CN114170760A - 一种基于前后车轨迹的驾驶人实时反应时间提取方法 - Google Patents
一种基于前后车轨迹的驾驶人实时反应时间提取方法 Download PDFInfo
- Publication number
- CN114170760A CN114170760A CN202111249371.XA CN202111249371A CN114170760A CN 114170760 A CN114170760 A CN 114170760A CN 202111249371 A CN202111249371 A CN 202111249371A CN 114170760 A CN114170760 A CN 114170760A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- reaction time
- time
- driver
- 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
Links
- 230000035484 reaction time Effects 0.000 title claims abstract description 77
- 238000000605 extraction Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 241001282135 Poromitra oscitans Species 0.000 description 1
- 206010048232 Yawning Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
- G07C5/0833—Indicating performance data, e.g. occurrence of a malfunction using audio means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于前后车轨迹的驾驶人实时反应时间提取方法。本发明提供的提取方法可在不额外增加过多设备的前提下,快速提取驾驶人实时反应时间并判断驾驶人驾驶状态。本发明利用前后车辆的轨迹数据和交通流理论,将轨迹数据扩展为包含前车速度、前车速度、预反应时间、预最小间隔、波速和通过率的参数集,利用统计分析方法计算关键参数实际波速,得到实时反应时间,进而降低预警成本并提高驾驶安全性。
Description
技术领域
本发明涉及公路交通主动安全和智能交通领域,具体是一种基于前后车轨迹的驾驶人实时反应时间提取方法。
背景技术
据交警部门资料,当前特大交通事故中,约40%是由疲劳驾驶导致,严重威胁行车安全。处于疲劳驾驶状态的驾驶人会产生一系列心理、生理上的不良反应,会出现反应迟缓、判断能力下降等现象,严重的进入睡眠状态,造成交通事故。
现有疲劳驾驶检测预警方式主要有以下几种方式,第一种方式依靠采集驾驶人对车辆操作如转动方向盘、踩踏刹车和油门的频率来判断驾驶人是否处于疲劳状态,但该方法对拥有不同驾驶习惯的驾驶人准确率不同;第二种方式利用佩戴式身体数据检测器收集身体数据来判断驾驶人是否处于疲劳状态,但该方法较难用有限的车载设备完成复杂的检测;第三种方式基于视频与图片,对驾驶人面部表情进行深度学习,融合眼、嘴、头部特征,利用计算机对人闭眼、打哈欠等动作进行检测识别,判断驾驶人是否处于疲劳状态,但该方法会受摄像头采集图片质量的影响,同时会受光照等条件的影响,干扰判断的准确性。
因此,设计一种基于前后车轨迹的驾驶人实时反应时间提取方法,利用传感器测量自车速度与前车速度等信息数据,提取自车和前车的车辆轨迹数据,生成自车与前车的时空轨迹图,接着提出了一种基于前车、自车轨迹数据计算反应时间的新方法,用以判断驾驶人是否疲劳或分心驾驶,能够有效地降低预警成本并提高驾驶的安全性。本专利的难点和创新点在于:在不额外增加过多设备的前提下,充分挖掘前后车辆轨迹数据中的有效信息,并结合微观交通流理论,通过数据扩展和统计分析提出了可以快速提取驾驶人实时反应时间的新方法。
发明内容
本发明为了鉴别驾驶人驾驶状态,对反应变慢,处于疲劳驾驶或分心驾驶状态的驾驶人予以提醒,对驾驶人实时反应时间进行了分析。考虑后车会对前车行驶状态的改变做出反应,发明了一种基于前后车轨迹的驾驶人实时反应时间提取方法,建立了自车车辆和前车车辆的时空轨迹图,计算分析关键参数,得出优化反应时间,判断驾驶人是否疲劳或分心驾驶。
一种基于前后车轨迹的驾驶人实时反应时间提取方法,包括以下步骤:
步骤一:通过车载传感器收集自车与前车的行驶速度数据信息,实时输出自车与前车的时空轨迹图。
步骤二:以跟驰模型为基础,分析自车受前车影响的情况;
基于Newell跟驰模型,自车的位置受前车的影响,也即,
xn(t)=xn-1(t-τn)+dn
