考虑驾驶员特性的车辆行驶风险度评估方法
发布时间：2021-08-18 18:51
随着经济及汽车工业的发展,汽车保有量不断上升,给人们的生活带来了巨大的便利,但交通安全问题也成为了社会发展的隐患,交通事故造成了许多的财产损失与人员伤亡。据统计,90%以上的交通事故是由驾驶员引起的,驾驶员的危险驾驶行为成为导致交通事故的一个主要因素。危险驾驶行为的形式和定义多种多样,尽管其中的一些已经被明确列为违规违法行为,如超速、酒后驾驶等,但还有很多危险驾驶行为并没有被列入交通法规中,不能受到严格的约束和监管。因此,如何对行驶过程中的危险驾驶行为进行有效评估,提高车辆行驶安全性,减少交通事故,成为迫在眉睫的重要问题。但通过调查研究现状发现,一些风险评估方法没有考虑到不同行驶状态下危险驾驶行为存的不同,也没有考虑到不同风格驾驶员之间的差异。为了使评估结果更加准确、合理和人性化,本文提出了一种考虑驾驶员特性的行驶风险度评估方法,主要研究内容如下所示:（1）考虑到车辆的行驶过程极其复杂多变,为对行驶风险进行准确的评估,首先要确定车辆的行驶状态。将车辆行驶状态划分为自由行驶、跟驰和换道三种,考虑到现有技术已通过传感器数据很好的解决了自由行驶和跟驰状态的区分问题,因此本文针对换道状态识别进...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
车辆行驶状态示意图
吉林大学硕士学位论文82.1.2跟驰状态跟驰状态是指车辆跟随前方车辆行驶的状态，如图2.2所示。在当前的人口密度和汽车保有量下，跟驰已经成为日常道路上车辆的主要行驶状态之一。跟驰过程中车辆之间相关性较大，因此跟驰会对交通效率、道路安全产生重要影响，跟驰状态下驾驶员的危险驾驶行为很有可能会引起追尾事故，严重时还会造成连环追尾，造成重大的财产损失和人员伤亡[26]。图2.2跟驰状态示意图2.1.3换道状态换道是指驾驶员受周边车辆的车速、间距等环境信息的影响后变更车辆所在车道的过程。如图2.3所示，图中车辆A为换道车辆。在日常驾驶中，换道十分常见。换道行为的执行需要满足两个条件，一是目标车道需要有一定的空间，使车辆驶入该车道后可以正常行驶，这取决于目标车道前方车辆与后方车辆的行驶状态与间距；二是要有充足的时间确保换道能顺利进行，这取决于原车道前方车辆与后方车辆的行驶状态及间距[27,28]。因此，换道过程中，驾驶员会时刻观察的周边车辆的状态，从而调整车辆的横向运动与纵向运动，保证换道成功率，避免可能发生的碰撞。与自由行驶状态和跟驰状态相比，换道状态下车辆与周边车辆的联系更加密切，换道对车辆运行安全和交通流的影响也更大，车辆换道过程将增加发生交通冲突的可能性，从而影响交通运行效率，降低道路通行能力，甚至引发交通事故。
第2章行驶状态划分及识别9图2.3换道状态示意图2.2行驶数据样本提取在2.1节中，已经将行驶状态划分为自由行驶、跟驰和换道，为了确定车辆当前的行驶状态，需要建立行驶状态识别模型。由于辨别自由行驶状态和跟驰状态比较简单，可通过车载传感器数据如毫米波雷达得到很好的解决，因此，只需建立换道状态识别模型即可进行行驶状态的有效识别。换道过程比较复杂，难以通过方向盘转角进行直接判断。虽然根据交通法规要求，驾驶员在换道前需要开启转向灯以警示周边车辆，但实际道路环境中，仍有部分驾驶员不遵守此条规则，因此也不能根据转向灯的状态判断车辆是否正在换道。在本节中，将进行不同行驶状态的车辆行驶数据样本的提取，作为训练换道识别状态识别模型的样本数据集。2.2.1数据集介绍NGSIM是美国高速公路管理局(FederalHighwayAdministration,FHWA)于2005年开展的一个项目，该项目旨在收集大量真实的车辆轨道数据，用以研究微观驾驶行为。迄今为止，NGSIM数据集已成为微观驾驶行为相关算法和微观交通仿真领域最常用的数据集，广泛应用于车辆跟驰、换道及轨迹预测等方面的研究中[29]。NGSIM数据包括I-80、US-101、Lank、Peach四个路段的车辆行驶数据，其中I-80与US-101为高速公路，Lank和Peach为城市道路，因此本文只采用I-80与US-101路段的车辆行驶数据。
【参考文献】：
期刊论文
