1. 天津工业大学 天津市自主智能技术与系统重点实验室, 天津 300387;
2. 天津商业大学 宝德学院, 天津 300384
收稿日期：2022-04-24
基金项目：国家重点研发计划项目(2021YFB2501800)；国家自然科学基金资助项目(61802280, 61806143)；天津市科技计划项目(21YDTPJC00130)；天津市自然科学基金资助项目(18JCQNJC77200)。
作者简介：苏卫星(1980-)，男，辽宁沈阳人，天津工业大学教授。
摘要：面向智能辅助驾驶系统人机共驾决策问题对于驾驶人实时驾驶能力评估的需求，考虑现有驾驶评价的单一性问题，提出综合考虑驾驶技能、驾驶状态以及驾驶风格等驾驶人实时驾驶能力评价算法.该算法在提出驾驶能力具有相对性和连续性基础上，首先提出基于高斯核函数的客观熵权驾驶技能相对评价模型、基于时间尺度的驾驶状态相对评价模型以及基于无监督决策分类树的驾驶风格软划分模型；其次，提出具有“惩罚”与“肯定”机制的驾驶能力评价机制及评价模型，实现满足人机共享决策控制需求的实时驾驶能力评价.最后，通过实验比较分析可知，本文提出的评价算法能够满足人机共享系统对于驾驶人驾驶能力评价实时性、客观性、全面性的需求.
关键词：驾驶能力评价驾驶风格高斯核函数无监督决策树人机共驾系统
Real-Time Driving Ability Evaluation Algorithm for Human-Machine Co-driving Decision
SU Wei-xing1, XUE Feng1, WEN Yong-gang2, LIU Fang1
1. Tianjin Key Laboratory of Autonomous Intelligence Technology and Systems, Tiangong University, Tianjin 300387, China;
2. Boustead College, Tianjin University of Commerce, Tianjin 300384, China
Corresponding author: LIU Fang, E-mail: lf@tiangong.edu.cn.
Abstract: To meet the needs of real-time driving ability evaluation for human-machine co-driving decision problems for intelligent assisted driving systems, a method for real-time driving ability evaluation of drivers considering driving skill, driving state and driving style is proposed taking into account the unicity problem of existing driving evaluation researches.Based on the relative and continuous attributes of driving ability, firstly, an objective entropy-weighted relative evaluation model of driving skill is proposed based on the Gaussian kernel function, the relative evaluation model of driving state based on the time scale, and the soft classification model of driving style based on unsupervised decision classification tree. Secondly, a real-time driving ability evaluation mechanism and evaluation model with"punishment"and"affirmation"mechanisms are proposed to achieve real-time driving ability evaluation that meets the needs of human-machine shared decision control.Finally, the experimental comparison analysis shows that the proposed evaluation algorithm can meet the real-time, objective, and comprehensive requirements of human-machine co-driving decision control for driver's driving ability evaluation.
Key words: driving ability evaluationdriving styleGaussian kernel functionunsupervised decision treehuman-machine co-driving system
驾驶人驾驶能力的实时评价是人机共驾决策研究的重要组成部分.Erlien等[1]指出：探索驾驶人行为模式中的驾驶状态、驾驶习性(等同于驾驶风格)及驾驶技能对建立合理的人机共享决策中的驾驶权分配机制具有重要意义.
目前面向人机共驾的驾驶人驾驶能力评价仅从单一角度评判驾驶人驾驶能力或状态，并以此指导人机共驾决策，成果分为主观评价法和客观评价法.主观评价法：通过量表或问卷对驾驶能力进行评估.如Bicaksiz等[2]通过内隐联想测试实现驾驶能力的主观评估，但主观评价法主观性较强，且无法反映驾驶人在身体不适、事务干扰、情绪异常等随机干扰下的能力波动，因此不适用于人机共驾等智能辅助驾驶系统.客观评价法：通过驾驶人生理、行为及车辆状态等特征评判驾驶人胜任当前驾驶任务的能力以辅助智能辅助驾驶系统进行人机共驾决策.常见的特征有三类：第一类为基于生理特征的评价，其需要驾驶人佩戴额外测试设备，如Peter等[3]采用生理、心理实验系统评估驾驶人当前身体状态胜任驾驶任务的能力，以辅助人机共驾决策，该方法成本高，可能影响驾驶且仅从单一角度评价并不全面；第二类为基于驾驶人行为特征的评价，如张辉等[4]采集驾驶人眼动特征数据建立驾驶人分心判别模型，此类方法易受到周围环境及摄像头位置影响；第三类为基于车辆行驶特征的评价，其认为车辆行驶数据可以间接反映驾驶人的能力水平，如Tao等[5]基于车辆行驶状态，对驾驶人能力进行量化分析，Tang等[6]通过构建智能驾驶模型预测值与驾驶人行驶数据真实值的偏差表征驾驶人的驾驶能力.客观评价方法完全以数据为基准，具有良好的客观性，但驾驶人驾驶能力评价问题很难给出一个公认信服的标准“答案”，即简单地认为偏离“答案”即为不好的研究角度，不合理且并不适合人机共驾决策需求.
