基于驾驶行为的驾驶状态分析系统

论文摘要

目前,基于生理、心理等接触式检测驾驶员状态的方法虽然准确,但是影响驾驶员操作行为,不能作为车辆辅助检测系统。随着计算机技术、检测技术以及传感器技术的不断发展,为基于驾驶行为的驾驶状态检测方法提供了巨大的动力和发展空间。基于驾驶行为的驾驶状态检测方法有信号采集方便快捷、高可靠性、稳定性等特点,使驾驶状态检测车载辅助系统变为可能。基于驾驶行为的驾驶状态分析与检测具有非常现实的意义以及广阔的发展前景。本文详细介绍了基于驾驶行为的驾驶状态检测的方法。文中首先介绍了驾驶疲劳的形成因素以及国内外发展现状,然后介绍了基于驾驶模拟舱为实验平台的驾驶疲劳实验方案的设计以及驾驶行为信号的采集,最后介绍了不同的驾驶状态检测方法,如小波熵、奇异性检测方法、高斯混合模型等检测方法。由于不同的驾驶员在不同驾驶行为方面存在差异,相同的驾驶员不同的状态有不同驾驶行为信号,正常状态的驾驶行为与疲劳状态的驾驶行为有明显的不同。本文中主要使用了方向盘转角以及偏离车道中心线距离两个信号,与同步采集的PERCLOS80数据,提取驾驶员正常状态以及疲劳状态的驾驶行为数据,根据不同的方法对驾驶员状态检测识别。本文对基于驾驶行为的驾驶状态检测方法进行了探究,该方法使用了各种传感器采集驾驶行为信号,具有非接触性、实时性好的特性,有效地克服了传统的接触性弊端,适应了车载辅助检测系统的发展趋势。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题来源和意义
• 1.2 国内外研究现状
• 1.2.1 内部因素
• 1.2.2 外部因素
• 1.2.3 驾驶疲劳状态检则技术研究
• 1.3 课题的研究内容和方案
• 1.4 本章小结
• 2 实验设计
• 2.1 实验方案
• 2.2 驾驶行为信号采集及特征分析
• 2.3 本章小结
• 3 基于小波熵的驾驶状态识别方法
• 3.1 小波熵
• 3.1.1 小波分解以及信息熵
• 3.1.2 小波能谱熵
• 3.1.3 小波奇异熵
• 3.2 仿真结果分析
• 3.3 本章小结
• 4 基于奇异性检测理论的驾驶状态识别方法
• 4.1 小波变换及奇异性检测理论
• 4.1.1 小波变换的定义
• α'>4.1.2 小波局部模极大值与李氏指数（Lipschitz）^α
• 4.2 仿真结果分析
• 4.3 本章小结
• 5 基于高斯混合模型的驾驶状态识别方法
• 5.1 高斯混合模型（GMM）
• 5.1.1 模型介绍
• 5.1.2 似然参数估计
• 5.1.3 驾驶状态识别
• 5.2 参数估计实验
• 5.3 仿真结果分析
• 5.4 本章小结
• 6 识别结果对比
• 结论
• 参考文献
• 在学研究成果
• 致谢
• 附录A:驾驶任务主观评价表