汽车非正常驾驶状态识别与预警系统.docx

《汽车非正常驾驶状态识别与预警系统.docx》由会员分享，可在线阅读，更多相关《汽车非正常驾驶状态识别与预警系统.docx（25页珍藏版）》请在三一办公上搜索。

1、课题类型：探索导向类申请受理编号：SQ2007AA11Z131762国家高技术研究发展计划（863计划）专题课题申请书 技术领域名称：现代交通技术领域专题名称：综合交通运输系统与安全技术申请指南技术方向：交通安全新技术课题名称：汽车非正常驾驶状态识别与预警系统申 请 人：刘立依托单位：北京科技大学中华人民共和国科学技术部2007-05-08汽车非正常驾驶状态识别与预警系统 北京科技大学（刘立） 窗体顶端对该课题申请所涉及主要研究内容的熟悉程度： 很熟悉 比较熟悉 一般 评议内容评分一、研究目标和内容的重要性与必要性（10分）所涉及到的关键技术或产品是否重要？研究内容是否符合国家重大技术需求？主

2、要研究内容是否符合本专题指南的技术方向？ 二、研究内容的创新性与前沿性（40分）研究内容是否具有突出的原始性创新内容？研究内容是否体现了新的原理、方法的创新内容？研究内容是否具有突出的集成创新内容？研究内容是否体现了集成应用或集成产品的创新内容？研究内容是否处于国际或国内技术发展前沿？研究内容如果成功能否在国际或国内产生较大影响？研究内容是否在国内已有相同或接近的成果？研究内容是否有望获得发明专利等知识产权？ 三、技术实力与研究基础（20分）课题申请负责人是否能够胜任课题组长？课题组人员构成和时间投入是否合理？课题组现有研究基础是否处于国内领先行列？课题依托单位（及协作单位）的支撑条件是否较强

3、？ 四、研究目标和研究方案的可行性（20分）预期研究目标是否明确、集中？技术经济指标是否具体、适度？对国内外技术发展趋势是否把握？主要技术的知识产权分析和对策是否恰当？技术路线和研究方法是否合理、可行？依托单位和协作单位的分工合作是否合理？ 五、预期成果及前景（10分）课题预期成果是否可取得一定的经济社会效益？课题预期成果是否具有较大的市场（潜在的市场）前景？课题成果是否能对相关技术发展起到带动作用？课题研究是否可实现预期的人才、队伍培养目标？ 综合评议得分综合评价结论根据分项评议意见，对该课题申请进行综合评价，给出总体结论性意见。 评价结论意见： 同意立项（A） 不同意立项（C） 总体评议意

4、见：（对该课题申请给出综合评价意见，阐述同意立项或不同意立项的理由，说明需要说明的有关问题。本部分内容为必填内容，文字不超过300字。） 窗体底端课题名称汽车非正常驾驶状态识别与预警系统 行业领域交通运输预计完成年限3课题密级公开级预期成果类型发明专利、新装置、计算机软件、技术标准、论文论著申请(负责)人信息姓名刘立 性别男 出生日期1959-5-27 职称高级职称 最高学位硕士 从事专业机械类 所在单位北京科技大学 依托单位信息单位名称北京科技大学 单位性质大专院校 所在地区北京市 单位主管部门教育部 组织机构代码400002224 单位成立时间1952-4-22 协作单位信息单位名称单位性

5、质组织机构代码中国科学院心理研究所 事业型研究单位 40001230X 课题经费来源预算(万元)总经费97.8 申请863计划资助97.8 其他国家级资助(包括部门匹配)0 地方政府匹配0 银行贷款0 自有资金0 其它资金0 经费备注 序号姓名性别出生日期职称职务专业为本课题工作时间(人月)课题组中职务(组长、副组长或成员)在课题中分担的任务所在单位1杨帆男 1985年2月其他人员无心理学类24成员心理模型建模中国科学院心理所 2王国敬男 1979年7月其他人员无信息与电子科学类24成员系统辨识与建模北京科技大学 3赵峰男 1982年9月其他人员无机械类24成员测试与数据分析北京科技大学 4谢

