英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
基于风险行为的施工现场安全监测的轨迹预测
Khandakar M. Rashid 1 and Amir H. Behzadan, M.ASCE
摘要：施工现场往往被描述为一些最危险的工作环境，由于工作的性质，使得工人和设备接近一些危及生命的危险境地。先前的研究已经研究了通过位置感知的方法来提高建筑安全性，但在利用探索预测技术用来建模和制定个体劳动者的角色和属性的程度上除了物理特性之外，还大多是不足的，这可能导致工地的安全事故。本文通过研究两种轨迹预测模型，即多项式回归（PR）和隐马尔可夫模型（HMM），研究了预先的安全轨迹监测的可行性。HMM预测通过对工人风险轨迹的分解来进一步校准，这是衡量他或她接近风险的拟合性或分散性的标准。该方法在一系列涉及不同形状和复杂轨迹的现场实验中进行测试。结果表明，所开发的方法可以可靠地检测不安全的运动和即将发生的危险事件。
作者关键词：施工安全；轨迹预测；实时跟踪；全球定位系统（GPS）；马尔可夫模型；风险态度；定量方法。
介绍
户外建筑工地充满变动和不断运动的复杂信息需要处理（即人员、设备和材料）。由于这种间歇性的性质和随机的运动，资源常常彼此紧密地联系在一起，并可能限制可用的物理空间。
在没有适当的场地协调和后勤规划的情况下，拥挤的工作空间会导致潜在的危险和危及生命的情况。危险区域如有毒、化学和易燃物质；高压电力线；高架地板边缘；重型设备均可能导致严重伤害。Tigisher等人指出建筑资源之间的接近性是建筑工地最常见的安全问题之一。这些事件的特点是接触碰撞，这可能对建筑人员的安全和健康构成威胁（Tigisher等人）2010）由于大多数建筑任务的重复性，工作人员经常会体验到缺乏安全的意识和缺乏焦点（Prutt等人，2001）阻碍设备操作员的能见度，特别是视觉盲点，也有会导致接触碰撞（富勒顿等）2009）虽然已经有广泛的研究有关施工中的安全问题，但统计显示，由于建筑研究和工业实践之间的脱节，建筑业中工伤和死亡人数仍然居高不下。当前建筑施工分析与预防的实践事故是基于职业安全的规则和卫生管理局（OSHA）加强部署以减少工人接触的物理和程序危害（米特罗普洛斯等）。这种方法的主要局限性是它不是预测式的，因为收集的数据是在事故发生后使用（图勒）。EsMeeLi和HauleLeL（2011）强调需要一个新的安全监测框架，以加快在当今建筑业中采用安全创新的速度，特别是因为自2005以来这一比率已经显著下降，这意味着建筑业几乎已经存在。关于传统的伤害预防策略达到饱和点。因此，除了公司对安全、监督和个人防护设备（PPE）的承诺之外，新的措施和主动的安全监控和预防技术可以证明是每个建设项目的一项资产。这种技术必须能够及时收集数据并在出现潜在危险情况之前提醒工人（Tigisher等）。为此，位置感知和跟踪技术，使用建筑资源的位置接近分析可以作为主动安全警报系统的主干，它警告那些足够接近现场危险的工人，最终使得显著减少接触碰撞数。随着最近的技术进步，在建筑安全领域的研究受益于各种商业上可用的工具，如全球定位系统（GPS）。（希尔德雷思等）2005；卢和哈格2007；BeZADAN等。2008；萨克斯等人。2009；Prand hananga和Tigisher 2013），射频识别（RFID）（宋等）。2006；GooLand等人。2006）超宽带（UWB）定位（Tigisher等）。2007）和无线局域网（WLAN）定位（KHORY和KAMAT 2009；BeZADAN等）。2011）。
最近，移动技术、云计算和可穿戴设备（例如，智能手机）的发明创造了更好的可能性来推进这一领域的研究前沿。Park等人。（2016）进行蓝牙集成研究基于低能耗（BLE）的位置跟踪、建筑物信息建模（BIM）和基于云的通信，通过定义不安全区域，监测工人的位置，并根据工人接近不安全区域的方式进行统计分析，自动监测施工现场的安全状况。另一个越来越多地使用的移动设备的例子就是在各个领域都是智能手机。智能手机配备了大量内置传感器，包括GPS单元，并且可以通过与GPS卫星通信或通过与附近站的三角测量来获得定位数据（艾斯纳等人）。2011）然而，在建筑领域内，在安全应用中使用移动传感器的好处还没有得到充分的研究。移动技术的一些优点使它成为一个可行的选择，它并不严重依赖于预先安装的基础设施在工地上，无处不在（几乎每个人都拥有并知道如何操作智能手机）和成本效益（几乎没有前期投资），而且与此不同。笨重的耳机或头戴式显示器（HMDS），它会对成员造成最小（如果有的话）干扰和不适。
