吉林大学学报(工学版) ›› 2014, Vol. 44 ›› Issue (5): 1233-1239.doi: 10.7964/jdxbgxb201405002

• • 上一篇    下一篇

车辆虚拟跟随避撞中驾驶人制动时刻模型

高振海1, 2, 3, 吴涛1, 4, 赵会2, 3   

  1. 1.吉林大学 汽车仿真与控制国家重点实验室,长春 130022;
    2.汽车噪声振动和安全技术国家重点实验室,重庆 401120;
    3.长安股份有限公司 汽车工程研究院,重庆 401120;
    4.陕西重型汽车有限公司 汽车工程研究院,西安 710200
  • 收稿日期:2013-09-10 出版日期:2014-09-01 发布日期:2014-09-01
  • 通讯作者: 吴涛(1982),男,博士研究生.研究方向:汽车智能辅助驾驶系统.E-mail:wutao10@mails.jlu.edu.cn
  • 作者简介:高振海(1973), 男, 教授, 博士生导师.研究方向:汽车智能辅助驾驶系统.E-mail:gaozh.jlu@gmail.com
  • 基金资助:
    “973”计划前期研究专项(2012CB723802); 高等学校博士学科点专项科研基金项目(20120061110028); 吉林省科技引导计划项目(20130413058GH).

Model of driver's braking moment in virtual car following collision avoidance scenes

GAO Zhen-hai1,2,3,WU Tao1,4,ZHAO Hui2,3   

  1. 1.State Key Laboratory of Automotive Simulation and Control, Jilin University, Changchun 130022, China;
    2.State Key Laboratory of Vehicle NVH and Safety Technology, Chang′an Automobile Holding, Chongqing 401120, China;
    3.Changan Automobile Holding Ltd. Automotive Engineering Institute, Chongqing 401120, China;
    4.Shanxi Heavy Duty Automobile Co. Ltd. Automotive Engineering Institute,Xi'
    an 710200,China
  • Received:2013-09-10 Online:2014-09-01 Published:2014-09-01

RICH HTML

1   

PDF (PC)

751

摘要： 为探索跟随避撞中驾驶人制动时刻的影响因素,应用汽车驾驶模拟器对多名被试驾驶人进行虚拟交通情景下制动行为测试。利用采集的驾驶人在不同交通情景中制动时刻数据,分析了驾驶人制动时刻与其影响因素之间关系,提出了基于驾驶人采取全制动时刻的危险判断指标,分别建立了多元线性回归、BP 神经网络驾驶人制动时刻模型,并对两者的预测性能进行对比。结果表明:驾驶人的年龄、性别和两车运动状态是影响驾驶人制动时刻的重要因素;建立的BP 神经网络模型预测精度高于回归模型,可用于揭示驾驶人在跟随避撞中危险判断机理,为驾驶辅助系统开发提供了一个具有体现人的个体差异能力的车辆安全行驶状态判断指标,将对改善驾驶辅助系统性能具有重要意义。

关键词: 车辆工程, 驾驶人行为, 跟随避撞, 制动时刻, 预测模型, 虚拟场景

Abstract: To explore the impact factors of driver's braking moment in car following under emergency conditions, the virtual driving behavior tests of several drivers were conducted on a driving simulators. Based on the driver's braking onset data under different scenarios, the impact factors of driver's braking moment were analyzed, and a new threat assessment measure, time to maximum deceleration level braking, was proposed. This measure can directly quantify the danger or threat level of the current dynamic situation. Then two braking moment forecasting models were established by applying linear regression and BP neural network respectively. Results show that the driver's age and gender, the motion state between two cars are the important impact factors. Comparisons show that the BP neural network forecasting model predicts more accurately, that is in agreement with the human natural judgment on the urgency and severity of threat.

Key words: vehicle engineering, driver behavior, following collision avoidance, braking moment, forecast model, virtual scene

中图分类号: 

  • U471.3
[1] 公安部. 2011年全国道路交通事故统计分析[R]. 公安部通报, 2011, 1(1): 1-59.
[2] Reason J. Driving errors, driving violations and accident involvement[J]. Ergonomics, 1995, 38(5): 1036-1048.
[3] Kondoh T, Yamamura T, Kitazaki S, et al. Identification of visual cues and quantification of drivers' perception of proximity risk to the lead vehicle in car-following situations[J]. Journal of Mechanical Systems for Transportation and Logistics, 2008, 1(2): 170-180.
[4] Adrian C, Sven G, Alcherio M. A new collision warning system for lead vehicles in read-end collisions[C]∥2012 Intelligent Vehicles Symposium, Alcal de Henares,Spain,2012: 674-679.
[5] Nakaoka M, Raksincharoensak P, Nagai M. Study on forward collision warning system adapted to driver characteristics and road environment[C]∥IEEE International Conference on Control, Automation and Systems, United States,2008: 2890-2895.
[6] Brunson S J, Kyle E M, Phamdo N C, et al. Alert algorithm development program: NHTSA rear-end collision alert algorithm[R]. NHTSA Technical Report,2002.
[7] 王双超. 前方防碰撞预警系统决策算法开发与实验验证[D]. 长春:吉林大学汽车工程学院, 2012.Wang Shuang-chao. Decision algorithm development and test validation for forward collision warning system[D]. Changchun: College of Automotive Engineering,Jilin University, 2012.
[8] Wada T, Tsuru N, Isaji K, et al. Characterization of expert drivers' last-second braking and its application to a collision avoidance system[J].IEEE Transactions on Intelligent Transportation Systems, 2010,11(2): 413-422.
[9] Kodaka K, Otabe M, Urai Y, et al. Rear-end collision velocity reduction system[C]∥SAE Paper,2003-01-0503.
[10] 李世武, 田晶晶, 沙学锋,等. 基于模糊综合评价和BP神经网络的车辆危险状态辨识[J]. 吉林大学学报:工学版, 2011, 41(6): 1609-1613. Li Shi-wu, Tian Jing-jing, Sha Xue-feng, et al. Identification of vehicle risk status based on fuzzy comprehensive evaluation and BP neural network[J]. Journal of Jilin University(Engineering and Technology Edition), 2011, 41(6): 1609-1613.
[1] 常成,宋传学,张雅歌,邵玉龙,周放. 双馈电机驱动电动汽车变频器容量最小化[J]. 吉林大学学报(工学版), 2018, 48(6): 1629-1635.
[2] 席利贺,张欣,孙传扬,王泽兴,姜涛. 增程式电动汽车自适应能量管理策略[J]. 吉林大学学报(工学版), 2018, 48(6): 1636-1644.
[3] 何仁,杨柳,胡东海. 冷藏运输车太阳能辅助供电制冷系统设计及分析[J]. 吉林大学学报(工学版), 2018, 48(6): 1645-1652.
[4] 那景新,慕文龙,范以撒,谭伟,杨佳宙. 车身钢-铝粘接接头湿热老化性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1653-1660.
[5] 刘玉梅,刘丽,曹晓宁,熊明烨,庄娇娇. 转向架动态模拟试验台避撞模型的构建[J]. 吉林大学学报(工学版), 2018, 48(6): 1661-1668.
[6] 赵伟强, 高恪, 王文彬. 基于电液耦合转向系统的商用车防失稳控制[J]. 吉林大学学报(工学版), 2018, 48(5): 1305-1312.
[7] 宋大凤, 吴西涛, 曾小华, 杨南南, 李文远. 基于理论油耗模型的轻混重卡全生命周期成本分析[J]. 吉林大学学报(工学版), 2018, 48(5): 1313-1323.
[8] 朱剑峰, 张君媛, 陈潇凯, 洪光辉, 宋正超, 曹杰. 基于座椅拉拽安全性能的车身结构改进设计[J]. 吉林大学学报(工学版), 2018, 48(5): 1324-1330.
[9] 那景新, 浦磊鑫, 范以撒, 沈传亮. 湿热环境对Sikaflex-265铝合金粘接接头失效强度的影响[J]. 吉林大学学报(工学版), 2018, 48(5): 1331-1338.
[10] 王炎, 高青, 王国华, 张天时, 苑盟. 混流集成式电池组热管理温均特性增效仿真[J]. 吉林大学学报(工学版), 2018, 48(5): 1339-1348.
[11] 金立生, 谢宪毅, 高琳琳, 郭柏苍. 基于二次规划的分布式电动汽车稳定性控制[J]. 吉林大学学报(工学版), 2018, 48(5): 1349-1359.
[12] 隗海林, 包翠竹, 李洪雪, 李明达. 基于最小二乘支持向量机的怠速时间预测[J]. 吉林大学学报(工学版), 2018, 48(5): 1360-1365.
[13] 王德军, 魏薇郦, 鲍亚新. 考虑侧风干扰的电子稳定控制系统执行器故障诊断[J]. 吉林大学学报(工学版), 2018, 48(5): 1548-1555.
[14] 胡满江, 罗禹贡, 陈龙, 李克强. 基于纵向频响特性的整车质量估计[J]. 吉林大学学报(工学版), 2018, 48(4): 977-983.
[15] 刘国政, 史文库, 陈志勇. 考虑安装误差的准双曲面齿轮传动误差有限元分析[J]. 吉林大学学报(工学版), 2018, 48(4): 984-989.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 《吉林大学学报(工学版)》编辑部
地址：长春市人民大街5988号　电话：+86-431-85095297　传真：+86-431-85094074　E-mail: xbgxb@jlu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发