目录
前言
驾驶行为评价相关研究
系统模型和应用价值
挑战和解决方案
迁移学习在汽车工业中的应用
算法模型
驾驶行为评价模型的设计
驾驶行为数据的收集和预处理
驾驶行为评价模型的搭建
实验环境和数值结果
实验环境
MTL网络性能分析
前言
随着5G、GPS导航、AI等各种新兴技术的飞速发展，ITS迸发出蓬勃的烟火。
众所周知，驾驶安全是智能交通系统中的一个焦点问题。因此，很多研究员采用多种 技术来降低车辆事故率。例如，自动防撞系统可以显示周围环境，提供声音报警，帮
助驾驶员躲避危险，有效避免事故。为了使驾驶更加安全，Mobileye的ADAS系统
提供车道偏离警告、车头时距监控警告、自适应巡航控制和等功能。牵引力控制系
统被用来防止车辆在起步和加速时打滑，从而保持行驶方向的稳定性。
上面提到的工作为人们的生活带来了很大的便利，但他们没有从根本上解决问题。 在车祸中起决定性作用的是驾驶员。速度、加速度等操作不当，可能导致交通事故等 危险情况。此外，无人驾驶系统也充当了驾驶员的角色，这也是保证车辆安全的核心。
典型案例是2016年举世闻名的AV事故，特斯拉S型的自动驾驶仪没有做出正确的 决定，撞上了一辆白色的半挂车。综上分析，驾驶员/无人驾驶系统的行为改善可以有 效提升驾驶安全性。驾驶员/无人驾驶系统有固定的习惯驾驶方式，就像指纹一样。找 到这些“差”的指纹，即评价驾驶行为排名，是我们的目标。
许多研究人员致力于自动驾驶系统优化和人类异常驾驶行为检测。例如，Nie等 人设计了一个分散的协同决策框架来实现智能变道[160]。该框架由三个模型组成:状态 预测、候选决策生成和协调。Wu等人提出了一种基于CNN的无人驾驶目标检测模 型，实现了较小的规模和较低的功耗的检测危险目标[161]。Wang等人提出了一种利用
多层神经网络从车辆后
)
-typedef)
