基于车辆轨迹数据的急减速驾驶行为判定方法

目前很多研究使用车辆轨迹数据来识别急减速驾驶行为,但目前使用的固定阈值方法无法对不同驾驶场景做出区分且缺乏建模分析.基于车辆跟驰模型,提出了一种包含多种驾驶场景的急减速驾驶行为判断方法,该方法考虑照明条件、天气、道路车速等参数,解决了现有方法中缺乏场景分类的问题.使用聚类算法区分历史数据中的急减速驾驶行为,提取实际阈值...     

基于车联网数据的运输车辆安全评价模型

为了提高运输安全管理水平和运输效率,对运输车辆安全性进行客观评价,提出了一种结合多算法的行车安全评价模型。首先,根据交通运输部公路科学研究院所给车联网数据,设计并定义了驾驶人行为的特征指标和评价指标;其次,采用回归分析方法对驾驶人的驾驶风格进行分析;接着,分别采用K-means聚类和DBSCAN聚类算法对驾驶人的不良行为进行分析;经过对比,最终选用K-means聚类算法和因子分析的结果对驾驶行为进行评价,共分为6类。该模型将机器学习中的数据挖掘和数据分析算法与道路运输行业相结合,为道路运输安全管理的研究提供了一个量化分析的工具。     

考虑操纵稳定性的自动驾驶汽车轨迹综合优化方法

针对自动驾驶汽车在局部轨迹规划上对车辆操纵稳定性考虑不足、对车辆模型过度简化和缺少对车辆舒适性客观评价的问题,建立了考虑车辆操纵稳定性的车辆三自由度模型,模拟自动驾驶汽车换道场景,根据输入车轮转角得到输出的换道轨迹,运算得到车辆换道行驶参数化方程和行驶轨迹特征.运用BP神经网络对行驶轨迹特征进行识别,得到自动驾驶汽车换道持续时间和横向偏移距离所对应的车轮转角变化关系.在不同换道车速下,根据不同换道持续时间和横向偏移距离,输入车轮转角得到换道优化轨迹簇和操纵稳定性参数.在只考虑行驶效率和安全的常规轨迹优化方法的基础上,构建轨迹综合优化目标函数,考虑表征车辆换道过程舒适性和操纵稳定性的(横摆、侧倾、侧向)加速度变化率均值,提出一种基于行驶效率、安全性、舒适性和操纵稳定性的轨迹综合优化方法.对轨迹综合优化目标函数进行求解得到最优换道行驶轨迹,联合仿真结果表明该方法优于常规轨迹优化方法且舒适性、操纵稳定性改善达20%以上.     

考虑交互轨迹预测的自动驾驶运动规划算法

针对自动驾驶汽车运动规划中预测周围交通态势的问题,提出一种考虑周围车辆间交互轨迹预测的运动规划算法.首先,针对结构化道路信息,构建改进社会力模型,对自动驾驶汽车周围的车辆行驶轨迹进行预测.其次,在Frenet坐标系下采样生成轨迹集合,将轨迹集合和预测轨迹投影到时空占用图上,计算投影点之间的最短距离进行碰撞检查,并结合加速度、曲率检查对轨迹进行筛选以得到候选轨迹.然后,构建代价函数对筛选过的候选轨迹进行评估得到最优运动轨迹.最后,不同行驶场景中的仿真结果表明,该运动规划算法能提前决策驾驶行为,规划出的速度曲线更加平稳,运动轨迹的安全性、舒适性和行驶效率更高.     

基于驾驶行为的驾驶倾向特征辨识

驾驶倾向特征的实时辨识,对安全驾驶有积极的意义,但实时并准确识别驾驶倾向却是难点.通过分析驾驶倾向的外在表现,选取驾驶行为中的刹车频率、加油频率、刹车紧急程度和加油紧急程度作为评价指标,以实车试验获取的各评价指标数据为基础,运用BP神经网络构建驾驶倾向特征辨识模型,实现从驾驶行为到驾驶倾向的辨识.经验证,该模型识别率可达89.2%.     

