سامانه فازی عصبی هشدار تصادف تعاملی مبتنی بر رفتار راننده در تصادفات زنجیره ای با استفاده از ارتباطات بین خودرویی

عدم توجه به تفاوت رانندگان در میزان درک خطر در سامانه های هشدار تصادف موجب می شود هشدارهای نابجا و غیر ضروری در این سامانه ها افزایش یابد. در این پژوهش مدلی مبتنی بر فناوری ارتباطات بین خودرویی و براساس رفتار راننده ارائه شده است. در مدل پیشنهادی فعال سازی سامانه مبتنی بر شاخص درک خطر انجام می پذیرد. سپس موقعیت هایی که به صورت بالقوه خطرناک محسوب می شوند با استفاده از یک شبکه عصبی شناسایی می گردد. در گام بعد اختلاف شتاب ترمز با فرض هشدار یا عدم هشدار به راننده با استفاده از یک تخمین گر فازی عصبی محاسبه می شود. در نهایت براساس سابقه شتاب ترمز راننده، نسبت به هشداردهی به ایشان اقدام می گردد. نتایج بر روی مجموعه داده های محک ان جی سیم (ngsim) که شامل بیش از 11 میلیون رکورد از رفتار رانندگی حدود 3300 راننده می باشد، با استفاده از نرم افزار متلب ارزیابی گردیده است. دقت سامانه در شناسایی موقعیت های بالقوه خطر 97 درصد بوده است و خطای تشخیص شتاب ترمز 8/4 درصد می باشد. دقت سامانه درهشدار دهی نیز 98 درصد بدست آمده است . بر این اساس مدل پیشنهادی با حذف هشدارهای غیرضروری و نابجا موجب افزایش اطمینان راننده به سامانه و سفارشی شدن آن بر اساس رفتار رانندگی می گردد.

neuro-fuzzy cooperative collision warning system in based on driver behavior in chain accident using connected vehicles

failure to pay attention to the difference in drivers’ perceptions of danger in collision warning systems increases unnecessary warnings. in this research, a model based on connected vehicle technology and based on driver behavior is presented. in the proposed model, the system is activated based on risk perception index. situations that are potentially dangerous are then identified using a neural network. in the next step, the brake acceleration difference is calculated using an adaptive neural fuzzy estimator between two situations when the driver receives a warning or he does not. finally, based on the driver’s brake history, he will be warned. the results are evaluated on ngsim benchmark data set, which contains more than 11 million records of driving behavior of about 3300 drivers, using matlab software. the accuracy of the system in detecting potential risk situations is 97% .the accuracy of the warning system is 98%. accordingly, the proposed model increases the driver’s confidence and customizes warning system based on driving behavior by eliminating unnecessary warnings.