因此，本文认为面向人机共驾决策的驾驶人驾驶能力评价应综合考虑驾驶人驾驶技能、驾驶状态以及驾驶风格等因素.即驾驶风格激进的驾驶人在驾驶状态欠佳时较保守风格驾驶人更危险，应在对其实时驾驶能力评价时给予特殊考虑；驾驶风格相同，在驾驶状态较好时，应给予驾驶技能较好的驾驶人更多“肯定”，而对驾驶技能较差，但当前驾驶状态较好的驾驶人的评价要“谨慎”；只有综合考虑驾驶技能、驾驶状态及驾驶风格等指标，对驾驶人驾驶能力做出全面、实时的评价，对人机共驾决策而言才更具实际意义.
本文基于上述思想，面向智能辅助驾驶系统人机共驾决策问题对于驾驶人实时驾驶能力评估的需求，考虑现有研究驾驶能力评价成果存在实时性与全面性欠缺的问题，提出综合考虑驾驶技能、驾驶状态及驾驶风格的驾驶人实时驾驶能力评价算法.
1 驾驶能力定义及数据准备1.1 驾驶能力定义本文将面向人机共驾的驾驶能力定义为驾驶人感知、决策、规划和控制风险，完成驾驶任务的能力.表现为驾驶人长期驾驶经验所积累的驾驶技能、驾驶风格及当前驾驶状态的叠加.驾驶技能、驾驶状态及驾驶风格的定义如下：
驾驶技能：驾驶人通过长期的驾驶经验积累，具有应对和纠正驾驶风险的内在能力.
驾驶状态：驾驶人在身体、情绪、事务等随机干扰下所表现出的暂态驾驶水平.
驾驶风格：驾驶人在习惯、性格等个性化差异因素下所表现出的驾驶决策差异行为.
1.2 驾驶实验平台及数据集1.2.1 驾驶实验平台基于UE4游戏引擎、罗技G29方向盘踏板套装及MATLAB/Simulink自动驾驶工具箱搭建联合模拟驾驶实验平台，实现驾驶场景的模拟.场景中，驾驶人在驾驶时，实验平台能够通过车辆安置的摄像头、雷达等传感器采集周围车辆行驶数据及环境信息，与驾驶人行为数据构成驾驶过程数据集.
1.2.2 公开数据集——HighD数据集本文选取德国亚琛工业大学汽车工程学院公开的HighD数据集[7]作为建模与验证的依据.该数据集是在6个不同公路地点以无人机航拍视角记录的自然车辆轨迹数据集，包括约11万辆车的行驶信息.
2 驾驶能力评价要素模型2.1 驾驶技能评价模型考虑车辆行驶状态信息可以间接反映驾驶人的能力水平，且具有易于获得、实时性强等特点，本文提出以车辆行驶数据建立驾驶技能评价模型.
2.1.1 驾驶技能特征值筛选首先，从车辆纵向行为、横向行为以及行车风险场等三方面选取如表 1所示的16个特征值.
