模糊循环神经网络和驾驶人疲劳特征空间机理研究

Due to the randomness of the road environment and the differences between drivers, the application of the driver-fatigue recognition is not robust or universal, which becomes one of the key bottlenecks restricting the technological development on the early warning of fatigue driving. The project studies and creates fuzzy recurrent neural network model based on grid counting method and core density estimation method to deeply study the driver-fatigue characteristics of vehicle source-time series. It then analyzes the approximation and perturbation of driving dynamics system and establishes a prediction model with fuzzy ant system and applies it to the analysis of fatigue driving behaviors and short-term prediction of fatigue trend. As the driving dynamics system is complex, Classical and fuzzy (CF chart) prototype theory is used to study the category prototype of driver-fatigue characteristics. The fuzzy correlation between multi-space-time characteristics of vehicle source and driver-fatigue degree is clarified. The space of dynamic factors of driving fatigue evolution is established. The complexity of internal parameters and the variability of external factors can be estimated. The change tendency and attribute of the driver's fatigue status can be predicted. The space characteristics of the driver’s fatigue can be ascertained, and the intelligent control of driver-fatigue identification system can be realized. The research on the project is of great significance to reveal the principle of driver-fatigue evolution and provide a theoretical basis for the driver-fatigue warning in real traffic conditions.

由于道路环境的随机性以及驾驶人的个体差异性，驾驶人疲劳状态识别的鲁棒性与普适性问题非常突出，成为制约疲劳驾驶预警技术发展的关键瓶颈之一。项目研究并创建基于网格计数法和核心密度推估法的模糊循环神经网络模型，深度学习车源时间序列的驾驶人疲劳特征，分析驾驶动态系统的逼近性和摄动性，建立模糊蚂蚁系统预测模型，并将其应用到驾驶人疲劳驾驶行为特性分析和疲劳趋势的短期预测中。针对复杂的驾驶动态系统，运用经典和模糊（CF图）范畴理论深入研究驾驶人疲劳特征原型，明确车源多时空特征与驾驶疲劳人程度的模糊关联特性，建立驾驶疲劳演化动态过程突发因素空间，统观内部参数的复杂性和外部因素的可变性，预测驾驶人疲劳状态变化趋势及属性，探明驾驶人疲劳特征空间机理，实现实车路况下驾驶人疲劳状态辨识系统的智能控制。项目的研究对揭示驾驶人疲劳状态演变规律具有重要意义，为实车路况下的驾驶人疲劳预警提供理论基础。

实车工况条件下，由于道路环境的随机性以及驾驶人的个体差异性，驾驶人疲劳状态识别的鲁棒性与普适性问题非常突出，尤其道路形状的高度复杂性、交通车流的高度动态性以及车辆驾驶人的高度差异性等因素带来疲劳驾驶预测模型学习效率和泛化能力不高等问题，已成为制约疲劳驾驶技术实车推广的关键瓶颈之一；项目研究并创建面向多源异构数据的模糊循环神经网络模型，分析车源异构数据的特征参数空间性能，提取并优化疲劳特征指标，挖掘疲劳程度与疲劳特征之间的关联特性，实现车源异构数据的疲劳特征提取与疲劳状态识别；围绕驾驶人疲劳特征的贡献程度问题，开展了驾驶人多操作疲劳特征提取方法研究，设计新的疲劳特征融合与指标优化方法表示方法，提出基于双向近似推理的模糊决策优化方法，分析实车路况下的驾驶疲劳特征空间聚类特性，验证疲劳驾驶状态辨识有效性；针对驾驶人疲劳状态认知范畴的模糊性问题，进行疲劳特征表示学习方法和新的模型构建，统观疲劳特征的相似性、内部随机因素的复杂性以及外部参数的扰动性，阐明驾驶人疲劳特征空间的演变机理；针对疲劳驾驶监测系统的场景学习能力低下等问题，借助生物可塑性机制，提出具有可塑性学习的循环神经网络模型，改善驾驶人疲劳特征空间的逼近性和摄动性，建立模糊蚂蚁驾驶人疲劳优化方法，实现驾驶人疲劳状态变化趋势的鲁棒性预测；实验测试结果显示，项目所提出的疲劳驾驶监测模型及方法具有较高的疲劳正确识别率和更优的性能指标，为疲劳驾驶实时监测与智能控制的实车推广提供了理论支撑。