为直观展示换道过程中驾驶人视觉感知与手脚操作的细节特征，研究了多视图协同可视化的换道图谱。采用驾驶模拟舱进行高速公路驾驶实验，提取换道过程相关指标数据。将平行坐标、计数图、柱状图与换道轨迹协同可视化以构建换道图谱。采用多视图交互技术对提取的40个换道过程进行分析，提出换道过程的合格区范围并以此将换道图谱分为合格、临界合格和不合格3类，并对不合格图谱进行致因分析。结果表明，合格、临界合格和不合格图谱的比例分别为10.00%、12.50%和77.50%。不合格图谱的转向盘转速、加速度、横向加速度的平均标准差（6.57°；0.91 m/s²；0.41 m/s²）都大于合格图谱的平均标准差（4.55°；0.34 m/s²；0.17 m/s²）。导致图谱不合格的主要因素是：驾驶人手的急速操作引起转向盘转动幅度过大、横向加速度过大；驾驶人脚的急速操作引起纵向加速度的变化幅度过大。换道图谱能够精准地对换道过程进行可视化分析与诊断，为驾驶人优化换道行为提供支撑。

基于现有网联数据获取技术与条件，从车联网系统提取车头时距参数并将3 s内的车头时距特征值定义为驾驶模式，根据驾驶模式进而对驾驶风格（即驾驶人的驾驶行为习惯）进行分类。通过车头时距特性对驾驶模式进行量化分类，根据标定好的驾驶风格结果，辨识每种驾驶风格包含的典型驾驶模式；运用模糊分类方法赋予典型驾驶模式相应分值，通过计算每位驾驶人分值并结合已标定的驾驶风格结果设定每种驾驶风格的阈值；利用该阈值对测试集中的驾驶人风格进行识别，以验证识别准确率。采集了44名驾驶人网联环境行车数据将驾驶人标定为激进型、普通（即既不保守也不激进）型和保守型。按上述方法设置各驾驶风格阈值，结果表明：各驾驶风格的阈值分别为：S < 64.67为保守型，64.67 ≤ S < 181.20为普通型，S ≥ 181.20为激进型；使用所提方法来识别驾驶人风格，总体准确率为85.7%。所提出的基于车头时距的驾驶风格分类方法，使用了极精简的驾驶行为参数，为驾驶风格分类应用提供了新思路。

基于驾驶模拟器设计了城市道路信号和无信号交叉口场景下的模拟驾驶实验，研究网联信息的存在和内容对青年驾驶人工作负荷和操纵行为的影响。实验共包括被试26人，均为22~30岁的青年驾驶人。结果表明：对无信号交叉口（区分次干路直行车辆和主路对向左转车辆）或信号交叉口红灯时间即将结束时，网联信息可以显著降低青年驾驶人的工作负荷，有效降低心率增长值（信号交叉口：减少1.95 beats/min；无信号交叉口：分别减少2.96 beats/min和3.29 beats/min）。此外，网联信息还可以显著降低青年驾驶人的制动反应时间（信号交叉口：降低2.35 s；无信号交叉口：分别降低2.71 s和2.09 s），减少车辆速度标准差（信号交叉口：31.33%；无信号交叉口：分别减少47.40%和60.23%），提升了驾驶稳定性。在信号交叉口车辆行进方向的红灯时间即将结束时，相比于指示信息，车路网联指令信息可使制动反应时间减少3.47 s，车辆的速度标准差减少39.10%。