6、峥男 1984年6月其他人员无电子与信息类24成员测试与数据分析北京科技大学 5刘立男 1959年5月高级职称系主任交通运输类24组长数据采集与处理北京科技大学 6黄康男 1981年8月初级职称无电子与信息类28成员三维图像北京科技大学 7钟延炯男 1938年7月高级职称无电子与信息类18成员系统设计北京科技大学 8黄重国男 1965年1月高级职称无机械类20副组长建模与识别北京科技大学 9孙向红女 1968年6月高级职称无心理学类20成员心理模型建模中国科学院心理所 10崔晓艺女 1984年10月其他人员无电子与信息类28成员数据测试与分析北京科技大学 11刘长红女 1977年8月其他人员无

7、电子与信息类24成员图像处理与模式识别北京科技大学 12杜利平女 1975年6月中级职称无电子与信息类24副组长模式识别与建模北京科技大学 课题参加总人数12人。 其中：高级职称4人， 中级职称1人， 初级职称1人， 无职称6人； 其中具有：博士学位4人， 硕士学位5人， 学士学位3人， 其他0人； 合计：投入282人月2.1 课题组长、副组长资历情况（从事过的主要研究任务及所负责任和作用，主要研究成果、发明专利和获奖情况，在国内外主要刊物上发表论文情况，完成其他科技计划课题情况，特别是近五年取得的与本申请课题相关的研究成果情况，字数要求1000字以内）刘立，男，1959年生，北京科技大学车辆

8、工程研究所所长。主要从事设备综合工程学、设备状态监测与故障诊断以及机械设计等方向的科研与教学工作。主持完成了国家“八五”课题“大型矿用汽车发动机和传动系统故障诊断装置的研制”；“九五”课题“大型选矿设备状态监测与故障诊断系统研究”；部级课题“破碎设备工作状态监测系统研制”、“矿用汽车、电铲、牙轮钻机的故障诊断技术及监测装置研究”、“快速油质分析技术及装置研究”、“零件裂纹在线监测研究”等二十多项科研课题。获得部级科技进步一等奖一项，在国际会议和国内期刊杂志发表论文40余篇。 黄重国，男，1965年出生，北京科技大学车辆工程系副教授， 1984年重庆大学工业自动化学士学位，1987年北京理工大学

9、自动控制理论及应用硕士学位，1990年中国科学院自动化所自动控制理论及应用专业博士学位，1992 年University of Michigan机械工程（汽车制造）博士后。目前从事人机系统中人的控制决策模型研究。 杜利平，女，1975年6月生，1994年郑州大学工业自动化学士学位，1998年凝聚态物理专业硕士学位，2005年北京理工大学通信与信息系统专业博士学位，博士论文题目“高分辨雷达运动目标检测与成像研究”，导师是苏广川教授。2005年香港城市大学电子工程系做博士后，导师是IEEE Fellow Yan Hong教授，研究方向是DNA序列特征提取与分类。2006年任北京科技大学信息工程学院

10、讲师。主要研究方向为数字信号处理、模式识别，近期发表学术论文8篇，SCI收录3篇。 2.2 课题组长、副组长目前承担863计划和其它国家科技计划课题情况（包括人员姓名、承担课题名称、课题经费数、课题起止时间、所属科技计划名称等信息）姓名承担课题名称课题经费数(万元)课题开始时间课题结束时间所属科技计划其他说明事项：2.3 课题组长及课题组主要成员是否曾就相同或类似课题863计划和国家其他科技计划提出申请（如有，请说明申请人姓名、申请科技计划名称、申请课题名称、申请时间、申请结果等情况，并说明与本课题申请的关系）无 3.1、课题简介（简要说明课题的目的意义、主要研究内容、预期目标等，字数要求10

