随着交通安全关注度的日益上升,安全带、安全气囊等被动安全设备在应对交通事故中的弊端逐渐突显出来,单一的利用被动安全设备减轻交通事故对于人员的伤害已经不能满足人们对于生命财产安全保护的需求。因此,利用车载雷达装置、高速视频采集器、超声波探测器等先进传感器获取周围驾驶环境信息、本车运动信息建立的先进辅助驾驶系统成为了更为有效解决交通安全问题的重要手段。然而在不了解驾驶行为特征的情况下,辅助驾驶系统不可避免的会与驾驶员驾驶行为产生干涉,甚至可能导致驾驶人误操作、漏操作情况。因此,准确的了解驾驶人的行为特征信息对于提高驾驶辅助系统的人性化、智能化有极大的帮助。鉴于制动操作行为是一种常见的驾驶行为,驾驶人的制动行为是驾驶行为的一部分,因此本文对驾驶人的制动行为展开研究并在此基础上提出了新型前方障碍物报警策略。本文首先对国内外关于制动行为的研究成果进行分析与总结,并在此基础上对可能影响驾驶人制动行为的多种因素进行了一定的归纳。然后在借助PCA(主成分分析法)理论的基础上对各影响因素进行了贡献度计算,并结合BP神经网络理论建立了驾驶人制动行为预测模型并对制动意图进行了有效分类。最终以减速度为报警阈值结合制动行为特征建立了主动避撞方法。本文主要研究内容如下:(1)制动行为数据采集。文章首先基于动感型模拟驾驶仪设计了城市道路驾驶场景,招募了实验人员,完成了跟车状态下各驾驶参数的采集,为后期的特征参数的筛选、模型建立和制动意图分类奠定了坚实的基础。(2)特征参数的筛选。基于国内外的研究成果以及对驾驶人制动行为影响因素的分析,在借助的PCA理论的基础上对获取的7个影响因素进行贡献度计算。最终确定了以前车加速度Obja、两车相对速度Re lv、两车相对距离Re lx和碰撞时间倒数TTCi四个参数作为驾驶人制动行为BP神经网络模型的输入特征参数。(3)驾驶人制动行为BP神经网络模型的建立。确定了以BP神经网络理论为基础的驾驶人制动行为识别模型,分别导入各驾驶人制动行为特征数据进行模型训练;以识别准确率和误差值大小为评价标准,对BP神经网络模型各参数值进行了多数据对比确定,最终确定了模型输入层-中间层-输出层节点数、连接权值、阈值、学习率和激励函数,建立了符合驾驶人特性的制动模型,完成了各实验人员制动行为预测。(4)驾驶人制动意图的划分。在完成各驾驶人制动行为预测的基础上,通过引入K-means聚类分析算法对每位实验人员的制动预测数据进行聚类划分。以每位实验人员的制动预测数据作为聚类初始数据,并设定目标聚类质心为3进行聚类划分;然后通过中值法对聚类结果重叠区间进行了再划分,并以此对各实验人员的二次划分聚类结果进行紧急制动、中等制动、轻制动的三类制动意图定义。(5)新型危险报警策略的建立。在获取两车跟驰状态下前后车行驶速度、加速度、相对距离以及考虑驾驶人制动延迟特性的基础上,提出了以减速度为报警阈值的危险报警策略。并通过模拟驾驶仪设备对策略的有效性进行了验证。(6)基于制动行为的主动避撞策略的验证与评价。重新采集(3)、(6)两位实验人员跟车行为数据,运用已经完成的预测模型进行制动行为预测以及报警值计算。最终以危险报警情况和误报率为评价标准对本文报警策略进行评价。