快速路合流区大型车换道时空特征及风险研究

为了研究大型车换道行为特性及其风险状况,基于无人机拍摄与图像识别技术,采集快速路合流区大型车运动轨迹数据,并对其换道特性和时空风险进行分析。结果表明：大型车换道持续时间的平均值为5.28s,前半时间平均值为2.60s,后半时间平均值为2.68s,纵向换道行驶距离平均值为78.12m,均服从Weibull分布,且均与换道速度显著相关,大型车换道持续时间及前半时间均和与原车道前车间距、与目标车道前车间距显著相关,前半时间还与沿车道线距离显著相关;75.40%的大型车在合流区瓶颈路段前100m内开始变道,且由外侧车道向内侧车道依次扩散;大型车与原车道前车的车间距和相对速度平均值最小,分别为22.91m、-0.90m/s,若换道间隙较小,驾驶员更倾向于在换道间隙缩小缓慢或不断扩大时换道;大型车换道时与原车道前车的碰撞风险最高,约有15.32%大型车换道时与前车处于不安全状态。     

无人车"三阶段"换道轨迹规划过程分析

文章在换道过程分析研究的基础上,将换道轨迹规划过程分为换道方案生成阶段、变速调整阶段和匀速换入阶段3个阶段;将局部动态规划变成拟静态规划,考虑了无人车机器的反应时间,使实际换道执行时间更加准确。该文在车辆运动学约束和G2连续要求下控制车辆换道轨迹,在变速调整阶段控制主车加速度使得主车到达换道速度和换入位置,在匀速换入阶段运用五次多项式换道轨迹规划方法规划匀速换入的轨迹。通过仿真分析,发现该文提出的换道轨迹满足车辆实际运行要求,在动态仿真过程中证明了换道轨迹安全可行;与传统五次多项式规划轨迹比较,该文提出的换道轨迹规划过程可以提高换道成功率。     

基于社会力的交织区突发瓶颈段协同换道决策模型

为描述交织区突发瓶颈段车辆换道决策机理,提供一种突发事件环境可采用的换道决策模型,本文基于车辆微观轨迹信息与社会力行人交通流模型,构建面向瓶颈路段的车辆协同换道决策模型,可为智能网联突发瓶颈环境提供一种换道决策方法。首先,基于突发瓶颈段车辆换道决策特征,考虑车辆类型和驾驶员类型,构建车辆等效质量模型以改进社会力模型,在此基础上,将驱使车辆换道的因素描述为自驱动力、车辆间排斥力和障碍物排斥力,构建协同换道决策模型;然后,筛选了832个有效的换道决策微观轨迹数据,并分为标定集和验证集,以加速度为指标,曼哈顿距离为目标函数,利用遗传算法对模型进行标定,基于模拟数据和实测数据验证了标定方法的有效性;最后,与主动换道决策模型在换道方向识别、换道意愿强度、模型预测误差方面进行对比验证。结果表明,本文模型换道方向识别成功率达92.6%,输出的换道意愿强度与实测数据基本吻合,预测结果的均方根百分比偏差（RMSPE）值平均降低0.825,相对误差（RE）值平均降低1.379,显著优于主动换道决策模型。研究成果可为智能网联环境瓶颈段车辆换道意图识别、突发事件下的交通管理和控制提供理论依据。     

基于势场法的无人车局部动态避障路径规划算法

考虑动态驾驶场景下车辆间的交互影响,提出了一种基于图卷积网络和二次规划的智能车辆自主换道行为决策与运动规划方法. 首先将感兴趣区域进行分层建模,以图结构数据的形式对驾驶场景的全局和局部动态交互信息进行聚合,通过图卷积网络输出自车应采取的驾驶行为决策指令,然后与运动规划模块结合,基于局部子图划分可通行区域,构建并求解二次规划模型,得到满足运动学约束的无碰撞运动轨迹,最终完成无碰撞自主换道. 对提出的方法进行了仿真实验与实车验证,实验结果证明该方法的性能要优于传统的规划方法,具有更好的实验成功率以及场景泛化性能.