表 1(Table 1)
 表 1 初步选定的驾驶技能评价特征值Table 1 Preliminarily selected driving skill evaluation feature values
| 表 1 初步选定的驾驶技能评价特征值 Table 1 Preliminarily selected driving skill evaluation feature values |
表 1中，THW(车头时距)、TTC(碰撞所需时间[8]，TTCi为TTC的倒数)及TLC(越过车道线所需时间[9])的计算如下：
 | (1) |
其次，计算特征值间相关系数.Spearman相关系数计算如下：
 | (2) |
以HighD数据集11万驾驶人16项特征值为样本，计算两特征值间的相关系数.本文设置ρthd=0.8，即认为相关性高于0.8的两个特征值具有强相关性，应删除其一.基于此分析可得：车头距均值、标准差及车头时距均值、标准差4个统计量均具有较强的相关性，应删除其中3个特征值.考虑车头时距THW较车头距DHW包含更多信息，因此去除车头距均值、标准差两特征值，暂时保留车头时距均值、标准差两特征值.至此，通过相关性分析筛选出14项评价特征值.
最后，本文利用实验平台设计联合手动眼动分心实验[10]，旨在研究相同驾驶工况下，14个特征值在不同驾驶技能下所表现的差异程度，以筛选出不同驾驶技能下具有明显差异的特征值，作为驾驶技能评价特征值.此实验设计依据为：驾驶人在驾驶过程中并行处理事务时，往往表现出较其自身真实驾驶技能相对低的驾驶技能.基于此，本文选取20位驾驶人，设计如下实验.
首先，20位驾驶人在驾驶过程中并行完成一份有时间限制的问卷，得到低驾驶技能标签数据；其次，20位驾驶人在无干扰下，再次完成同一驾驶任务，得到高驾驶技能标签数据.20位驾驶人分别在5个驾驶场景下完成上述注意力分心与集中的共10组驾驶任务.5个驾驶场景均为中国都市，平均用时为342 s，数据采样频率为20 Hz.分别计算每个驾驶人的14个特征值表现，如图 2所示.
这里需要说明：基于图 1平台的虚拟驾驶数据与真实驾驶数据必然存在差异，虽能模拟但并不能混淆使用.因此本文仅以平台驾驶数据筛选能够明显表征驾驶技能差异的特征值.
图 1(Fig. 1)
 | 图 1 驾驶实验平台Fig.1 Driving test platform |
图 2中，左侧为均值类统计量，右侧为标准差类统计量.14个特征值中，除车头时距均值、标准差外，分心代表的“低驾驶技能”的标准差类特征统计量均高于注意力集中代表的“高驾驶技能”的标准差类特征统计量.另外，考虑车头时距与TTCistd具有相同含义，且TTCistd含有更多信息，因此本文去除车头时距THW.综上，与驾驶技能强相关的vstd，astd，Lstd，Sstd，TTCistd及TLCstd6个标准差类特征值被用于驾驶技能评价.
图 2(Fig. 2)
 | 图 2 不同驾驶技能下各特征值统计值Fig.2 Statistical values of each feature value under different driving skills (a)—速度均值/(m·s-1)；(b)—速度标准差/(m·s-1)；(c)—加速度均值/(m·s-2)；(d)—加速度标准差/(m·s-2); (e)—车辆偏离量均值/m; (f)—车道偏离量标准差/m; (g)—转向角均值×102/(°); (h)—转向角标准差×102/(°); (i)—THW均值/s; (j)—THW标准差/s; (k)—TTCi均值/s-1; (l)—TTCi标准差/s-1; (m)—TLC均值/s; (n)—TLC标准差/s. |
2.1.2 驾驶技能特征值权重计算选取客观熵权法[11]对各评价特征值进行赋权.根据信息熵的定义，第j个特征值的熵值为
 | (3) |
 | (4) |
 | (5) |
以HighD数据集中真实驾驶数据计算表征驾驶技能的6个特征值的权重(表 2)，以确保特征值权重计算结果的合理性.
表 2(Table 2)
表 2 熵权法赋权结果Table 2 Entropy method weighting result
| 表 2 熵权法赋权结果 Table 2 Entropy method weighting result |
2.1.3 驾驶技能评价模型本文认为驾驶技能具有相对属性：即应将待评价驾驶人放入驾驶人群体中，通过其在群体中的相对位置给出评价.以HighD数据集中11万驾驶人样本为例，给出6个特征值的分布见图 3.
图 3(Fig. 3)
 | 图 3 大样本下特征值的统计分布图Fig.3 Statistical distribution of feature values under large sample |
图 3中，特征值取对数运算的目的是在不改变原数据性质与关系的基础上，调整数量级至合适范围，并增大边缘数据的敏感度.可以看出，上述6个特征值均可近似认为高斯分布，参数如表 3所示.
