车辆环境感知通信与及驾驶行为实验
说明：文章内容仅供预览，部分内容可能不全。下载后的文档，内容与下面显示的完全一致。下载之前请确认下面内容是否您想要的，是否完整无缺。
车辆环境感知通信与及驾驶行为实验 课程名称：____车联网技术基础________ 一、实验信息 1.实验名称：车辆环境感知通信及驾驶行为实验 2.课程名称：车联网技术基础 3.实验时间：2019年11月21日上午 4.实验地点：交通运输工程实验室 二、实验目的 学习物联网概念与发展现状、车联网发展背景和现状、车联网技术研究的必要性分析、人车路环境系统、车联网的基本框架、车联网服务和相关应用、车联网技术体系、我国车联网技术发展现状、交通流参数、车路协同技术、车载通信网络、车载无线通讯技术，综合运用所学知识，进行监控系统及光纤通信实验、车辆环境感知实验、驾驶行为实验。通过对车载信息及车辆运行环境室和驾驶行为实验全程监控场景实时监视、对车辆环境感知传感器认知及深度学习过程了解、道路及周围环境对驾驶员行为的影响测试分析，特别是不同交通环境下的驾驶行为特征、操纵行为特征、驾驶操作时间、脑电、肌电等，通过实验、测试、分析，以便巩固和综合所学知识并提高研究分析能力。 三、实验设备系统 1.监控系统及光纤通信实验 车载远程监控系统实验部分利用多元网络传输的驾驶疲劳状态远程监控预警系统和车载信息及车辆运行环境系统（包括全顺JX6545-H客车1辆，投影及屏幕1套，支撑及转角盘1套，Vega视景软件系统1套，驾驶参数传感器1套）；监控系统1套（包括CCD摄像机3个，图像传输设备1套）；其他设备系统。依据行业标准附件1（汽车货运站（场）级别划分和建设要求（JT/T 402-1999））进行物流园区选址及布局规划方法部分按附件2（惠民交通集疏运中心物流分中心基本情况和建设要求大纲（征求意见稿））的标准掌握确定物流园区选址及布局规划的方法，结合壁挂设计图讲解。 多元网络传输的驾驶疲劳状态远程监控预警系统克服了现在车载监控预警技术的缺陷和不足，实现了远程监控预警策略的制定和宜人化预警手段、方法的采用。在车载疲劳预警系统的基础上，针对职业驾驶人，建立疲劳状态远程预警监控系统，对其进行了补偿。系统提供了基于双卡CDMA的移动视频监控系统，结合校园局域网络，通过四台网络解码器与视频服务器相接，实现Internent访问；在有线传输中，借助光纤传输，通过矩阵系统接入到TV、DLP、COMPUTER上，实现监控图像信息显示。系统提供了一种职业驾驶人视频图像采集设备，利用车载光线补偿设施，实现对职业驾驶人图像信息采集的补偿，保证采集的视频图像清晰。系统利用GPS接收模块，提供车载预警信息接收设备，实现远程预警，制定预警策略，采用宜人化已经手段和方法。系统由车载无线双卡CDMA移动视频监控系统设备、职业驾驶人视频采集设备、光纤传输设备和远程指挥监控预警中心四部分组成。车载无线双卡CDMA移动视频监控系统设备由硬件设备（双卡CDMA、一体化摄像机、车载显示器、一体化主机、天线和控制面板、车载GPS接收机）和车载软件构成。职业驾驶人视频采集设备实现对职业驾驶人的面部表情的采集。基于双卡CDMA的移动视频监控系统，结合校园局域网络，通过四台网络解码器与视频服务器相接，实现Internent访问；在有线传输中，借助光纤传输，通过矩阵系统接入到TV、DLP、COMPUTER上，实现监控图像信息显示远程监控预警中心的监控大屏上图像传输由光纤传输设备和网络视频编解码器完成。远程指挥监控预警中心有一台远程监控主机、监控管理软件、视频采集卡、监控指挥大屏幕等组成。系统布局合理，结构紧凑，安装、使用方便，易于维护。远程监控预警系统拓扑结构图如图1所示。 