英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
道路交通潜在威胁下驾驶行为的研究
摘要 - 虽然近年来道路安全发展有重大进展，但交通统计显示，我们仍需要在这个领域仍需进行改善。由于交通事故通常反映人为因素，本文重点阐述了在危险场合对驾驶员行为的理解。制动踏板信号或驾驶员语音或两者都用于检测来自373驱动程序的真实驾驶数据库的事件。然后分析结果以解决驾驶员行为的个性，驾驶员反应的多模态以及潜在危险位置的检测。数据库中现有的25个潜在危险场景中的所有现有技术手工标记和分类。基于行为信号的联合直方图及其时间导数，提出了一种检测特征，能满意地应用于驾驶行为异常指示。观察到17个场景，其中观察到利用制动踏板的反作用，真阳性（TP）率为100％，假阳性（FP）率为4.1％。我们展示考虑个性行为的相关性。在11场场景中，利用司机口头反应，通过基于语音的方法充分检测到包含高能量词的场景，其FP率为6.4％，TP率为54％。不同行为模式的整合令人满意地提高了对主观危险情况的检测，这表明了考虑多模态反应的重要性。最后，在发生潜在危险状况的地点和频繁强制动的地区之间呈现强烈的关系。
索引术语 - 驱动程序行为，人为因素，多媒体数据库，安全系统。
1．绪论
过去十年来，学术界和工业界的专家积极参与道路安全。促进车辆交通安全的努力主要集中在在两个方面：事故预防和伤害减少。例如，预防方法预期未来有关基础设施的问题[1]或缺乏司机意识[2]。另一方面，减少伤害措施主要集中在加强车辆安全系统[3]，[4]。尽管鼓励交通改善，但道路死亡人数仍然高得令人无法接受。自从承担近四分之三交通事故的责任落在人的肩膀上[5]，更好地了解司机行为是迈向更安全，更有效驾驶的决定性一步。
在本文中，我们提出了一种从大型现实驾驶数据库中检测这种姿势的方法，以增加对潜在威胁中驾驶员行为的理解。结果解决了驾驶员行为的个性，对潜在危险情况的反应的多重性以及对潜在危险位置的检测。
最近，一些车辆系统强调了考虑驾驶员行为个性的模型[6]，[7]。然而，每个驾驶员都有可能不同地感知到交通状况，并根据这种主观判断来采取行动。
另外，为了准确地解读不同的驾驶环境，安全系统必须认识到驾驶员行为的多模态性质。在威胁的情况下，我们不仅需要知道驾驶员如何使用踏板，而且还需要知道他们的演讲和手势可能会改变。目前，对危险情况的解释主要依赖于单一的反应模式[8]，[9]。
另外，在调查危险情况时，驾驶员行为与外部因素之间的相关性可能有所不同。在本文中，我们专注于检测潜在的危险场所，并发现证据表明，在没有大量交通事故统计的情况下，可以检测到这些位置。第八节介绍我们对这个问题的方法。
可以利用从数据库中提出的潜在危险情况的检测结果来提高对驾驶员行为的理解以及主动地促进安全性。从配有这种检测功能的车辆和全球定位系统（GPS）记录的数据可能是有效的，例如，当频繁更新潜在危险场所的地图或鲁莽驾驶员列表时。此外，还可以利用检测结果来增加手标签速度并创建一个真实世界潜在危险情况的数据库。目前，有关安全性的大量实验是通过模拟或少量实际数据进行的。
我们实施的方法利用多媒体驱动行为信号，即制动踏板力或语音或两者的整合进行检测任务。数据库中潜在危险场景的手标签和分类也已经在第二部分中进行了介绍。制动踏板和基于语音的检测方法分别在第三节和第六节中介绍。这些两个特征的整合在第七节中得到解决。然后我们在第九部分讨论。
2．数据库和准备
2.1 CIAIR驾驶语料库
获得本文中使用的驾驶数据库综合声学信息研究中心（CIAIR）[10]，名古屋大学。 这个数据库是唯一的,因为在现实世界中记录了大量的数据驾驶条件。
车辆在多种模式下收集驾驶和空转条件。数据库组成的图像，驾驶行为和位置信号同步用言语记录图。图1示出了记录的例子驾驶行为信号。驱动程序与人机对话执行这样简单的演讲任务天气信息或餐厅位置一条公路。对于这项研究，我们利用制动踏板力，速度和来自373名司机（34小时）的语音信号从二零零零年十一月至二零零二年三月，司机中有67％是男子，33％是女性。他们平均年龄29岁（20-65岁），并持有驾驶执照十年（1-40岁）。
图1.驾驶行为信号的例子
