基于驾驶行为特征指标的行车安全事件辨识方法研究开题报告
2020-03-31 11:03
1. 研究目的与意义（文献综述）
1.1 研究目的及意义
随着经济的高速发展，我国道路交通状况也发生着重大变化，据公安部统计，截至2017年底，全国机动车保有量达3.10亿辆，其中汽车2.17亿辆；机动车驾驶人达3.85亿人，其中汽车驾驶人3.42亿人[1]。机动车保有量在飞速增长的同时，道路交通事故发生频率也在不停增长，我国平均每年死于交通事故的人数高达万人，造成的经济损失和给人带来的精神损失无法估量。如何能降低交通事故的发生概率一直是国内外无数学者研究的热点，其中大多数研究从事故发生的原因着手。已有研究表明，驾驶人的驾驶行为与交通事故发生有着很强的关联性，由驾驶人因素导致的交通事故占到了65%，而与驾驶人因素相关的事故占到了95%[2]。不难看出危险的驾驶行为是导致交通事故的关键因素之一，同时也充分说明通过研究驾驶人的驾驶行为与交通事故发生之间的联系，可以通过监测驾驶行为状态有效预测发生交通事故的概率，从而向驾驶人传达预警信号，降低事故发生几率，提升道路运输交通安全水平。
但由于在研究实验过程中交通事故是小概率事件，有学者提出用"行车安全事件"替代的方法来研究交通安全和驾驶风险，并检验得出该方式可行[3]。"行车安全事件"实际上是一种类碰撞事件，它表示一种易导致交通事故发生的不安全行车状态。因此对行车安全事件展开辨识研究，就能实现在识别危险发生的同时根据风险级别及时采取相应措施进行干预。遵循类似的思路，目前已有一些先进驾驶辅助系统（advanced driver assistance system，adas）被运用于实际车辆驾驶中，通过检测驾驶行为数据，能在紧急情况发生时向驾驶人或者行人发出警报，甚至对车辆采取主动干涉，实际证明类似的系统能有效降低碰撞事故发生的可能性。
2. 研究的基本内容与方案
2.1基本内容
本文主要通过设计自然驾驶实验采集车辆速度与加速度数据，并基于自然驾驶数据提取车辆急加速、急减速、急转向三种风险驾驶行为，建立三急行为发生频率与疲劳驾驶这一行车安全事件的关联模型，最终为实现对车辆的不安全驾驶状态的定量化辨识打下基础。具体研究内容如下：
1. 行车安全事件的定义与表征。将道路运输车辆的行车安全事件分为风险驾驶行为事件和异常驾驶行为事件。本文主要讨论风险驾驶行为事件中的容易导致交通冲突甚至交通事故的急加速、急减速、急转向事件与异常驾驶行为中的疲劳驾驶事件。
3. 研究计划与安排
第1—3周：查阅相关文献，撰写开题报告；
第4—6周：进一步收集资料和数据，并进行整理和分析；
第7—10周：完成论文初稿；
4. 参考文献（12篇以上）
| [1] 张弘.2017年全国机动车和驾驶人保持高位增长,新注册登记机动车3352万辆,新增驾驶人3054万人[EB/OL].人民公安报,2018-01-16. [2] 李平凡.驾驶行为表征指标及分析方法研究[D].吉林大学,2010. [3] Guo F.Near-Crashes as Crash Surrogate for Naturalistic Driving Studies[J].Transportation Research Record Journal of the Transportation Research Board,2010, 2147(-1):66-74. [4] 严新平,张晖,吴超仲,等.道路交通驾驶行为研究进展及其展望[J].交通信息与安全,2013,31(1):45-51. [5] 周后飞.基于移动终端的异常驾驶行为及碰撞事故识别技术研究[D].重庆交通大学,2016. [6] 任慧君,许涛,李响.利用车载GPS轨迹数据实现公交车驾驶安全性分析[J].武汉大学学报(信息科学版),2014,39(6):739-744. [7] 罗沂.基于GPS数据的高速公路驾驶行为识别[D].哈尔滨工业大学,2017. [8] 毕胜强,梅德纯,刘志强,等.面向驾驶行为预警的换道意图辨识模型研究[J].中国安全科学学报,2016,26(2):91-95. [9] Peng J, Guo Y, FuR, et al. Multi-parameter prediction of drivers' lane-changing behaviour withneural network model[J]. Applied Ergonomics, 2015, 50: 207-217. [10] 汪宴宾.基于驾驶行为特征与眼动特征的疲劳驾驶辨识方法研究[D].西南交通大学,2015. [11] Wang M S, Jeong NT, Kim K S, et al. Drowsy behavior detection based on driving information[J].International Journal of Automotive Technology, 2016, 17(1):165-173. [12] Songkroh A,Fooprateepsiri R, Lilakiataskun W. An intelligent risk detection from drivingbehavior based on BPNN and Fuzzy Logic combination[C]// Ieee/acis,International Conference on Computer and Information Science. IEEE ComputerSociety, 2014:105-110. [13] 商强,谭德荣,张晓琳,等.基于驾驶行为的驾驶倾向特征辨识[J].山东理工大学学报(自然科学版),2013(4):1-4. [14] 肖献强,王其东,赵永.基于信息融合的驾驶行为识别技术的研究[J].汽车工程,2012,34(3):222-226. [15] Fuentes A,Fuentes R, Cabello E, et al. Videosensor for the detection of unsafe drivingbehavior in the proximity of black spots.[J]. Sensors, 2014,14(11):19926-19944. [16] Songkroh A,Fooprateepsiri R, Lilakiataskun W. An intelligent risk detection from drivingbehavior based on BPNN and Fuzzy Logic combination[C]// Ieee/acis,International Conference on Computer and Information Science. IEEE ComputerSociety, 2014:105-110. [17] 祝俪菱,刘澜,赵新朋,等.基于支持向量机的车辆驾驶行为识别研究[J].交通运输系统工程与信息,2017,17(1):91-97. [18] 高岩.基于驾驶行为分类的UBI费率厘定模型[D].北京交通大学,2017. |
