مدل تشخيص خطر راننده بر مبناي تحرك و سرعت حركت عوامل خطر در عرض جاده

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

يكي از مهم ترين و مقدم ترين مراحل عكس العمل راننده تشخيص صحيح عوامل خطر در زمان مناسب است. زماني يك خطر در جاده بموقع تشخيص داده مي شود كه كاملا براي راننده قابل رويت باشد. انواع مختلفي از عوامل خطر نظير موانع ثابت، عابرين و حيوانات در جاده ها وجود دارند كه برخي از آنها از عرض جاده عبور مي كنند. دراين شرايط تشخيص بموقع و واكنش پس از آن در پيشگيري از تصادف بسيار حايز اهميت است. در اين پژوهش فرضيه اين است كه افزايش سرعت حركت عوامل خطر در عرض جاده در تشخيص خطر راننده موثر است. به منظور بررسي فرضيه مذكور، گروه هاي مختلف راننده شامل رانندگان بدون تجربه، كم تجربه و داراي تجربه زياد رانندگي انتخاب شدند و سناريوهاي مختلف محيطي نيز طراحي گرديد. همچنين براي جمع آوري داده هاي واكنش رانندگان و ساير متغيرهاي رانندگي از شبيه ساز رانندگي استفاده شد. در نهايت مدل پيشنهادي، فازي سوگنو بود كه ارتباط بين امتياز تشخيص خطر راننده و سرعت حركت عوامل خطر در عرض جاده را برآورد مي نمود. نتايج نشان داد حركت عرضي عوامل خطر موجود در جاده و همچنين افزايش سرعت حركت آنها موجب افزايش امتياز تشخيص خطر راننده و واكنش سريع تر او مي شود. شيب صعودي نمودار امتياز تشخيص خطر راننده نسبت به افزايش سرعت عوامل خطر در شرايط مختلف بين 2 تا 50 درصد است. نتايج اين پژوهش در طراحي سناريوهاي آموزشي و آزمون تشخيص و درك خطر راننده بخصوص رانندگان كم تجربه و همچنين آشكارسازي خطرات ثايت و داراي سرعت كمتر در جاده ها مفيد است.

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. Right-time hazard detection and the post-reaction 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, low-experienced, 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 low-speed crossing hazards recognizable.