近年来，机动车保有量和有限道路资源的冲突更加明显，这也导致了驾驶人面临的交通环境将变得更为复杂。行车过程中出现危险驾驶的概率也大大提高。同时，美国高速交通安全管理部门（NHTASA）的调查结果表明：如果驾驶人能够在事故发生前0.5 s 内收到警示，那么，接近60%的交通事故将可以避免发生[10]。为了能够及时地对驾驶人危险状态进行评估和识别，从而进行辅助决策。越来越多的国内外专家学者开始重点关注驾驶行为险态的特征选择及准确辨识方面的研究。
目前，进行驾驶行为险态辨识分析的数据来源，主要包括实车驾驶和模拟驾驶两个方面。
实车驾驶方面，Guo 等人对在美国开展的100-car 自然驾驶实验数据进行分析，以驾驶人驾龄、个体特性、目标交通事件为特征属性，采用Logistic回归方法构建了个体驾驶人驾驶风险评估模型。该模型对辨识三种不同风险类型驾驶人具有较为理想的效果[11]。Weng 等人利用美国FARS（死亡事故报告系统）收集的数据，研究了不同类型道路工作区对驾驶行为险态的影响；深入分析了道路线形、是否存在作业卡车、危害交通事件、车辆年龄和关注时间对危险驾驶行为产生的影响，并基于这5 项特征构建了驾驶人当前风险状态分析模型[12]。此外，同济大学的吴志周等人以济南第一公交公司运行数据为依据，通过从疲劳驾驶、驾驶稳定性、启动和制动稳定性、驻站驾驶操作4 个方面提取了7 项驾驶行为险态影响因子，并以此为特征向量，采用隐马尔科夫模型构建了公交驾驶行为险态辨识模型，结果表明该方法能够较为有效地对驾驶行为险态进行辨识[13]。
模拟驾驶方面，De Diego 等人通过对模拟驾驶过程中驾驶人手部的变化及相关的驾驶参数来识别驾驶人所处的风险状态，同时采用遗传算法对模型的特征向量进行析取，在此基础上融合专家经验，实现驾驶过程中不同风险等级的自动辨识。通过开展不同驾驶场景下的测试实验发现，所提出的方法能够有效地辨识不同场景下的危险状态等级，而且该方法能够自动、有效地识别大多数危险场景中的不良驾驶行为[14—15]。刘永涛等人根据一段时间内车道线距离和车间距的方差变化对方差模型进行界定，并以方差模型为输入，采用贝叶斯网络方法构建危险驾驶行为辨识方法。结果表明，所构建的模型能够准确辨识车道偏离和跟车过近这两种危险驾驶行为，并且相较于单一方差模型具有更好的泛化性能[16]。此外，西南交通大学的郭孜政及其团队在驾驶行为险态方面也开展了较为深入的研究。他们通过采用多种模式识别方法（包括人工神经网络[17]、C 均值聚类[18]等），从不同角度构建了驾驶行为险态辨识模型，并分别从辨识精度和错误率等多方面对模型进行了验证。
(www.xing528.com)
图2-2 SafeTRAC 系统
此外，针对某一个或几个单一特征与危险驾驶行为的相关关系，国内外一些企业和科研院所也开发了一些相关的危险驾驶行为警示系统。例如，美国埃里森研究实验室研发了一种基于车道偏离信息的DAS2000 路面警告系统，用于实现对驾驶人危险驾驶状态的识别[19]。德国大众汽车公司利用车辆横向偏离情况进行危险驾驶状态辨识，并基于此开发了Side Assist 预警系统[20]。类似的系统还包括SafeTRAC 系统（见图2-2）、AWS（汽车碰撞预警系统）、DDS（疲劳检测系统，见图2-3）及AutoVue 系统等。
图2-3 DDS 疲劳检测系统
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