监控客户端监控客户端摄像头InternetCDMA基站摄像头装有车载取证设备的指挥车摄像头路由器同轴电缆光纤光端机光端机同轴电缆解码器摄像头解码器TV局域网交换机解码器画面分割器矩阵解码器控制键盘DLP视频服务器监控客户端COMPUTER图1 远程监控预警系统拓扑结构 2. 车辆环境感知实验 1）双天线定位及惯性导航系统 GPS是指利用GPS卫星，向全球各地全天候、实时性地提供三维位置、三维速度等信息的一种无线电导航定位系统。GPS主要由三大组成部分：空间部分、地面监控部分和用户设备部分。GPS系统具有高精度、全天候、用广泛等特点。GPS定位包括伪距单点定位、载波相位定位和实时差分定位。SIMPAK 系列接收机是北京诺耕科技发展有限公司自行研制开发的一款性能价格比非常高的GPS接收机。在封装上，SIMPAK 系列接收机选用铝合金的外壳，具有体积小、重量轻、安装、携带方便等特点，如图2所示。 图2 SIMPAK系列GNSS定位系统 AHRS是指航姿参考系统，包括多个轴向传感器，能够为飞行器提供航向，横滚和侧翻信息，这类系统用来为飞行器提供准确可靠的姿态与航行信息。航姿参考系统包括基于MEMS的三轴陀螺仪，加速度计和磁强计。航姿参考系统与惯性测量单元IMU的区别在于，航姿参考系统（AHRS）包含了嵌入式的姿态数据解算单元与航向信息，惯性测量单元（IMU）仅仅提供传感器数据，并不具有提供准确可靠的姿态数据的功能。目前常用的航姿参考系统（AHRS）内部采用的多传感器数据融合进行的航姿解算单元为卡尔曼滤波器。 AHRS由加速度计，磁场计，陀螺仪构成，AHRS的真正参考来自于地球的重力场和地球的磁场，换句话来说如果AHRS离开了地球这种有重力和磁场环境的时候是没法正常工作的，一般磁场和重力场越正交，则航姿测量效果越好，也就是说如果磁场和重力场平行了，比如在地磁南北极。这里的磁场是向下的，即和重量场方向相同了。这个时候航线交是没法测出的，这是航姿系统的缺陷所在，在高纬度的地方航线角误差会越来越大。 （2）激光雷达系统 激光雷达是通过发射激光束来探测目标位置的雷达系统，主要用于机器人环境识别 、 建筑物入侵保护（安防）、 自动门/行为方式识别、 自动导航车辆（AGV）障碍检测、 无人飞行器避障和自主导航。测距时，激光雷达首先靠旋转的反射镜向目标物体发射激光，然后通过测量发射光和从物体表面反射光之间的时间差来确定与目标物体间的实际距离，这种方法也被称为脉冲检测法，在确定了距离之后就可以根据距离和激光发射的角度来推导出物体的实际位置。 激光雷达一般有三个组成部分：第一部分是激光发射器，用来发射激光射线；第二部分是扫描与光学部件，用来收集反射点距离和水平角度；第三部分是感光部件，主要用来检测反射光的强度。因此激光雷达主要是通过收集一系列反射点的坐标和光强信息来对扫描面的景物信息做出判断。 UTM-30LX为HOKUYO公司的2D激光扫描测距产品，如图3所示。 图3 UTM-30LX型单线激光雷达 R-Fans-16 激光雷达传感器是北科天绘公司的16线激光雷达，通过16 线 360°扫描实现三维探测成像，如图4所示。 图4 R-Fans-16型16线激光雷达 （3）毫米波雷达系统 毫米波雷达是一种成本较低、体积小、便于安装使用的传感器，相比于其他雷达传感器，其工作在 30~300GHz 频域的波段中，波长适中，穿透能力较强，在夜间与雨天均可以较为准确获取障碍物相对于毫米波雷达的距离和速度，能较好的满足在车载条件下前方车辆识别的要求。德尔福ESR毫米波雷达见图5。 图5 德尔福ESR毫米波雷达 （4）视觉传感器及深度学习系统 由于近些年机器视觉领域的蓬勃发展，视觉传感器已经成为了目标检测领域不可或缺的重要传感器。视觉传感器具有其他传感器无法比拟的信息量，单帧图像中的信息量是雷达传感器望尘莫及的。