XiaoMi-AI文件搜索系统
World File Search System驾驶员的
驾驶员的电动汽车指南
由于以下原因，电动汽车所需的维护更少。没有发动机，变速箱以及燃料和排气系统。•更换的流体较少（例如与冰有关的液压药），没有换油。•较长的组件寿命。电动机和电池的零件较少，随着时间的推移会磨损。
飞行员和驾驶员的平视显示器
平视显示器 (HUD) 最初在航空业中用作飞行员的综合信息显示器，然后由于其对飞行员的普遍认可的好处而被应用于汽车行业。随着智能可穿戴设备和移动设备（如 Google Glass 和 Garmin HUD）的蓬勃发展，HUD 可能会越来越受到飞行员和驾驶员的欢迎，因为它可以降低成本，并且可以灵活地开发具有不同界面和交互的新应用程序。然而，尽管 HUD 在航空业中具有诸多好处，但在将 HUD 应用于车辆和飞机之前，还需要考虑和研究更多的人为因素、人体工程学和心理因素 [1]。这些新的信息娱乐或信息设备将如何影响驾驶和驾驶表现？HUD 是否会像对飞行员有益一样为驾驶员带来声称的好处，还是实际上会造成更多操作员分心的来源？
提高高级驾驶员的可靠性...
摘要： - 高级驾驶员辅助系统（ADAS）的进步标志着汽车技术的关键发展，旨在通过各种功能来提高道路安全和驱动效率，例如盲点检测，紧急制动和自适应巡航控制。本研究论文深入研究了ADAS组件的运营完整性，绩效指标和维护策略，其基础是涉及数据收集，预处理，功能工程，机器学习模型开发和严格验证过程的全面方法。对ADAS组件的系统检查表明它们在车辆安全性和可靠性中的重要性。仔细评估了前置摄像头，激光雷达，雷达和超声传感器的可见性，距离，速度和转向角度。维护日志显示主动错误代码管理，提高效率。SVM，梯度提升和随机森林机器学习模型预测了验证和测试期间ADAS组件故障。随机森林的精度为90％，精度为92％，召回88％和90％的F1。梯度提升是最准确的，精度为93％，精度为94％，召回91％和92％的F1。SVM预测ADAS组件的精度为88％，精度为90％，召回87％和87％的F1得分。机器学习有助于从反应性转向主动维护。建模传感器信号质量，执行器反应时间，错误代码频率和维护间隔可实现预测性维护和故障检测。功能工程使用维护日志和操作KPI构建预测模型。模型预测ADAS组件故障，提高了车辆安全性和可靠性。使用外部数据改善了预测性维护模型。维护模型的适应性和预测精度已通过交通，事故和制造商升级后的ADAS操作证明。预测性维护和机器学习提高了ADA的可靠性和安全性。高级分析和数据驱动的见解可以减少汽车系统故障，从而提高安全性和可靠性。
PCA驾驶员的ED技术检查表
安全约束：在两个座位上的工厂或更好的安装；必须牢固地安装；皮带没有磨损；乘客和驾驶员的同等限制。4点线束禁止，除了Schroth快速拟合Schroth批准的汽车型号外。5-，6和7点安全带必须使用带有工厂路由孔的座椅。到期日期遵守最低标准的SFI和FIA通知。p F头和颈部约束（汉斯）：安全带。p f结构完整性：没有松动的身体或内部零件；在悬架点或附近没有结构性生锈。p f门：必须从内部和外部运行。p f挡风玻璃：驾驶员直接视线的前挡风玻璃上没有裂缝。不会损害视力。p f镜子：最少状态良好并牢固地安装的单镜。p f刹车灯：功能且可见的刹车灯。p f转向信号：对于注册的街车，运行和可见的转弯信号，左右前后。未注册的赛车不需要。p f气盖：到位并固定，垫圈完整。p f流体：任何类型的流体均无滴水。p f流体线：适当的配件和线路状况。P F电池：检查电缆，腐蚀或泄漏迹象的一般状况。剧烈摇摆时，电池应保持牢固固定。p f油门返回：自由操作和适当的弹簧。p f皮带：风扇和其他辅助皮带，状况良好，张力良好。p f刹车：制动踏板必须坚固。
驾驶员的视线行为和扫视模式