为探究自动驾驶中驾驶次任务沉浸等级对接管行为的影响，基于驾驶模拟器搭建自动驾驶接管行为测试平台，设计事故接管场景，基于驾驶次任务（娱乐任务和工作任务）和接管请求时间（5 s和10 s）因素组合开发4个事故接管情景，招募被试参与驾驶模拟实验并采集驾驶人的接管行为数据，选择速度、横向偏移、接管反应时间和接管正确时间4个指标衡量接管行为。研究结果表明：①速度随着驾驶次任务沉浸等级的降低而降低，接管车辆后的降速幅度随之增大；接管请求时间为5 s时，驾驶次任务沉浸等级对横向偏移具有显著影响；②接管请求时间为10 s时，驾驶次任务沉浸等级对接管反应时间具有弱显著性（p = 0.056 < 0.1）, 接管反应时间随着驾驶次任务沉浸等级的增加而逐级降低（低沉浸等级=3.94 s；中沉浸等级=3.45 s；高沉浸等级=3.21 s）；驾驶次任务沉浸等级对接管正确时间均具有统计学差异（5 s时：p =0.031 < 0.05；10 s时：p =0.019 < 0.05），接管正确时间随着驾驶次任务沉浸等级的上升而降低；③在相同驾驶次任务条件下，接管反应时间随着驾驶次任务沉浸等级的升高而降低，统计结果表明驾驶次任务与驾驶次任务沉浸等级的交互作用对接管反应时间无统计学差异，而对接管正确时间具有显著影响。

针对基于强化学习的车辆驾驶行为决策方法存在的学习效率低、动作变化不平滑等问题，研究了1种融合不同动作空间网络的端到端自动驾驶决策方法，即融合离散动作的双延迟深度确定性策略梯度算法（TD3WD）。在基础双延迟深度确定性策略梯度算法（TD3）的网络模型中加入1个输出离散动作的附加Q网络辅助进行网络探索训练，将TD3网络与附加Q网络的输出动作进行加权融合，利用融合后动作与环境进行交互，对环境进行充分探索，以提高对环境的探索效率；更新Critic网络时，将附加网络输出作为噪声融合到目标动作中，鼓励智能体探索环境，使动作值预估更加准确；利用预训练的网络获取图像特征信息代替图像作为状态输入，降低训练过程中的计算成本。利用Carla仿真平台模拟自动驾驶场景对所提方法进行验证，结果表明：在训练场景中，所提方法的学习效率更高, 比TD3和深度确定性策略梯度算法（DDPG）等基础算法收敛速度提升约30%；在测试场景中，所提出的算法的收敛后性能更好，平均压线率和转向盘转角变化分别降低74.4%和56.4%。

各类碰撞预警系统已广泛应用于具有驾驶辅助功能的车辆上，为研究预警系统对风险状态下车辆交互行为特征的影响机理，并评估其对行车风险的干预效果，采用15辆搭载预警系统的试验车辆在真实高速公路场景下进行实车群组试验，通过有-无预警情形对比试验及分析，从车辆交互行为特征指标、道路总体运行风险、驾驶员对预警系统认可度3个维度，对行车风险干预效果进行定量化综合评估。试验结果表明：微观层面，有预警情形下，跟驰、超车换道2类行车安全事件下的车头时距均值分别增加了0.37 s和0.34 s，方差分析结果显示预警系统开闭状态对车头时距有显著影响（p＜0.05）；中观层面，试验路段2类行车安全事件频数分别下降了16.0%和23.7%，试验车辆群组在路段上的运行速度分布离散性显著降低；调查问卷显示试验人员中，86.7%在接收到预警信息后会采取趋于安全的措施，73.3%非常认同预警系统对道路交通安全提升的积极作用。

交通事故与驾驶风格具有强烈的相关性，而驾驶风格的直观体现是驾驶行为。为深入分析驾驶行为与驾驶风格的关联性，探索不同驾驶风格群体之间的差异，筛选驾驶风格分类与识别影响因素，建立驾驶风格识别模型并验证有效性。依托车联网实验数据，利用K-means++算法对驾驶员样本数据集进行驾驶风格聚类，设计支持向量机-递归特征消除（SVC-RFE）与随机森林-递归特征消除（RF-RFE）算法进行驾驶特征重要度排序，利用筛选出的特征指标搭建神经网络驾驶风格识别模型。结果表明：①特征个数n = 6时，2种特征排序算法的排序正确率均高于85%，其中RF-RFE的正确率可达90%；②特征排序中重要度最高的指标为最大速度，其在3种驾驶风格群体中的差异可达10 m/s；③仅以最大速度作为输入，驾驶风格识别模型精度为86.1%，表明最大速度可有效区分驾驶风格。