通过机器视觉等方法，视觉传感器能够识别出目标的种类信息，因此它在目标检测、车道线检测、交通标志标线识别等方面有着无法替代的重要作用。同时，视觉传感器的成本极为低廉，且成熟的技术，因此它已经被广泛地应用于智能汽车环境感知系统中。 视觉传感器的缺点也很多，首先由于单帧信息量大，视觉检测的耗时也比较高，实时性较差。其次，视觉传感器很依赖可见光源，因此沙尘、雨雾天气会对其造成影响，而光线照射的改变则会对其造成重大影响。 为了能够尽量节约成本，同时保证相机满足系统应达到的应用条件，实验选用海康威视DS-2CD3T25D-I3相机作为视觉目标检测的传感器，如图5所示。 相比于传统的机器学习方法，深度学习适合处理大数据，因此深度学习十分地依赖于高端的硬件设施，因为计算量很大。深度学习中涉及很多的矩阵运算，因此很多深度学习都要求有GPU参与运算，因为GPU就是专门为矩阵运算而设计的；在机器学习方法中，几乎所有的特征都需要通过行业专家在确定，然后手工就特征进行编码，然而深度学习算法试图自己从数据中学习特征；在解决问题时，传统机器学习算法通常先把问题分成几块，一个个地解决好之后，再重新组合起来。但是深度学习则是一次性、端到端的解决。本实验所用训练计算机如图6所示， 图6 海康威视DS-2CD3T25D-I3相机 相比于传统的机器学习方法，深度学习适合处理大数据，因此深度学习十分地依赖于高端的硬件设施，因为计算量很大。深度学习中涉及很多的矩阵运算，因此很多深度学习都要求有GPU参与运算，因为GPU就是专门为矩阵运算而设计的；在机器学习方法中，几乎所有的特征都需要通过行业专家在确定，然后手工就特征进行编码，然而深度学习算法试图自己从数据中学习特征；在解决问题时，传统机器学习算法通常先把问题分成几块，一个个地解决好之后，再重新组合起来。但是深度学习则是一次性、端到端的解决。本实验所用训练计算机如图7所示， 图7 深度学习训练计算机 上图为车辆环境感知实验的仪器连接框图 3. 驾驶行为实验 车载信息及车辆运行环境系统（包括全顺JX6545-H客车1辆，投影及屏幕1套，支撑及转角盘1套，Vega视景软件系统1套，驾驶参数传感器1套），如图8所示；监控系统1套（包括CCD摄像机3个，图像传输设备1套）；加拿大Thought Technology Ltd. 公司研究开发的BioGraph Infinit的BioPro5型多导生理反馈测量系统1套（包括Procomp Infiniti生物反馈仪测量仪，脑电、肌电等传感器，驾驶人的面部表情采集系统，Genovel型高级电脑1台，脑电测量电极1个，肌电测量电极1组，多参数生理测量专用打印机1台）；其他设备系统。 3m驾驶员（配有相应的测量仪器） 大屏幕投影爱普生/EMP 820(EPSON) 声响系统（模拟汽车和交通噪声）VEGA三维软件惠普XW8000工作站驾驶员血压、心电、脉搏率等生理心理指标量及车辆制动、方向角等驾驶操纵信号采集传感器系统图8 车载信息及车辆运行环境系统实验平台 实验平台硬件系统硬件部分包括全顺JX6545-H客车1辆，投影及屏幕1套，支撑及转角盘1套，Vega Prime视景驱动软件系统1套，驾驶参数传感器1套；监控系统1套（包括CCD摄像机1个，硬盘录像机1个，图像传输设备1套） （1）车辆及驾驶舱 车辆及驾驶舱如图9所示。 图9模拟驾驶三维实景仿真系统车辆及驾驶舱 车辆及驾驶舱是以车载信息与驾驶环境实验室的江铃全顺牌轻型客车（JX6545-H）为主体建设。 （2）驾驶员驾驶参数传感器 驾驶员驾驶参数传感器主要有：车速传感器、转向盘转角传感器、车辆加速传感器、方向灯检测传感器、制动踏板传感器及加速踏板传感器等。 车速传感器主要有磁电式、光电式、霍尔式三种类型，信号形式为磁电式交流信号、霍尔数字信号或光电式数字信号，接口形式有模拟量和数字量。 