论文部分内容阅读
在现代汽车工业发展过程中,汽车渐渐不再只是人们日常出行的工具,汽车在未来更是一个充满无限遐想的移动互联空间,逐渐满足用户对安全、智能、高效和乐趣等要求。未来汽车智能化、网联化、电动化以及共享化将是行业发展的必然趋势,智能汽车将在这场变革中扮演举足轻重的角色,其涉及到复杂的环境感知、数据处理和决策执行等过程。在智能汽车关键技术包括传感器、信息处理和数据传输技术等完全成熟以及普遍商业化之前,L3级智能车将有望率先获得广泛的应用推广,并为后续更高智能工业化积累海量的数据和经验,进而加快汽车自动化的应用进程。这一阶段的智能汽车涉及到当车辆进入自动驾驶模式,驾驶员参与非驾驶活动如打电话、使用平板等,但是当出现系统无法处理的紧急情况如异常复杂、某子系统失效等,驾驶员需要放弃当前的非驾驶活动,重新接管对车辆的控制权。因此,怎样监测表征驾驶员在自动驾驶模式下的非驾驶活动注意力状态显得尤为重要。目前对驾驶员状态的研究主要集中在传统的驾驶状态监测上,包括驾驶分心和驾驶疲劳等,而对于L3智能驾驶非驾驶活动状态研究较少,因此本文聚焦这一新兴应用场景,进行如下方面的研究:(1)过往的研究主要基于传统的驾驶场景比如驾驶状态下的分神和疲劳,本课题是基于新的L3级智能驾驶场景,即在有限的自动驾驶情况下,驾驶员脱离对车辆的控制并参与非驾驶活动,并在自动驾驶系统不能完成正常行驶活动的情况下,驾驶员完成从参与非驾驶活动到接管驾驶活动的切换,侧重于考虑驾驶员在接管车辆控制权之前的非驾驶活动状态,并以此作为后续接管(接管信号的设定和接管策略设定等)的信息输入。(2)建立基于机器视觉的头部姿态估计系统,针对L3级智能驾驶场景,根据学界提出的最新方法进行实现,使得不用再增加单独的高清相机、标定软件等来完成头部姿态估计,只需网络摄像头或者便携式相机就可以满足画面的像素要求。相较穿戴式设备对人本身带来的各种负面影响,视觉的方法完全避免了这一劣势;另外,智能驾驶车辆的处理器较传统车辆运算能力更强,完全可以满足视觉方法对算力的要求,使得该方法的应用更加贴近实际。(3)对于典型的非驾驶活动使用平板电脑进行详细分析,根据平板电脑和头部运动之间的联系来探究建立驾驶员非驾驶活动注意力状态估计模型的可能性。设计了针对上述场景驾驶员非驾驶活动相关的实验任务设计,根据心流体验对实验内容进行确定,然后对每种注意力状态下的实验监督评分进行量化,以确保收集到满足要求的有效实验数据。采用时变互相关分析方法提取特征,最后根据监督学习方法支持向量机来建立驾驶员特定非驾驶活动状态估计模型,然后采用敏感度分析方法来研究某些参数对模型准确性的影响。最后根据动态验证数据对模型的准确性进行验证,结果表明,该状态估计模型能够较好的对驾驶员非驾驶活动状态进行估计分类。