过程中可以区分不同的驾驶任务,将各驾驶任务设定其特有的驾驶任务数字识别序列,该序列为一组人为设定的数字序列。
C24、训练深度神经网络直到模型误差符合预期要求,完成驾驶任务特征模型的建立。
D、在完成上述驾驶任务特征模型的基础上,将测试驾驶人的驾驶任务识别指标作为输入端数据输入至各特征模型Np中,得到特征模型输出序列。
E、实际应用中,采集测试驾驶人的驾驶任务识别指标数据,使用拟合优度衡量测试驾驶任务与各特征模型的显著性差异,其中,R2为拟合优度的度量指标,其计算方法如公式(3)所示。
R2的值越接近1,表明测试驾驶人执行的驾驶任务与特征模型的线性规律越接近,因此,拟合优度最高的驾驶任务特征模型可以反映测试驾驶人的驾驶任务,达到识别驾驶任务的效果。
Claims (5)
1.一种驾驶任务识别方法,其特征在于,包括如下步骤:
A、基于驾驶人规范性评价指标体系建立驾驶规范等级评价模型,筛选出高规范等级的驾驶人作为相对理想的模型训练样本,建立高规范等级驾驶人试验样本库:
A1、建立驾驶人规范等级评价指标体系U={U1,U2,…,Uk};
A2、使用隶属度函数将A1中的驾驶人规范等级评价指标转换为隶属度,隶属度序列记为δi={ζi1,ζi2,ζi3,ζi4,ζi5};将驾驶人规范等级评价结果划分为五个级别,由高到低记为V={V1,V2,…,V5},结合k个驾驶人规范等级评价指标,则可以构成规范等级判断矩阵
A3、借助熵值衡量各驾驶人规范等级评价指标所包含的信息量的大小,信息量越大表明该指标对综合评价的影响越大,设评价指标值为xi,1≤i≤n,采用经过归一化处理的规范等级评价指标数据作为决策矩阵X=(xij)m×n,计算第x个评价指标的熵值1≤i≤n,k>0,h>0,通过对评价指标赋权得到权重序列为W={w1,w2,…,wn},其中
A4、在步骤A2、A3的基础上,利用乘与有界算子计算驾驶人的规范等级,其计算公式为Bi=W·δk×5={bj},其中,然后得到第i名驾驶人的规范等级评判向量Bi={b1,b2,b3,b4,b5};最后,依据最大隶属度原则将Bi中的数值映射至驾驶人规范等级评价集合V={V1,V2,…,V5}={很高,高,一般,低,很低},即可得出被测驾驶人的规范等级,然后筛选出高规范等级驾驶人作为相对理想的模型训练样本;
B、设计高规范等级驾驶人在参与各种驾驶任务的情境下的实车试验,并为每种驾驶任务分配对应的驾驶任务数字识别序列,其中,驾驶任务包括主要驾驶任务和次要驾驶任务两类;
C、建立驾驶任务特征模型:
C1、展开步骤B中设计的驾驶任务试验,并采集各种驾驶任务试验中的驾驶任务识别指标数据,构成驾驶任务识别指标体系;
C2、以步骤B中的驾驶任务的识别指标序列作为深度神经网络的训练样本输入数据,以步骤C1中的驾驶任务识别序列作为深度神经网络的训练样本输出数据,为每一种驾驶任务建立各自的驾驶任务特征模型;
D、在完成上述驾驶任务特征模型的基础上,将测试驾驶人的驾驶任务识别指标作为输入端数据输入至各特征模型Np中,得到特征模型输出序列;
E、利用拟合优度检验特征模型输出序列与各个驾驶任务数字识别序列之间的显著差异性,其中,拟合优度最高的驾驶任务特征模型即为其代表的驾驶任务类型。
2.根据权利要求1所述的一种驾驶任务识别方法,其特征在于:步骤A1,驾驶人规范等级评价指标体系包括:具备兵役经历、学历等级、实际驾龄、生涯驾驶里程、违章扣分、保险出险率、工作类型以及具备职业驾驶员经历。
3.根据权利要求1所述的一种驾驶任务识别方法,其特征在于:步骤B,主要驾驶任务,是在行车过程中完全遵守交通规则,以保持车辆稳定、安全行驶,无任何与正常驾驶无关的行为;
次要驾驶任务,是在行车过程中执行与保持车辆安全行驶无关的任务,主要包括:使用车载收音机或CD播放器、手持手机通话、使用手机编辑并发送文字信息、吸烟、单手操作转向盘、使用无线耳机通话、唱歌、交谈、使用电子导航设备、听音乐。
4.根据权利要求1所述的一种驾驶任务识别方法,其特征在于:步骤C1,驾驶任务识别指标包括:车辆运行状态参数、驾驶人面部特征参数和驾驶人生理状态参数;
车辆运行状态参数包括:车身横向变量、车身纵向变量、车身侧偏角度、加速踏板变量和制动踏板变量;
驾驶人面部特征参数包括:眼动状态变量和嘴部状态变量;
驾驶人生理状态参数包括:心脏状态变量、血压状态变量、脑电波状态变量和皮肤电信号状态变量。
5.根据权利要求1所述的一种驾驶任务识别方法,其特征在于,步骤C2具体包括以下步骤:
C21、设驾驶任务识别指标的总数量,即深度神经网络的输入层节点数为μ,每个隐层的神经元节点数为2μ+1;记Pi为第i位驾驶人,设共有n位驾驶人;
C22、将全部驾驶任务识别指标对应其所属的驾驶行为,按顺序排列,构成驾驶任务的识别指标序列集合Ip为第p类驾驶任务识别指标集合,i∈[1,n],其中,为第p类驾驶任务的第q个指标,q为识别指标代码,p为驾驶任务代码;
C23、为了在神经网络模型训练过程中可以区分不同的驾驶任务,将各驾驶任务设定其特有的驾驶任务数字识别序列,该序列为一组人为设定的数字串码;
C24、训练深度神经网络直到模型误差符合预期要求,完成驾驶任务特征模型的建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910119821.XA CN109784768B (zh) | 2019-02-18 | 2019-02-18 | 一种驾驶任务识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910119821.XA CN109784768B (zh) | 2019-02-18 | 2019-02-18 | 一种驾驶任务识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784768A CN109784768A (zh) | 2019-05-21 |
CN109784768B true CN109784768B (zh) | 2023-04-18 |
Family
ID=66503284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910119821.XA Active CN109784768B (zh) | 2019-02-18 | 2019-02-18 | 一种驾驶任务识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784768B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581832B (zh) * | 2020-12-14 | 2023-03-03 | 公安部交通管理科学研究所 | 一种基于学习风格的危急驾驶风险评价干预方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000018471A1 (en) * | 1996-04-05 | 2000-04-06 | Consolidated Research Of Richmond, Inc. | Alertness and drowsiness detection and tracking system |
CN104599443A (zh) * | 2015-01-12 | 2015-05-06 | 江苏省交通规划设计院股份有限公司 | 一种基于信息融合的驾驶行为预警车载终端及其预警方法 |
CN105677039A (zh) * | 2016-02-16 | 2016-06-15 | 北京博研智通科技有限公司 | 一种基于手势检测驾驶状态的方法、装置及可穿戴设备 |