转向盘转角传感器主要有绝对值转角和相对值转角传感器两种。前者采用电阻分压原理，信号为两路电压信号；后者有光电感应式转换成方波信号，电磁感应式转换成方波信号以及电阻感应式转换成方波信号或连续的模拟输出三种信号形式。 车辆加速传感器主要有三轴和双轴两种加速传感器，接口形式为数字或模拟形式，基本线性参数有量程、抗冲击、温度范围、频率和灵敏度。 方向灯检测传感器有电容式、霍尔式、磁电压和压电压几种类型，参数有输入电源、额定电源和相对温度，接口形式为开关量，信号形式为 0-1。 制动踏板传感器有制动踏板力和位移传感器两种，它是将驾驶员者踩踏板的力度和速度信息传给ECU，参数有额定载荷、精度和输出电压。 加速踏板传感器主要有霍尔式和电位器式两种传感器，它主要是检测踏板的位移和转角，将电气信号传输给发动机电控单元，是一种模拟信号，参数有额定载荷、精度和输出电压。 （3）其他设备 为了提高驾驶人的真实感受，本平台采用实车作为驾驶舱，同时为了方便驾驶者的转向操纵，在车辆的两前轮下的地沟中安装了两个可以自由转动的托盘，如图10所示。 图10 车轮转动托盘示意图 其他实验设备包括摄像机、秒表等。用摄像机摄制行车实验全过程，以便为数据分析时提供现场的交通状况及实验车在某一时刻处在道路上某一点的信息。 三、实验原理 1. 监控系统及光纤通信实验 基于光纤通信传输的远程监控预警系统拓扑结构如图1所示，以下是光纤通信的原理： 在发送端首先要把传送的信息（如话音）变成电信号，然后调制到激光器发出的激光束上，使光的强度随电信号的幅度（频率）变化而变化，并通过光纤经过光的全反射原理传送;在接收端，检测器收到光信号后把它变换成电信号，经解调后恢复原信息。 光通信正是利用了全反射原理，当光的注入角满足一定的条件时，光便能在光纤内形成全反射，从而达到长距离传输的目的。光纤的导光特性基于光射线在纤芯和包层界面上的全反射，使光线限制在纤芯中传输。光纤中有两种光线，即子午光线和斜射光线，子午光线是位于子午面上的光光线，而斜射光线是不经过光纤轴线传输的光线。 下面以光线在阶跃光纤中传输为例解释光通信的原理。 如图所示为阶跃型光纤，纤芯折射率为n1，包层的折射率为n2，且n1》n2，空气折射率为n0。在光纤内传输的子午光线，简称内光线，遇到纤芯与包层的分界面的入射角大于θc时，才能保证光线在纤芯内产生多次反射，使光线沿光纤传输。然而，内光线的入射角大小又取决于从空气中入射的光线进入纤芯中所产生折射角θ2，因此，空气和纤芯界面上入射光的入射角θi就限定了光能否在光纤中以全反射形式传输，与内光线入射角的临界角θc相对应，光纤入射光的入射角θi 有一个最大值θmax。 当光线以θi》θmax入射到纤芯端面上时，内光线将以小于θc 的入射角投射到纤芯和包层界面上。这样的光线在包层中折射角小于90度，该光线将射入包层，很快就会露出光纤。 当光线以 θi《θmax入射到纤芯端面上时，入射光线在光纤内将以大于 的θc入射角投射到纤芯和包层界面上。这样的光线在包层中折射角大于90度，该光线将在纤芯和包层界面产生多次反射，使光线沿光纤传输。 2. 车辆环境感知实验 惯性系统是利用惯性敏感器、基准方向及最初的位置信息来确定运载体的方位、位置和速度的自主式航位推算导航系统。它至少应由一个惯性测量装置、一个数字计算机和一个控制显示装置及一个专用精密电源所组成。运载体的运动是在三维空间里进行的，它的运动形式，一是线运动，一是角运动。不论线运动还是角运动都是三维空间的，要建立一个三维空间坐标系，势必要建立一个三轴惯性平台。有了三轴惯性平台，才能提供测量三自由度线加速度的基准。测得己知方位的三个线加速度分量，通过计算机计算出运载体的运动速度及位置，所以第一大类惯导系统方案是平台式惯性导航系统。