|
|
人机混合交通流中基于CAR-ToC模型接管控制下的驾驶员反应时间研究
论文作者:Yucheng Zhao, Haoran Geng, Jun Liang, Yafei Wang, Long Chen, Linhao Xu, Wanjia Wang
|
|
|
本研究旨在探讨人机交互中接管控制(ToC)对驾驶员反应时间和混合交通流的影响。采用基于自适应控制思维-理性认知架构(CAR-ToC)的反应ToC模型,并提出一种量化驾驶员情景认知不确定性的方法。试验结果表明,在ToC中,当驾驶员响应时间为4.2
s时,交通状态最佳,而响应时间越长,交通流的波动性越明显。此外,手动驾驶车辆在ToC中更容易发生撞车事故。本研究旨在验证动态接管策略的有效性,提高道路效率和安全性,并对提升自动驾驶车辆的安全与效率提出了建议。
|
|
关键词:接管控制,CAR-ToC模型,司机反应时间,混合交通流特征
本文是江苏大学梁军教授团队开展的研究,引用词条如下:
Zhao, Y., Geng, H., Liang, J. et al.: Effects of driver response time under take-over
control based on CAR-ToC model in human–machine mixed traffic flow. Automot. Innov.
6(1), 3–19 (2023)
|
|
阅读全文>>
|
|
|
|
驾驶员对不同驾驶分心任务的EEG反应
论文作者:Guofa Li, Xiaojian Wu, Arno Eichberger, Paul Green, Cristina Olaverri-Monreal, Weiquan
Yan, Yechen Qin, Yuezhi Li
|
|
|
驾驶员分心是交通事故的主要原因之一,但是驾驶员对不同类型分心任务的大脑反应仍然有待进一步研究。本研究旨在通过观察驾驶员脑电图(EEG)活动,评估不同类型分心任务对驾驶员大脑反应的影响。研究招募了24名参与者,在时钟任务、2-back任务和导航任务的引导下,模拟测试驾驶员在分心情况下的大脑活动。结果表明,综合分心任务对大脑活动的影响比单一认知分心任务更为显著。通过Friedman检验和事后双尾Nemenyi检验,发现各大脑区的带状活动存在显著差异。额叶的θ能量明显高于其他脑区,而颞叶的α能量在分心时明显下降。这些结果为基于EEG信号的分心检测系统的开发提供了理论上的参考。研究结果揭示了不同类型分心任务对驾驶员大脑活动的影响,有望为提高驾驶员安全性提供参考。
|
|
关键词:驾驶安全,驾驶员分心,EEG,自动驾驶车辆
本文是重庆大学李国法及密歇根大学Paul Green团队研究成果,引用词条如下:
Li, G., Wu, X., Eichberger, A. et al.: Drivers’ EEG responses to different distraction
tasks. Automot. Innov. 6(1), 20–31 (2023)
|
|
阅读全文>>
|
|
|
|
面向人车交互——不同驾驶员警觉状态下的驾驶风险分析及检测
论文作者:Yingzhang Wu, Jie Zhang, Wenbo Li, Yujing Liu, Chengmou Li, Bangbei Tang, Gang Guo
|
|
|
驾驶员行为在交通安全中起着至关重要的作用,驾驶员的警觉状态是导致交通事故的主要因素。然而,驾驶员警觉状态对驾驶风险的量化影响还有待充分探讨。本研究旨在研究驾驶员警觉状态与驾驶风险之间的关系,使用了28名驾驶员在高速公路上保持80
km/h的速度2
h后记录的数据。采用k-means和线性拟合方法分析了不同驾驶员警觉状态下的驾驶风险分布。此外,本研究提出了一个分析驾驶风险的研究框架,并建立了3种分类模型(KNN、SVM和DNN)来检测驾驶风险状态。结果显示,低风险事故的发生频率与驾驶员的警觉状态水平呈负相关,而中度风险和高度风险事故的发生频率与驾驶员的警觉状态水平呈正相关。与KNN和SVM相比,DNN模型表现最好,达到了0.972的准确率、0.972的召回率、0.973的精确度和0.972的f1分数。这项研究可以为驾驶员预警系统和智能车辆的设计提供参考。
|
|
关键词:驾驶风险,驾驶员警惕性,驾驶风险检测,人机互动,深度神经网络
本文是重庆大学郭钢教授团队研究成果,引用词条如下:
Wu, Y., Zhang, J., Li, W. et al.: Towards human-vehicle interaction: driving risk
analysis under different driver vigilance states and driving risk detection method.
Automot. Innov. 6(1), 32–47 (2023)
|
|
阅读全文>>
|
|
|