酒精影响下的驾驶员行为、车辆动态特征分析与预警方法研究

The phenomenon of drunk driving is difficult to eliminate. The effective early warning of drunk driving has become one of the most concerned issues for the automotive industry and public transport management departments in recent years. The study of driver behavior plays a leading role in the field of building early warning model. Through the study of driver behavior, the differences and laws in behavioral characteristics under certain conditions can be found, and thus appropriate interventions can be proposed for unsafe driving behaviors. Meanwhile, the behavior of the driver after drinking can affect the control of the vehicle, reflected the abnormal changes in vehicle speed, braking deceleration, offset and other vehicle dynamics characteristics. The project intends to rebuild the typical cases of drunk driving accidents by reconstruction technology to study the dynamic characteristics of vehicle prior to the accident and extract the closely related values. Then, the project will build driving simulation scenarios based on accident reconstruction data for driving simulator experiments. The analysis of the driver's behavioral, physiological characteristics will be carried out to extract the closely related values. Finally, the project intends to use support vector regression method to build multi-feature fusion warning model to improve predictive capability and reliability.

酒后驾车现象屡禁不止，如何对酒后驾车有效预警已成为汽车行业及公共交通管理部门近年来最为关注的热点问题之一。驾驶员行为的研究对于构建预警模型而言具有先导作用，可以通过对驾驶员行为的研究，发现在特定条件下的行为特征差异和规律，从而对不安全的驾驶行为提出相应的干预措施。同时，驾驶员饮酒后的行为将会影响其对车辆的把控，体现出来的是车辆运行速度、制动减速度、偏移量等车辆动态特征的异常变化。本项目拟通过典型案例事故重建技术，研究事故发生前的车辆动态特征，提取与酒后驾车密切相关的车辆特征值；根据事故重建数据构建驾驶模拟场景，通过驾驶模拟器实验，分析驾驶员的行为、生理特征，提取与酒后驾车密切相关的驾驶员特征值。研究采用支持向量回归方法，利用车辆动态特征、驾驶员行为、生理特征以及空气酒精浓度值，构建多特征融合预警模型，从而提高模型的预测能力和可靠性。

本项目致力于开展基于车辆动态特征、驾驶员行为与生理特征融合的新型酒后驾车预警算法的讨论与研究。首先分析了中国深入事故调查数据库，应用 Logistic 回归研究涉及驾驶员酒后驾车的交通事故，评价了潜在变量对驾驶员损伤和事故损伤严重程度的影响，并发现酒精影响下，车辆碰撞行人事故中的驾驶员损伤程度低于车辆对车辆碰撞事故中的驾驶员损伤，老年驾驶员组的事故损伤严重几率较高；应用驾驶模拟器对不同酒精剂量及不同血液酒精浓度(BAC)状态下的驾驶员进行驾驶性（速度、方向盘转角、车道位置等）测试分析，探讨 BAC 在饮酒后时间段的过程值、上升期及下降期。发现了高剂量酒精产生的峰值以及中等剂量产生的峰值 BAC。在高剂量饮酒后 30 分钟产生峰值 BAC，在中等剂量饮酒后 10 分钟产生峰值 BAC，同时观测驾驶员在不同 BAC 状态下的自我评价；随后，分析了在不同道路条件下酒后驾车驾驶员与非酒后驾车驾驶员的生理指标以及兴趣区 AOI 集中度，并揭示了平均心率和 PNN50 的差异性，以及 AOI 亚区集中度的差异；最后通过将驾驶性能数据和生理测量数据相结合，训练支持向量机模型来区分酒后驾驶和正常驾驶，结果表明，该模型能成功区分酒后驾驶和正常驾驶，准确率为 70%，融合空气酒精浓度监测值，将提高预测精度。酒后驾车预警模型的构建对于提高道路交通安全具有重要的理论意义和应用价值。