其中,自车n在t时刻的位置与前车n-1在t-τn时刻的位置相差dn,其中τn可以理解为车辆n的反应时间,dn为车辆n与前车的最小间隔。
当驾驶人接到前方车辆或道路情况变化的信号时,并没有立即采取行动,而是要经过τ1秒以后才意识到采取行动,再经过τ2秒以后才开始采取行动,这一段时间τ=τ1+τ2称为驾驶人的反应时间。
根据调查试验得知,驾驶人在除分心、疲劳驾驶等特殊情况外,一段时间内驾驶人的反应时间较为稳定。从而可依靠反应时间的变化来判断驾驶人是否处于疲劳或分心驾驶状态。反应时间阈值可根据驾驶人输入或记录反应时间的均值确定,本专利设置为1.5s。
根据步骤一输出的轨迹图,选取10s前车与自车的时空轨迹图作为后续步骤的输入。
步骤三:根据前车和自车的时空轨迹图提取参数前车速度、预反应时间、预最小间隔、波速和通过率;
根据时空轨迹图,针对自车每一个轨迹点,利用车辆跟随前车运动的规律,结合前车轨迹,提取参数前车速度、预反应时间、预最小间隔、波速和通过率;进而得到多组包含上述参数的数据集。
步骤四:分析通过率的变化;
式中,u表示前车速度,v表示自车速度,w为波速,kx为最大车流密度;I(v)表示当自车速度为v时,前车速度分别为u1、u2时,通过率r的变化。由上式可以,通过率与波速、最大车流密度、前车速度和自车速度有关。当自车速度v不变时,通过率变化与前车速度差、自车速度与波速差相关。当波速w与自车v相同时,无论前车速度差如何变化,通过率的变化I(v)始终为0。在相同的自车速度下,比较u不同时通过率r的变化,通过率变化最小的自车速度v为实际波速。
步骤五:计算实际波速;
自车时空轨迹图中有一系列离散的自车轨迹点,以1m/s的速度为间隔,将自车速度离散化,得到自车速度集V。针对不同的自车速度vi,选取波速wi∈[vi-1,vi+1]对应的通过率ri,计算这些通过率ri的标准差。重复上述计算,可得到不同自车速度vi对应通过率ri的标准差,然后选取标准差最小对应的vi作为实际波速w*。
步骤六:计算优化反应时间;
自车轨迹中的每一个点均有一组参数集{u0,τ0,d0,w0,r0;…;um,τm,dm,wm,rm},依次从每组数据中选择与实际波速w*相差最小的wi,选择每一个wi对应的τi作为该点的反应时间,组成反应时间数组{τ0;…;τm};该数组的均值为驾驶人在10s内的实时反应时间。
步骤七:判断驾驶人行驶状态。
通过车载传感器收集到的自车与前车的行驶速度等信息数据,实时输出驾驶人的反应时间,如果反应时间超出反应时间阈值1.5s,就认为驾驶人正处于疲劳或分心驾驶的状态中,反应迟缓,应对驾驶人予以声音提醒。
本发明与现有技术相比的有益效果是:
本发明基于前后车轨迹提取驾驶人实时反应时间,并利用驾驶人的反应时间来判断驾驶人驾驶状态,有效避免了传统方法中因驾驶人驾驶习惯的不同导致的不确定性,有效避免了复杂的车载身体检测系统,有效地避免了因外界条件如光照引起的干扰性。能够输出不同驾驶人的实时反应时间,并根据驾驶人反应时间来判断驾驶人是否处于疲劳或分心状态。
附图说明:
图1是本发明所述基于前后车轨迹的驾驶人实时反应时间提取方法中的判断驾驶人行驶状态的框架;
图2是本发明所述基于前后车轨迹的驾驶人实时反应时间提取方法中的数据检测处理图;
图3是本发明所述基于前后车轨迹的驾驶人实时反应时间提取方法中的基于车辆轨迹计算反应时间示例图;
图4是本发明所述基于前后车轨迹的驾驶人实时反应时间提取方法中的获得实际波速流程图;
图5是本发明所述基于前后车轨迹的驾驶人实时反应时间提取方法中的获得反应时间流程图。
具体实施方式
下面结合附图对本发明做详细的描述:
一种基于前后车轨迹的驾驶人实时反应时间提取方法,参照附图1,包括以下步骤:
步骤一:通过车载传感器收集自车与前车的行驶速度等信息数据,实时输出自车与前车的时空轨迹图。
参照附图3,实时输出自车与前车的时空轨迹图,横坐标为时间,纵坐标为车辆在道路上的位置。
步骤二:以跟驰模型为基础,分析自车受前车影响的情况;
基于Newell跟驰模型,自车的位置受前车的影响,也即,
xn(t)=xn-1(t-τn)+dn
其中,自车n在t时刻的位置与前车n-1在t-τn时刻的位置相差dn,其中τn可以理解为车辆n的反应时间,dn为车辆n与前车的最小间隔。
根据调查试验得知,驾驶人在除分心、疲劳驾驶等特殊情况外,一段时间内驾驶人的反应时间较为稳定,可依靠反应时间变化来判断驾驶人是否处于疲劳或分心驾驶状态。根据驾驶人输入或记录反应时间的均值确定反应时间阈值。根据步骤一输出的轨迹图,选取10s前车与自车的时空轨迹图作为后续步骤的输入。
步骤三:根据时空轨迹图提取参数前车速度、预反应时间、预最小间隔、波速和通过率;
参照附图2,可利用车速检测装置检测自车与前车车速,获得前车和自车的时空轨迹图。通过率的计算方法为:
r=Δn/Δt
通过率r表示用交通波去切割时空轨迹图时得到的单位时间内通过该交通波的车辆数,即Δn/Δt。只考虑前车和后车两辆车,波速w=d/τ,用波速为w的交通波切割轨迹图可得Δn=1,Δt=τ,r=1/τ即为当前自车速度与前车速度对应的通过率。
