考虑驾驶员工作负荷及情感状态的行车风险态势实时辨识研究

The driver plays the most important role in the safety of "driver-vehicle-traffic system". While with the development of the intelligent connected vehicle, the driver not only bear the physical stress during the driving process, also the mental load which brought by the huge multi information come from the advanced driver assistant systems. How the factors, including the drivers’ inherent risk factors and the external risk factors from the vehicle and environment, affect diver behavior, and the change rules of drivers’ physiological and psychological parameters under typical driving scene will be studied in this project, And then the relation model of driver’s “working load - affective state - driving behavior” will be established. In another hand, Kalman filter and constant acceleration model areapplied to predict short-term vehicle motion, and the driver state and vehicle motion of multi vehicles within neighboring regions are considered to detect the conflict risk between vehicles, and a risk index is proposed to describe the conflict risk degree. Research results are of great significance to improve road traffic safety level, lay the theoretical foundation and provide useful tools to develop more intelligent control algorithm for advanced driver assistant system and automated driving system ,and then promote the development of intelligent transportation systems in China.

驾驶员行为特性研究在提高车辆交通安全方面的重要作用使其成为了新的研究热点。智能网联汽车的发展所带来的环境感知及信息接收模式的变化，将给驾驶员带来新的挑战，实时评估驾驶员行车过程中的工作负荷和情感状态是进一步提高智能车人车共驾风险预测和拟人化控制的关键。本项目针对智能车人车共驾状态下的多任务工况及多维度信息供给方式，综合评价驾驶员认知负荷、操作负荷、视觉负荷和情感状态的变化规律，建立驾驶员的情感状态－工作负荷－驾驶安全度预测模型。另一方面，利用车-车通讯技术提供的信息共享功能实现多车运动状态信息的共享和交互，在传统基于车辆动力学分析的车辆运动状态估计的基础上完成多车运动轨迹冲突预测，并结合驾驶员工作负荷评价预测模型及情感状态辨识模型，构建行车风险态势评估模型，基于人－车－环境多源信息预估车辆当前状态，实现对车辆在不同环境和驾驶员状态下危险态势的实时辨识。

驾驶员是“人-车-环境”闭环交通系统中最重要的环节，对其行为特性研究可有效提高车辆交通安全。本项目从智能车人机关系的变化和特点出发，探讨驾驶员自身的内在风险因素，以及车辆与其周围道路环境所构成的各种外在风险因素作用于驾驶员的规律，采用多信息融合的方法对驾驶员的工作负荷及情绪状态进行评价和预测，有效提高了驾驶员状态监测的准确性；并探讨了工作负荷及与情绪状态互相影响的关联性、驾驶员状态对其驾驶能力的影响，以及驾驶员个体差异问题，建立驾驶员情感状态－工作负荷－驾驶安全度预测模型。另一方面，利用车-车通讯技术提供的信息共享功能，采用强化学习算法对车辆避碰决策进行研究，开展考虑驾驶员风格的智能车横向、纵向避障控制策略设计，满足了智能车控制的个性化需求。最后基于自然驾驶数据库构建了人-车-路-环境事故风险多元综合数据库，探究了人、车、路和环境各因素及其相互关联对事故风险的多元综合影响，建立了基于贝叶斯事故严重程度预测模型，实现人车路耦合的行车风险态势辨识。本项目研究有利于提高人机共驾这一新驾驶模式下的行车安全性。同时，研究成果中涉及的驾驶员工作负荷和情绪状态变化规律及在线辨识方法、多车运动轨迹冲突预测模型、人-车-环境耦合的行车危险态势辨识模型等，亦可为智能驾驶辅助系统的控制决策、自动驾驶和人工驾驶的切换决策及智能车人机交互设计的发展奠定理论方法基础和提供有利的工具。