成果 科技支撐安全提升

據(jù)統(tǒng)計(jì)，“道路交通安全主動(dòng)防控技術(shù)及系統(tǒng)集成”項(xiàng)目目前已開(kāi)展自然駕駛和駕駛模擬仿真實(shí)驗(yàn)近400人次，收集無(wú)人機(jī)視頻近7000多分鐘、路側(cè)視頻6000多小時(shí)、圖片數(shù)據(jù)45000多張，收集交通流數(shù)據(jù)360多萬(wàn)條、交通事故數(shù)據(jù)20多萬(wàn)起，數(shù)據(jù)采集工作已全部完成。累計(jì)完成6類(lèi)共計(jì)16項(xiàng)實(shí)驗(yàn)，采集了大量的駕駛員、車(chē)輛性能及運(yùn)行狀態(tài)的實(shí)驗(yàn)數(shù)據(jù)，構(gòu)建了駕駛員操控原理、人機(jī)交互運(yùn)行風(fēng)險(xiǎn)、危險(xiǎn)駕駛行為參數(shù)等模型、算法49項(xiàng)，理論方法、模型算法研究基本完成。開(kāi)展多項(xiàng)裝備（設(shè)備）研制，已完成10套裝備、設(shè)備、終端的研制，完成了測(cè)試性實(shí)驗(yàn)300余次，測(cè)試實(shí)驗(yàn)里程1000公里，研發(fā)持續(xù)8個(gè)多月，實(shí)驗(yàn)累計(jì)工作量4000余人（月）；開(kāi)發(fā)軟件系統(tǒng)3項(xiàng)，完成了測(cè)試性實(shí)驗(yàn)50余次，研發(fā)持續(xù)5個(gè)多月；初步集成開(kāi)發(fā)平臺(tái)4項(xiàng)，完成了測(cè)試性實(shí)驗(yàn)200余次，測(cè)試功能模塊100余個(gè)，研發(fā)持續(xù)8個(gè)多月。

理論研究成果

不同駕駛?cè)瞬倏貭顟B(tài)下車(chē)輛動(dòng)力學(xué)響應(yīng)特性

進(jìn)行駕駛操控和車(chē)輛動(dòng)力學(xué)響應(yīng)多參數(shù)采集系統(tǒng)集成，利用道路試驗(yàn)測(cè)量數(shù)據(jù)完成駕駛?cè)瞬倏匦袨楹蛙?chē)輛動(dòng)力學(xué)系統(tǒng)辨識(shí);建立車(chē)輛動(dòng)力學(xué)聯(lián)合仿真模型，開(kāi)展道路試驗(yàn)，分析小客車(chē)、拖掛車(chē)、大客車(chē)在多工況下車(chē)輛的動(dòng)力學(xué)響應(yīng)特性。

不同道路環(huán)境與單車(chē)車(chē)輛運(yùn)行條件下人-車(chē)交互影響機(jī)理

不同道路場(chǎng)景設(shè)計(jì)

主要從構(gòu)建車(chē)路實(shí)時(shí)耦合的道路模型、駕駛?cè)伺c車(chē)輛適宜性分析、駕駛行為分析、復(fù)雜條件下個(gè)性化駕駛?cè)四Ｐ偷慕?、單?chē)交互下典型危險(xiǎn)工況風(fēng)險(xiǎn)因素的識(shí)別等方面展開(kāi)研究。

駕駛行為譜的定義及構(gòu)建方法

分析了典型場(chǎng)景下駕駛行為譜要素的變化規(guī)律。解析了場(chǎng)景屬性、駕駛?cè)藢傩?、?chē)輛運(yùn)動(dòng)學(xué)指標(biāo)、駕駛操縱指標(biāo)和駕駛行為變量等駕駛行為譜構(gòu)成要素，提出了駕駛行為譜的構(gòu)建方法，針對(duì)自由駕駛、跟馳和超車(chē)三類(lèi)駕駛行為，介紹了對(duì)應(yīng)的駕駛行為變量及其獲取方法。

利用自然駕駛數(shù)據(jù)分析駕駛員駕駛特征并建立不良行為判別模型

利用自然駕駛車(chē)輛在真實(shí)的環(huán)境下進(jìn)行實(shí)車(chē)實(shí)驗(yàn)，以駕駛員個(gè)體為研究對(duì)象，通過(guò)對(duì)比相同的行駛環(huán)境下駕駛員的行為來(lái)挖掘駕駛員個(gè)體的駕駛特征，通過(guò)時(shí)域和頻域特征的提取，挖掘駕駛行為關(guān)鍵特征參數(shù)，以實(shí)現(xiàn)對(duì)微觀駕駛行為的準(zhǔn)確描述。

