車道偏離引發(fā)的意外事故通常是由于駕駛員注意力不集中、能力喪失或困倦所導(dǎo)致的。因此為了避免這一事故，車道偏離預(yù)警系統(tǒng)被開發(fā)出來。該系統(tǒng)通過預(yù)測(cè)或?qū)崟r(shí)檢測(cè)駕駛情況并提醒駕駛員避免或減輕交通事故來提高交通安全水平。車道偏離警告（LDW）系統(tǒng)以及其他類型的高級(jí)駕駛輔助系統(tǒng)（ADAS）在乘用車中越來越普遍，其總體目標(biāo)是通過對(duì)駕駛?cè)蝿?wù)的各個(gè)方面進(jìn)行自動(dòng)化來提高駕駛安全性。

1 研究車道保持行為和認(rèn)知負(fù)荷的關(guān)系改善車道偏離警告系統(tǒng)[1]

1.1 主要目的及原理

盡管越來越多的駕駛輔助系統(tǒng)被應(yīng)用在乘用車上，但是，司機(jī)普遍對(duì)除了LDW系統(tǒng)外的ADAS表示滿意。造成這種負(fù)面反應(yīng)的一個(gè)潛在原因可能是在使用LDW時(shí)與車道保持行為相關(guān)的認(rèn)知負(fù)荷增加。本文研究調(diào)查了LDW系統(tǒng)、車道保持行為與并發(fā)認(rèn)知負(fù)荷之間的關(guān)系。測(cè)試者駕駛一輛裝有LDW系統(tǒng)的車輛在封閉的測(cè)試跑道上的標(biāo)準(zhǔn)車道上駕駛，并在多個(gè)環(huán)節(jié)中分成使用和不使用LDW系統(tǒng)的情況。每兩圈記錄一次線路交叉的頻率和持續(xù)時(shí)間，以及參與者對(duì)兩者估算的準(zhǔn)確性。

1.2 主要結(jié)論及分析

作者希望這里所報(bào)告的發(fā)現(xiàn)將會(huì)被今后的研究和他人的研究做進(jìn)一步檢驗(yàn)和擴(kuò)展，從而得出更加確定的結(jié)論。從目前的研究結(jié)果來看，車道偏離警告系統(tǒng)能夠有效改善車道保持行為，但是可能隨著時(shí)間的推移其性能下降。此外，本文研究還發(fā)現(xiàn)，車道偏離預(yù)警系統(tǒng)增加了與維持橫向車輛控制相關(guān)的認(rèn)知負(fù)荷。這也就部分解釋了為什么司機(jī)對(duì)LDW的接受程度低于其他類型的ADAS。這些觀察結(jié)果也證實(shí)了這一點(diǎn)，即完全自動(dòng)駕駛系統(tǒng)比部分高度自動(dòng)駕駛系統(tǒng)可能更能被司機(jī)所接受。盡管完全自動(dòng)駕駛系統(tǒng)在公共感知和信任方面面臨著巨大的挑戰(zhàn)，但是如果避免了自動(dòng)化系統(tǒng)與駕駛員目標(biāo)和偏好之間的潛在沖突，ADAS技術(shù)的潛在安全優(yōu)勢(shì)可能會(huì)被更加充分和容易地發(fā)揮出來。

2 通過方向盤信號(hào)檢測(cè)提高車道偏離預(yù)警系統(tǒng)的安全性[2]

2.1 主要目的及原理

目前大部分車道偏離預(yù)警系統(tǒng)是通過視頻識(shí)別來操作的，當(dāng)遇到道路和天氣條件惡劣的情況時(shí)，就會(huì)丟失一部分?jǐn)?shù)據(jù)。SANDSTR?M研究了試圖根據(jù)方向盤的信號(hào)來開發(fā)一套車道偏離預(yù)警算法。這樣，無論道路和天氣條件如何，基于方向盤信號(hào)的車道偏離預(yù)警系統(tǒng)都會(huì)是穩(wěn)健的。作者通過分別對(duì)34名職業(yè)駕駛學(xué)員在高保真駕駛模擬器上的駕駛操作進(jìn)行監(jiān)控，要求每隔3小時(shí)以80km/h速度駕駛模擬器55分鐘。對(duì)每次駕駛都記錄了方向盤和車道位置的信號(hào)。為了導(dǎo)出車道位置信號(hào)，作者對(duì)車輛模型的傳遞函數(shù)進(jìn)行了量化，并通過它從方向盤信號(hào)中導(dǎo)出車道絕對(duì)位置信號(hào)。

所提出的方法要求車輛傳遞函數(shù)（TF）是已知的。而由于底盤、傳動(dòng)系統(tǒng)、懸架和輪胎等方面的差異，車輛傳遞函數(shù)在不同車型之間有所不同。為此本文通過一個(gè)簡短的試駕過程來確定車輛傳遞函數(shù)。該算法還需要知道車道的寬度，因此實(shí)際應(yīng)用中還應(yīng)該與高分辨率地圖和GPS系統(tǒng)相結(jié)合。