使用力传感器记录制动踏板力协和电子仪器生产的LPR-B-05KNS1公司有限公司使用Sony ECM 77B记录演讲麦克风。 两种传感器都是市售的。只有车速传感器是客户制造的。最近，车辆数量已经搭载了一个车载组合称为控制器局域网（CAN）的通信协议，这使得获取驾驶信号变得更加容易。Navi-具有内置麦克风的门控系统也正在成为越来越普遍，便于录音。因此，所提出的方法的基本思想可以适用于大多数商务车辆。
图2.标签器用于主观选择的多媒体数据浏览器并从数据库中排除潜在的危险场景。 车载视频显示在顶部，语音波形显示在底部。
2.2手势标签和潜在危险场景的排名
已存在的25个潜在危险场景数据库由记者从34小时主观选择的多媒体数据查看的视频和音频如图1所示。从两个不同的车载视频视点显示在顶部，而语音波形显示在底部。有司机的研究生两年以上的许可证作为志愿者标签。由于他们没有交通事故技术，手指潜在危险场景的总数可能受到影响 数据分为五组，五个标签执行标签任务。结果是向另外两个标签器显示，以验证标签。
在涉及潜在危险场景的24名司机中，64％是男性，36％是女性。他们平均年龄30岁（21-65岁），并持有平均9年（2 - 28岁）的驾驶执照。只有一名司机涉及两个不同的场景，其他23名司机只涉及一个。四十％的潜在危险情况发生在信号交叉路口，24％发生在没有任何交通管制的交叉路口。所有25个场景的天气状况良好，从多云到晴朗。危险场景的平均持续时间为8秒。
虽然在所有25个手标场景中，车手注意到可能变得危险的情况，但是在五个场景中，风险被认为是可以接受的，没有观察到实质性的反应。在选定的25种情况中，11名驾驶员口头表达了负面情绪。在这25种情况中的17种情况下，观察到利用制动踏板的反应。在这种情况下，两者的反应都是存在的。在这种情况下,只有一个口头的反应被验证。
另外，主观风险等级排名。六个标签人员一次看到所有25个潜在的危险场景。然后，再次显示场景。要求记录员根据视频录像和音频评估风险级别，并指示忽略驾驶员反应，并仅专注于交通工具环境。即使司机对某一危险情况的反应特别强烈，当场面主观上低度危险时，给予“低级别风险”标签。
主观风险定义为其他一些道路使用者的任何动作，这可能会发展成为危险，并且在制动或转向方面，特别是制定了有用的回避措施。因此，即使驾驶员通过使用制动踏板或方向盘来避开交通事故，这种情况仍然可以被排列为具有较高的性能，例如行人的存在，行驶速度和车辆之间的距离。
一个值被分配到每个级别（1个为低级，2个为中等，3个高），然后，主题为每个级别的计算.25个等级通过利用K-means算法分组到三组[11]。排名结果如下：低级风险组有9个场景，中级风险组有14个场景，高级别风险组有两个场景。图3显示平均分数的分布。
图3.每个场景的主观风险级别的平均分数。
白色，浅灰色和深灰色分别表示低，中，高级风险组中的场景。
3. 制动踏板力检测方法
本节描述了在潜在危险情况下驾驶员特别推动制动器的情况的检测。由于这种操作的特点是强度不高，所以认为不仅仅是压缩强度，而且其时间导数是必要的。在本文中，我们介绍了输入动力学的统计学表达。利用所提出的特征的检测过程在图1中示意性地描述。在以下各节中，详细说明各块的信号处理。
图4.检测过程的框图
3.1制动踏板操作随机表示法
图5显示了司机在3.2秒左右强制施加制动时的6秒间隔。实线和虚线分别表示制动踏板力x（n）及其时间导数x（n）。A点和C点表示空转状态，而B表示前进的开始。如下面所示，例如离散时间信号的时间导数可以通过利用具有长度为2K的窗口的信号x（n）的线性回归系数来计算：
应用（1）由于使用过去和未来的价值获得当前的衍生工具，导致决定这种情况是否有害的必要延迟; 然而，这种延迟是微不足道的。在我们的实验中，我们使用了2K = 800 ms的窗口，如图 5左箭头所示。
图5.（实线）制动踏板力信号的六秒间隔和（虚线）其时间导数
图5中两个信号之间的关系描绘了相位平面，通过x轴表示力和y轴表示定理，可以看出，这种方法可以解释制动踏板压缩的动力学行为。第m个时间段的动力学由下式给出
