本期導(dǎo)讀

面向人機(jī)共駕車(chē)輛的駕駛?cè)孙L(fēng)險(xiǎn)感知是接管時(shí)正確應(yīng)激反應(yīng)和操作的前提，是交通安全領(lǐng)域的研究重點(diǎn)。分析了人機(jī)共駕車(chē)輛駕駛?cè)孙L(fēng)險(xiǎn)感知概念及其特性；從駕駛?cè)颂匦?、自?dòng)駕駛系統(tǒng)、駕駛情景這3個(gè)方面分析了人機(jī)共駕車(chē)輛駕駛?cè)孙L(fēng)險(xiǎn)感知的影響因素；從駕駛行為表現(xiàn)、接管績(jī)效和主觀評(píng)價(jià)這3個(gè)方面對(duì)人機(jī)共駕車(chē)輛駕駛?cè)孙L(fēng)險(xiǎn)感知衡量方法進(jìn)行歸納總結(jié)；梳理歸納了基于駕駛?cè)伺嘤?xùn)、輔助設(shè)備調(diào)節(jié)的風(fēng)險(xiǎn)感知能力提升方法。結(jié)果表明：相比于手動(dòng)駕駛，人機(jī)共駕車(chē)輛駕駛?cè)孙L(fēng)險(xiǎn)感知能力較低，且是多因素耦合作用下的結(jié)果；現(xiàn)有風(fēng)險(xiǎn)感知能力評(píng)價(jià)方法各有弊端，缺少可廣泛應(yīng)用的普適性量化方法；對(duì)駕駛?cè)藸顟B(tài)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)和調(diào)節(jié)是保障人機(jī)共駕車(chē)輛安全應(yīng)用的前提?；诂F(xiàn)有研究中存在的問(wèn)題，指出了人機(jī)共駕車(chē)輛駕駛?cè)孙L(fēng)險(xiǎn)感知未來(lái)研究方向，主要包括多因素耦合情況下的風(fēng)險(xiǎn)感知研究、風(fēng)險(xiǎn)感知能力量化模型構(gòu)建、風(fēng)險(xiǎn)感知能力安全閾值研究、風(fēng)險(xiǎn)感知能力動(dòng)態(tài)監(jiān)測(cè)與穩(wěn)態(tài)保持方法研究。（馮忠祥，等：面向人機(jī)共駕車(chē)輛的駕駛?cè)孙L(fēng)險(xiǎn)感知研究綜述）

港船作業(yè)區(qū)域人員的異常行為識(shí)別可為智能航運(yùn)的管控與決策提供重要數(shù)據(jù)支撐，有利于推動(dòng)智慧港口和智能船舶的發(fā)展。基于異步交互聚合網(wǎng)絡(luò)開(kāi)展了面向港船工作環(huán)境下的人員異常行為識(shí)別研究。基于YOLO模型對(duì)港船圖像進(jìn)行卷積操作，利用特征金字塔優(yōu)化卷積結(jié)果得到圖像序列中每一幀的人員位置，結(jié)合聯(lián)合學(xué)習(xí)檢測(cè)和嵌入范式輸出港船圖像序列中的人、物體特征信息以及時(shí)序信息；利用異步交互聚合網(wǎng)絡(luò)中的交互聚合結(jié)構(gòu)更新特征池的多維度特征信息，以識(shí)別港區(qū)與船舶工作環(huán)境下的人員異常行為。實(shí)驗(yàn)結(jié)果表明：提出的港船作業(yè)區(qū)域人員異常行為識(shí)別方法的平均識(shí)別精度為91%，在港區(qū)工作環(huán)境下的人員異常行為識(shí)別精度為85%，在船舶駕駛臺(tái)環(huán)境下，提出的異常行為識(shí)別框架對(duì)船員的不安全行為識(shí)別精度達(dá)到97%。所提出的識(shí)別框架在不同港船作業(yè)區(qū)域環(huán)境中都能獲得較好的精度，驗(yàn)證了其有效性和可靠性。（陳信強(qiáng)，等：基于異步交互聚合網(wǎng)絡(luò)的港船作業(yè)區(qū)域人員異常行為識(shí)別）

