驾驶行为分析

驾驶员驾驶状态的识别过程就是驾驶行为的模式识别过程,但模式识别方法在驾驶状态识别中的应用需要结合驾驶员的驾驶行为的具体特点。驾驶行为数据具有非线性和波动性的特性,随着驾驶员疲劳程度的加深,这两种特性更加明显。因此,研究适用于驾驶行为数据的模式识别算法对提高识别率具有重要的意义。 本文以模拟驾驶舱中采集的驾驶员的行为信号,如刹车、油门、方向盘转角、车偏离轨道中心线距离等信号作为研究对象,采用高斯混合模型算法,研究驾驶状态模式识别过程中的相关算法,分析高斯混合模型在驾驶状态识别中应用的可行性与有效性。对提出的各种数据分析与处理的方法进行比较。论文所做的主要工作如下： 1)对原始数据的筛选与分析 模拟驾驶舱实验获得的实验数据量很大,且实验场所为环形实验跑道,驾驶员在不同路段的驾驶行为不同,采集到的数据也具有不同的特征。驾驶员的实验时间均为中午,该时段属于疲劳事故高发时段,驾驶员会出现多次的短时疲劳或是临近疲劳状态。要将这些因素都考虑进去,筛选出一部分正常驾驶时的数据和一部分疲劳驾驶时的数据,进行分析并建模。 2)建立二维高斯混合模型 借鉴二维高斯混合模型算法和EM算法,将方向盘转角和车偏离轨道中心线距离这两个信号作为输入信号,分别对三个不同的驾驶员的驾驶行为信号(方向盘转角信号和车偏离轨道中心线距离信号)进行训练,建立不同驾驶员的正常驾驶模型。 3)验证模型的有效性 将通过二维高斯混合模型算法建立的模型的等高线分布与原始数据分布进行比较,确定其有效性。 4)模型的识别率 将测试数据代入建立好的正常驾驶模型中,根据正确识别的段数占总测试段数的百分比来确定模型的识别率。