除了设计和开发接近警报之外，可以潜在地减少建筑事故的数量和/或严重性的系统，还需要解决的关键问题是，工人应该提前多少注意到潜在的危险遭遇（例如，接近危险地带），从而有效地避免事故。可以说，向已经在危险中或非常接近危险的工人发送警告信息可能不完全达到目的。为此，将邻近分析与运动轨迹预测结合起来的模式可以增强现场安全措施。
在各种科学和工程学科如机器人学中已经研究了轨迹预测（BeNeViet等）。2005），航空航天工程（龚和麦克纳利2004），海上交通管理（Pela等）。2012），物理和力学（Choi和赫伯特2006）。巴斯克斯和FriCHART（2004）研究了使用基于聚类的技术来预测运动对象的轨迹的方法，其中高斯概率函数连同学习和预测算法应用于对象的当前和过去状态来预测其未来状态。马修等。（2012）提出了一种基于隐马尔可夫模型（HMM）的混合模型，通过聚类离散历史位置来预测人类的位置。基姆（2013）提出了一种结合K-近邻（KNN）和决策树的位置预测框架，并通过HMM预测用户的目的地。（2008）提出了一种基于隐马尔可夫模型的驾驶员行为信号模型。达尔等人。（2012）提出了一个基于上下文的模型 用于大规模语音识别的预训练深度神经网络隐马尔可夫模型（DNNHMM）混合结构。Likii和Bunk（2006）提出了一种基于HMM的从白板上获取的手写文本在线识别系统。研究人员在各个领域的安全应用中使用了隐马尔可夫模型。例如，陈等人。（2007）提出了一种计算机视觉和HMM算法的框架，以检测老年人在门诊的走失和提醒照顾者。索尼耶和萨伊德（2006）利用视频传感器数据和HMM.自动检测交通冲突的方法。本文研究了两种轨迹预测技术，即多项式回归（PR）和隐马尔可夫模型，因为它们适合于预测工人在现场危害附近的未来位置。
本研究的另一个关键点是它包含了一个工作人员在计算他或她未来职位时对安全的态度（也称为风险特征，一种行为措施）。以前的研究表明，一个人的风险特征直接受年龄，性别，工作类型和经验水平的影响（Cooper 2003; Salminen 2004; Gardner and Steinberg 2005; Waldron et al。2005）。Choe和Leite（2016）根据职业，危害类型，和伤害来源，并得出结论认为，危险类型与伤害来源之间的关系因职业类型而异。同样，Esmaeili和Hallowell（2012）表明除了工作类型之外，现场参数和布局，以及可能使工人有安全事故危险的设备和工具的安排，每次施工事故的另一个主要因素是人为因素（即工人的身体特征）。根据这一建议，Salminen（2004）证明新手男性工作者比高级女性工作者具有更高的受伤率，而年轻和老年女性受伤者的伤害数量几乎相同。此外，Waldron等人 （2005年）和Charness和Gneezy（2012年）表明女性比男性对风险的倾向较小。量化一个人的认知参数不是微不足道的，并可能导致主观结果（Cooper 2003）。因此，代替单独制定每个行为参数（例如，年龄，性别和经验水平）的影响，本文提出的方法将个人对风险的整体行为视为多个行为因素的高层次产品（即集合），旨在制定和分解这种对风险的总体态度，以校准轨迹预测的输出。
考虑到目前建筑安全研究和实践的状况， 以及上述知识体系的局限性，这项工作通过解释思想过程，设计，思想和方法来研究移动位置感知技术对施工安全的价值。和移动安全警报框架的实施，该框架使用工作人员的位置数据（从内置的智能手机传感器获得），强大的轨迹预测技术，以及工作人员对检测风险的态度即将发生的危险事件并在发生接触碰撞之前产生预先警告。
研究方法
开发的安全警报框架利用传感器数据（智能手机GPS）和强大的预测模型，同时结合个人的风险概况来预测潜在的未来碰撞事件。两个独立的预测模型被开发和测试：PR和HMM。
就绝对预测误差而言，两种模型都进行了比较，并且通过应用个体的风险特征来进一步校准具有更高准确度的模型（在这种情况下是HMM）。用静态和动态危险区进行两个独立的实验来验证模型。
运用多项式回归（PR）进行运动轨迹预测
施工地面人员经常以随机模式移动，特别是在没有铺设路面或标记路径的情况下。
因此，为了制定运动模式，最初开发并测试了基于启发式PR的轨迹预测技术。特别是，在过去的时间间隔内获得的位置数据被用来预测物体在时间s 1（即将到来的）的位置。因此，为s选择正确的值是开发该技术的一个重要方面，因为大s可能会导致不必要的复杂PR模型，而小s可能会产生低精度简单模型。 除了为s选择最合适的值之外，找到正确的多项式次数n也是重要的。 n值过高可能导致过度拟合，而低的n值可能导致不足。图1显示了一个假设的工人运动轨迹，通过视觉检查位置数据的模式，工人过去动作的第一部分（第1部分）似乎对他或她预测的未来位置没有显着贡献。
