考虑驾驶能力及驾驶习性的个性化人机共驾策略研究
发布时间：2021-11-11 20:04
人机共驾系统可以视为社会属性的人与逻辑属性的车辆智能化子系统通过克服彼此间的决策冲突,最终形成的安全、高效且友好的稳定驾驶模式,是“驾驶人-智能系统”间的最优驾驶匹配。考虑社会因素、伦理因素以及“机驾”系统的智能逻辑属性对智能车辆的影响,人机协同共驾模式将很可能长期存在于智能汽车中。在人机共驾研究中,“人驾”与“机驾”的协同与冲突机理分析是研究基础,驾驶人的人因属性和“机驾”的决策逻辑是影响系统性能的主要因素。人因属性包含驾驶习性、驾驶技能和驾驶状态等驾驶人行为模式属性,是人机共驾系统进行驾驶权分配时的关键影响因素。此外,人因属性对于“机驾”决策逻辑也具有重要影响。因此,基于人因属性的个性化人机共驾策略研究,是未来智能驾驶系统的关键技术之一。本文在深入分析人机间的协同与冲突机理的基础上,针对人机协同共驾中驾驶人的人因属性和机器的逻辑属性,开展了考虑驾驶能力及驾驶习性的个性化人机协同共驾研究。建立起面向人因属性的系统激励及场景构建理论及测试方法,并搭建了相应的测试平台;提出驾驶能力概念及评估方法,解决了复杂多变的人因属性引起的驾驶权分配机制的合理性问题;采用中级类我度对应的“类我”属性表...
【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】：176 页
【学位级别】：博士
【部分图文】：
-a中国汽车年产量
吉林大学博士学位论文2荷是主要因素[10-11]。至少有一次疲劳驾驶行为的驾驶人数占各类交通事故中总驾驶人数的1/5，如果在危险前1秒警告驾驶人，约90%的驾驶事故是可以避免的[12]。由于驾驶环境的高精神负荷属性，带来的紧张感及疲劳感是诱发高血压等心脑血管疾病的主要诱因[13]。波兰进行的职业驾驶员心血管不良事件风险研究显示，73.8%的被测样本中出现了高血压情况，高血压情况和昼夜血压值异常在职业司机中较为普遍[14]。我国学者通过查阅2005-2013年间1822名长途客车驾驶人资料发现，其总体患病率为67.6%，其中以消化系统（24.9%）和心血管系统（22.9%）患病比例最高[15]。图1.22006-2015年间国内外交通事故信息统计[5-8]图1.3-a全国拥堵热力图图1.3-b北京市拥堵热力图图1.32018年度全国拥堵及北京市高峰拥堵热力图[9]针对汽车工业带来的诸多问题和挑战，全球各国政府机构、产业界及学术界纷纷提出解决办法。美国交通运输部于2009年和2014年先后发布《ITSStrategicResearchPlan,2010-2014》[16]及《ITSStrategicResearchPlan,2015-2019》[17]，期望通过智能交通方式实现安全、机动且友好型交通环境。此后，美国众议院于2017年通过了《确保
吉林大学博士学位论文2荷是主要因素[10-11]。至少有一次疲劳驾驶行为的驾驶人数占各类交通事故中总驾驶人数的1/5，如果在危险前1秒警告驾驶人，约90%的驾驶事故是可以避免的[12]。由于驾驶环境的高精神负荷属性，带来的紧张感及疲劳感是诱发高血压等心脑血管疾病的主要诱因[13]。波兰进行的职业驾驶员心血管不良事件风险研究显示，73.8%的被测样本中出现了高血压情况，高血压情况和昼夜血压值异常在职业司机中较为普遍[14]。我国学者通过查阅2005-2013年间1822名长途客车驾驶人资料发现，其总体患病率为67.6%，其中以消化系统（24.9%）和心血管系统（22.9%）患病比例最高[15]。图1.22006-2015年间国内外交通事故信息统计[5-8]图1.3-a全国拥堵热力图图1.3-b北京市拥堵热力图图1.32018年度全国拥堵及北京市高峰拥堵热力图[9]针对汽车工业带来的诸多问题和挑战，全球各国政府机构、产业界及学术界纷纷提出解决办法。美国交通运输部于2009年和2014年先后发布《ITSStrategicResearchPlan,2010-2014》[16]及《ITSStrategicResearchPlan,2015-2019》[17]，期望通过智能交通方式实现安全、机动且友好型交通环境。此后，美国众议院于2017年通过了《确保