11、00字以内）目的意义：根据公安部交通管理局（2005）显示，我国每年道路交通事故人数接近10万人，疲劳、酒后驾驶是仅次于超速行驶的第二、三大原因。据美国政府公布的数据显示，导致司机事故死亡的三分之一是由于司机过度疲劳，而58%的大卡车碰撞也是由于所疲劳造成的。由此可见，疲劳等非正常驾驶状态识别与预警系统的研发具有重大的社会意义，同时也将会带来巨大的经济效益。 主要研究内容：有别于生物、生理信号识别方法(因为人的差异性大，识别率不高)，我们只依据自主研发的高灵敏方向盘传感器（已申请专利）采集的角度数据进行非正常驾驶状态分析、识别及预警。因为任何非正常驾驶操作都将从方向盘操作的变化反映出来。我们的

12、多次试验及分析数据表明，驾驶员逐渐进入疲劳或酒后状态后，其方向盘操作曲线都会随之发生变化。在采用适当的算法，计算机便能正确捕捉到这种变化趋势。 1完成100名各类驾驶员非正常（疲劳、酒后等）驾驶状态的数据库，用以测试检验所研发的识别算法的有效性。 2完善我们独有的已取得初步进展的能量法，HHT法及模型法等状态识别方法，在此基础上再试探性研究应用小波变换、 Gabor变换等方法。 3非正常驾驶状态（非平稳随机过程）预报算法研究。 4非正常驾驶行为的心理学模型研究。 预期目标：在已有自主知识产权的驾驶模拟器和高灵敏度方向盘传感器的基础上，应用上述研发的软件，构成一个非正常驾驶状态识别及预警的试验样

13、机系统。 3.2课题主要研究技术的国内外发展现状与趋势，课题主要研究技术国内外专利授权情况国内外发展现状与趋势非正常驾驶状态识别及预警技术研究是一项对疲劳、酒后和分心等非正常驾驶状态进行识别并做出预先警告的融合信息科学与控制科学的交叉学科，是实现汽车安全辅助驾驶的重要组成部分。作为造成交通事故的重要原因之一，疲劳驾驶识别及预警研究是目前国内外安全交通领域学者研究的热门，而酒后驾驶的识别还是仅局限于检测吹气样本的酒精含量超标。而专门针对分心驾驶的研究还没有出现。2000年至今，国内外对疲劳驾驶状态监测研究方兴未艾，目前已逐步引起许多学者的高度重视。尤其是近两年，国内外对于疲劳驾驶状态识别研究的判

14、定方法主要集中在以下三大类：1驾驶员的生理特征早期的疲劳驾驶监测研究是基于驾驶员的生理特征，如：（1）脑电图、眼电图、肌电图、心电图等测量方法1。（2）血流及呼吸变化。呼吸气流(用鼻声传感器测量)、呼吸效果(用胸腔部传感器测量)、动脉血液氧饱和(用手指探针测量)时的体温(用红外线耳朵探针获取)。 其中，脑电图等方法主要以医学方面为出发点，研究上述生理参数与疲劳状态的关系。尽管这些方法测量结果比较准确,但一般在驾驶前后测量,结果是超前或滞后的，而且在驾驶室内安装上述仪器也是不现实的。2007年2月，日本东京大学通过在座椅上安装电磁传感器和压力传感器，利用血液流动和呼吸变化研制出防瞌睡座椅来提高驾

15、驶安全性。2 驾驶员个体特征（1）眼部的动作变化。如眨眼频率、闭眼时间(PERCLOS, Percentage of Eyelid Closure Over the Pupil Over Time)、瞳孔尺寸和注视方向和时间等2-3。（2）驾驶员嘴巴动作。如果驾驶员打哈欠、嘴巴长时间张开则判定驾驶员在打瞌睡和下巴的下垂4-5。（3）头部运动变化,如点头频率，头部位置等。ASCI(Advanced Safety Concepts Inc.)研制的头部位置传感器(Head Position Sensor)就是通过头部位置的变化规律判定司机是否打瞌睡6-7；（4）手部特征。利用方向盘上的传感器检测驾

