驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估（MDDRA）模型，该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test（TeleFOT）收集了在英国东米德兰地区使用相同路线的真实数据。结果显示，通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心（驾驶员、车辆和环境）与基于连续分心严重程度评分的分类严重程度之间的相关性。此外，我们应用机器学习技术对驾驶员分心进行分类和预测，以在情况被认为存在风险时帮助控制从驾驶员转移到车辆（接管车辆）。集成袋装树算法表现最佳，准确率为 96.2%。

Feb, 2024

利用遥测数据和上下文信息构建驾驶风险预测框架，采用数据驱动过程增强风险标签，并在真实数据中进行验证。

May, 2023

基于知识的逻辑从公共交通事故数据集中提取出了定义危险驾驶形式的知识，这对于识别交通危险非常关键，可以监督和改进安全关键系统中的人工智能模型。同时，我们使用自动验证方法验证了这种逻辑的健壮性。

Dec, 2023

本文基于实地数据，探究了驾驶教练在不同驾驶操作时的评论风格，成功地使用基于透明树的方法自动生成符合该风格的自然语言解释，为今后在驾驶辅助和自动驾驶功能上实现更强大和有效的可解释性奠定了基础。

Apr, 2022

使用机器学习和深度学习技术，从路上的驾驶行为数据中估计驾驶员的心理特征，建立具有自适应能力的驾驶辅助系统，研究结果表明，我们的模型能够以高准确度预测心理驾驶风格和负荷敏感度等特征，而不同持续时间的分割对准确性的影响因特征而异。

Feb, 2023

本文研究通过模糊图片，减少内容审核员将受精神和情感损伤的私人数据泄露给他们。

Apr, 2018

为确保自动驾驶系统的安全运行，该研究引入了因果查询的正式化，建立了抽象的安全原则，从而降低与关键影响因素相关的临界性，并对数据采集、模型质量等方面做出了贡献。

Oct, 2022

通过在交通领域中设计了三个新的基于文本的任务，我们采用了四种知识增强方法来进行实验，以评估交通监控领域中的 LM 在人类驾驶考试、情景决策和事件因果推理方面的表现。

Jun, 2023

自主轮椅在安全过马路时受到多种环境因素的影响，如恶劣天气条件会影响人工视觉的准确性。本研究侧重于追踪性能的微调和对雾、雨、黑暗等室外环境因素的实验评估，以量化它们对准确性的影响，从而检测不可接受的准确性条件，并通过降低不准确传感器的声誉来改善整体安全性。该方法可用于评估视频追踪和事件检测在实际操作场景中对室外环境因素的鲁棒性。

May, 2024

使用保守贝叶斯推断方法，探讨从技术层面如何评估自动驾驶系统，维护其高可靠性和安全性。

Aug, 2020