没有“机电”平台，将惯性元件陀螺仪和加速度计直接安装在运载体上，在计算机中建立一个“数学”平台，通过复杂计算及变换,得到运载体的速度和位置，这种无机电平台式惯导系统就是第二大类惯导系统方案，称之为捷联式惯导系统。 激光雷达可获取环境空间的三维尺寸信息。激 光雷达使用远距测距技术，通过向目标发射光线并 且分析反射光来完成距离的测量。有单线（亦称单 层、二维）和多线（亦称多层、三维）两种激光雷达，多 线雷达能够增加一定角度的俯仰，实现一定程度的 面扫描。一般在无人驾驶汽车上会结合两种激光雷 达来实现障碍物探测和指导汽车安全通过道路的功 能。 毫米波雷达传感器是工作频率选在30~300GHz 频域（波长为1~10mm，即毫米波段）的雷达［11］。其 优势在于波束窄，角分辨率高，频带宽，隐蔽性好，抗 干扰能力强，体积小，重量轻，可测距离远。虽然没 有激光雷达的探测范围大，但其较好的指向性和穿 透力仍然使其无法被激光雷达替代。根据测量原理 不同，毫米波雷达传感器可分为脉冲方式和调频连 续波方式两种。 图像传感器—相机能够获取环境彩色景象信 息，是无人车获取环境信息的第二大来源。相机可 选择的型号和种类非常多样，可简单分为单目相机、 双目立体相机和全景相机三种。 深度学习一般包括四种类型的神经网络层，输入层、卷积层、池化层、输出层。网络的结构可以10层甚至上百层，一般层数越多检测精度会更精准。并且随着网络层数和节点数的增加，可以表达更细、更多的识别物的特征，这样的话可以为检测精度的提高打下基础。 其中卷积层和池化层是深度学习的核心处理层。卷积层主要是用于负责物体特征的提取；池化层主要是负责采样。比如简单理解池化层，（就是一个数独里面取一个最大值），这就是池化层。卷积层与池化层是深度学习两个核心的层。 深度学习工作的原理，深度学习一般包括两个方面，一个是训练，一个是检测，训练一般主要是离线进行，就是把采集到的样本输入到训练的网络中。训练网络进行前向输出，然后利用标定信息进行反馈，最后训练出模型，这个模型导入到检测的网络中，检测网络就可以对输入的视频和图像进行检测和识别。通常情况下，样本的数量越多，识别的精度一般也会越高，所以这个样本的数量是影响深度学习精度重要的一个因素。 3. 驾驶行为实验 硬件部分转向盘转角电压、加速电压、制动电压道路环境、驾驶员面部表情、车内环境脑电、肌电、皮肤电、血容等软件部分驾驶参数传感器车辆动力学模型摄像装置C语言程序驾驶员生理-心理装置Creator软件Vega Prime软件视景驱动视景仿真模型 详细实验原理涉及驾驶人工作负荷概念，驾驶人工作符合测量方法，生理反馈测量仪，NASA-TLX量表等，详见实验指导书，这里不一一列举。 四、实验过程 1. 监控系统及光纤通信实验 （1）了解基于光纤通信传输的远程监控预警系统拓扑结构。结构如图1所示，已详细了解。 （2）连接并启动各实验设备系统并进行测试标定。标定展示结果如下： （3）通过回顾课堂讲述及查阅有关文献掌握光纤通信传输原理，在实验报告中补充。已在实验原理一栏做了充分补充。 2. 车辆环境感知实验 （1）了解双天线定位及惯性导航系统、激光雷达系统、毫米波雷达系统、视觉传感器及深度学习系统的原理。以上原理已在实验原理一栏作了充分补充，已做了充分了解。 （3）连接并启动各实验设备系统并进行测试标定。相关传感器标定结果如下图所示： 4）对双天线定位及惯性导航系统、激光雷达系统、毫米波雷达系统、视觉传感器及深度学习系统，记录典型场景数据及事件供实验报告分析。以下为典型环境感知与机器学习的典型场景： 显然，环境感知与机器学习系统能进行即时感知与学习。 （5）通过回顾课堂讲述及查阅有关文献掌握车辆环境感知实验设备原理，在实验报告中补充。车辆环境感知实验设备原理已在实验原理一栏做了充分说明。 3.