結(jié)合不良駕駛行為關(guān)鍵特征參數(shù)，采用人工智能算法，建立不良駕駛行為判別模型。訓(xùn)練針對(duì)不同類(lèi)型不良駕駛行為的判別模型，并對(duì)判別模型進(jìn)行仿真驗(yàn)證?？紤]影響駕駛行為的風(fēng)險(xiǎn)源因素，建立不良駕駛行為風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，在此基礎(chǔ)上，建立了不良駕駛行為事故概率風(fēng)險(xiǎn)評(píng)估模型和事故后果風(fēng)險(xiǎn)評(píng)估模型，并綜合兩者的不良駕駛行為綜合評(píng)價(jià)模型，實(shí)現(xiàn)了對(duì)不良駕駛行為的風(fēng)險(xiǎn)評(píng)價(jià)，以及風(fēng)險(xiǎn)等級(jí)劃分。

自然駕駛數(shù)據(jù)采集裝備

技術(shù)研究成果

確定了在途車(chē)輛運(yùn)行安全備選指標(biāo)構(gòu)建及核心指標(biāo)閾值

研究在途車(chē)輛運(yùn)行狀態(tài)的轉(zhuǎn)移規(guī)則，通過(guò)監(jiān)測(cè)車(chē)輛運(yùn)行狀態(tài)、車(chē)輛駕駛員駕駛行為、道路線形、天氣狀態(tài)等人、車(chē)、路、環(huán)境動(dòng)態(tài)數(shù)據(jù)，實(shí)現(xiàn)在途車(chē)輛運(yùn)行狀態(tài)的自診斷及風(fēng)險(xiǎn)評(píng)估。計(jì)算了不同天氣下運(yùn)行速度限制建議閾值，初步實(shí)現(xiàn)了不良天氣下的運(yùn)行速度閾值預(yù)警；研究了不良駕駛行為指標(biāo)及相應(yīng)閾值的確定方法，實(shí)現(xiàn)了不良駕駛行為預(yù)警；建立了既可避免發(fā)生追尾碰撞事故，又不影響道路通行能力的安全距離的計(jì)算方法，實(shí)現(xiàn)了不安全跟車(chē)距離預(yù)警；構(gòu)建了道路線形與運(yùn)行速度一致性的規(guī)則，實(shí)現(xiàn)了超速狀態(tài)預(yù)警。

研發(fā)了基于多信號(hào)融合的智能車(chē)載防火設(shè)備、自動(dòng)滅火設(shè)備、預(yù)警系統(tǒng)

通過(guò)分析車(chē)輛發(fā)生火災(zāi)時(shí)物質(zhì)燃燒釋放煙、熱、火焰的差異，開(kāi)創(chuàng)性的基于FDS火災(zāi)動(dòng)力學(xué)仿真軟件分析乘客艙、行李艙、發(fā)動(dòng)機(jī)艙等區(qū)域的煙霧、溫度傳感器的最優(yōu)布置數(shù)量與位置，采用多源監(jiān)測(cè)、多信號(hào)融合技術(shù)，開(kāi)發(fā)了1套基于多信號(hào)融合的火災(zāi)監(jiān)控預(yù)警數(shù)據(jù)采集系統(tǒng)，并以此驅(qū)動(dòng)自動(dòng)報(bào)警、逃生及滅火系統(tǒng)的運(yùn)行。基于多信號(hào)融合技術(shù)構(gòu)建了1個(gè)由底層局部融合層、神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合中間層、頂層粗糙集融合推理層組成的1個(gè)三級(jí)火災(zāi)監(jiān)控識(shí)別系統(tǒng)。底層局部融合層在為頂層提供初始預(yù)警信號(hào)的同時(shí)保留原始火災(zāi)發(fā)生位置，實(shí)現(xiàn)針對(duì)性的滅火；頂層對(duì)底層信號(hào)的原始屬性依賴(lài)較小，降低了報(bào)警誤判概率，減少報(bào)警信號(hào)對(duì)駕駛員及乘員的干擾。

煙霧溫度采樣點(diǎn)布置位置

海量交通數(shù)據(jù)傳輸技術(shù)應(yīng)用場(chǎng)景

基站選址現(xiàn)場(chǎng)測(cè)試情況

研發(fā)了基于無(wú)線激光/微波多源鏈路的海量交通數(shù)據(jù)傳輸技術(shù)及裝備

針對(duì)基于無(wú)線激光/微波多源鏈路的海量交通數(shù)據(jù)傳輸技術(shù)及裝備，完成了海量交通數(shù)據(jù)傳輸設(shè)備應(yīng)用場(chǎng)景分析和傳輸技術(shù)梳理。具體地分析了海量交通數(shù)據(jù)傳輸應(yīng)用場(chǎng)景，明確移動(dòng)終端無(wú)線光接入和長(zhǎng)距離無(wú)線激光高速傳輸兩個(gè)具體技術(shù)需求；提出了復(fù)雜交通信息網(wǎng)絡(luò)中動(dòng)態(tài)通信站點(diǎn)間海量交通數(shù)據(jù)實(shí)時(shí)傳輸方法。