参考附图3,反应时间τ和最小间隔d的取值不能小于0,故自车在某一时刻可能受前车影响区域,由经过该点的水平线和垂直线与前车的轨迹线交点共同确定。由于车辆轨迹是离散的,数据也是以离散状态存储,数据间存在一定时间间隔,本专利要求时间间隔为0.1s,找到所有可能影响自车的前车位置,即前车轨迹中A0和An之间的所有点。若Bi受到Ai的影响,驾驶车辆B的驾驶人预反应时间为τi,预最小间隔为di,波速wi=di/τi,通过率ri=1/τi。该方法计算过程简单,且前车速度为真实值。针对自车轨迹上的每一点Bi均可到得到一组参数{u0,τ0,d0,w0,r0;…;um,τm,dm,wm,rm},它们分别表示前车速度,预反应时间,预最小间隔,波速,通过率。
步骤四:分析通过率的变化;
式中,u表示前车速度,v表示自车速度,w为波速,kx为最大车流密度;I(v)表示当自车速度为v时,前车速度分别为u1、u2时,通过率r的变化。由上式可以,通过率与波速、最大车流密度、前车速度和自车速度有关。当自车速度v不变时,通过率变化与前车速度差、自车速度与波速差相关;当波速w与自车v相同时,无论前车速度差如何变化,通过率的变化I(v)始终为0。在相同的自车速度下,比较u不同时通过率r的变化,通过率变化最小的自车速度v为实际波速。
步骤五:计算实际波速;
参考附图4与附图3,自车时空轨迹图中有一系列离散的自车轨迹点,以1m/s的速度为间隔,得到自车速度集V,针对不同的自车速度vi,选取波速wi∈[vi-1,vi+1]对应的通过率ri,计算这些通过率ri的标准差。重复上述计算,可得到不同自车速度vi对应通过率ri的标准差,然后选取标准差最小对应的vi作为选定的实际波速w*。
步骤六:计算优化反应时间;
参考附图5与附图3,自车轨迹上的每一点Bi均可到得到一组参数{u0,τ0,d0,w0,r0;…;um,τm,dm,wm,rm},它们分别表示前车速度、预反应时间、预最小间隔、波速、通过率。依次从每组数据中选择与实际波速w*相差最小的wi,选择每一个wi对应的τi作为该点的反应时间,组成反应时间数组{τ0;…;τm};该数组的均值为驾驶人在10s内的实时反应时间。
步骤七:判断驾驶人行驶状态。
实时输出驾驶人10s内的实时反应时间,如果实时反应时间大于反应时间阈值1.5s,就认为驾驶人正处于疲劳或分心驾驶的状态中,反应迟缓,即对驾驶人予以声音提醒,否则不提醒。
Claims (5)
1.一种基于前后车轨迹的驾驶人实时反应时间提取方法,其特征在于,根据自车和前车的轨迹提取驾驶人实际反应时间,并与反应时间阈值比较进而判断驾驶状态,包括以下步骤:
步骤一:通过车载传感器收集自车与前车的行驶速度数据,实时输出自车与前车的时空轨迹图;
步骤二:以跟驰模型为基础,分析自车受前车影响的情况;
当驾驶人接收到前方车辆或道路情况变化的信号时,并没有立即采取行动,需经过一段时间才会采取行动,该时间称为反应时间;根据跟驰模型,自车会受到前车的影响,并根据驾驶人输入或记录反应时间的均值确定反应时间阈值,设置为固定值1.5s;根据步骤一输出的轨迹图,选取10s前车与自车的时空轨迹图作为后续步骤的输入;
步骤三:根据前车和自车的时空轨迹图提取参数前车速度、预反应时间、预最小间隔、波速和通过率;
根据时空轨迹图,针对自车每一个轨迹点,利用车辆跟随前车运动的规律,结合前车轨迹,提取参数前车速度、预反应时间、预最小间隔、波速和通过率;进而得到多组包含上述参数的数据集;
步骤四:分析通过率的变化;
通过率跟前车速度、自车速度、波速和最大车流密度有关;当自车速度固定时,若自车速度等于波速时,通过率变化与前车速度变化无关,据此计算实际波速;
步骤五:计算实际波速;
将时空轨迹图中自车速度离散化,计算不同自车速度下通过率变化的标准差,选取标准差最小的自车速度为实际波速;
步骤六:计算反应时间;
在自车轨迹任一点的对应波速中,选择与实际波速最相近且在阈值范围内的波速,对应该波速的预反应时间作为该点的反应时间;取所有点的反应时间均值作为该驾驶人在该段时间内的实际反应时间;
步骤七:判断驾驶人行驶状态;
实时输出驾驶人10s内的实时反应时间,若驾驶人的实际反应时间大于反应时间阈值1.5s,则认为驾驶人处于疲劳或分心驾驶状态,给予声音提醒,否则不提醒。
2.根据权利要求1所述的一种基于前后车轨迹的驾驶人实时反应时间提取方法,其特征在于:
步骤三所述的根据时空轨迹图提取参数前车速度、预反应时间、预最小间隔、波速和通过率;其中,通过率的计算方法为:r=Δn/Δt
通过率r表示用交通波去切割时空轨迹图时得到的单位时间内通过该交通波的车辆数,即Δn/Δt;只考虑前车和后车两辆车,波速w=d/τ,用波速为w的交通波切割轨迹图得Δn=1,Δt=τ;r=1/τ即为当前自车速度与前车速度对应的通过率;