[1]5G车联网技术与标准进展[J]. 朱雪田. 电子技术应用. 2019(08)
[2]考虑驾驶风格的车辆换道行为及预测模型[J]. 刘思源,喻伟,刘洁莹,尹小梅,吴义虎. 长沙理工大学学报(自然科学版). 2019(01)
[3]车辆典型危险行驶状态识别与检测研究进展[J]. 刘通,付锐,张士伟,邓明阳. 中国安全科学学报. 2017(10)
[4]智能车辆运动控制研究综述[J]. 郭景华,李克强,罗禹贡. 汽车安全与节能学报. 2016(02)
[5]智能手机车辆异常驾驶行为检测方法[J]. 周后飞,刘华平,石红星. 智能系统学报. 2016(03)
[6]微观交通仿真的安全换道模型研究[J]. 周世杰,宋竹,罗嘉庆. 电子科技大学学报. 2015(05)
[7]危险驾驶行为辨识算法研究[J]. 刘永涛,乔洁,魏朗,巩建强,张亚岐. 计算机工程与设计. 2014(04)
[8]基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析[J]. 吕岸,胡振程,陈慧. 汽车工程. 2010(07)
[9]基于云模型的驾驶员驾驶状态评估方法[J]. 胡斌,王生进,丁晓青. 清华大学学报(自然科学版). 2009(10)
[10]微观仿真中车辆换道的行为分析和建模[J]. 杨建国,王金梅,李庆丰,王兆安. 公路交通科技. 2004(11)
博士论文
[1]面向驾驶辅助系统的车辆行驶安全预警模型研究[D]. 胡三根.华南理工大学 2016
[2]载货汽车危险状态辨识及监测预警研究[D]. 姚雪萍.吉林大学 2014
[3]基于驾驶员视觉特性的驾驶行为预测方法研究[D]. 冀秉魁.吉林大学 2014
[4]车辆换道预警的若干关键问题研究[D]. 王畅.长安大学 2012
硕士论文
[1]智能车辆周边安全态势评价方法[D]. 高鹏飞.燕山大学 2018
[2]基于车联网驾驶行为评分的安全驾驶卫士分析与设计[D]. 张正.南京邮电大学 2017
[3]个人驾驶行为的评估与分析研究[D]. 刘凯利.北方工业大学 2017
[4]基于实测微观驾驶状态的交通安全风险分析及模型校正[D]. 李倩.北京交通大学 2017
[5]车联网环境下跟驰行为建模及交通流稳定性分析[D]. 李腾龙.长安大学 2017
[6]车辆换道行为对交通流影响分析[D]. 王茉莉.吉林大学 2016
[7]基于车辆动态监控数据的异常驾驶行为识别技术研究[D]. 丁琛.北京交通大学 2015
[8]车联网环境下基于UBI的车险费率厘定模式与方法研究[D]. 朱爽.北京交通大学 2015
[9]汽车安全辅助驾驶系统研究与实现[D]. 尹磊.山东大学 2012
本文编号：3350437
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
车辆行驶状态示意图
吉林大学硕士学位论文82.1.2跟驰状态跟驰状态是指车辆跟随前方车辆行驶的状态，如图2.2所示。在当前的人口密度和汽车保有量下，跟驰已经成为日常道路上车辆的主要行驶状态之一。跟驰过程中车辆之间相关性较大，因此跟驰会对交通效率、道路安全产生重要影响，跟驰状态下驾驶员的危险驾驶行为很有可能会引起追尾事故，严重时还会造成连环追尾，造成重大的财产损失和人员伤亡[26]。图2.2跟驰状态示意图2.1.3换道状态换道是指驾驶员受周边车辆的车速、间距等环境信息的影响后变更车辆所在车道的过程。如图2.3所示，图中车辆A为换道车辆。在日常驾驶中，换道十分常见。换道行为的执行需要满足两个条件，一是目标车道需要有一定的空间，使车辆驶入该车道后可以正常行驶，这取决于目标车道前方车辆与后方车辆的行驶状态与间距；二是要有充足的时间确保换道能顺利进行，这取决于原车道前方车辆与后方车辆的行驶状态及间距[27,28]。因此，换道过程中，驾驶员会时刻观察的周边车辆的状态，从而调整车辆的横向运动与纵向运动，保证换道成功率，避免可能发生的碰撞。与自由行驶状态和跟驰状态相比，换道状态下车辆与周边车辆的联系更加密切，换道对车辆运行安全和交通流的影响也更大，车辆换道过程将增加发生交通冲突的可能性，从而影响交通运行效率，降低道路通行能力，甚至引发交通事故。