表 3(Table 3)
表 3 驾驶技能高斯函数拟合参数Table 3 Gaussian function fitting parameters of driving skills
| 表 3 驾驶技能高斯函数拟合参数 Table 3 Gaussian function fitting parameters of driving skills |
基于表 2及表 3，驾驶技能模型为
 | (6) |
 | (7) |
2.2 驾驶状态评价模型本文认为驾驶状态反映驾驶人的暂态驾驶技能.考虑与驾驶技能评价的一致性，基于驾驶技能特征值，采用时间窗口评价方式，利用20位驾驶人驾驶数据得到时间窗口下的统计如图 4所示.
图 4(Fig. 4)
 | 图 4 基于时间窗口的特征值统计图Fig.4 Statistical graph of feature values based on time window |
图 4中注意力分数代表的较低驾驶状态具有较大的“盒”边长，即具有更分散的特征统计值.因此，本文认为驾驶状态评价同样可基于上述6个特征值，驾驶状态模型为
 | (8) |
2.3 驾驶风格评价模型2.3.1 驾驶风格特征值筛选本文在驾驶风格特征值筛选中，充分借鉴文献[12]的研究成果.即不同驾驶风格的驾驶人在跟车时距、急加急减频率、超车次数及速度波动等方面存在明显差异.基于此，分析最初16个特征值.
首先，依据Spearman相关性分析结论，去除相关性较高的两个特征值——车头距均值、标准差.其次，纵向行为中的均值类特征值与车流容量、交通规则等显著相关，因此去除均值类特征值.最后，本文认为驾驶风格与自车周围风险水平具有一定相关性，即风格激进的驾驶人习惯于保持周围风险在较高水平，而保守驾驶人习惯于保持周围风险在较低水平.综合现有成果及本文分析，选取加速度标准差astd、速度标准差vstd、车头时距均值THWave作为驾驶风格特征值，分别表征驾驶人急加急减频率、速度波动及自车周围风险场等特征，此结论与文献[12]相一致.因此本文认为上述选取的驾驶风格特征值具有一定的合理性.
2.3.2 驾驶风格特征值权重计算本文首先采用无标签聚类分析法[13]对HighD数据集驾驶行为数据中vstd，THWave及astd等特征值进行聚类，以实现无标签样本的标签化.图 5给出K-means聚类算法得到的结果.
图 5(Fig. 5)
 | 图 5 聚类结果三维可视化Fig.5 3D visualization of clustering results |
由图 5可知，1号点为跟车时距较大、车速平稳且不存在急加急减的操作，认定为保守驾驶风格；0号点为跟车时距较小、车速波动较大且存在急加急减操作，认定为激进驾驶风格.2号点为跟车时距较小、车速保持较好且不存在急加急减操作，认定为稳健驾驶风格.
进一步，利用上述标签化样本的80%训练决策树分类模型，以实现依据决策树建模过程特征值所表现的重要度，给出驾驶风格特征权重值目的.特征值权重如表 4所示，本文即以此为驾驶风格权重.
表 4(Table 4)
表 4 驾驶风格特征值权重Table 4 Driving style feature values weight
| 表 4 驾驶风格特征值权重 Table 4 Driving style feature values weight |
2.3.3 驾驶风格软划分模型以HighD数据集为样本，计算驾驶风格特征值统计如图 6所示.
图 6(Fig. 6)
 | 图 6 驾驶风格指标统计分布Fig.6 Statistical distribution of driving style indicators |
由图 6可知，3个特征值近似服从高斯分布.参数如表 5所示.
表 5(Table 5)
表 5 驾驶风格特征值高斯拟合参数Table 5 Gaussian fitting parameters of driving style feature values
| 表 5 驾驶风格特征值高斯拟合参数 Table 5 Gaussian fitting parameters of driving style feature values |
基于表 4及表 5，驾驶风格软划分模型为
 | (9) |
 | (10) |
3 综合驾驶能力评价模型基于以下原则建立具有“惩罚”与“肯定”机制的综合驾驶能力评价模型：
1) 激进风格驾驶人在驾驶状态欠佳时，较保守风格驾驶人更具危险，应对其实时驾驶能力评价时给予“惩罚”，确保人机共享控制安全决策.