16、驶员对方向盘施加的压力来判断是否疲劳驾驶的安全装置8；利用驾驶员个体特征识别疲劳状态方法常常需要装备高速红外摄像头以获取驾驶员正面的头部图像，然后利用数字图像处理等算法识别驾驶员的面部特征状态,作为判断驾驶员警觉程度的依据。早在1998年，美国卡内基梅隆大学就利用PERCLOS测量值开发了重型卡车的疲劳驾驶监测系统9-10。另外，美国明尼苏达大学、俄亥俄州立大学、伦斯勒理工学院、德国帕德博恩大学和日本东京大学等通过综合眼部、嘴部和头部等特征来监测驾驶员是否疲劳，并开发出一系列的疲劳驾驶监测系统。而国内对于根据眼睛特征识别疲劳驾驶方面也做了一些工作，如吉林大学、山东大学、中南大学、武汉理工大学、

17、西南交通大学等在根据眼睛特征识别疲劳驾驶状态方面取得了一定的研究结果。驾驶员的面部特征由于受转头和外部光线的影响大，而且每个人在开车打瞌睡的时候出现的个体特征并不一致，如有些人疲劳时眼睛动作和清醒时相比变化并不明显，使它的应用易受到限制。因此，仅仅靠驾驶员个体特征并不能保证疲劳驾驶的识别效果。3方向盘运动特征目前已有的大部分疲劳驾驶监测系统是根据方向盘运动特征来识别疲劳驾驶状态。捷克技术大学和蒙特利尔大学针对疲劳对人的操作行为产生影响进行了研究，认为方向盘的补偿运动可以作为疲劳状态的识别标准。方向盘正常运动时传感器装置不报警,若方向盘在一段时间内未运动,监视装置就会发出报警声直到方向盘继续正常

18、运动为止11。还有根据方向盘转动的次数或者角度如果它们大于或者小于某一阈值的时候，将判定为疲劳驾驶12。因为每个人的驾驶习惯不同，这种对所有人统一设定阈值的方法并不科学。日本芝浦工业大学五十铃高级工程中心研究了疲劳驾驶状态下的方向盘运动，认为混沌理论可以解释疲劳状态下的方向盘运动的变化13。令人遗憾的是，国内利用方向盘运动变化来识别疲劳驾驶的研究结果非常少。福特汽车公司将方向盘转角和汽车行驶轨迹构建闭环系统模型，并利用模型参数变化判断是否出现疲劳驾驶14。2005年，Volvo公司完成了自己的驾驶员警示系统，通过汽车行驶状态判定是否会出现危险，在驾驶员进入睡眠之前能给予提醒。近几年，利用方向盘

19、运动识别疲劳驾驶状态研究是一个处于国际学术前沿的十分活跃的热点课题，因此具有重要的学术价值和应用前景。课题主要研究技术国内外专利授权情况通过中国知识产权局专利检索系统，检索到的5项有关疲劳驾驶预警系统的中国专利，但是上述中国专利都没有根据方向盘运动参数特征来识别疲劳驾驶状态，因此本课题有申请中国专利的空间。通过欧洲网络专利数据库，近10年共检索到3项通过方向盘运动特征来识别疲劳驾驶状态的预警系统，如下：公开号公开日专利名称疲劳驾驶判定标准WO2005124713A12005.12.29Method and Device For Detecting Fatigue In The Driver o

20、f Vehicle 根据方向盘间断的持续时间US2006180379A12006.08.17System and Method For Monitoring Driver Fatigue方向盘转动次数小于某一最小阈值和/或旋转角度大于某一最大阈值GB2366062A2002.02.27Detecting Fatigue In Mechine Operator Or Vehicle Driver 驾驶员对方向盘的握力、方向盘转动、油门与煞车的次数与以前状态相比的改变大小文献评述上述专利和文献的缺陷在于：（1）直接使用方向盘转角数据是有问题的。因为汽车的运动不完全响应方向盘转动的高频分量，所以直接