车辆跟驰情景下酒后驾驶行为动态特征参数提取

酒驾是导致重大交通事故的原因之一,酒驾辨识已成为交通安全研究中的重要问题。因此,提取不同驾驶倾向性驾驶员在跟驰状态下的酒驾特征参数对实现酒驾的准确辨识有重要意义。由问卷调查确定驾驶员驾驶倾向性;通过人因工程实验、驾驶模拟实验,采集不同类型驾驶员的生理、操作行为、车辆运行、驾驶环境等动态信息;采用神经网络分类器,获得备选特征集合的分类正确率估计,运用离散粒子群算法提取不同驾驶倾向性驾驶员的酒驾特征参数。验证结果表明提取的特征参数能有效辨识不同驾驶倾向性驾驶员是否酒驾。     

面向自动驾驶路测驾驶能力评估的避险脱离率模型

针对传统脱离率模型低估自动驾驶路测车辆驾驶能力问题,提出了避险脱离与非避险脱离概念,通过秩和检验确定脱离时长阈值,选取平均速度差、短时平均速度差、瞬时速度差为特征值,量化车辆脱离前后行为差异,利用无监督学习K-means算法辨别避险与非避险脱离类型,构建面向自动驾驶路测驾驶能力评估的避险脱离率模型。基于上海市城市道路和快速路两类场景路测数据,验证避险脱离率模型的合理性与有效性。结果表明,基于避险脱离率模型,自动驾驶路测车辆驾驶能力在城市道路与快速路场景中,分别比传统脱离率模型平均提升了4.8和7.3倍。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

考虑驾驶风格的高密度立交群出入口车辆驾驶风险研究

为分析不同驾驶风格驾驶人车辆的驾驶风险,在重庆内环快速路开展了高密度立交群实车驾驶试验,使用车载仪器采集车辆行驶轨迹、速度等运行参数,通过因子分析和聚类分析等方法,提取车辆速度、加速度和横向位移等参数,以此为依据将驾驶风格分为三个类型,即保守型、常规型和冒险型。通过车辆驶离和汇入主线过程中的轨迹偏移,分析了不同驾驶风格的行车轨迹特征,结果表明：冒险型驾驶人的轨迹偏移高于其余2种驾驶风格的驾驶人,且轨迹偏移的分布较为分散;在驶离/汇入主线时,冒险型驾驶人所需要的换道时间更短、换道起始位置更靠前、换道频次也多于另外2 种驾驶风格;以速度波动和加速度波动作为驾驶风险评价指标,两者大小均是冒险型＞常规型＞保守型;利用熵权法确定指标权重并得到驾驶风险率,将其按照不同驾驶风格分类,结果表明：在主线出口位置,呈现明显的分布特征,即冒险型＞常规型＞保守型,而在主线入口位置,冒险型与常规型的驾驶风险率大小相差无异,但冒险型驾驶人分布更加离散。分析不同驾驶风格驾驶人的驾驶风险率,有助于提高驾驶人的行驶安全性。     

基于模糊神经网络的车辆行驶姿态判别方法

为对公交车辆驾驶人员的不良驾驶行为实施主动安全管理,基于车辆行驶姿态数据与车辆姿态判别标准,提出了车辆运行姿态与驾驶人员的不良驾驶行为的模糊神经网络关联性分析与判别方法.在该方法的模型参数标定与验证过程中,采用车载单台加速度计MPU6500实时采集车辆三轴加速度作为车辆行驶姿态数据,参照最新的ISO2631-1-1997/AMD.1-2010标准建立了人体主观感觉与车辆姿态的关联指标和Takagi-Sugeno模糊神经网络判别模型.研究结果表明:用该判别方法可以实现车辆运动状态下驾驶员不良驾驶行为的自动判别,判别结果与乘客的主观感受一致.     

射程修正引信弹道辨识算法精度分析

研究用于射程修正引信的基于弹道上升段速度时间序列的弹道辨识算法精度.分析引起射弹散布的原因,选取初速和射角作为建立随机概率模型的初始参数.根据蒙特卡洛计算机模拟理论和方法,利用初始参数的随机值和弹道方程生成随机弹道作为实际弹道.利用弹道辨识算法对实际弹道进行辨识,比较辨识射程与实际射程得到弹道辨识算法误差.仿真结果表明,弹道辨识算法计算误差不大于0.1%.     

基于CNN与K-means聚类的非侵入式电器负荷识别方法

针对目前非侵入式负荷监测仅能识别单个家用电器、多种家用电器同时运行识别率低的问题,提出一种基于卷积神经网络（CNN）与K-means聚类结合的非侵入式家用电器识别方法。首先,通过改进的CUSUM边沿检测算法对获取的用户用电数据进行时间检测,提取负荷发生投切事件的功率波形;其次,通过高斯滤波法对提取的功率波形进行滤波处理,并将处理后的波形转化为像素图作为负荷特征库,一部分作为训练集用来训练K-means算法改进后的CNN模型,一部分作为测试集测试模型识别的精度;最后,利用搭建的实验平台进行实际测试分析。实验结果表明,所用模型对7种家用电器的识别率均为100%,验证了模型的有效性。通过K-means算法对卷积神经网络进行改进,增大相似特性负荷特征之间的区别,提高负荷辨识的准确率,为非侵入式负荷检测技术开发提供了参考。     