2) 驾驶风格相同且驾驶状态较好时，应考虑驾驶人长期表现出的驾驶技能，给予驾驶技能较好的驾驶人更多“肯定”.而对驾驶技能较差，但当前驾驶状态较好的驾驶人的评价要“慎重”.
3) 相同驾驶状态下，驾驶技能较好的驾驶人具有更好的修正风险能力，应对其给予“肯定”，以避免人机共享控制对于驾驶人过度干预，造成较差的驾驶体验.
基于上述原则，实时驾驶能力评价模型为
 | (11) |
表 6(Table 6)
表 6 部分驾驶人驾驶技能与驾驶风格计算结果Table 6 Results of some drivers' skill and style
| 表 6 部分驾驶人驾驶技能与驾驶风格计算结果 Table 6 Results of some drivers' skill and style |
4.1.1 驾驶技能相当，不同驾驶风格下驾驶能力评价A：驾驶技能较高时(D＞0.6).选取1号和2号驾驶人，其中1号驾驶风格保守(S=0.09)，2号驾驶风格激进(S=0.81)，结果如图 7a，图 7b所示.
图 7(Fig. 7)
 | 图 7 不同驾驶人评价结果对比图Fig.7 Comparison of evaluation results of different drivers (a)—驾驶能力评价(1#, S=0.09); (b)—驾驶能力评价(2#, S=0.81); (c)—驾驶能力评价(3#, S=0.14); (d)—驾驶能力评价(4#, S=0.89); (e)—驾驶能力评价(5#, S=0.24); (f)—驾驶能力评价(6#, S=0.90). |
图 7中，虚线为驾驶技能D；dt实线为驾驶状态；D-dt实线为不考虑驾驶风格修正，仅基于驾驶技能及驾驶状态得到的中间评价结果；Dt实线为最终驾驶人驾驶能力评价结果(下图均同).对比图 7a，图 7b可以看出，当两位驾驶人技能相当且都较高时，驾驶风格激进的2号驾驶人较驾驶风格保守的1号驾驶人在驾驶状态较差时，即驾驶状态低于驾驶技能时(方框内)，其Dt实线代表的驾驶能力评价明显低于D-dt实线代表的不考虑风格、仅考虑驾驶状态和驾驶技能的中间评价结果.验证了本文提出的评价机制之一.
B：驾驶技能适中时(0.4＜D＜0.6).选取3号和4号驾驶人，其中3号驾驶风格保守(S=0.14)，4号驾驶风格激进(S=0.89)，结果如图 7c，图 7d所示.
图 7c, 图 7d的结论与图 7a，图 7b相一致：当两位驾驶人技能相当且都适中时，驾驶风格激进的4号驾驶人较驾驶风格保守的3号驾驶人在驾驶状态较差时，其实时驾驶能力评价明显低于不考虑风格、仅考虑驾驶状态和驾驶技能的中间评价结果.
C：驾驶技能较差时(D＜0.4).选取5号和6号驾驶人，其中5号驾驶风格保守(S=0.24)，6号驾驶风格激进(S=0.90)，结果如图 7e，图 7f所示.
图 7e，图 7f的规律与图 7a，图 7b及图 7c，图 7d相一致.但由于驾驶人驾驶技能较低，当其驾驶状态较差时(0.2≥dt≥0.1)，受驾驶风格影响的实时驾驶能力评价下降空间有限，因此较不明显.但从局部放大图可以看出：当驾驶人技能相当且都较差时，驾驶风格激进的6号较驾驶风格保守的5号而言，其实时驾驶能力评价明显低于不考虑风格、仅考虑驾驶状态和驾驶技能的中间评价结果.
4.1.2 驾驶风格相当，不同驾驶技能下驾驶能力评价A：驾驶风格保守时(S＜0.4).选取7号和8号驾驶人，其中7号驾驶技能较差(D=0.31)，8号驾驶技能较高(D=0.81)，结果如图 8a, 图 8b所示.