碰撞時(shí)間（TTC）是評(píng)價(jià)車(chē)車(chē)碰撞風(fēng)險(xiǎn)的有效指標(biāo)，然而該指標(biāo)分布規(guī)律受到交通狀態(tài)影響。為研究車(chē)車(chē)（V2V）通信環(huán)境下不同交通狀態(tài)的TTC分布規(guī)律，通過(guò)構(gòu)建基于LTE-V技術(shù)的車(chē)車(chē)通信環(huán)境，開(kāi)展實(shí)車(chē)實(shí)驗(yàn)獲取4種典型城市道路中的駕駛數(shù)據(jù)。考慮加速度和航向角建立動(dòng)態(tài)沖突辨識(shí)模型，計(jì)算車(chē)輛以任意角度接近時(shí)的TTC值；針對(duì)TTC值的結(jié)果出現(xiàn)多峰值現(xiàn)象，將交通流分為“擁堵、緩行、暢通”這3種狀態(tài)，構(gòu)建了考慮交通流狀態(tài)的高斯混合模型以描述不同交通狀態(tài)下的TTC分布規(guī)律，并采用最大期望（EM）算法進(jìn)行參數(shù)求解。將所建高斯混合模型與負(fù)指數(shù)分布、對(duì)數(shù)正態(tài)分布、負(fù)指數(shù)/對(duì)數(shù)正態(tài)混合分布這3種傳統(tǒng)的TTC分布模型進(jìn)行對(duì)比，采用校正決定系數(shù)R2評(píng)價(jià)模型的擬合優(yōu)度，并通過(guò)K-S檢驗(yàn)驗(yàn)證模型的有效性。在此基礎(chǔ)上，將所建高斯混合模型應(yīng)用于非車(chē)車(chē)通信條件下不同交通狀態(tài)的TTC分布擬合描述，進(jìn)一步驗(yàn)證模型的適用性。結(jié)果表明：車(chē)車(chē)通信環(huán)境下“擁堵、緩行、暢通”這3種交通狀態(tài)下的高斯分布均值逐漸增大，所處交通場(chǎng)景的碰撞風(fēng)險(xiǎn)依次降低；考慮交通狀態(tài)的TTC高斯混合模型擬合優(yōu)度為0.950 5，相較于其他TTC混合分布模型，擬合優(yōu)度提升了0.057 5。（賴(lài)子良，等：車(chē)車(chē)通信環(huán)境下考慮交通擁堵?tīng)顟B(tài)的碰撞時(shí)間混合分布建模研究）

為了提高居民出行健康，建立了評(píng)估出行者采用不同出行方式時(shí)的PM人體攝入量估算方法體系。使用PM檢測(cè)儀采集各出行方式（步行、自行車(chē)、公交、出租車(chē)、地鐵）不同交通空間（包括車(chē)廂、站臺(tái)、人行道等出行者在出行過(guò)程中身處的周?chē)h(huán)境空間）的PM濃度，建立了基于多元線(xiàn)性回歸的PM濃度與影響因素的關(guān)系模型，并考慮出行個(gè)體心率指標(biāo)的變化建立空氣吸入量模型。根據(jù)出行者的單位時(shí)間空氣吸入量并結(jié)合出行時(shí)間和PM濃度，可對(duì)出行者1次完整出行中PM2.5和PM10攝入量進(jìn)行估算。西安市的試驗(yàn)數(shù)據(jù)分析結(jié)果表明：出租車(chē)內(nèi)、公交車(chē)廂、地鐵車(chē)廂的PM濃度與環(huán)境監(jiān)測(cè)站（即背景環(huán)境）獲得的PM濃度存在顯著性差異，人行道、非機(jī)動(dòng)車(chē)道、出租車(chē)?？奎c(diǎn)、公交站臺(tái)、地鐵站廳、地鐵站臺(tái)的PM濃度則差異不顯著；背景環(huán)境的PM濃度和濕度對(duì)不同出行方式交通空間的PM濃度的增加起到促進(jìn)作用，溫度、風(fēng)速對(duì)交通空間PM濃度的增加起到抑制作用；對(duì)于本次試驗(yàn)路徑，慢行交通中自行車(chē)出行者的PM攝入量最低，機(jī)動(dòng)化交通中乘坐地鐵的出行者的PM攝入量最低；步行出行者的單位時(shí)間空氣吸入量低但暴露在交通空間的時(shí)間長(zhǎng)，自行車(chē)出行者單位時(shí)間空氣吸入量高但暴露在交通空間的時(shí)間短；公交的站臺(tái)候車(chē)和頻繁停車(chē)增加了人體的PM攝入量。研究成果可用于預(yù)測(cè)出行者完整出行的PM攝入量，為出行者選擇更為健康的出行方式提供建議。（朱才華，等：不同出行方式交通空間顆粒物濃度特征及人體攝入量估算方法研究）