     

基于支持向量机的车辆换道决策模型研究

车辆换道行为是微观交通流中的典型驾驶行为之一。研究车辆换道决策模型,可以帮助无人驾驶车辆正确进行换道决策。以NGSIM数据集为依据,采用SG滤波器对NGSIM数据集进行平滑处理,筛选平滑处理后的数据得到训练集和测试集;选择影响车辆换道决策的7个因素作为模型输入,建立基于粒子群优化算法的支持向量机(PSO-SVM)车辆换道决策模型和标准支持向量机(标准SVM)车辆换道决策模型;对训练集和测试集进行归一化处理,利用归一化处理的数据进行模型的训练和测试。测试集数据分类验证结果表明,建立的PSO-SVM车辆换道决策模型的决策准确率为94.67%,相比于标准SVM车辆换道决策模型提高6%,能有效实现无人驾驶车辆的换道决策。     

融合动作剔除的深度竞争双Q网络智能干扰决策算法

为解决战场通信干扰决策问题,设计了一种融合动作剔除的深度竞争双Q网络智能干扰决策方法.该方法在深度双Q网络框架基础上采用竞争结构的神经网络决策最优干扰动作,并结合优势函数判断各干扰动作的相对优劣,在此基础上引入无效干扰动作剔除机制加快学习最佳干扰策略.当面对未知的通信抗干扰策略时,该方法能学习到较优的干扰策略.仿真结果...     

基于LSTM-PPO算法的无人作战飞机近距空战机动决策

近距空战中环境复杂、格斗态势高速变化,基于对策理论的方法因数据迭代量大而不能满足实时性要求,基于数据驱动的方法存在训练时间长、执行效率低的问题。对此,提出了一种基于深度强化学习算法的UCAV近距空战机动决策方法。首先,在UCAV三自由度模型的基础上构建飞行驱动模块,形成状态转移更新机制;然后在近端策略优化算法的基础上加入Ornstein-Uhlenbeck随机噪声以提高UCAV对未知状态空间的探索能力,结合长短时记忆网络（LSTM）增强对序列样本数据的学习能力,提升算法的训练效率和效果。最后通过设计3组近距空战仿真实验,并与PPO算法作性能对比,验证所提方法的有效性和优越性。     

混合交通环境下逼近最优换道策略的 无人车驾驶模型

针对无人车在现实交通流中的驾驶行为以及车辆间相互影响机制还不明确的现状,提出逼近最优换道策略的无人车驾驶模型.结合无人车周围的交通环境,引入驾驶行为指标体系,利用层次分析法测算指标权值.基于欧氏距离与灰色关联分析的Topsis(Technique for Order Preference by similarity to an Ideal Solution)法建立驾驶行为决策模型来计算换道最优逼近值,代替随机换道策略驾驶模型中的随机概率值;建立逼近最优换道策略的无人车驾驶模型,利用美国洲际5号公路的实际交通数据对新模型进行数值仿真.结果表明:逼近最优换道策略的无人车驾驶模型明显优于随机换道的无人车驾驶模型,能够改善交通拥堵状况,提高整个道路车辆的行驶速度.     

基于效用理论的车辆换道交互行为及决策模型

研究分析道路交通环境下的车辆换道交互行为,客观反映车辆微观行为特性及宏观车流运行规律。通过分析车辆换道微观驾驶行为,构建Logit模型定量分析驾驶人换道行为决策过程,基于“效用理论”思想,实现驾驶人决策效用最大化。选取青岛市杭鞍快速路实际交通流为研究背景,标定模型相关参数;进一步仿真验证了分层Logit模型的准确性。研究成果可为智能网联交通环境下的车车交互、车路协同和自动驾驶系统提供理论支撑和方法依据。     

基于激光雷达的无人车路面附着系数估计

为获取无人驾驶决策规划和运动控制所需的路面附着系数,基于不同路面材质的激光雷达反射强度差异,设计了一种路面附着系数概率估计模型.首先,通过3σ(σ为标准差)准则进行地面激光点云的粗提取;然后,基于主成分分析法对粗提取的地面点云进行细提取;接着,利用期望最大法对地面点云的反射强度进行主成分提取,滤除噪声,获得地面点云的反射强度分布特征;最后,依据5种典型路面数据库,结合联合概率的思想,实现路面附着系数估计.     

基于门控双卷积神经网络的机动车发动机故障检测

采集并构建一个包含正常和故障机动车发动机的声信号数据集,提出基于门控双卷积神经网络的机动车发动机故障检测方法.在门控卷积神经网络基础上设计门控双卷积神经网络.对比不同方法的实验结果可知：支持向量机(support vector machine,简称SVM)方法的检测准确率最低,该文方法的检测准确率最高;对声信号进行加噪和调音时,该文方法表现出好的鲁棒性.     