为了解决这个和类似的情况，只有工人运动的最后60秒才能预测他或她的未来位置。
为了计算最佳可能的运动轨迹，最后的60秒段随后被分成四个相等的时间帧（T）（最后15秒，最后30秒，最后45秒和最后60秒）。如前所述，回归模型的第二个设计方面是为多项式度选择最合适的值，n.Eq. （1）是本研究中使用的一般多项式公式，其中x是时间范围（最后15次，最后30次，最后45次和最后60秒）y是工人未来位置的纬度或经度。在每次迭代中，对于时间戳t，使用时间戳t-1和多项式次数n（1,2,3,4,5）的T的组合生成多个多项式方程，并且可以测试更高的值，有必要的。使用生成的多项式方程对时间t进行初始预测
y = a 0 a 1 x a 2 x 2 ... a n x n（1）
如过程流程图（图2）所示，y的计算（预测）值然后与时间t处的实际（收集）值进行比较，并且使用等式（1）计算绝对差异因子（Delta;）。（2）。产生最小Delta;的T和n的组合最终被选择用于PR模型中以预测时间t 1处的经度和纬度，其中l是预测范围，或预先提前预测时间。结果表明，对于较高的n值，Delta;趋于更大。这可以归因于预测的纬度和经度值被表示为时间的函数。因此，对于更高阶的多项式，预测中的小误差导致显着较大的Delta;。出于这个原因，最终选择一个线性回归模型（n = 1）以最小化在开发的PR模型中的Delta;
运动轨迹预测采用隐马尔可夫模型（HMM）
PR模型的主要缺点是n = 1（线性回归）不能完全捕捉到工人轨迹的随机性，并且对于较大的n值，该模型在轨迹预测中显示出高水平的不稳定性（漂移）。为了克服这个问题，设计并研究了一种基于HMM的轨迹预测方法。在HMM中，轨迹被视为离散的随机过程（即随机行走）。然后将运动物体的轨迹分解成多个短轨迹段（图3）。一组具有共同统计特征（例如，均值，方差和协方差）的短段被捆绑成一个簇，其由单个平均段（即，潜在段）表示（Choi和Hebert 2006）。考虑到有限的地平线假设，即规定未来地点的可能性仅取决于当前位置，而不取决于当前位置的实现路径（Petrushin 2000），给定一系列潜在段S 0; S 1; S 2; :::; S n，
未来潜在线段S n 1发生的概率仅取决于当前潜在线段S n [方程（3）]。在HMM中，这些概率被称为转移概率并共同创建转移矩阵。在一组部分中，从多变量高斯概率密度函数计算从特定潜在段生成轨迹段的可能性。这些似然值存储在似然矩阵中。训练HMM以计算归一化轨迹截面，潜在分段以及过渡和可能性矩阵。该模型首先检查似然矩阵以找到与观察到的轨迹段最相似的潜在段。然后它使用转移矩阵确定最可能的未来潜在分段，最后从似然矩阵中提供最可能的轨迹部分
测试数据采集与处理
训练数据来自26次随机散步。每个步行在露天场地进行15分钟，而位置数据是由个人智能手机上的GPS数据记录器应用程序记录。记录数据的频率设置为1 Hz（每秒一个位置数据）。个人被允许随意移动并制作任意类型的转弯（90°，U形转弯）。目标是在典型的施工现场复制工人行走路线的随机性。训练轨迹存储在文本（.txt）或逗号分隔值（.csv）中格式。在使用记录的训练数据之前，检查仪器错误以过滤潜在的异常值。实质上，因为人类能够以2.5m = s以上的速度行走（特别是对于短距离），两个连续位置数据点之间的理论最大距离取为2.5米（Minetti 2000）。虽然此值可以根据作业类型和工作要求稍后进行调整，在这项研究中，如果两个连续的位置数据点之间的距离超过2.5米，则第二个数据点将被自动滤除。
学习潜在分段
每个训练轨迹数据集被分成12个小段。由于轨迹有不同的起始位置，方向，和速度，他们首先通过平移到原点（0，0）进行标准化，然后旋转，使初始方向为（1,0），并缩放，使初始速度为单位速度（图4）。这导致从训练数据中提取总共4,662个标准化的短轨迹段。在归一化之后，每个短轨道段由以1s间隔的x和y坐标组成的22维向量表示。 接下来，应用k均值聚类来找到
全文共20045字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[11710]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
