面向人機共駕車輛的駕駛?cè)孙L險感知是接管時正確應(yīng)激反應(yīng)和操作的前提，是交通安全領(lǐng)域的研究重點。分析了人機共駕車輛駕駛?cè)孙L險感知概念及其特性；從駕駛?cè)颂匦?、自動駕駛系統(tǒng)、駕駛情景這3個方面分析了人機共駕車輛駕駛?cè)孙L險感知的影響因素；從駕駛行為表現(xiàn)、接管績效和主觀評價這3個方面對人機共駕車輛駕駛?cè)孙L險感知衡量方法進行歸納總結(jié)；梳理歸納了基于駕駛?cè)伺嘤?、輔助設(shè)備調(diào)節(jié)的風險感知能力提升方法。結(jié)果表明：相比于手動駕駛，人機共駕車輛駕駛?cè)孙L險感知能力較低，且是多因素耦合作用下的結(jié)果；現(xiàn)有風險感知能力評價方法各有弊端，缺少可廣泛應(yīng)用的普適性量化方法；對駕駛?cè)藸顟B(tài)進行動態(tài)監(jiān)測和調(diào)節(jié)是保障人機共駕車輛安全應(yīng)用的前提。基于現(xiàn)有研究中存在的問題，指出了人機共駕車輛駕駛?cè)孙L險感知未來研究方向，主要包括多因素耦合情況下的風險感知研究、風險感知能力量化模型構(gòu)建、風險感知能力安全閾值研究、風險感知能力動態(tài)監(jiān)測與穩(wěn)態(tài)保持方法研究。（馮忠祥，等：面向人機共駕車輛的駕駛?cè)孙L險感知研究綜述）

港船作業(yè)區(qū)域人員的異常行為識別可為智能航運的管控與決策提供重要數(shù)據(jù)支撐，有利于推動智慧港口和智能船舶的發(fā)展?；诋惒浇换ゾ酆暇W(wǎng)絡(luò)開展了面向港船工作環(huán)境下的人員異常行為識別研究?；赮OLO模型對港船圖像進行卷積操作，利用特征金字塔優(yōu)化卷積結(jié)果得到圖像序列中每一幀的人員位置，結(jié)合聯(lián)合學習檢測和嵌入范式輸出港船圖像序列中的人、物體特征信息以及時序信息；利用異步交互聚合網(wǎng)絡(luò)中的交互聚合結(jié)構(gòu)更新特征池的多維度特征信息，以識別港區(qū)與船舶工作環(huán)境下的人員異常行為。實驗結(jié)果表明：提出的港船作業(yè)區(qū)域人員異常行為識別方法的平均識別精度為91%，在港區(qū)工作環(huán)境下的人員異常行為識別精度為85%，在船舶駕駛臺環(huán)境下，提出的異常行為識別框架對船員的不安全行為識別精度達到97%。所提出的識別框架在不同港船作業(yè)區(qū)域環(huán)境中都能獲得較好的精度，驗證了其有效性和可靠性。（陳信強，等：基于異步交互聚合網(wǎng)絡(luò)的港船作業(yè)區(qū)域人員異常行為識別）

碰撞時間（TTC）是評價車車碰撞風險的有效指標，然而該指標分布規(guī)律受到交通狀態(tài)影響。為研究車車（V2V）通信環(huán)境下不同交通狀態(tài)的TTC分布規(guī)律，通過構(gòu)建基于LTE-V技術(shù)的車車通信環(huán)境，開展實車實驗獲取4種典型城市道路中的駕駛數(shù)據(jù)。考慮加速度和航向角建立動態(tài)沖突辨識模型，計算車輛以任意角度接近時的TTC值；針對TTC值的結(jié)果出現(xiàn)多峰值現(xiàn)象，將交通流分為“擁堵、緩行、暢通”這3種狀態(tài)，構(gòu)建了考慮交通流狀態(tài)的高斯混合模型以描述不同交通狀態(tài)下的TTC分布規(guī)律，并采用最大期望（EM）算法進行參數(shù)求解。將所建高斯混合模型與負指數(shù)分布、對數(shù)正態(tài)分布、負指數(shù)/對數(shù)正態(tài)混合分布這3種傳統(tǒng)的TTC分布模型進行對比，采用校正決定系數(shù)R2評價模型的擬合優(yōu)度，并通過K-S檢驗驗證模型的有效性。在此基礎(chǔ)上，將所建高斯混合模型應(yīng)用于非車車通信條件下不同交通狀態(tài)的TTC分布擬合描述，進一步驗證模型的適用性。結(jié)果表明：車車通信環(huán)境下“擁堵、緩行、暢通”這3種交通狀態(tài)下的高斯分布均值逐漸增大，所處交通場景的碰撞風險依次降低；考慮交通狀態(tài)的TTC高斯混合模型擬合優(yōu)度為0.950 5，相較于其他TTC混合分布模型，擬合優(yōu)度提升了0.057 5。（賴子良，等：車車通信環(huán)境下考慮交通擁堵狀態(tài)的碰撞時間混合分布建模研究）

為了提高居民出行健康，建立了評估出行者采用不同出行方式時的PM人體攝入量估算方法體系。使用PM檢測儀采集各出行方式（步行、自行車、公交、出租車、地鐵）不同交通空間（包括車廂、站臺、人行道等出行者在出行過程中身處的周圍環(huán)境空間）的PM濃度，建立了基于多元線性回歸的PM濃度與影響因素的關(guān)系模型，并考慮出行個體心率指標的變化建立空氣吸入量模型。根據(jù)出行者的單位時間空氣吸入量并結(jié)合出行時間和PM濃度，可對出行者1次完整出行中PM2.5和PM10攝入量進行估算。西安市的試驗數(shù)據(jù)分析結(jié)果表明：出租車內(nèi)、公交車廂、地鐵車廂的PM濃度與環(huán)境監(jiān)測站（即背景環(huán)境）獲得的PM濃度存在顯著性差異，人行道、非機動車道、出租車?？奎c、公交站臺、地鐵站廳、地鐵站臺的PM濃度則差異不顯著；背景環(huán)境的PM濃度和濕度對不同出行方式交通空間的PM濃度的增加起到促進作用，溫度、風速對交通空間PM濃度的增加起到抑制作用；對于本次試驗路徑，慢行交通中自行車出行者的PM攝入量最低，機動化交通中乘坐地鐵的出行者的PM攝入量最低；步行出行者的單位時間空氣吸入量低但暴露在交通空間的時間長，自行車出行者單位時間空氣吸入量高但暴露在交通空間的時間短；公交的站臺候車和頻繁停車增加了人體的PM攝入量。研究成果可用于預(yù)測出行者完整出行的PM攝入量，為出行者選擇更為健康的出行方式提供建議。（朱才華，等：不同出行方式交通空間顆粒物濃度特征及人體攝入量估算方法研究）