21、分析方向盘转角数据是不能准确识别驾驶状态的。（我们采用的是对方向盘转角数据先进行滤波变换，再进行识别计算）（2）分析方向盘数据的方法单一，由于各类驾驶员的操作习性不同，所以识别率不高。（我们采用多种识别算法的同时运算的技术，这就可以提高识别率） 其他关于通过生理指标和个人特征来识别疲劳驾驶的国内外专利如下：公开号公开日专利名称疲劳驾驶判定标准CN18303892006.09.13疲劳驾驶状态监控装置及方法 眼睛闭合时间及PERCLOSCN18514982006.10.25疲劳驾驶检测技术 头部与头枕的相对位置CN18891362007.01.03一种疲劳驾驶预警系统的装置 眼帘张开或闭合的持续

22、时间CN27549292006.02.01客车疲劳驾驶及超载运输的远程监控装置 通过刷卡计算和控制驾驶时间CN16807792005.10.12驾驶员疲劳监测方法与装置PERCLOS值和BP神经网络分类器判定是否疲劳驾驶CN28535292007.01.03检测疲劳驾驶自动刹车装置 驾驶员按照所亮的颜色的灯光按动变速杆上对应颜色的检测键，如果按动的正确，则车辆正常行驶，说明头脑清醒，如果按错，则自动刹车，停止车辆运行CN2770011Y2006-04-05非接触式车载驾驶员驾驶疲劳实时监控装置使用IC卡记录持续驾驶时间和眨眼频率，以此判定是否疲劳驾驶CN1225375CC2005.11.02基

23、于多特征融合的困倦驾驶检测方法闭眼持续时间和面部方向US20061065622006-05-18Vehicle-occupant fatigue-level assessment method, vehicle seat assessment method, and vehicle seat assessment device驾驶员座椅向后或向前所受的负载US20051488942005.07.07Method and System For Contactless Evaluation of Fatigue of An Operator心跳等生理特征WO20050446122005.5.19D

24、evice for warning against fatigue in motor vehicles equipped with a distance warning system与前车距离过近和/或煞车系统操作异常US0061079222000.08.22Driver sleep or fatigue alarm驾驶员下颚下垂US20041249852004.07.01Driver fatigue detector with automatic deactivation眼部和头部位置特征WO02067218A12002.08.29Fatigue alarm for driver 头部运动U

25、S20061323192006.06.22Driver fatigue assessment device and method驾驶员的视角和注视时间WO98060771998.02.12Motor vehicle provided with a device for alerting a driver of fatigue驾驶员脚部肌肉状态，如肌肉松弛则判定驾驶员疲劳GB22845821995.06.14Vehicle safety device to warn driver of fatigue眨眼频率、闭眼时间过长和频繁点头动作以上生理识别方法已经不成为研究热点，因为驾驶员在非正常驾驶状

26、态下的生理表征差异性太大，所以识别率不高。参考文献1 Lin CT, Ko LW, Chung IF et al., Adaptive EEG-based Alertness Estimation System by Using ICA-based Fuzzy Neural Networks, IEEE Transactions on Circuits and Systems, 2006, 53(11): 2469-24762 Wang RB, Guo KY, Shi SM et al. A monitoring method of driver fatigue behavior based

27、on machine vision, IEEE Symposium on Intelligent Vehicles, 2003: 110-1133 DOrazio T, Leo M, Guaragnella C et al., A visual approach for driver inattention detection, Pattern Recognition, 2007, 40(8): 2341-23554 Wang TS, Shi PF, Yawning detection for determining driver drowsiness, Proceedings of the