反应时间τ和最小间隔d的取值不能小于0,故自车在某一时刻可能受前车影响区域,由经过该点的水平线和垂直线与前车的轨迹线交点共同确定;由于车辆轨迹是离散的,数据也是以离散状态存储,数据间存在一定时间间隔,要求时间间隔为0.1s,找到所有可能影响自车的前车位置,即前车轨迹中A0和An之间的所有点;若Bi受到Ai的影响,驾驶车辆B的驾驶人预反应时间为τi,预最小间隔为di,波速wi=di/τi,通过率ri=1/τi;该方法计算过程简单,且前车速度为真实值;针对自车轨迹上的每一点Bi均得到一组参数{u0,τ0,d0,w0,r0;…;um,τm,dm,wm,rm},它们分别表示前车速度,预反应时间,预最小间隔,波速,通过率。
4.根据权利要求1所述的一种基于前后车轨迹的驾驶人实时反应时间提取方法,其特征在于:
步骤五中计算实际波速;自车时空轨迹图中有一系列离散的自车轨迹点,以1m/s的速度为间隔,将自车速度离散化,得到自车速度集V;针对不同的自车速度vi,选取波速wi∈[vi-1,vi+1]对应的通过率ri,计算这些通过率ri的标准差;重复计算,得到不同自车速度vi对应通过率ri的标准差,然后选取标准差最小对应的vi作为选定的实际波速w*。
5.根据权利要求1所述的一种基于前后车轨迹的驾驶人实时反应时间提取方法,其特征在于:
步骤六中计算优化反应时间;自车时空轨迹图上的每一点均有一组参数{u0,τ0,d0,w0,r0;…;um,τm,dm,wm,rm};依次从每组数据中选择与实际波速w*相差最小的wi,选择每一个wi对应的τi作为该点的反应时间,组成反应时间数组{τ0;…;τm};计算该数组的均值为驾驶人在10s内的实时反应时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249371.XA CN114170760A (zh) | 2021-10-26 | 2021-10-26 | 一种基于前后车轨迹的驾驶人实时反应时间提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249371.XA CN114170760A (zh) | 2021-10-26 | 2021-10-26 | 一种基于前后车轨迹的驾驶人实时反应时间提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170760A true CN114170760A (zh) | 2022-03-11 |
Family
ID=80477357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111249371.XA Pending CN114170760A (zh) | 2021-10-26 | 2021-10-26 | 一种基于前后车轨迹的驾驶人实时反应时间提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170760A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821968A (zh) * | 2022-05-09 | 2022-07-29 | 西南交通大学 | 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014068844A1 (ja) * | 2012-10-30 | 2014-05-08 | 株式会社デンソー | 運転支援装置および運転支援方法 |
JP2016206976A (ja) * | 2015-04-23 | 2016-12-08 | トヨタ自動車株式会社 | 車両の運転支援制御のための先行車軌跡算出装置 |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN107452201A (zh) * | 2017-07-24 | 2017-12-08 | 重庆大学 | 一种考虑前车换道驶离时后车的跟驰加速度确定方法及跟驰行为建模方法 |
CN113386778A (zh) * | 2021-06-23 | 2021-09-14 | 北方工业大学 | 一种基于车辆行驶轨迹数据的急减速驾驶行为判定方法 |
-
2021
- 2021-10-26 CN CN202111249371.XA patent/CN114170760A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014068844A1 (ja) * | 2012-10-30 | 2014-05-08 | 株式会社デンソー | 運転支援装置および運転支援方法 |
JP2016206976A (ja) * | 2015-04-23 | 2016-12-08 | トヨタ自動車株式会社 | 車両の運転支援制御のための先行車軌跡算出装置 |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN107452201A (zh) * | 2017-07-24 | 2017-12-08 | 重庆大学 | 一种考虑前车换道驶离时后车的跟驰加速度确定方法及跟驰行为建模方法 |
