基于动态人车数据的融合计算的道路催眠的识别研究

科学领域:

• 汽车工程 汽车工程
• 驾驶过程中的人类因素
• 交通运输中的人工智能

背景情况:

• 驾驶员因素是道路交通事故的主要原因,道路催眠对安全构成重大风险.
• 道路催眠是一种因环境和心理因素造成的驾驶障碍状态,影响驾驶员的感知和反应时间.
• 准确识别道路催眠对于开发先进的汽车主动安全系统至关重要.

研究的目的:

• 提出和验证一个动态的人-车辆数据融合方法来识别驾驶员道路催眠.
• 通过改进驾驶员状态监控,提高智能驾驶辅助系统的安全性.
• 为汽车智能驾驶和主动安全性能提供技术参考.

主要方法:

• 从车辆实验和虚拟驾驶模拟中收集的综合数据,包括眼睛运动,EEG,车辆速度和加速.
• 利用独立样本T测试来选择特征,并构建了一个隐藏的马尔科夫模型 (HMM).
• 结合HMM与斜坡回归模型,用于使用六个指标进行可靠的道路催眠识别和绩效评估.

主要成果:

• 集成的隐藏马尔科夫-里奇回归模型在识别道路催眠状态方面表现出卓越的表现.
• 与传统的多重回归模型相比,提出的方法实现了更高的识别准确性和有效性.
• 通过T测试和数据融合进行特征选择,有效地隔离了道路催眠的关键指标.

结论:

• 开发的人车数据融合模型为识别驾驶员道路催眠提供了一种新的技术方法.
• 这种模型可以显著提高智能汽车系统的驾驶员状态识别能力.
• 实施这种识别模型有助于提高主动安全和整体交通安全.