【参考文献】：
期刊论文
[1]不同情绪作用下的汽车驾驶行为预测[J]. 程静,张艺. 交通运输工程与信息学报. 2019(03)
[2]面向人因的车路协同系统综合测试及影响评估[J]. 赵晓华,陈雨菲,李海舰,邢冠仰,冯笑凡. 中国公路学报. 2019(06)
[3]自动驾驶汽车测试技术与应用进展[J]. 余卓平,邢星宇,陈君毅. 同济大学学报(自然科学版). 2019(04)
[4]Shared Control of Highly Automated Vehicles Using Steer-By-Wire Systems[J]. Chao Huang,Fazel Naghdy,Haiping Du,Hailong Huang. IEEE/CAA Journal of Automatica Sinica. 2019(02)
[5]智能网联汽车标准体系建设概述[J]. 刘丽亚,宋琨,孔晓霜,Dong Haomin. 汽车文摘. 2019(03)
[6]面向人机协同共驾的驾驶行为短时预测方法研究[J]. 喻恺,彭理群,丁雪,贺宜. 交通信息与安全. 2019(01)
[7]人机共驾智能汽车的控制权切换与安全性综述[J]. 吴超仲,吴浩然,吕能超. 交通运输工程学报. 2018(06)
[8]汽车驾驶人的情绪诱发与识别研究综述[J]. 王浩伦,朱业安,彭理群,苏航. 交通信息与安全. 2018(04)
[9]基于危险态势识别的智能车驾驶模式选择[J]. 严利鑫,黄珍,吴超仲,秦伶巧,朱敦尧,冉斌. 华南理工大学学报(自然科学版). 2016(08)
[10]Fatigue driving detection based on Haar feature and extreme learning machine[J]. Chang Zheng,Ban Xiaojuan,Wang Yu. The Journal of China Universities of Posts and Telecommunications. 2016(04)
博士论文
[1]基于驾驶仿真的驾驶员追尾避撞行为特性及不同预警方式功效研究[D]. 薛晴婉.北京交通大学 2019
[2]典型国家汽车产业国际竞争力比较研究[D]. 曹悦恒.吉林大学 2018
[3]基于深度学习和面部多源动态行为融合的驾驶员疲劳检测方法研究[D]. 赵磊.山东大学 2018
[4]横向辅助驾驶及人机共驾控制策略的研究[D]. 汪选要.合肥工业大学 2017
[5]人机共享的驾驶员横向辅助系统关键技术研究[D]. 谈东奎.合肥工业大学 2017
[6]仿驾驶员速度跟随行为的自适应巡航控制算法研究[D]. 严伟.吉林大学 2016
[7]面向车辆操纵稳定性的驾驶员建模及轮胎性能客观评价研究[D]. 陈焕明.吉林大学 2015
[8]基于随机模型预测控制的驾驶员行为建模[D]. 曲婷.吉林大学 2015
[9]基于三维数据面向无人车导航的非结构化场景理解[D]. 朱株.浙江大学 2014
[10]风雨耦合作用下高速公路交通安全与控制策略研究[D]. 赵利苹.长安大学 2013
硕士论文
[1]基于神经肌肉系统的驾驶员转向操控建模与人机共享控制[D]. 赵彦博.吉林大学 2019
[2]具有横向主动安全的智能车驾驶员模型[D]. 梁硕.吉林大学 2019
[3]我国道路交通事故诱因分析及预防对策建议[D]. 张博.首都经济贸易大学 2018
[4]智能汽车人机协同转向滚动优化控制研究[D]. 宋林桓.吉林大学 2018
[5]基于脑电数据的道路与模拟试验驾驶负荷相似模型研究[D]. 陈发城.吉林大学 2018
