驾驶技能测试的车道保持能力评估:一个多指标融合方法

科学领域:

• *道路安全和驾驶员行为分析.
• * 人与计算机在交通中的交互

背景情况:

• * 传统的驾驶技能测试往往无法捕捉现实世界的驾驶表现,导致不理想的结果.
• * 车道保持能力对于驾驶员能力至关重要,但很难在标准化测试中有效评估.
• * 由于复杂的影响因素,现有的方法缺乏对车道保持的全面评估.

研究的目的:

• * 开发和验证一种新的多指标融合 (MIF) 方法,用于在技能测试中评估驾驶员保持车道的能力.
• * 提高驾驶员技能评估的准确性和实际相关性.
• * 为评估未来自动驾驶环境中的车道保持提供一个框架.

主要方法:

• *从低速自然驾驶数据中提取多维车道保持指示器,专注于横向和纵向安全和稳定.
• * 应用K-means集群对具有相似特征的指标进行分组.
• *使用Youden指数,Boxplot和统计措施确定指标值,然后使用分析层次过程 (AHP) 进行综合评估模型.

主要成果:

• * 拟议的MIF方法有效地提取和整合多个指标来评估车道保持能力.
• *使用统计措施确定值提高了评估准确性.
• * 基于AHP的模型提供了一个合理和可行的方法,通过自然驾驶数据验证.

结论:

• *与传统测试相比,MIF方法提供了更准确和更现实的驾驶员保持车道的能力评估.
• *这种方法为改善驾驶员技能测试和评估自动驾驶系统提供了宝贵的见解.
• * 该研究为评估驾驶能力的一个关键方面建立了强大的框架.