驾驶行为实验 实验步骤： （1）有关教师及研究生现场讲解实验设备系统和实验要求，特别强调安全要求。 （2）连接并启动各实验设备系统并进行测试标定。 （3）对较疲劳状态的受试者进行测试。 （4）对精神饱满状态的受试者进行测试。 （5）每次测试均按如下步骤进行：受试者上车，在头部单极脑电（EEG）电极放置位置用酒精棉球或磨砂膏擦拭干净，以便去除皮肤的角质层并增加导电性能，将盘状电极涂满导电膏按国际10-20系统电极放置方法安放固定牢固，用酒精棉球或磨砂膏擦拭两个耳垂并安放脑电参考电极（即耳夹）；将肌电（sEMG）传感器安放在额头肌中部。启动视景系统，启动录像和脑电肌电测试设备，待脑电与肌电数值稳定后开始训练计时并进行驾驶，驾驶到三个循环结束后停测，备份数据供撰写报告使用。 （6）记录驾驶人工作负荷的测量数据、生理反馈测量仪图像及数据、视频监控数据、NASA-TLX量表，拍照共享，进行数据处理。 五、实验数据处理及分析 3. 驾驶行为实验 （1）驾驶人工作负荷的分析 （a）生理反馈测量仪 下图为生理仪测量的脑电波数据。它可以实时采集驾驶人的心电、脑电、肌电、面部表情等生理参数，同时输出驾驶人脑电生理基线测试图，包括驾驶人脑电、肌电、心电图、心率、血容、皮电测试图，如下图所示。该仪器的使用对于正常驾驶过程没有影响。 现代科学研究表明，人脑工作时会产生自发性电生理活动，该活动可通过专用的脑电记录仪以脑电波的形式表现出，在脑电研究中，至少存在有四个重要的波段。 脑电波是一些自发的有节律的神经电活动，其频率变动范围在每秒1－30次之间的，可划分为四个波段，即δ（1－3Hz）、θ（4－7Hz）、α（8－13Hz）、β（14－30Hz）。除此之外，在觉醒并专注于某一事时，常可见一种频率较β波更高的γ波，其频率为30~80Hz，波幅范围不定；而在睡眠时还可出现另一些波形较为特殊的正常脑电波，如驼峰波、σ波、λ波、κ-复合波、μ波等。 δ波 频率为1~3Hz，幅度为20~200μV。当人在婴儿期或智力发育不成熟、成年人在极度疲劳和昏睡或麻醉状态下，可在颞叶和顶叶记录到这种波段。 θ波 频率为4~7Hz，幅度为5~20μV。在成年人意愿受挫或者抑郁以及精神病患者中这种波极为显著。但此波为少年（10－17岁）的脑电图中的主要成分。 α波 频率为8~13Hz（平均数为10Hz），幅度为20~100μV。它是正常人脑电波的基本节律，如果没有外加的刺激，其频率是相当恒定的。人在清醒、安静并闭眼时该节律最为明显，睁开眼睛（受到光刺激）或接受其它刺激时，α波即刻消失。 β波 频率为14~30Hz，幅度为100~150μV。当精神紧张和情绪激动或亢奋时出现此波，当人从噩梦中惊醒时，原来的慢波节律可立即被该节律所替代。 在人心情愉悦或静思冥想时，一直兴奋的β波、δ波或θ波此刻弱了下来，α波相对来说得到了强化。因为这种波形最接近右脑的脑电生物节律，于是人的灵感状态就出现了 图中可以明显看出,α波和β波处于节律之中，整体脑电图处于波动中，θ波也处于波动中，当θ波波动说明脑负荷有所上升，由此可得当驾驶员面临突发情况时，脑负荷明显上升，这与后面我们分析的脑负荷上升节点相吻合。 （b）NASA-TLX量表 NASA-TLX（National Aeronautics and Space Administration—Task Load IndeX）量表是美国宇航局提出的一项主观负荷评估技术，近些年来被广泛地应用在驾驶员脑力负荷的测评上，具有良好的信度和效度。NASA-TLX主观评定量表是涉及6个负荷维度的多维脑力负荷评价量表，包括脑力需求（Mental Demand）、体力需求（Physical Demand）、时间需求（Temporal Demand）、业绩水平（Own Performance）、努力程度（Effort）和受挫程度（Frustration），采用20等分的10分制直线表示各维度强弱值，两两比较确定各维度的权重，受试驾驶人根据完成各驾驶任务的实际情况进行标记。