图 8(Fig. 8)
 | 图 8 不同驾驶人评价结果对比图Fig.8 Comparison of evaluation results of different drivers (a)—驾驶能力评价(7#, S=0.12); (b)—驾驶能力评价(8#, S=0.26); (c)—驾驶能力评价(11#, S=0.88); (d)—驾驶能力评价(12#, S=0.78). |
由图 8a，图 8b可知，对于驾驶技能较差的驾驶人而言，即使其偶尔表现出较好的驾驶状态，但实时驾驶能力评价参考其长期表现出的较差的驾驶技能给出较低的值.相比较而言，图 8b驾驶技能较好，因此其相对较好的驾驶状态在驾驶能力评价中被更多地考虑.验证了本文提出的评价机制之二.
B：驾驶风格激进时(S＞0.6).选取11号和12号驾驶人，其中11号驾驶技能较差(D=0.22)，12号驾驶技能较好(D=0.77)，结果如图 8c，图 8d所示.
图 8c，图 8d与图 8a，图 8b相一致，但更为明显：当驾驶风格激进时，对于驾驶技能较差的驾驶人，即使其表现出较好的驾驶状态，但驾驶能力评价参考其驾驶技能及激进的驾驶风格给出较低的分值.相比较而言，图 8d驾驶技能较好，因此其相对较好的驾驶状态在实时驾驶能力中被更多地考虑.
4.1.3 驾驶状态相当，不同驾驶技能下驾驶能力评价选取驾驶状态、驾驶风格相当的9号和10号驾驶人，其中9号驾驶技能较差(D=0.24)，10号驾驶技能较好(D=0.82)，结果如图 9所示.
图 9(Fig. 9)
 | 图 9 不同驾驶人评价结果对比图Fig.9 Comparison of evaluation results of different drivers (a)—驾驶能力评价(9#, S=0.50)；(b)—驾驶能力评价(10#, S=0.52). |
由图 9可知，对于驾驶技能不同的两个驾驶人而言，即使某一时刻驾驶状态值相当(图 9中左框对比、右框对比)，由于驾驶技能差别较大，最终的驾驶能力评价存在较大差别.表现为：图 9a左框中，即使驾驶状态在0.7左右，其实时驾驶能力仅为0.45左右.相比较而言，图 9b左框中，驾驶状态在0.7左右时，其实时驾驶能力为0.65左右.右框对比相同.验证了本文提出的评价机制之三.
4.2 模型对比分析将本文提出的实时驾驶能力综合评价模型与文献[14]提出的主客观综合评价模型进行对比.同样，基于表 6中的12位驾驶人的数据进行仿真实验.
选取1号和2号驾驶人，两位驾驶人的驾驶技能都较强.1号驾驶风格相对保守(S=0.09)，2号驾驶风格相对激进(S=0.81)，结果如图 10所示.
图 10(Fig. 10)
 | 图 10 不同驾驶人评价结果对比图Fig.10 Comparison of evaluation results of different drivers (a)—驾驶能力评价(1#, S=0.09)；(b)—驾驶能力评价(2#, S=0.81). |
对比可知，在2号驾驶人驾驶风格相对激进且驾驶状态欠佳时，浅色实线代表的主客观综合模型的驾驶能力评价结果仍然保持在0.9左右的较高水平，没有考虑到激进风格的驾驶人在驾驶状态欠佳的情况下相较于保守风格的驾驶员更容易发生危险.即主客观综合模型忽视了驾驶人驾驶风格的影响.相比较而言，本文所提算法能够考虑驾驶风格和状态，给予适当低的评价，以确保安全驾驶.
5 结论1) 针对现有驾驶能力评价研究存在实时性、全面性欠缺的问题及人机共享控制对于驾驶能力评价的实时性、客观性需求，提出综合考虑驾驶人驾驶技能、驾驶状态及驾驶风格的综合驾驶能力实时评价算法.
2) 该算法基于驾驶能力相对性、连续性属性，提出基于高斯核函数的客观熵权驾驶技能相对评价模型、基于时间尺度的驾驶状态相对评价模型以及基于无监督决策分类树的驾驶风格软划分模型.在此基础上，依据本文提出的“惩罚”与“肯定”评价机制，给出实时驾驶能力综合评价模型.
