Driver status identification from driving behavior signals
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Sürücü davranış sinyalleri; sürücünün pedal, direksiyon kontrol birimlerini nasıl ve hangi koşullar altında kullandığına gore çeşitlilik gösterir. Bu çalışmada farklı sürücüler ve farklı sürüş koşullarına gore davranış sinyallerinin nasıl değiştiği araştırılmıştır. Bu araştırmalardan elde edilen istatistiksel bilgiler kullanılarak sürücü ve sürücü statü modelleri tanımlanmış, UYANIK veritabanı kullanılarak elde edilen deneysel sonuçlar sunulmuştur. Gaz ve fren pedal basınç sınıflandırıcılarının füzyonu kullanılarak 23 sürücü üzerinden yapılan deneylerde %57.39 sürücü tanıma başarı oranı elde edilmiştir. Az sayıda sürücünün kullanıldığı sürücü tanıma sistemi, gerçek hayat senaryolarına daha fazla uyar. Bu amaçla 3 sürücü kullanılarak yapılan deneylerde %85.21 sürücü tanıma başarı oranı elde edilmiştir. Sürücülerin daha önceden belirlenmiş görevleri yaptıkları ve hiçbir görev yapmadıkları durumlar için 2 sınıf oluşturulup, 10 sürücü üzerinden sürücü durumu tanıma deneyleri yapılmıştır. Bu deneylerde %79.13 tanıma başarı oranı sağlanmıştır.Sürücü davranışları, sürücünün önceki davranışlarıyla büyük ölçüde ilintilidir. Bu çalışmada, sürücüleri olası tehlikeli olaylara karşı uyarmak ve insan kaynaklı trafik kazalarını minimuma indirmek için sürücü davranışlarını kestirecek yöntemler araştırılmıştır. Önerilen yöntem, sürücü davranış sinyallerinin geçmişteki örneklerini kullanmak ve Gizli Markov Modelleri'ni kullanarak sürücü davranışlarını modellemek üzerinedir. Elde edilen sonuçlar hem sürücüden bağımsız hem de sürücüye bağımlı deneyler için makul değerlerdir. Ayrıca, deneylerden edindiğimiz sonuçlara gore sürücüyü rahatsız edici koşulların sürücü davranışı üzerinde kesin bir etkisi olduğu görülmüştür. Bu rahatsız edici koşullar altında sürücü sinyallerini kestirme hataları ciddi ölçüde artmıştır. Yol koşullarının da sürücü davranışı kestirme de etkili olduğu gözlemlenmiştir. Driving behavior signals differ in how and under which conditions the driver use vehicle control units, such as pedals, driving wheel, etc. In this study we investigate how the driving behavior signals differ among drivers and among different driving tasks. Statistically significant clues of these investigations are used to define driver and driving status models. Experimental results over the UYANIK database are presented. Driver identification over 23 drives achieves 57.39% identification rate with the fusion of gas and brake pedal pressure classifiers. Driver identification system with reduced number of drivers suits better to real-life scenario. 85.21% of identification rate is achieved among 3 drivers. Driver status identification over 10 drivers with task and no-task classes yields a promising 79.13% identification rate.Driving behavior is strongly related to past movements of drivers. In this thesis we aim to predict driving behavior for warning drivers about future incidents and decreasing car accidents caused by human factors. The proposed method is concerned with past samples of behavior signals and we use Hidden Markov Models to model driving behavior. Earlier findings have shown us that we can predict driving behavior with encouraging results in both driver dependent and independent experiments. The experimental results also show that distractive conditions have a certain effect on driving behavior as the prediction errors are significantly increasing in these conditions. Road conditions are also influential on driving.
Collections