2.2 主要結(jié)論及未來方向

作者設(shè)計(jì)的算法通過了試驗(yàn)驗(yàn)證，其靈敏度為47%，特異性為71%，這超出了目前基于視頻系統(tǒng)的性能。未來的研究工作將考慮把車輛建模為非線性系統(tǒng)，這樣會(huì)提高所導(dǎo)出的車道位置信號(hào)與測(cè)量信號(hào)之間的相關(guān)性。此外，還可以對(duì)駕駛環(huán)境的能見度進(jìn)行量化，以研究其對(duì)該算法的影響，對(duì)所提方法進(jìn)行相應(yīng)改進(jìn)以提高靈敏度和特異性，并在真實(shí)道路上進(jìn)行測(cè)試，以驗(yàn)證所提方法的可靠性。

3 對(duì)車道偏離警告系統(tǒng)和側(cè)傾穩(wěn)定性控制的商用車輛進(jìn)行效益成本分析[3]

3.1 主要目的及原理

作者M(jìn)EDINA-FLINTSCH介紹了安裝在卡車上的兩種不同的車載安全系統(tǒng)（OSS）在正常收入交付時(shí)的成本效益。該研究采用正式的經(jīng)濟(jì)分析方法對(duì)與車道偏離警告（LDW）系統(tǒng)和側(cè)傾穩(wěn)定性控制（RSC）系統(tǒng)的相關(guān)成本和收益進(jìn)行了量化。這項(xiàng)研究使用了參與運(yùn)營商所收集的數(shù)據(jù)文件，包括由很多事故數(shù)據(jù)。研究小組對(duì)每個(gè)數(shù)據(jù)文件進(jìn)行了審查，以確定車載安全系統(tǒng)是否會(huì)減輕或防止事故?？紤]到社會(huì)不同階層的固有收益不同，作者對(duì)其進(jìn)行了不同的收益成本分析（BCA）。

3.2 主要結(jié)論及分析

作者所分析的收益成本有兩種：一種是運(yùn)營商行業(yè)的成本和收益；一種是安全系統(tǒng)所產(chǎn)生的社會(huì)效益。分析結(jié)果清楚地表明，所產(chǎn)生的社會(huì)效益超過了其對(duì)于運(yùn)營商和社會(huì)的成本。本研究的結(jié)果可以為運(yùn)輸決策者和監(jiān)管機(jī)構(gòu)提供了必要的信息，以便對(duì)RSC系統(tǒng)和LDW系統(tǒng)的應(yīng)用做出明智的決定。

作者的研究評(píng)估了安裝在7類和8類卡車上的兩種不同的車載安全系統(tǒng)（LDW和RSC）在正常的創(chuàng)收交貨期間運(yùn)行的安全效益。在這個(gè)研究中所使用的方法不同于以往在這個(gè)領(lǐng)域的研究，因?yàn)樗苯訌膮⑴c運(yùn)營商收集的數(shù)據(jù)進(jìn)行分析，因此，在分析中所使用的結(jié)果數(shù)據(jù)集包含了更多的客戶體驗(yàn)，更具有可信度。作者還收集來自每輛卡車的信息，以控制車型差異帶來的影響。作者研究認(rèn)為目前運(yùn)營商收集的數(shù)據(jù)比GES（General Estimates System）中報(bào)道的數(shù)據(jù)更能代表運(yùn)載工具的碰撞圖像。此外，所使用的技術(shù)成本數(shù)據(jù)是從2011年起收集的。因此，隨著設(shè)備價(jià)格的下跌，社會(huì)效益可能會(huì)隨之增加。

4 通過人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)無意識(shí)車道偏離預(yù)測(cè)技術(shù)[4]

4.1 主要目的及原理

作者AMBARAK JM探討了三層感知神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)無意識(shí)車道偏離上的應(yīng)用情況。作者在研究中使用了福特汽車公司的液壓動(dòng)力6自由度動(dòng)基座駕駛模擬器VIRTTEX生成的駕駛員實(shí)驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)由16個(gè)昏昏欲睡的司機(jī)模擬駕駛2000年生產(chǎn)的沃爾沃S80（其中每個(gè)司機(jī)駕駛3個(gè)小時(shí)）生成，總共包括3,508次車道偏離事故。首先，隨機(jī)選擇三分之二的車道偏離數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練過程對(duì)隱含神經(jīng)元的個(gè)數(shù)和輸入的車輛變量進(jìn)行了優(yōu)化。然后，將所有訓(xùn)練數(shù)據(jù)從時(shí)間序列中刪除，對(duì)16名駕駛員的整個(gè)駕駛時(shí)間序列逐一進(jìn)行處理，使用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)車道偏離。其中神經(jīng)網(wǎng)絡(luò)在駕駛時(shí)間序列的每個(gè)采樣時(shí)刻都進(jìn)行了預(yù)測(cè)，預(yù)測(cè)次數(shù)超過630萬次。