28、IEEE International Workshop on VLSI Design and Video Technology, IWVDVT 2005: 385-3885 施树明, 金立生, 王荣本, 童兵亮，基于机器视觉的驾驶员嘴部状态检测方法，吉林大学学报，2004, 34(2): 2322366 Kithil PW, Jones RD, Jone M, Development of driver alertness detection systemsusing overhead capacitive sensor array, SAE Technical Paper Series, 9

29、82292, SAEInternational, 19987 Luis M, Nuevo J, Sotelo MA et al., Real-time system for monitoring driver vigilance, IEEE Transactions on Intelligent Transportation Systems, 2006, 7(1): 63-778 Thum CC, Mustafa MM, Hussain A, Zahedi E, Majlis BY, Driver fatigue detection using steering grip force, Stu

30、dent Conference on Research and Development SCOReD Proceedings, 2003: 45-489 Dinges DF, Grace R, PERCLOS: A valid psychophysiological measure of alertness as assessed by psychomotor vigilance, Federal Highway Administration, Office of Motor Carriers, 199810 Richard G, Vicky EB et al., A Drowsy Drive

31、r Detection System for Heavy Vehicles, 17th DASC.AIAA/IEEE/SAE Digital Avionics Systems Conference. Bellevue, WA, USA, Nov.1998: I36/1-I36/811 Ferrone CW, Sinkovits C, Driver fatigue / inattention monitoring device - An integrated system for heavy trucks, Safety Engineering and Risk Analysis, Techno

32、logy and Society, Engineering Business Management, Health and Safety, 2005: 3-812 Bertozzi M, Broggi A, GOLD: a parallel real-time stereo vision system for generic obstacle and lane detection. IEEE Transactions on Image Processing, 1998, 7(1): 62-8113 Takei Y, Furukawa Y, Estimate of drivers fatigue

33、 through steering motion, IEEE International Conference on Systems, Man and Cybernetics, 2005, 2: 1765-177014 Pilutti T, Ulsoy AG, Identification of driver state for lane-keeping tasks, IEEE Transactions on Systems, Man &Cybernetics, Part A: Systems & Humans, 1999, 29(5): 486-5023.3课题主要研究内容、拟解决的技术难点

34、和主要创新点，现有研究基础研究内容1非正常驾驶状态试验平台的构建在我们现有的小型汽车驾驶模拟器的基础上进行改造，构建适用于大型车非正常驾驶状态试验平台。不仅可以进一步完善已有的汽车模拟器技术，也可作为汽车安全辅助驾驶实用系统的一部分。2建立国内外首创的汽车非正常驾驶状态试验样本数据库利用构建的非正常驾驶状态试验平台，建立国内外首创的100人汽车非正常驾驶状态样本数据库，为驾驶状态的各种识别算法提供检验与评价的基准。在疲劳、酒后和精神不集中三种非正常驾驶状态下，根据驾驶员操作习性、性别、种族和年龄进行分类。每类数据库内容包括不同驾驶状态(疲劳、酒后和精力不集中)下，驾驶员的图像、生理参数（脑电图

35、、心电图和肌电图）、汽车行驶参数(方向盘数据、行驶轨迹、运行速度、油门)等信息。3非正常驾驶状态识别技术研究1） 完善我们独有的已取得初步进展的分段能量法。2） 发展新的特征提取方法。我们只依据高灵敏方向盘传感器（已申请专利）采集的角度数据进行非正常驾驶状态分析和识别。由于在采集的角度数据中会包含很多噪声和不稳定因素，因此寻求新的特征提取方法，提取能够识别非正常驾驶状态固有的特征参量。我们已经就HilbertHuang变换(HHT)及模型法等状态识别方法开展了试探性研究，并取得一些结果。另外，在此基础上再试探性研究应用小波变换、Gabor变换等方法。3）在提取的有效特征基础上，研究非正常驾驶状