[6]基于虚拟驾驶的切换型人机共驾行为评价[D]. 徐超.吉林大学 2018
[7]基于视觉的驾驶员注意力检测与判别研究[D]. 胡敏.湖南大学 2018
[8]基于人格特质的驾驶人换道行为及决策过程研究[D]. 杨丽平.合肥工业大学 2018
[9]驾驶人焦虑状态下的应激操作行为研究[D]. 乔伟栋.北京建筑大学 2017
[10]操纵杆线控转向系统转向行为辨识和变角传动比设计研究[D]. 韩亚凝.吉林大学 2017
本文编号：3489448
【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】：176 页
【学位级别】：博士
【部分图文】：
-a中国汽车年产量
吉林大学博士学位论文2荷是主要因素[10-11]。至少有一次疲劳驾驶行为的驾驶人数占各类交通事故中总驾驶人数的1/5，如果在危险前1秒警告驾驶人，约90%的驾驶事故是可以避免的[12]。由于驾驶环境的高精神负荷属性，带来的紧张感及疲劳感是诱发高血压等心脑血管疾病的主要诱因[13]。波兰进行的职业驾驶员心血管不良事件风险研究显示，73.8%的被测样本中出现了高血压情况，高血压情况和昼夜血压值异常在职业司机中较为普遍[14]。我国学者通过查阅2005-2013年间1822名长途客车驾驶人资料发现，其总体患病率为67.6%，其中以消化系统（24.9%）和心血管系统（22.9%）患病比例最高[15]。图1.22006-2015年间国内外交通事故信息统计[5-8]图1.3-a全国拥堵热力图图1.3-b北京市拥堵热力图图1.32018年度全国拥堵及北京市高峰拥堵热力图[9]针对汽车工业带来的诸多问题和挑战，全球各国政府机构、产业界及学术界纷纷提出解决办法。美国交通运输部于2009年和2014年先后发布《ITSStrategicResearchPlan,2010-2014》[16]及《ITSStrategicResearchPlan,2015-2019》[17]，期望通过智能交通方式实现安全、机动且友好型交通环境。此后，美国众议院于2017年通过了《确保
吉林大学博士学位论文2荷是主要因素[10-11]。至少有一次疲劳驾驶行为的驾驶人数占各类交通事故中总驾驶人数的1/5，如果在危险前1秒警告驾驶人，约90%的驾驶事故是可以避免的[12]。由于驾驶环境的高精神负荷属性，带来的紧张感及疲劳感是诱发高血压等心脑血管疾病的主要诱因[13]。波兰进行的职业驾驶员心血管不良事件风险研究显示，73.8%的被测样本中出现了高血压情况，高血压情况和昼夜血压值异常在职业司机中较为普遍[14]。我国学者通过查阅2005-2013年间1822名长途客车驾驶人资料发现，其总体患病率为67.6%，其中以消化系统（24.9%）和心血管系统（22.9%）患病比例最高[15]。图1.22006-2015年间国内外交通事故信息统计[5-8]图1.3-a全国拥堵热力图图1.3-b北京市拥堵热力图图1.32018年度全国拥堵及北京市高峰拥堵热力图[9]针对汽车工业带来的诸多问题和挑战，全球各国政府机构、产业界及学术界纷纷提出解决办法。美国交通运输部于2009年和2014年先后发布《ITSStrategicResearchPlan,2010-2014》[16]及《ITSStrategicResearchPlan,2015-2019》[17]，期望通过智能交通方式实现安全、机动且友好型交通环境。此后，美国众议院于2017年通过了《确保
【参考文献】：
期刊论文
[1]不同情绪作用下的汽车驾驶行为预测[J]. 程静,张艺. 交通运输工程与信息学报. 2019(03)
[2]面向人因的车路协同系统综合测试及影响评估[J]. 赵晓华,陈雨菲,李海舰,邢冠仰,冯笑凡. 中国公路学报. 2019(06)
[3]自动驾驶汽车测试技术与应用进展[J]. 余卓平,邢星宇,陈君毅. 同济大学学报(自然科学版). 2019(04)