基于变分自动编码器的车辆轨迹预测研究

针对轨迹预测中车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等一系列问题,提出了一种基于变分自动编码器的车辆轨迹预测方法。首先,通过长短时记忆网络从原始数据中提取轨迹数据与车道信息的语义特征;其次,引入多头注意力机制,采用两个单独的注意力模块分别建立车辆与车辆交互模型及车辆与道路交互模型,能够更好地反映周边车辆与道路几何对车辆轨迹的交互影响,得到丰富的场景上下文信息;接着利用变分自动编码器对车辆轨迹多模态建模,捕捉轨迹预测的随机性质以生成合理的未来轨迹分布;最后从分布中多次重复采样以生成多条可能的未来轨迹。通过搭建实验平台和使用Argoverse自然驾驶数据集进行测试,改进后的预测方法在平均位移误差和最终位移误差指标下的数值分别为1.03和1.51,预测精度上相较于其他3种预测方法,分别提升了45%、46%、32%;实验结果表明：预测方法可以有效地改善车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等问题,预测精度提高,总体预测性能良好。     

改进卷积神经网络在腺癌病理图像分类中的应用

针对传统卷积神经网络(CNN)稀疏的网络结构无法保留全连接网络密集计算的高效性和在实验过程中卷积特征利用率低造成的分类结果不准确或收敛速度较慢的问题,提出了一种基于CNN的多尺度方法结合反卷积网络的特征提取算法(MSDCNN)并对腺癌病理图像进行分类。首先,利用反卷积操作实现不同尺度特征的融合,然后利用Inception结构不同尺度卷积核提取多尺度特征,最后通过Softmax方法对图像进行分类。在腺癌病理细胞图像进行的分类实验结果表明,在最后的卷积特征尺度相同的情况下,MSDCNN算法比传统的CNN算法分类精度提高了约14%,比同样基于多尺度特征的融合网络模型方法分类精度提高了约1.2%。     

基于积分通道特征的异常行为检测算法

对视频中的行人异常行为检测问题进行了研究。针对传统行人异常行为检测算法在准确性和兼容性方面的不足,提出一种基于积分通道特征的异常行为检测算法;该算法利用背景分割和行人信息统计的方式,对不同背景下的视频模型进行了建模。结合对行人个体的轨迹分析,对运动个体的位置进行异常行为检测。算法首先对检测区域采取区域划分,然后采用改进的积分通道特征行人检测算法对目标进行检测,最后采取Mean-shift算法对目标进行跟踪。最后的实验数据表明该算法整体性能有所提高。     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

基于驾驶倾向性辨识的避撞-报警算法

为了研究适应驾驶员个性需求的避撞-报警算法,将驾驶倾向性作为驾驶员的个性评价指标引入。以实车实验所得驾驶行为数据为基础,提出了一种驾驶倾向性的实时辨识方法。通过驾驶模拟实验,获取了不同驾驶倾向性驾驶员的反应时间和制动减速度数据;并据此提出了一种基于驾驶行为的避撞-报警算法;最后将该算法与典型安全距离算法进行仿真对比。结果表明:本文提出的避撞-报警算法具有较高的可信度,而且体现了各类型驾驶员报警触发时机差异。     

基于时空特征融合的端到端无人车控制

基于深度学习的端到端车辆控制器多是由二维卷积神经网络(2D convolutional neural netuark,2D CNN)训练得到的,因未考虑时间维度上的帧间运动信息,使得控制器的可解释性与泛化能力较差,而三维卷积神经网络(3D CNN)可以从连续视频帧中学习时空特征。深度确定性策略梯度强化学习(depth deterministic policy gradient,DDPG)常用于连续动作的控制优化,但DDPG算法仍存在采样方式不合理而导致的样本利用率低的问题。基于此,采用3D CNN与改进DDPG算法相结合的方法对车辆方向盘转角和速度进行预测。通过实车实验实现了车辆在所设置轨道上的自主驾驶,为基于深度学习和强化学习方法解决自动驾驶中的端到端控制问题提供了科学方法。     

基于改进遗传算法的电动汽车轨迹优化方法

在复杂障碍物环境中的轨迹规划方法是电动汽车智能辅助驾驶技术的一个重要研究内容.为了使得电动汽车能够在高速行驶工况下平稳转向行驶,提出了一种基于改进遗传算法的轨迹优化方法.本文基于五次多项式进行轨迹规划,用改进遗传算法对五次多项式的参数进行优化,使得规划轨迹满足车辆的动力学约束条件,从而使得优化后轨迹具有更强的可行性.实车实验结果表明,优化后轨迹比优化前轨迹能够更好地满足动力学约束条件,优化效果明显,车辆在高速行驶工况下按照优化轨迹行驶能够进行平稳转向行驶.