第2章行驶状态划分及识别9图2.3换道状态示意图2.2行驶数据样本提取在2.1节中，已经将行驶状态划分为自由行驶、跟驰和换道，为了确定车辆当前的行驶状态，需要建立行驶状态识别模型。由于辨别自由行驶状态和跟驰状态比较简单，可通过车载传感器数据如毫米波雷达得到很好的解决，因此，只需建立换道状态识别模型即可进行行驶状态的有效识别。换道过程比较复杂，难以通过方向盘转角进行直接判断。虽然根据交通法规要求，驾驶员在换道前需要开启转向灯以警示周边车辆，但实际道路环境中，仍有部分驾驶员不遵守此条规则，因此也不能根据转向灯的状态判断车辆是否正在换道。在本节中，将进行不同行驶状态的车辆行驶数据样本的提取，作为训练换道识别状态识别模型的样本数据集。2.2.1数据集介绍NGSIM是美国高速公路管理局(FederalHighwayAdministration,FHWA)于2005年开展的一个项目，该项目旨在收集大量真实的车辆轨道数据，用以研究微观驾驶行为。迄今为止，NGSIM数据集已成为微观驾驶行为相关算法和微观交通仿真领域最常用的数据集，广泛应用于车辆跟驰、换道及轨迹预测等方面的研究中[29]。NGSIM数据包括I-80、US-101、Lank、Peach四个路段的车辆行驶数据，其中I-80与US-101为高速公路，Lank和Peach为城市道路，因此本文只采用I-80与US-101路段的车辆行驶数据。
【参考文献】：
期刊论文
[1]5G车联网技术与标准进展[J]. 朱雪田. 电子技术应用. 2019(08)
[2]考虑驾驶风格的车辆换道行为及预测模型[J]. 刘思源,喻伟,刘洁莹,尹小梅,吴义虎. 长沙理工大学学报(自然科学版). 2019(01)
[3]车辆典型危险行驶状态识别与检测研究进展[J]. 刘通,付锐,张士伟,邓明阳. 中国安全科学学报. 2017(10)
[4]智能车辆运动控制研究综述[J]. 郭景华,李克强,罗禹贡. 汽车安全与节能学报. 2016(02)
[5]智能手机车辆异常驾驶行为检测方法[J]. 周后飞,刘华平,石红星. 智能系统学报. 2016(03)
[6]微观交通仿真的安全换道模型研究[J]. 周世杰,宋竹,罗嘉庆. 电子科技大学学报. 2015(05)
[7]危险驾驶行为辨识算法研究[J]. 刘永涛,乔洁,魏朗,巩建强,张亚岐. 计算机工程与设计. 2014(04)
[8]基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析[J]. 吕岸,胡振程,陈慧. 汽车工程. 2010(07)
[9]基于云模型的驾驶员驾驶状态评估方法[J]. 胡斌,王生进,丁晓青. 清华大学学报(自然科学版). 2009(10)
[10]微观仿真中车辆换道的行为分析和建模[J]. 杨建国,王金梅,李庆丰,王兆安. 公路交通科技. 2004(11)
博士论文
[1]面向驾驶辅助系统的车辆行驶安全预警模型研究[D]. 胡三根.华南理工大学 2016
[2]载货汽车危险状态辨识及监测预警研究[D]. 姚雪萍.吉林大学 2014
[3]基于驾驶员视觉特性的驾驶行为预测方法研究[D]. 冀秉魁.吉林大学 2014
[4]车辆换道预警的若干关键问题研究[D]. 王畅.长安大学 2012
硕士论文
[1]智能车辆周边安全态势评价方法[D]. 高鹏飞.燕山大学 2018
[2]基于车联网驾驶行为评分的安全驾驶卫士分析与设计[D]. 张正.南京邮电大学 2017
[3]个人驾驶行为的评估与分析研究[D]. 刘凯利.北方工业大学 2017
[4]基于实测微观驾驶状态的交通安全风险分析及模型校正[D]. 李倩.北京交通大学 2017
[5]车联网环境下跟驰行为建模及交通流稳定性分析[D]. 李腾龙.长安大学 2017
[6]车辆换道行为对交通流影响分析[D]. 王茉莉.吉林大学 2016
[7]基于车辆动态监控数据的异常驾驶行为识别技术研究[D]. 丁琛.北京交通大学 2015
[8]车联网环境下基于UBI的车险费率厘定模式与方法研究[D]. 朱爽.北京交通大学 2015
[9]汽车安全辅助驾驶系统研究与实现[D]. 尹磊.山东大学 2012
本文编号：3350437
本文链接：https://www.wllwen.com/kejilunwen/qiche/3350437.html