3) 通过对比实验验证了本文提出的驾驶人综合驾驶能力实时评价算法符合“惩罚”与“肯定”评价机制，满足人机共享控制对于驾驶人驾驶能力评价实时性、客观性、全面性的需求，较未考虑驾驶风格的驾驶人能力评价方法更具安全性.
参考文献
| [1] | Erlien S M, Fujita S, Gerdes J C. Shared steering control using safe envelopes for obstacle avoidance and vehicle stability[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(2): 441-451. DOI:10.1109/TITS.2015.2453404 |
| [2] | Bicaksiz P, Harma M, Dogruyol B, et al. Implicit evaluations about driving skills predicting driving performance[J]. Transportation Research Part F: Traffic Psychology & Behaviour, 2018, 54: 357-366. |
| [3] | Peter N, Friedhelm N. Sensitivity and diagnosticity of The 0.1 Hz component of heart rate variability as an indicator of mental workload[J]. Human Factors: The Journal of The Human Factors and Ergonomics Society, 2016, 45(4): 575-590. |
| [4] | 张辉, 钱大琳, 邵春福, 等. 模拟驾驶环境下驾驶人分心状态判别[J]. 中国公路学报, 2018, 31(4): 43-51. (Zhang Hui, Qian Da-lin, Shao Chun-fu, et al. Driver's distraction states identification in simulating driving environment[J]. China Journal of Highway and Transport, 2018, 31(4): 43-51. DOI:10.19721/j.cnki.1001-7372.2018.04.006) |
| [5] | Wang T, Chen Y Z, Yan X C, et al. Assessment of drivers' comprehensive driving capability under man-computer cooperative driving conditions[J]. IEEE Access, 2020(99): 1-10. |
| [6] | Tang F M, Gao F, Wang Z L. Driving capability-based transition strategy for cooperative driving: from manual to automatic[J]. IEEE Access, 2020, 139013. |
| [7] | Krajewski R, Bock J, Kloeker L, et al. The highD dataset: a drone dataset of naturalistic vehicle trajectories on German highways for validation of highly automated driving systems[C]//IEEE International Conference on Intelligent Transportation Systems. Maui, 2018: 2118-2125. |
| [8] | Wu P, Gao F, Li K Q. A vehicle type dependent car following model based on naturalistic driving study[J]. Electronics, 2019, 8(4): 453-462. DOI:10.3390/electronics8040453 |
| [9] | Wang W S, Zhao D, X Q, et al. A learning-based approach for lane departure warning systems with a personalized driver model[J]. IEEE Transactions on Vehicular Technology, 2018, 67(10): 9145-9157. DOI:10.1109/TVT.2018.2854406 |
| [10] | Li Z J, Bao S, Kolmanovsky I V, et al. Visual-manual distraction detection using driving performance indicators with naturalistic driving data[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(8): 2528-2535. DOI:10.1109/TITS.2017.2754467 |
| [11] | 李世武, 尹燕娜, 王琳虹, 等. 基于熵权法的驾驶疲劳量化[J]. 华南理工大学学报(自然科学版), 2017, 45(8): 50-56. (Li Shi-wu, Yin Yan-na, Wang Lin-hong, et al. Driving fatigue quantization based on entropy weight method[J]. Journal of South China University of Technology(Natural Science Edition), 2017, 45(8): 50-56.) |
| [12] | Tak S, Kim S, Yeo H. Development of a deceleration-based surrogate safety measure for rear-end collision risk[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(5): 2435-2445. DOI:10.1109/TITS.2015.2409374 |
| [13] | 刘振宇, 宋晓莹. 一种可用于分类型属性数据的多变量决策树算法[J]. 东北大学学报(自然科学版), 2020, 41(11): 1521-1527. (Liu Zhen-yu, Song Xiao-ying. An applicable multivariate decision tree algorithm for categorical attribute data[J]. Journal of Northeastern University(Natural Science), 2020, 41(11): 1521-1527.) |
| [14] | 刘芳, 朱天贺, 苏卫星, 等. 基于高斯隐马尔可夫模型的人机共享控制区域化决策算法[J]. 电子学报, 2022, 50(11): 2659-2667. (Liu Fang, Zhu Tian-he, Su Wei-xing, et al. Regionalized decision algorithm for human-machine shared control based on Gaussian hidden Markov model[J]. Acta Electronica Sinica, 2022, 50(11): 2659-2667.) |