基于车道线直线模型的道路曲率估计方法

在车道偏离预警、防止及车道保持等基于机器视觉的驾驶安全辅助系统中,为解决单一直线模型无法预估道路曲率,而曲线拟合方法计算量大等问题,应用车道线直线模型,提出了一种基于远端直线拟合的弯道曲率估计方法,其特征在于车道线仍使用全局直线描述,估计曲率时对远端候选点进行直线拟合.由于保证了较多的候选点数量且使用Hough变换检测直线,以及利用跟踪、滤波等方法,算法在保证车道线检测鲁棒性的同时,基于远端直线拟合方法实现了对弯道曲率的相对定量估计.采用装有全球定位系统(GPS)的实车试验进行验证,结果表明:所提方法在增加候选点数量以提高曲率估计精度的同时,保障了算法的实时性.     

汽车自适应巡航与换道过程多目标协同控制

为提升自动驾驶汽车在自适应巡航跟车和车道切换联合工况下的纵向跟驰、横向稳定性能,针对加速跟随前车且同时换道这一特殊工况下的车辆行驶稳定性控制需求,提出了一种具有两层结构的协同控制策略.在分析跟车和换道联合工况控制需求基础上,建立了基于五次多项式的换道轨迹模型和固定车头时距跟车模型,设计了上层线性时变模型预测控制器,输出...     

深度神经网络蛋白质溶解性预测模型设计

蛋白质溶解性是生物信息学领域的重要研究课题,通过分析蛋白质溶解性数据,结合特征提取和深度学习技术,设计多种卷积神经网络预测蛋白质溶解性的模型.使用CD-HIT对蛋白质原始数据进行降噪,并利用G-gap对每个样本进行张量化处理,得到适用于卷积神经网络的特征数据,作为模型其中一路网络的输入;为提高模型预测精度,对每个样本利...     

一种汽车转向灯双闪控制方法的研究

针对奇瑞汽车某项目在工程样件测试中发现的转向灯双闪异常,具体分析了传统转向灯控制系统中双闪控制的不足,根据车灯的安全标准及国家的相关要求,提出了一种K值校验和V/I曲线修正的控制方法。详细介绍了该控制方法的原理。实验结果表明,该控制方法可以很好的控制转向灯的双闪。     

基于神经网络的场景调度策略

虚拟场景的实时显示是虚拟现实技术的重要研究课题,优化场景的调度策略是解决实时显示的主要方法之一.根据虚拟装配的特点,建立视点状态变化的马尔可夫模型,并且使用径向基函数神经网络挖掘装配过程中视点变化的规律,提出基于神经网络的场景调度策略,利用该策略预测并提前调入装配过程中将要出现的场景.该策略可以使调度更加智能化,提高场景调度的效率,达到实时显示场景的目的.同时该调度策略也可以应用于虚拟现实的其他领域中,如虚拟场景漫游等.     

基于多重插补神经网络模型的减压病人危险率变化估计

针对238名宇航员减压病区间删失数据,应用多重插补法将区间Ⅱ型数据插补为右删失型数据,基于神经网络分段指数模型,分析了具有不同协变量的受试者危险率变化情况,同时绘制出不同群体的危险率变化曲线.结果表明,该模型可以较好地反映出危险率变化情况,而且相较于传统的统计分析方法更具灵活性.     

基于深度神经网络的入侵检测方法

为改善传统机器学习技术解决海量网络数据和复杂入侵模式对信息网络的入侵检测的不足,提出一种基于深度神经网络的入侵检测方法.采用神经元映射卷积神经网络(NPCNN)为网络结构,使用较少的连接和参数,具有易于训练和泛化能力强等优点.在训练过程中,使用Re LU激活器作为非线性激活函数,采用Adam算法进行模型学习,从而避免了传统深度网络须进行预训练的过程.在NSL-KDD数据集上的实验结果表明:提出的方法较基于传统机器学习的入侵检测方法具有良好的特征表征学习和分类能力,且随着数据量的增大,模型的分类精度有较大的提升.     

一种基于神经网络的车牌定位方法

针对过去车牌定位难的问题,提出了一种基于神经网络的车牌定位方法,算法通过神经网络训练、图像预处理以及用训练好的网络进行车牌的定位,依照上述算法对编制的软件检验,从测试的 600 幅 320×240(像素×像素)汽车图像,正确率达到了 95.1%,每幅图像的运行时间小于 2s,基本上达到了实时处理的要求。