人车路协同环境下驾驶人疲劳险态动态辨识机理研究

Fatigue identification is one of the key components in the research of Driver Assistance Systems(DAS). And it is a common problem for the corresponding system when they are used in practical application. This project considers the problem as a dynamic random Multiple Attribute Decision Making (MADM) process with variant preference attribute. Based on the analysis of mechanism about risk happening, the project seeks to find the evolution mechanism from a new perspective of ability matching analysis process. The project analyzes the indicators’ connotation and safety sensitivity based on different risk-state modes and grades, constructs the main factor vector with the variant preference attribute factor importing, and the identification model is achieved through the combination of GHMM and driver’s code. The innovations of this project is that it considers the risk-state identification problem as an ability matching process between the driving ability and the task demanding capacity, and the solution is performed based on MADM theory with the variant preference attribute importing. It will provide theory and data support for the DAS development, and important reference for the enviroment information understanding of intelligent vehicle.

驾驶疲劳险态辨识是安全辅助驾驶技术领域的核心内容之一，也是相应车载系统实用化进程中所面临的共性关键问题。本项目将该辨识问题抽象为一种具有可变属性偏好的随机多属性动态决策过程，在对驾驶危险形成过程分析基础上拟从能力耦合性匹配角度探索其受不同因素影响的演化机理。基于不同险态模式和分级，在对众多表征指标内涵及其安全敏感性分析基础上通过引入偏好因子完成辨识模型的主因子向量析取，进而采用混合高斯隐马尔科夫模型结合驾驶人编码信息实现疲劳险态的动态决策分析。项目的创新之处在于：将驾驶疲劳险态形成抽象为驾驶能力与系统任务需求能力间的耦合性匹配过程，通过引入变属性偏好特性解决险态辨识过程中的随机时变问题。项目的实施可以为实用化的相关车载系统研发提供理论与技术支持，也可为智能车辆周边复杂环境理解提供重要参考依据。

驾驶疲劳是汽车安全辅助驾驶研究领域的核心内容之一，对其进行有效辨识是相关车载系统实用化进程中所面临的共性关键理论问题。项目基于随机多属性决策理论围绕“人-车-路”所组成交通环境中的各要素，分别从疲劳形成机理、特征属性分析、险态级别界定、随机动态辨识等方面开展了相应的研究工作，并结合实验数据进行了结论验证。. 首先，项目从驾驶能力与驾驶任务需求能力的耦合性匹配角度出发对驾驶险态的形成和演化机理进行了深入解析。结果表明，对于7种不同的险态耦合模式，各表征指标的变化规律存在差异性，可以基于这种差异性对不同状态下的表征指标进行界定，并实现对相应状态的有效识别；其次，鉴于驾驶疲劳的“随机”和“时变”特性，项目分别从特征随机、驾驶人随机、疲劳状态逐级渐进生成角度对疲劳险态的生成、分级和变化规律进行了详细研究。结果表明，基于HMM理论通过疲劳水平分级和驾驶人合理分类进而构建出自适应的疲劳辨识模型可以实现对疲劳险态的有效识别，该方法可以融合多种疲劳表征指标解决驾驶疲劳的随机和时变问题。最后，基于上述理论分析结果，项目分别构建了HMM、神经网络和LSTM的驾驶疲劳辨识模型，并对相关模型进行了算法实现和对比分析。结果表明，神经网络在疲劳特征融合方面具有较大优势，DHMM可以对疲劳的动态生成进行合理表达，GM-HMM可以为实际应用系统的开发提供完备的“标准化”状态分类参考，LSTM通过状态遗忘门和记忆门的灵活设计可以有效解决疲劳状态的非线性表达和动态信息共享问题。. 基于上述核心理论和关键技术的解决，可以为实用化的相关车载应用系统开发从模型构建层面提供理论分析和模型设计参考，基于所提出的驾驶疲劳辨识策略和模型方法结合实际车载数据标定后可进一步提升相关监测系统的可靠性。