X (m) = [(x(mT 1), x˙(mT 1)) , (x(mT 2), x˙(mT 2)). . . , (x(mT T ), x˙(mT T ))] . (2)
图6表示出了相平面上的动力学X（m）。该图中的每个点表示系统的时间状态，其中时间发展对应于围绕曲线的顺时针移动。点A，B和C表示与图1所示相同的时刻。循环过程的开始是A点，这是一个空转状态。然后驾驶员释放制动器并到达最左侧的B向前运动已经开始。随后的强制再次使车辆在C点处于空转状态。该过程的循环性质阐明了其动力学行为。在x和˙x的标量量化之后，计算制动踏板力及其时间导数ｆm（i，j）的联合直方图。通过直方图计算两个直方图的二维映射（x，˙x）属于不相交的类别的观察结果，这被称为垃圾箱。我们定义ｆm（i，j）为
fm(i, j) =delta;ij (x(mT k), x˙(mT k))
其中delta;ij (x, x˙) = （3）
theta;和phi;定义了图7中表示的2-D网格。给定的幅度是落在其中的（x，˙x）观测值的数量。图6显示了它的联合直方图。我们使用这个联合直方图作为刹车踏板操作动力学的基本随机表示。
图 6.制动踏板力6s间隔及其时间导数的关节图
图7.二维网格给定的幅度定义为落入其中的（x，˙x）观测值的数量。
图8.制动踏板力6s间隔及其时间导数的关节曲线，由黑线表示其联合直方图。较暗的区域表示大部分时间内呈现的值。
3.2直方图平滑
图8中的黑暗区域表示大部分时间存在的制动踏板力及其时间导数的值。轻型区域表示从怠速转移到移动，然后在强力使用踏板后再次怠速 - 过程顺时针移动。虽然相对频率较低，但是转变起着重要的作用，因为它解释了变化发生的原因。因此，提出了以下增强步骤来强调低频现象的差异。首先，直方图正规化最大频率为1。然后，通过线性函数消除
gm(i, j) = fm(i, j)gamma; ,0 lt; gamma; le; 1. (4)
gamma;是增强度。接近1的接近直方图中的值是最大值，在映射之后变化很小，而低振幅区域大大增强，取决于gamma;。增强效果可以在图9中显现。该图显示了gamma;= 0.05和0.5的图8所示的联合直方图。
图9.不同值的图8所示关节直方图的线
3.3 正常驾驶的建模
长时间的相平面分析，如图10所示，间隔5分钟，显示数据集中区域。具有约0N / s的力的时间导数和约10至80N的力的一个区域表示空转。（0 N，0 N / s）的另一个区域代表正向向前移动。这些是5分钟大部分时间内的正常驾驶环境。
在本文中，正常驾驶通过一组联合直方图建模，每个直方图代表典型的驾驶操作。 Linde-Buzo-Gray（LBG）算法[12]v2hellip;，vM并生成码本CE = {c1，c2，... 。 。 ，cE}包含E个码字。码本的生成可以说明如下。被选为通过聚类找到最佳的原型直方图集合，因为它对初始参数不那么敏感。LBG算法读取M个向量v1的序列。
尽管原型直方图的数量很重要，但我们仍然没有任何一致的方法来确定此数字。正常驾驶的建模可以理解为检测过程的训练阶段。
图10. 制动踏板力5分钟间隔及其时间导数的关节图,具有十字架的线代表特殊制动的6秒间隔
3.4 VQ失真
图10的检查也显示信号异常。 具有十字符号的线代表图6的6秒间隔，即当驾驶员踩在他的制动器上时。为了检测偏离正常驾驶条件的这种数据，使用来自正常驾驶模型（距离最近的直方图原型的距离）的VQ变形D作为异常，即，
|
D(m) = |
min |
d(gm, gp) , |
1 |
le; p le; P （7） |
其中P是原型的数量。 gp和gm分别代表一个原型和当前帧直方图。F被用作两个联合直方图gm和gp之间的距离度量，它们表示为Itimes;J矩阵
F （8）
数据库中潜在危险场景的稀疏性是一个显着的局限性，这使得它难以建模或应用诸如支持向量机（SVM）等鉴别分析[13]。因此，只有正常的驾驶条件被建模。
3.5检测
全文共10061字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144119]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
