根据驾驶操作信号辨别驾驶员状态.pdfVIP

第3 章　 根据驾驶操作信号辨别驾驶员状态 Emre Öztürk和Engin Erzin 摘要: 驾驶行为信号因驾驶员怎样和在何种状态下使用汽车控制部件, 如踏 板、 驱动轮等而不同。 在这项研究中, 我们将了解驾驶行为信号在不同驾驶员和不 同驾驶任务之间有什么不同。 这些研究所显示的线索被用来统计并定义驾驶员和驾 驶状态模型。 本章给出了基于UYANIK数据库的实验结果。 通过对加速和制动结 合踏板压力的分类, 对超过23位驾驶员的驾驶状态达到了57．39%的识别率。 驾 驶员数量减少时, 驾驶状态识别系统与现实生活中的情景更加吻合。 对1个组3 个 驾驶员的驾驶识别率计算得85．21%。 针对有任务和没有任务的超过 10 个驾驶员 的驾驶员状态识别, 其任务识别率达到了的79．13%。 驾驶行为与驾驶员过去的动 作是密切相关的。 在这项研究中, 我们从过去的驾驶信号中研究驾驶行为的预测。 我们提出了一个行为预测系统, 该系统执行行为信号的时间聚类, 并计算每个时间 聚类的线性估计。 使用隐藏的Markov模型 (HMM) 进行了时间聚类。 实验结果显 示, 分散注意力的条件对驾驶行为有一定的影响, 在这些条件下预测误差显著增 加。 道路状况也对驾驶行为预测有影响。 关键词: 驾驶员状态识别; 驾驶安全; 驾驶行为预测; 驾驶行为信号; 驾驶分心 3．1　 简介 在人机交互方面的近期发展已经应用在很多方面。 在这些应用中, 人车接口在 最近的文献被广泛研究。 下一代人车界面可能会使用语音、 视频、 图像和模拟驾驶 员的行为信号结合人的生物特征识别, 来提供更高效和更安全的车辆运行。 此外, 驾驶行为信号, 如踏板信号、 速度和跟车距离, 会给驾驶行为状态和驾驶员的认知 压力/ 分心提供重要的线索。 对使用驾驶行为信号的驾驶行为模式的研究已经投入了很大的精力。 Kurahashi [1] 等人为驾驶行为建模 , 使用驾驶行为信号来量化工作量因素。 名古屋大学的声 [2] 信息研究中心自1999年以来已经开始收集多模式的驾驶行为信号 。 他们早期的 [3] 工作是研究驾驶行为信号的倒谱分析 和为跟车和足踏操纵模式的驾驶行为建模。 [5] 最近, 他们通过进行面谈研究了险情事故, 以确保在发生事故 之前尽快确定驾 驶行为和认知状态。 基于生物识别和驾驶行为信号的驾驶员识别已经在一个多模式 第3章　 根据驾驶操作信号辨别驾驶员状态 27 决策融合系统中进行研究。 [4,7] 跟车数据收集和建模也已经在不同的研究中心 进行了研究。 根据产生的行 为和过去的观测来预测驾驶员未来的行动已经进行了研究, 用来模拟智能交通运输 [5,8] [8] 系统 (ITS) 的影响。 Tezuka等人用有条件的高斯模型和贝叶斯网络 , 通过变 道时候捕获时间序列的转向角数据, 来研究驾驶行为信号的预测。 Kishimoto 和 [14] Oguri将动态贝叶斯网络用来为停止行为 的推理构建一个行为模型。 他们发现, 利用过去的运动对预测停止概率有很大的影响。 在市区行驶的情况下, 可靠的压力 检测的多模式信号处理系统已经在参考文献 [9] 中被提出。 Marinova、 Devereaux、 [10] Hansman研究了在带有免提和手持的手机配置 情况下, 手机通话对在不同层次 认知的驾驶员的反应时间和情境意识的影响。 同时也对使用辅助任务的方法、 认知