4.2 主要結(jié)論及分析

在這項(xiàng)研究中，作者探索了基于車輛變量時(shí)間序列的三層感知神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)無意識(shí)車道偏離的能力。通過試驗(yàn)得出結(jié)論：優(yōu)化后的神經(jīng)網(wǎng)絡(luò)在0.2秒時(shí)間內(nèi)的總體查全率和精度分別為99.74%和99.66%，當(dāng)時(shí)間上升到0.5秒時(shí)，分別降至99.23%和85.49%。該神經(jīng)網(wǎng)絡(luò)通過尋求最佳參數(shù)值進(jìn)行實(shí)驗(yàn)構(gòu)建。對(duì)神經(jīng)網(wǎng)絡(luò)的傳播訓(xùn)練算法進(jìn)行了實(shí)驗(yàn)評(píng)估，其中量化共軛梯度算法在車道偏離預(yù)測(cè)中是最好的。作者還探索了不同的車輛變量、時(shí)間序列長度和滑動(dòng)窗口大小對(duì)預(yù)測(cè)效果的影響。其中橫向車道位置和橫向速度的輸入變量組合在預(yù)測(cè)車道偏離方面顯示出最好的效果。此外，還對(duì)時(shí)間序列長度和滑動(dòng)窗口大小進(jìn)行了優(yōu)化，這對(duì)于最佳預(yù)測(cè)性能具有重要意義。

5 通過控制器區(qū)域網(wǎng)絡(luò)協(xié)議建立事故避免系統(tǒng)輔助車道偏離預(yù)警[5]

5.1 主要目的

作者ROOBAN K介紹了一種基于嵌入式系統(tǒng)的事故避免系統(tǒng)。該系統(tǒng)主要通過使用控制器區(qū)域網(wǎng)絡(luò)協(xié)議進(jìn)而控制車輛來避免交通事故的發(fā)生。作者詳細(xì)描述了這種事故避免系統(tǒng)的設(shè)計(jì)方法及設(shè)計(jì)原理。在汽車行駛過程中，該系統(tǒng)實(shí)時(shí)檢測(cè)汽車的狀況，并借助超聲波傳感器傳遞信號(hào)，而這個(gè)信號(hào)可以用來控制制動(dòng)系統(tǒng)（ABS）。從全球目前的數(shù)據(jù)中可以看出，人們死亡的大部分是由于交通事故。而交通事故的主要原因則是司機(jī)的疏忽造成的。為了解決這個(gè)問題，我們使用了基于控制器區(qū)域網(wǎng)絡(luò)的事故避免系統(tǒng)來防止上述情況的發(fā)生。該系統(tǒng)的電路設(shè)計(jì)及其仿真的實(shí)現(xiàn)使用PROTEUS軟件進(jìn)行。PROTEUS最初是作為多層模式（DOS、Windows和UNIX）系統(tǒng)實(shí)用程序創(chuàng)建的，用于處理文本和二進(jìn)制文件以及創(chuàng)建CGI腳本。

5.2 主要原理

作者著重探索了該系統(tǒng)硬件的實(shí)現(xiàn)，進(jìn)一步確保用戶友好性是作者所提出系統(tǒng)的一些有價(jià)值的特性。其中超聲波駐車傳感器的工作原理是首先將超聲波脈沖從傳感器中發(fā)出，經(jīng)過表面聲波傳感器反射。然后車輛將接收到的信號(hào)轉(zhuǎn)換成電信號(hào)。然后系統(tǒng)通過發(fā)射和接收聲波的時(shí)間延遲來計(jì)算從傳感器到被測(cè)物體的距離。當(dāng)?shù)管嚱咏踩嚯x時(shí)，該系統(tǒng)可以通過語音或直觀的顯示來告訴駕駛員周圍的障礙物。測(cè)量的距離可以在LCD設(shè)備中看到。

Fig.1: Block diagram of adaptivecruisecontrol

Fig.3: Block diagram of transmitter and receiver（sensors）

[1]MOORMAN H G,NILESA,CRUMPC,et al.Lane-Keeping Behavior and Cognitive Load with Use of Lane Departure Warning：WCX? 17：SAE World Congress Experience,2017[C].

[2]SANDSTR?M M,LAMPSIJ?RVI E,HOLMSTR?M A,et al.Detecting lane departures from steering wheel signal[J].Accident Analysis&Prevention,2017,99：272-278.

[3]MEDINA-FLINTSCH A,HICKMANJS,GUOF,et al.Benefit-cost analysisof lanedeparturewarning and roll stability control in commercial vehicles[J].Journal of Safety Research,2017,62：73-80.

[4]AMBARAK JM,YINGH,SYEDF,et al.A Neural Network for Predicting Unintentional Lane Departures：2017 IEEE International Conference on Industrial Technology(ICIT),2017[C].

[5]ROOBAN K,GOBU V.Adaptive Cruise Control Implementation using Controller Area Network Protocol[J].International Journal of Vehicle Structuresand Systems,2017,9(1).