مدل تشخیص خطر راننده بر مبنای تحرک و سرعت حرکت عوامل خطر در عرض جاده

یکی از مهم‌ترین و مقدم ترین مراحل عکس العمل راننده تشخیص صحیح عوامل خطر در زمان مناسب است. زمانی یک خطر در جاده بموقع تشخیص داده می شود که کاملاً برای راننده قابل رویت باشد. انواع مختلفی از عوامل خطر نظیر موانع ثابت، عابرین و حیوانات در جاده ها وجود دارند که برخی از آنها از عرض جاده عبور می کنند. دراین شرایط تشخیص بموقع و واکنش پس از آن در پیشگیری از تصادف  بسیار حایز اهمیت است. در این پژوهش فرضیه این است که افزایش سرعت حرکت عوامل خطر در عرض جاده در تشخیص خطر راننده موثر است. به منظور بررسی فرضیه مذکور، گروه‌های مختلف راننده شامل رانندگان بدون تجربه، کم تجربه و دارای تجربه زیاد رانندگی انتخاب شدند و سناریوهای مختلف محیطی نیز طراحی گردید. همچنین برای جمع آوری داده های واکنش رانندگان و سایر متغیرهای رانندگی از شبیه ساز رانندگی استفاده شد.‌ در نهایت مدل پیشنهادی، فازی سوگنو بود که ارتباط بین امتیاز تشخیص خطر راننده و سرعت حرکت عوامل خطر در عرض جاده را برآورد می نمود. نتایج نشان داد حرکت عرضی عوامل خطر موجود در جاده و همچنین افزایش سرعت حرکت آنها موجب افزایش امتیاز تشخیص خطر راننده و واکنش سریع‌ تر او می شود. شیب صعودی نمودار امتیاز تشخیص خطر راننده نسبت به افزایش سرعت عوامل خطر در شرایط مختلف بین 2 تا 50 درصد است. نتایج این پژوهش در طراحی سناریوهای آموزشی و آزمون تشخیص و درک خطر راننده بخصوص رانندگان کم تجربه و همچنین آشکارسازی خطرات ثایت و دارای سرعت کمتر در جاده ها مفید است.

The drivers’ hazard detection model based on hazards’ Mobility and crossing speed of hazard factors

One of the most important parts of the driver reaction is detecting hazard in prominent time. A hazard is detected in the right time if it is completely visible for the driver. There are various hazard types such as fixed obstacles, pedestrians, and animals that some of them cross the road. Righttime hazard detection and the postreaction is of high importance in accident prevention. It is assumed, in this paper, that increasing crossing speed of hazards affects the driver’s hazard detection. Different driver types including novice, lowexperienced, and experienced drivers are chosen and various environmental scenarios are also designed. The eventual suggested model is Fuzzy Sugeno that estimates relation between the driver’s detection score and the hazards’ crossing speed. The results show that hazards’ crossing and also increased crossing speed raises drivers’ detection score and decreases reaction time. The increasing slope of the drivers’ detection score diagram in relation with hazards’ crossing speed in different conditions is 2% to 50%. The results are useful in training and hazard perception and detection tests, especially, for novice drivers and also, in making fixed and lowspeed crossing hazards recognizable.