[4]Shared Control of Highly Automated Vehicles Using Steer-By-Wire Systems[J]. Chao Huang,Fazel Naghdy,Haiping Du,Hailong Huang. IEEE/CAA Journal of Automatica Sinica. 2019(02)
[5]智能网联汽车标准体系建设概述[J]. 刘丽亚,宋琨,孔晓霜,Dong Haomin. 汽车文摘. 2019(03)
[6]面向人机协同共驾的驾驶行为短时预测方法研究[J]. 喻恺,彭理群,丁雪,贺宜. 交通信息与安全. 2019(01)
[7]人机共驾智能汽车的控制权切换与安全性综述[J]. 吴超仲,吴浩然,吕能超. 交通运输工程学报. 2018(06)
[8]汽车驾驶人的情绪诱发与识别研究综述[J]. 王浩伦,朱业安,彭理群,苏航. 交通信息与安全. 2018(04)
[9]基于危险态势识别的智能车驾驶模式选择[J]. 严利鑫,黄珍,吴超仲,秦伶巧,朱敦尧,冉斌. 华南理工大学学报(自然科学版). 2016(08)
[10]Fatigue driving detection based on Haar feature and extreme learning machine[J]. Chang Zheng,Ban Xiaojuan,Wang Yu. The Journal of China Universities of Posts and Telecommunications. 2016(04)
博士论文
[1]基于驾驶仿真的驾驶员追尾避撞行为特性及不同预警方式功效研究[D]. 薛晴婉.北京交通大学 2019
[2]典型国家汽车产业国际竞争力比较研究[D]. 曹悦恒.吉林大学 2018
[3]基于深度学习和面部多源动态行为融合的驾驶员疲劳检测方法研究[D]. 赵磊.山东大学 2018
[4]横向辅助驾驶及人机共驾控制策略的研究[D]. 汪选要.合肥工业大学 2017
[5]人机共享的驾驶员横向辅助系统关键技术研究[D]. 谈东奎.合肥工业大学 2017
[6]仿驾驶员速度跟随行为的自适应巡航控制算法研究[D]. 严伟.吉林大学 2016
[7]面向车辆操纵稳定性的驾驶员建模及轮胎性能客观评价研究[D]. 陈焕明.吉林大学 2015
[8]基于随机模型预测控制的驾驶员行为建模[D]. 曲婷.吉林大学 2015
[9]基于三维数据面向无人车导航的非结构化场景理解[D]. 朱株.浙江大学 2014
[10]风雨耦合作用下高速公路交通安全与控制策略研究[D]. 赵利苹.长安大学 2013
硕士论文
[1]基于神经肌肉系统的驾驶员转向操控建模与人机共享控制[D]. 赵彦博.吉林大学 2019
[2]具有横向主动安全的智能车驾驶员模型[D]. 梁硕.吉林大学 2019
[3]我国道路交通事故诱因分析及预防对策建议[D]. 张博.首都经济贸易大学 2018
[4]智能汽车人机协同转向滚动优化控制研究[D]. 宋林桓.吉林大学 2018
[5]基于脑电数据的道路与模拟试验驾驶负荷相似模型研究[D]. 陈发城.吉林大学 2018
[6]基于虚拟驾驶的切换型人机共驾行为评价[D]. 徐超.吉林大学 2018
[7]基于视觉的驾驶员注意力检测与判别研究[D]. 胡敏.湖南大学 2018
[8]基于人格特质的驾驶人换道行为及决策过程研究[D]. 杨丽平.合肥工业大学 2018
[9]驾驶人焦虑状态下的应激操作行为研究[D]. 乔伟栋.北京建筑大学 2017
[10]操纵杆线控转向系统转向行为辨识和变角传动比设计研究[D]. 韩亚凝.吉林大学 2017
本文编号：3489448
本文链接：https://www.wllwen.com/shoufeilunwen/gckjbs/3489448.html