在弯路上驾驶时执行次要任务（或与驾驶无关的任务）可能存在风险且不安全。本研究的目的是探索是否可以使用多种眼球运动测量方法来评估弯路和次要任务情况下的驾驶安全性。除了典型的静态视觉测量（例如扫视频率和持续时间）之外，我们还采用了基于马尔可夫的转换算法（转换/平稳概率、熵）来量化驾驶员的动态眼球运动模式。这些算法的评估基于一项实验（Jeong & Liu，2019）的数据，该实验涉及多种道路曲率和刺激-反应次要任务类型。在较陡的弯道中，驾驶员更有可能长时间扫描少数感兴趣的区域。在实验中，不太陡的弯道中总的低头扫视时间更长，但从长远来看，较陡的弯道中低头扫视的概率更高。感兴趣区域之间的可靠转换次数因次要任务类型而异。视觉要求不高的任务的视觉扫描模式与视觉要求高的任务一样随机。与典型的静态测量相比，基于马尔可夫的动态眼球运动测量可以更好地了解驾驶员的潜在心理过程和扫描策略。所提出的方法和结果可用于车载系统设计和进一步分析交通领域的视觉扫描模式。
道路环境如何影响驾驶员的工作负荷？
本文重点研究了驾驶员在乡村双车道公路上行驶时的工作负荷，这些公路的交通流量各不相同。研究的目的是研究一个可以代表驾驶努力的参数，该参数对干扰正常驾驶活动的外部因素非常敏感。为了解决这个问题，作者使用了一种特殊的仪器车辆来监测驾驶员的一些生理参数（如眼球运动和皮肤电化学电阻），并将其值与道路环境联系起来。结果非常有趣，并证实了只有当工作负荷与外部环境以及道路几何形状、交通、能见度等相关时，了解工作负荷才有助于提高道路安全。只有这样，道路管理人员才能推断出适当的信息，以规划和指导准确、高效的升级工作操作。© 2017 作者。由 Elsevier Ltd. 出版。同行评审由第 10 届国际科学会议 Transbaltica 2017：交通科学与技术组委会负责。
驾驶员的视线行为和扫视模式
在弯路上驾驶时执行次要任务（或与驾驶无关的任务）可能存在风险且不安全。本研究的目的是探索是否可以使用多种眼球运动测量方法来评估弯路和次要任务情况下的驾驶安全性。除了典型的静态视觉测量（例如扫视频率和持续时间）之外，我们还采用了基于马尔可夫的转换算法（转换/平稳概率、熵）来量化驾驶员的动态眼球运动模式。这些算法的评估基于一项实验（Jeong & Liu，2019），该实验涉及多种道路曲率和刺激-反应次要任务类型。在较陡的弯道中，驾驶员更有可能长时间扫描少数感兴趣的区域。在实验中，不太陡的弯道中总的低头扫视时间更长，但从长远来看，较陡的弯道中低头扫视的概率更高。感兴趣区域之间的可靠转换次数因次要任务类型而异。视觉要求不高的任务的视觉扫描模式与视觉要求高的任务一样随机。与典型的静态测量相比，基于马尔可夫的动态眼球运动测量提供了更好的洞察力，可以更好地了解驾驶员的潜在心理过程和扫描策略。所提出的方法和结果可用于车载系统设计和进一步分析交通中的视觉扫描模式
飞机驾驶员的认知工作量评估
在本研究中，我们研究了飞机飞行员在模拟起飞过程中的认知负荷。我们提出了一个概念验证设置环境，用于在模拟器中收集 A320 起飞期间的心率、瞳孔扩张和大脑认知负荷数据。在实验期间，我们收集了 13 名飞行员的 136 次起飞，时间序列数据超过 9 小时。此外，本文研究了此类练习期间心率、瞳孔扩张和认知负荷之间的相关性，发现在关键时刻（例如发动机故障）认知负荷的激增会增加飞行员的心率和瞳孔扩张。结果表明，起飞过程中的关键时刻会增加飞行员的认知负荷。接下来，我们使用 stacked-LSTM 模型来预测未来 5 秒的认知负荷。该模型能够产生准确的预测。
对电动汽车机队经理和电动汽车驾驶员的调查
本报告是作为由美国政府机构赞助的工作的帐户准备的。美国政府，其任何机构，或其任何雇员均未对任何信息，设备，产品或流程的准确性，完整性或实用性承担任何法律责任或责任，或者承担任何法律责任或责任，或者表示其使用将不会侵犯私人拥有权利。在此引用以商业名称，商标，制造商或其他方式参考任何特定的商业产品，流程或服务。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。