CN108846332A (zh) * | 2018-05-30 | 2018-11-20 | 西南交通大学 | 一种基于clsta的铁路司机行为识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198693B2 (en) * | 2016-10-24 | 2019-02-05 | International Business Machines Corporation | Method of effective driving behavior extraction using deep learning |
-
2019
- 2019-02-18 CN CN201910119821.XA patent/CN109784768B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000018471A1 (en) * | 1996-04-05 | 2000-04-06 | Consolidated Research Of Richmond, Inc. | Alertness and drowsiness detection and tracking system |
CN104599443A (zh) * | 2015-01-12 | 2015-05-06 | 江苏省交通规划设计院股份有限公司 | 一种基于信息融合的驾驶行为预警车载终端及其预警方法 |
CN105677039A (zh) * | 2016-02-16 | 2016-06-15 | 北京博研智通科技有限公司 | 一种基于手势检测驾驶状态的方法、装置及可穿戴设备 |
CN108846332A (zh) * | 2018-05-30 | 2018-11-20 | 西南交通大学 | 一种基于clsta的铁路司机行为识别方法 |
Non-Patent Citations (2)
Title |
---|
Study on the Impact Degrees of Several Driving Behaviors When Driving While Performing Secondary Tasks;Lisheng Jin等;《IEEE Access》;20181031;第6卷;第1-6节 * |
基于BP神经网络的视觉类次任务驾驶安全性预测模型研究;郭柏苍;《中国优秀硕士论文全文数据库(工程科技Ⅱ辑)》;20190115(第1期);第二-五章 * |
Also Published As
Publication number | Publication date |
---|---|
CN109784768A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Can vehicle longitudinal jerk be used to identify aggressive drivers? An examination using naturalistic driving data | |
CN110569783B (zh) | 一种驾驶人换道意图识别方法及系统 | |
CN108803623B (zh) | 一种自动驾驶车辆个性化行车的方法和行车合法化的系统 | |
CN106570560B (zh) | 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法 | |
Alamri et al. | An effective bio-signal-based driver behavior monitoring system using a generalized deep learning approach | |
CN113753059B (zh) | 一种自动驾驶系统下的驾驶人接管能力预测方法 | |
Vilaca et al. | Systematic literature review on driving behavior | |
Mase et al. | Capturing uncertainty in heavy goods vehicles driving behaviour | |
Agrawal et al. | Towards real-time heavy goods vehicle driving behaviour classification in the united kingdom | |
Yang et al. | Driver2vec: Driver identification from automotive data | |
CN109784768B (zh) | 一种驾驶任务识别方法 | |
Mata‐Carballeira et al. | An eco‐driving approach for ride comfort improvement | |
Halim et al. | Deep neural network-based identification of driving risk utilizing driver dependent vehicle driving features: A scheme for critical infrastructure protection | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
Liang et al. | Comprehensive identification of driving style based on vehicle's driving cycle recognition | |
Yang et al. | Real-time driver cognitive workload recognition: Attention-enabled learning with multimodal information fusion | |
CN114971009A (zh) | 一种车险出险预测方法及计算机设备 | |
CN110816542A (zh) | 提供驾驶员帮助的方法 | |
CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
CN116975671A (zh) | L3级自动驾驶车辆驾驶员信任度评估方法及系统 | |
Wowo et al. | Towards sub-maneuver selection for automated driver identification | |
CN114148349B (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
Levermore et al. | A review of driver modelling | |
Mumcuoglu et al. | Driver evaluation in heavy duty vehicles based on acceleration and braking behaviors | |
Kumar | Driver Usage Risk Profiling by Analyzing Vehicle Driving Behavior using Machine Learning Model Based on Vehicular Cloud Telematics Data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |