基于駕駛特性的制動行為建模及制動意圖識別研究.pdf

1、據統計，由汽車追尾引發(fā)的交通事故占事故總量的20％以上，是交通事故主要發(fā)生形式。為降低交通事故發(fā)生率，近年來國內外研究人員進行了大量汽車主動安全方面的研究。其中駕駛行為特性研究作為汽車輔助駕駛系統研究一部分，是降低交通事故發(fā)生率的重要方法。隨著研究的深入，駕駛行為研究成果不僅可以應用于交通事故預防方面，也可用于準確識別駕駛意圖上。
　　制動系統對汽車行駛安全起重要作用，對駕駛人的制動行為特性進行研究可以有效減免追尾事故的發(fā)生，也可

2、準確識別駕駛員制動意圖。但由于汽車駕駛是由人-車-路三者共同組成的，跟馳避險過程中駕駛員判斷決策的復雜性和差異性，導致傳統方法無法對制動行為作出詳細、準確的量化和建模。本文在總結國內外對跟馳過程中制動行為和制動意圖識別研究成果基礎上，采用主成分分析方法確立了4個與制動減速度相關的參數作為BP神經網絡輸入值建立了制動行為模型，用k-means聚類分析確立了3個決策因子的隸屬度函數作為模糊推理輸入值建立制動意圖識別模型。主要研究內容如下:<

3、br>　　1.理論分析及實驗設計。詳細分析了國內外制動行為及制動意圖研究意義和現狀，在闡述制動行為機理基礎上總結出能促使駕駛員做出制動決策的跟車參數，結合本文研究目的，以“江蘇大學交通安全研究平臺——QJ-481型6自由度模擬駕駛器”為實驗平臺，進行虛擬交通實驗場景設計、實驗數據采集模型搭建、實驗人員選取等工作。
　　2.制動行為模型建立。通過對實驗采集的相對距離、相對速度、前車加速度、后車速度、后車加速度、THW車頭時距、TTC

4、i碰撞時間倒數等與制動行為相關參數的分析，采用主成分分析法提取了4個對制動減速度累積貢獻率達97％的參數作為BP神經網絡模型輸入，采用試湊法確定了神經網絡中間層神經元數為13，神經網絡結構確立為4-13-1，同樣用對比法確立神經網絡各訓練參數，確保所建立的制動行為模型有較高的精確度。最后對所建立的模型進行了適用性仿真驗證，證明采用神經網絡建立制動行為模型的可行性。
　　3.制動意圖辨識模型建立。通過對當前行車環(huán)境參數、自車狀態(tài)參數