CN113386778A (zh) * | 2021-06-23 | 2021-09-14 | 北方工业大学 | 一种基于车辆行驶轨迹数据的急减速驾驶行为判定方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821968A (zh) * | 2022-05-09 | 2022-07-29 | 西南交通大学 | 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质 |
CN114821968B (zh) * | 2022-05-09 | 2022-09-13 | 西南交通大学 | 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1997705B1 (en) | Drive behavior estimating device, drive supporting device, vehicle evaluating system, driver model making device, and drive behavior judging device | |
CN105261151B (zh) | 基于操作行为特征的高等级公路驾驶人疲劳状态检测方法 | |
EP2201496B1 (en) | Inattentive state determination device and method of determining inattentive state | |
Doshi et al. | Examining the impact of driving style on the predictability and responsiveness of the driver: Real-world and simulator analysis | |
WO2017075976A1 (zh) | 一种驾驶行为评测方法及装置 | |
JP5521893B2 (ja) | 運転支援システム、車載装置 | |
JP4469297B2 (ja) | 運転診断方法およびその装置 | |
JP5263312B2 (ja) | 渋滞判定装置、及び車両制御装置 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
JP2014081947A (ja) | 情報配信装置 | |
CN106339692B (zh) | 一种疲劳驾驶状态信息确定方法及系统 | |
JP2004157880A (ja) | 確認行動評価装置 | |
JP2008046759A (ja) | 運転支援装置 | |
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 | |
CN110901385B (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
CN114170760A (zh) | 一种基于前后车轨迹的驾驶人实时反应时间提取方法 | |
EP0470268B1 (en) | Traffic flow change system | |
JP4735430B2 (ja) | 合流支援装置 | |
Banerjee et al. | A modern intersection data analytics system for pedestrian and vehicular safety | |
JP2022047580A (ja) | 情報処理装置 | |
Tawari et al. | Predicting unexpected maneuver while approaching intersection | |
Zhao et al. | A study on an anthropomorphic car-following strategy framework of the autonomous coach in mixed traffic flow | |
CN114464012B (zh) | 一种基于车联网的车辆行人碰撞预警方法及系统 | |
Angkititrakul et al. | Analysis and prediction of deceleration behavior during car following using stochastic driver-behavior model | |
Henning et al. | Modelling driver behaviour in order to infer the intention to change lanes |
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 |