再将6个维度对总负荷的贡献进行计算和排序，得出综合的脑力负荷值，分值越大表示脑力的负荷越大。在反映工作时人的信息处理系统被使用程度时，脑力负荷是是一个的指标，脑力负荷与人未用的闲置的信息处理能力之和，就是人的信息处理能力。脑力负荷NASA-TLX量表典型记录如图14所示。 第一步：在认真阅读上述各条目的详细说明后，根据自己所执行的工作实际情况，分别在代表六个条目的直线上相应的位置作一标记。除业绩水平外，其余五条目从左至右均为逐渐增加；而业绩水平从左至右为好到差。脑力需求体力需求时间需求业绩需求努力需求受挫需求低低低低低高高高高高低高第二步：在下列 15 组中，每 2 项进行相互比较，请选出每组 2 项中你认为对工作成绩影响最大的那一条目，在相应项目前打√√脑力需求 √时间需求 √努力程度 □努力程度 √脑力需求□体力需求 □受挫程度 □业绩水平 √体力需求 □受挫程度√体力需求 □业绩水平 √脑力需求 □受挫程度 √时间需求□时间需求 √体力需求 □努力程度 √体力需求 □业绩水平□努力程度 □时间需求 □业绩水平 □受挫程度 √努力程度√时间需求 √脑力需求 √脑力需求 √业绩水平 □受挫程度 图14 受试驾驶人NASA-TLX主观评定量表典型记录图 驾驶人在完成驾驶任务后，填写脑力负荷NASA-TLX量表，通过对这六个维度的负荷打分，最终得出一个综合的脑力负荷分数。 下面是我们实验所得得到的脑力负荷NASA-TLX量表 由此可得：负荷评价估计值表： 表2 负荷评估值计算表 负荷因素 脑力需体力需时间需业绩水努力程受挫程求 求 求 平 度 度 负荷评估值 TLX1 7 TLX2 8 TLX3 9 TLX4 7 TLX5 8 TLX6 10 根据负荷因数权重计算表 计算可得：W1=2/21 W2=3/21 W3=4/21 W4=3/21 W5=3/21 W6=6/21 最后，该任务驾驶工作负荷的总分TLX是每个维度的负荷评估值与对应权重乘积求和。 6TLXTLXi1i•（Wi1)/21 TLX=7*2/21+8*3/21+9*4/21+7*3/21+8*3/21+10*6/21=8.5238 得出综合的脑力负荷值分值较大，表示脑力的负荷较大。 （c）次任务分析法分析 次任务测量法广泛的应用于评估多任务驾驶时的脑力负荷。应用次任务测量法时，被试同时从事两件工作。消耗主要精力的任务称为主任务，利用多余的能力从事的另一项任务被称为次任务。这种测量方法通过被试在次任务上的表现水平，来测量被试尚未用到的能力。多任务驾驶相关实验中，被试通常被要求尽量保证驾驶绩效水准，这样次任务的表现被认为反应了脑力负荷上的差别。次任务测量法优点在于可以准确地判断主任务和次任务的难度。其缺点辅助任务通常会对主任务造成干扰，影响测量结果。次任务测量法的缺点面临的主要挑战在于，它假定人的信息处理能力是一定的，或者是无差别的。在选择次任务的时候也很难找出一个标准的、合适的次任务。次任务通常会对主任务造成干扰，使得测量结果不能反映出主任务中需要的脑力负荷。 下面为次任务分析表 次任务表的任务为驾驶员面临突发状况和路口处由测试员提出简单数学问题。由图中可以看出，第一次测试，驾驶员正确回答了4个问题，用时分别为0.2s,1s,0.5s,1s,0.4s。第二次和第三次反应时间较长，总体来说脑负荷较大。第二次测试，正确回答了三个问题，答错一个，用时分别为0.4s,0.6s,1s,2s。此时脑负荷比第一次测试更大，与前后的不同脑负荷测试结果相一致。 （d）车辆行驶状态及驾驶参数表数据分析 根据车辆行驶状态及驾驶参数表做出以下图像： 行驶总距离 行驶速度 转向盘转角 右车轮转角 车辆偏距 制动电压 加速电压 转向电压 由以上图像可以分析知：驾驶员脑负荷增大与驾驶员制动和转向的时间点相吻合，由此可以推知在面临紧急状况驾驶员制动或者在路口转向时，驾驶员会有较大的脑负荷。 六、实验结论及总结 由以上数据分析可知，有以下结论：α波和β波处于节律之中，整体脑电图处于波动中，θ波也处于波动中，当θ波波动说明脑负荷有所上升，由此可得当驾驶员面临突发情况时，脑负荷明显上升，这与后面我们分析的脑负荷上升节点相吻合。由任务分析表综合驾驶员主观感受，得出综合的脑力负荷值分值较大，表示脑力的负荷较大。次任务表的任务为驾驶员面临突发状况和路口处由测试员提出简单数学问题。由图中可以看出，第一次测试，驾驶员正确回答了4个问题，用时分别为0.2s,1s,0.5s,1s,0.4s。第二次和第三次反应时间较长，总体来说脑负荷较大。第二次测试，正确回答了三个问题，答错一个，用时分别为0.4s,0.6s,1s,2s。此时脑负荷比第一次测试更大，与前后的不同脑负荷测试结果相一致。由以上图像可以分析知：驾驶员脑负荷增大与驾驶员制动和转向的时间点相吻合，由此可以推知在面临紧急状况驾驶员制动或者在路口转向时，驾驶员会有较大的脑负荷。由此，我们可以得到这样的结论，要实现实现车联网的环境感知，应加强机器学习模块处理突发事件和在路口处信息通信与道路检测功能，要求该模块有较快的交互速度以及较短的反应时间。 七、体会及建议 这次的实验一共做了三个，包括：监控系统及光纤通信实验；车辆环境感知实验；驾驶行为实验。各有特点。 通过这次实验，我大开眼界，因为这次实验学习了解了物联网概念与发展现状、车联网发展背景和现状、车联网技术研究的必要性分析、人车路环境系统、车联网的基本框架、车联网服务和相关应用、车联网技术体系、我国车联网技术发展现状、交通流参数、车路协同技术、车载通信网络、车载无线通讯技术，综合运用所学知识，进行监控系统及光纤通信实验、车辆环境感知实验、驾驶行为实验。通过对车载信息及车辆运行环境室和驾驶行为实验全程监控场景实时监视、对车辆环境感知传感器认知及深度学习过程了解、道路及周围环境对驾驶员行为的影响测试分析，特别是不同交通环境下的驾驶行为特征、操纵行为特征、驾驶操作时间、脑电、肌电等，通过实验、测试、分析，巩固和综合所学知识并提高了我的研究分析能力。它让我深刻体会到实验前的理论知识准备，也就是要事前了解将要做的实验的有关质料，如：实验要求，实验内容，实验步骤，最重要的是要记录什么数据和怎样做数据处理，等等。虽然做实验时，指导老师会讲解一下实验步骤和怎样记录数据，但是如果自己没有一些基础知识，那时是很难作得下去的，惟有胡乱按老师指使做，其实自己也不知道做什么。 在这次实验中，我学到很多东西，加强了我的动手能力，并且培养了我的独立思考能力。特别是在做实验报告时，因为在做数据处理时出现很多问题，如果不解决的话，将会很难的继续下去。例如：数据处理时，遇到要进行数据获取，这就要求懂得matlab 、excel软件一些基本操作；还有画图时，也要用软件画图，这也要求懂得excel软件的插入图表命令。我还意识到了做实验首先要充分理解实验的各个环节才能游刃有余，只有充分理解了每个步骤思维通道才能完全打开。当然不只学到了这些，这里我就不多说了。 还有动手这次实验，使测试技术这门课的一些理论知识与实践相结合，更加深刻了我对车联网技术基础这门课的认识，巩固了我的理论知识。 对与实验的建议是希望学院多开这样的实验课，真的很能增长我们的见识，与前沿科技接轨，学到了很多东西。 本文来源：https://www.wddqw.com/doc/a9cb724026c52cc58bd63186bceb19e8b8f6ecb1.html