论文部分内容阅读
随着道路运输事业的快速发展,各国机动车保有量迅速增加,道路交通事故数量与日俱增,恶性交通事故越来越多。研究表明疲劳驾驶是导致道路交通事故的主要原因之一,因此,对疲劳驾驶辨识方法进行研究,选择可靠有效的检测指标,搭建准确及时的检测模型,对改善道路交通安全状况,降低交通事故发生频率具有重大意义。论文基于不同疲劳状态下驾驶员的眼动及驾驶行为规律分析,提取驾驶行为及眼动特征参数,并基于信息融合理论,搭建驾驶疲劳辨识模型,并对驾驶员的疲劳状态实现了较高的识别精度。主要研究内容如下：(1)设计了疲劳驾驶模拟实验方案,并招募了10名驾驶员在西南交通大学自主研发的大型驾驶模拟器上进行连续的疲劳驾驶实验,同步记录了10名驾驶人不同疲劳状态下的驾驶行为数据和眼动数据,并根据驾驶员的KSS得分和“三级疲劳评价法”对实验数据进行切分,然后对数据进行预处理,建立了疲劳驾驶样本数据库。(2)运用统计学方法研究了不同疲劳状态下驾驶员的驾驶行为和眼动特征的变化规律,重点分析了方向盘转角数据、方向盘转角速度、车速以及车辆加速度的特征；眼动方面分析了不同疲劳状态下驾驶员的眨眼、注视、扫视以及瞳孔直径变化等眼动特征。在不同时间窗下提取特征参数,并运用单因素方差分析量化了各特征参数在不同疲劳状态下的差异显著性水平。最终筛选出的驾驶行为特征参数包括：方向盘转角绝对均值SAM、转角标准差SASTD、方向盘角速度绝对均值SWM、角速度标准差SWSTD、速度标准差Vstd、加速度均值Am和标准差Astd;眼动特征参数包括：眨眼频率BF、注视持续时间均值FIXT_mean口标准差FIXT_std、扫视平均速度标准差SACV_std以及瞳孔直径变异系数CVPLD。(3)对常见的信息融合方法进行了梳理,分析了各融合方法的优缺点,确定BP神经网络作为疲劳驾驶辨识模型的融合算法。随后详细论述了基于BP神经网络的疲劳驾驶辨识模型的建立过程,利用神经网络工具箱函数编写程序,随机选取训练样本集和测试样本集对模型进行训练和验证,结果表明该模型对驾驶员的清醒、疲劳、非常疲劳三种状态分别达到了83%、69.6%和79.6%的平均识别准确率,因此,该模型可以用于驾驶员疲劳状态的辨识,为疲劳驾驶检测提供了一种思路。