36、态有效的分类器模型，实现非正常驾驶状态的识别。4非正常驾驶行为的心理学模型研究研究非正常驾驶行为的心理学模型。通过心理学模型参数的变化描述人体对汽车的控制能力高低。不仅与汽车行驶模型有关，还与个体的心理模型有关。心理学模型的目的在于对驾驶员的非正常状态按心理学分类，这将有利于预警方式的选择和进一步提出减少危险的措施。5由正常驾驶状态向非正常驾驶状态过渡（非平稳随机过程）的向前一步预报算法研究在上述对非正常驾驶状态识别结果和心理模型参数变化的结果的基础上，研究非正常驾驶状态判定标准的定量分析，确定阈值，并进行超越阈值的预报研究，实现非正常驾驶状态监测系统的预警作用。技术难点1在依据高灵敏方向盘传

37、感器采集的角度数据之后进行的有效特征提取。由于在直线行驶状态下，方向盘转角变化极小，这些采集的角度数据常常淹没在大量的干扰噪声之中，需要采取相应算法剔除噪声，为识别算法提供有效数据。2在非正常驾驶状态识别过程中，构建能有效识别非正常驾驶状态分类器模型。3 建立非正常驾驶行为的心理模型。适用于非正常驾驶行为分析的心理模型还没有相关文献报道。4 非正常驾驶状态阈值的确定和超越阈值的向前一步预报算法主要创新点1建立国内外首创的汽车非正常驾驶状态样本数据库（100人），为汽车安全驾驶识别研究提供可靠的分析和检验用的样本数据。2只依据高灵敏方向盘转角传感器采集的方向盘角度数据先施滤波变换，再进行非正常驾

38、驶状态数据分析、识别及预报计算。3同时使用多种识别算法（能量、特征提取、模型等）提高对不同操作习性的驾驶员的非正常驾驶状态的识别率。4根据采集的主要驾驶参数建立用于非正常驾驶状态分析的心理模型。驾驶员的非正常驾驶状态可以通过这一心理模型被定量地描述和定义。现有研究基础1现有实验设备 与国际上流行的方法一样，我们的疲劳驾驶实验也是在驾驶模拟器上进行的，我们采用的是拥有自主知识产权的VR-4型驾驶模拟器(图1)。它具有国际先进水平，其最大特点是，行驶时驱动轮是旋转的，因此驾驶操作感更加逼真（国外模拟器的车轮都是静止的，仅靠图像变化产生速度感）。另外VR-4模拟器上还加装了高灵敏度的方向盘角度传感器

39、（已申请专利），这是疲劳试验不可或缺的装置，因为直道行驶中方向盘转角变化极小。图1a VR-4型（三投影）汽车驾驶模拟器(白天场景之一) 图1b VR-4型（三投影）汽车驾驶模拟器(夜晚场景之一)2现有试验数据库我们已做了14人次的疲劳驾驶实验和1人酒后驾驶实验，建立了一个小型数据库，所有提出的非正常驾驶状态的识别算法，都要用这些数据进行检验，这为我们的研究工作提供了一个科学的评价基准。举例：No.9实验数据 试验条件：驾驶员: 女 23岁 一年驾龄 头晚只睡了四个小时 道路环境:黑夜，高速路（含大弯道，超车），限速110km/h 试验时间:约2小时，从清醒一直到进入睡眠状态（摄像头监视）试验

40、数据曲线（一段）如图2： 时间(s) 图2一位试验者的模拟器采集数据（方向盘角度数据（上）、汽车行驶轨迹（下）3现有研究成果（1）疲劳驾驶状态识别的分段能量算法时间(s) 我们将实验数据分成若干时间段（或称窗口）来处理。设定每段数据长度为T，对其方向盘转角数据实施滤波变换，得到数据曲线S，再对S数据进行Fourier变换，得到前十次谐波幅值（能量）的棒形图.No.9的分段能量趋势如图3：频率图3a 清醒状态时的、S曲线与前10次谐波幅值棒形图频率时间(s)图3a 进入困倦状态时的、S曲线与前10次谐波幅值棒形图从图3a和图3b，我们可以清楚地看出，清醒状态下驾驶操作简捷而有规律，、S曲线幅度小