構(gòu)建高速公路高風(fēng)險(xiǎn)路段風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

高速公路高風(fēng)險(xiǎn)路段風(fēng)險(xiǎn)評(píng)估與短臨預(yù)警部分，針對(duì)高速公路典型路段，在靜、動(dòng)態(tài)風(fēng)險(xiǎn)理論研究基礎(chǔ)上：一是構(gòu)建了靜態(tài)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，根據(jù)線形指標(biāo)與事故率關(guān)系建立靜態(tài)風(fēng)險(xiǎn)指標(biāo)閾值劃分標(biāo)準(zhǔn)；二是根據(jù)PEMS交通傳感器及事故數(shù)據(jù)，利用FISHER方法構(gòu)建交通流參數(shù)與風(fēng)險(xiǎn)的判別函數(shù)，并通過(guò)logistic回歸法探究FISHER判別指數(shù)與道路風(fēng)險(xiǎn)因素的相關(guān)關(guān)系；三是針對(duì)高風(fēng)險(xiǎn)路段易發(fā)生車(chē)輛碰撞情形，提出基于北斗高精度定位技術(shù)、車(chē)路通信技術(shù)、高精度地圖匹配技術(shù)的車(chē)-車(chē)主動(dòng)防撞短臨預(yù)警方法及車(chē)輛輪廓沖突預(yù)測(cè)模型；四是開(kāi)發(fā)車(chē)載高精度定位短臨預(yù)警終端，集成研發(fā)高速公路路側(cè)北斗地基增強(qiáng)站系統(tǒng)和車(chē)路通信系統(tǒng)。

終端內(nèi)、外部結(jié)構(gòu)

提出營(yíng)運(yùn)車(chē)輛智慧型安全駕駛輔助裝備依托算法

在“營(yíng)運(yùn)車(chē)輛智慧型安全駕駛輔助裝備研發(fā)”中，采用深度學(xué)習(xí)技術(shù)及多傳感融合技術(shù)進(jìn)行車(chē)道偏離預(yù)警及防碰撞預(yù)警技術(shù)研究。深度學(xué)習(xí)檢測(cè)車(chē)輛或障礙物具有較高的準(zhǔn)確率，毫米波雷達(dá)探測(cè)目標(biāo)技術(shù)具有穩(wěn)定的探測(cè)性能和良好的環(huán)境適應(yīng)性，采用多層級(jí)毫米波雷達(dá)和相機(jī)數(shù)據(jù)融合的方法，能夠同時(shí)得到前方車(chē)輛的相對(duì)距離、相對(duì)速度和屬性，相比較單獨(dú)使用一類(lèi)傳感器，檢測(cè)精確度更高，同時(shí)能夠兼顧實(shí)時(shí)性要求。

道路交通安全主動(dòng)防控系統(tǒng)平臺(tái)及交通安全信息服務(wù)App原型開(kāi)發(fā)

魚(yú)眼鏡頭原始圖與矯正效果圖

在數(shù)據(jù)標(biāo)準(zhǔn)體系研究、數(shù)據(jù)互聯(lián)互通技術(shù)研究、交通資源數(shù)據(jù)庫(kù)設(shè)計(jì)的基礎(chǔ)上，完成了道路交通安全主動(dòng)防控系統(tǒng)平臺(tái)及交通安全信息服務(wù)App的原型開(kāi)發(fā)，并進(jìn)行了相關(guān)功能測(cè)試，實(shí)現(xiàn)了危險(xiǎn)駕駛行為短臨報(bào)警、行車(chē)環(huán)境風(fēng)險(xiǎn)在線預(yù)警、交通事件信息提示、一鍵報(bào)警、行程管理、交通事件上報(bào)、視頻圖像管理、實(shí)時(shí)路況展示、高危路段分布展示、報(bào)警信息統(tǒng)計(jì)分析等功能。

項(xiàng)目示范工程方面，主要圍繞各專(zhuān)題的示范內(nèi)容開(kāi)展示范內(nèi)容細(xì)化、示范區(qū)域選定、示范方案制定、示范相關(guān)技術(shù)、接口、平臺(tái)對(duì)接，以及示范方案優(yōu)化、迭代等準(zhǔn)備工作，同時(shí)協(xié)調(diào)示范內(nèi)容和相關(guān)技術(shù)研發(fā)單位多次研討，保障各示范內(nèi)容與對(duì)應(yīng)專(zhuān)題技術(shù)研發(fā)的銜接性。目前，已落實(shí)示范工程單位5家，示范工程項(xiàng)目6個(gè)。

示范路段示意圖