先进驾驶辅助系统可获取大量自身和周边环境等精细化信息，为行车风险辨识和预警提供数据支撑，同时驾驶人是“人-车-路-环境”交通系统的核心，驾驶人特性直接影响行车安全水平，因此，基于车载感知数据和驾驶人特性及早准确地感知风险是预警系统的关键。本文通过试验平台采集行车过程中所涉及的人-车-路-环境等各方面数据，选取合适模型辨识风险发生前某项或某组合数据的异常变动，结合驾驶人特性尽早且准确预测行车风险，为车载安全系统或驾驶人留足充足反应时间，同时通过对风险辨识及预测结果分析，为安全行车提供指导意见，提高行车安全水平。本文主要内容如下：
（1）自然驾驶试验设计与数据处理。本文设计实车试验数据采集平台，开展92人次实车驾驶试验，采集包含行车环境、驾驶人操纵信息和车辆运行状态信息等数据。针对实车数据存在的数据丢帧、数据异常及存在噪声等问题，进行相应的补帧、修复和降噪处理，总结并计算行车风险研究中常见的替代安全指标（Surrogate Safety Measures, SSM），形成丰富且准确的自然驾驶数据集。
（2）行车风险辨识方法研究。针对车辆运动学特征，在建立假设条件的基础上进行蒙特卡洛仿真模拟，依据仿真结果进行SSM风险阈值标定工作；总结并参考以往风险辨识方法，选取碰撞时间倒数（Time-to-collision inverse, TTCi）和制动减速度（Braking deceleration, BD）两个指标作为风险事件辨识依据，结合视频认定最终事件；统计安全和风险状态下各指标的分布形态，分析行车风险特性。
（3）驾驶人行车风险及避险特性研究。针对驾驶人特性，主要研究不同性别、经验和驾驶风格驾驶人在面对行车风险时的反应特性及风险特性。结合驾驶人操纵信息和TTCi变化规律，确定反应时间和三种典型避险反应策略提取标准，进一步利用Mann-Whitney U和Kruskal-Wallis H两种非参数检验方法分析不同驾驶人及不同反应策略下反应时间和风险特性是否存在显著性差异。结果表明，驾驶人特性对行车风险有显著性影响。
（4）行车风险短时预测方法研究。通过构建包含风险标签和人、车、路及环境在内的车载数据集进行数据聚合和集成，利用可变滑动窗口和下采样方法构建行车风险短时预测建模的样本集；结合4种机器学习方法探索风险演变规律；使用轻度提升机（Light Gradient Boosting Machine， LGBM）和Boruta结合方法用于行车风险短时预测模型中的特征筛选，并结合驾驶人特性进行预测算法改进，预测模型测试在不同数据源下表现情况，并使用SHAP分析方法分析不同特征变量对模型预测结果的影响，以及两两特征之间的相会影响。结果表明，最佳风险预测窗口提前长度及窗口长度分别为1.6 s和1.2 s；改进的LGBM算法（Consider Driver Characteristics-LGBM, CDC-LGBM）具有最好F1值，达到89.03%，该方法能够更好的适用与行车风险短时预测，能够很好的满足未来ADAS系统的风险预测需求；同时使用不同的数据源进行预测效果存在差异，包含三者全部信息的数据预测效果对于分别预测有十分明显的提升。
谷歌
火狐