41、，且变化有规律，且Fourier变换的棒形图也呈现主峰突出、其它谐波能量衰减快，即中间高两边低的格局。而进入困倦状态后、S曲线波动幅度大，变化无规律。特别是Fourier变换的各次谐波幅值棒形图变得杂乱无章，像是“杂草丛生”的样子。我们还发现若将各段数据的10次谐波幅值（能量）加起来得到该段总能量的P10(i)，随着从清醒状态进入困倦状态 、最后进入睡眠状态，各段总能量P10(i)值呈现增长的趋势。这就使得用车载计算机，实时判断识别驾驶员是否已进入困倦状态成为可能，图4是No.9试验数据的能量趋势图。图4 No.9试验数据的能量增长趋势图其实，图4呈现的能量增长趋势反映了驾驶员汽车这个人机系统

42、的运动物理本质，即当人处于清醒状态时，他驾驶的汽车从一点到另一点尽量走直线，消耗最少的能量；相反，当他处于困倦或不清醒状态时，他无法正确地控制车辆的行驶路线，因此必然会消耗更多的能量。根据这一道理，我们可以推断，上述能量法则亦可用来判断酒后驾驶状态。因为醉汉同样不可能控制车辆使其走直线。消耗的能量必定更多。我们用一名一边开车一边饮酒的驾驶员试验数据，证实了这个推断。表1 酒后驾驶试验数据分析喝酒量能量增加率*100ml16.5%125ml52.1%*能量增加率（最大分段能量和最小分段能量和）/最大分段能量和（2）疲劳驾驶状态识别的HHT变换通过对采集的方向盘转角数据进行处理，并使用HHT变换进

43、行分析，得到HHT变换的各层固有模态分量和Hilbert谱图。结果发现，随着驾驶员疲劳程度的加深，瞬时频率变化加剧。通过对HHT变换后的余量进行分析，我们发现余量随着疲劳驾驶状态的加深而逐渐变大的关系（图5）图5 No.9试验数据HHT变换余量与疲劳驾驶状态的关系图（3）模型法我们利用模拟器采集的汽车运行状态参数构建模型，得到如下结果：a） 清醒模型和中度疲劳模型的参数不同，改变很大。b） 不同人在相同的驾驶状态下的模型参数基本相同。所建的模型可表示为，表2 No.9试验数据模型法分析结果模型参数（）残差均值残差方差清醒疲劳清醒疲劳清醒疲劳0.1364 0.1956 0.03071 0.028

44、690.002947 0.003718 0.001651 0.001646-0.0050-0.00930.21810.7384疲劳驾驶试验残差的自相关函数曲线如图6所示：图6a 清醒状态下残差自相关函数曲线图。曲线符合白噪声特性，证明了所建模型的可行性图6b 疲劳驾驶状态下残差自相关函数曲线图。曲线仍近似符合白噪声特性，证明了所建模型的可行性（4）小波变换采用小波变换，对采集的方向盘转角数据分段进行降噪降维处理，提取小波变换的精细系数重构，构成特征向量，经过分类器设计对正常状态和非正常状态的小波系数利用进行识别，识别的结果与分段能量方法的结果一致。（5）已有的论文非正常驾驶状态识别的能量法研究

45、，已投中国安全科学学报Identification and analysis of abnormal driving state based on HHT，已投国际会议Abnormal driving state recognition based on Driving state model，已投国际会议Key feature extraction for driver fatigue identification Using wavelet analysis，已投国际会议3.4课题预期达到的目标、主要技术指标，可获得专利等知识产权及人才培养情况预期目标1开发非正常驾驶状态试验平台。2 建立非正常驾驶状态分析和检测样本数据库（100名驾驶员）。3在已有自主知识产权的驾驶模拟器和高灵敏度方向盘传感器的基础上，