基于Logistic模型的驾驶人换道意图识别方法

 为有效降低车道变换行为诱发事故的风险性,提出一种基于Logistic 模型的驾驶人换道意图识别方法。利用faceLAB 视觉追踪系统,通过真实环境下的实车测试,结合换道前驾驶人对后视镜的注视特性确定换道意图时窗,分析车道保持与换道意图阶段的注视特性差异,提取扫视次数、扫视幅度、水平方向视觉搜索广度、头部水平转动角度标准差等驾驶人换道意图特征指标,构建了Logistic 模型,并经效度检验后应用于对驾驶人换道意图的识别。结果显示,基于Logistic 模型的驾驶人换道意图识别方法的识别成功率达到90.24%,与基于转向灯信号的驾驶人换道意图识别方法相比,具有明显的时序及成功率方面的优势。     

考虑驾驶人换道意图的车道偏离预警系统

 为降低基于机器视觉车道偏离预警系统的误警率,提出一种考虑驾驶人换道意图的车道偏离预警系统。运用SteerableFilter 方法对所采集的道路图像信息进行滤波,运用局部搜索区域法提取车道线参数,运用基于图像信息的识别方法检测车辆的车速、转向信号、车道偏离状态以及驾驶人的头部动作状态,判断驾驶人的换道意图,建立了车道偏离预警的决策算法及系统。应用Matlab 软件对实车采集得到的视频进行算法验证和系统仿真试验,结果表明,提出的车道偏离预警决策算法是可行的,该预警系统将有意识与无意识的车道偏离区分开,从而能有效屏蔽在驾驶人有意识偏离车道时的误报警,具有更高的可靠性。     

基于实车试验的驾驶人换道行为多参数预测

针对驾驶人在换道时若出现决策失误,极易引发交通事故的问题,通过在真实交通环境中进行实车试验,采集车辆运动状态、驾驶人操作行为以及头部运动特性、周围交通环境等数据;通过对换道意图阶段和车道保持阶段数据参数的对比分析,提取能够表征驾驶人换道意图和行为的特征参数;通过建立BP神经网络模型,以不同特征参数作为输入向量对待测样本进行预测,确定最终的输入特征指标,并基于建立的BP网络模型,进行驾驶人换道行为预测。研究结果表明:换道前2s内的预测准确率为94.4%,灵敏度为93.33%,能够准确预测出93.33%的换道行为;该模型能够有效预测驾驶人的换道行为,且准确率高、时序性强。     

驾驶人换道决策分析及意图识别算法设计

为设计一种能在保证准确率的条件下提高识别效率的驾驶人换道意图识别算法,分析驾驶人的换道决策,使用对驾驶人换道决策有影响的环境参数,设计了基于模糊逻辑理论的综合决策因子,反映驾驶人做出换道决策的可能性。提出一种基于隐Markov模型的换道意图识别算法,以综合决策因子与表征车辆横向运动的特征参数为观测变量,以驾驶人意图为隐状态,搭建并训练隐Markov模型,通过其解码方法实现驾驶人的换道意图识别。使用真实驾驶人在驾驶模拟器上进行换道的数据进行算法验证。结果表明:引入综合决策因子作为观测变量之一时,该换道意图识别算法能保证准确性并提高识别效率。     

基于驾驶员操纵特性和交通环境状态的换道行为预测

为排除驾驶员在换道过程中存在的交通安全隐患,基于驾驶员操纵特性和交通环境状态分析,提出了一种能有效预测驾驶员换道行为的方法。依托自然道路条件下的实车实验,将驾驶员视觉特性与数据分析相结合,确定了意图时窗宽度为5 s。依据在车道保持与意图换道两阶段的操纵特性和交通环境等参数差异化分析,构建了换道行为预测的表征参数体系。引入二元Logistic模型,确定各参数的回归系数,并进行换道行为预测。研究结果表明:该模型可至少提前2. 5 s预测出换道行为;且换道行为起始时刻的预测精度为96. 34%。与基于视觉特性和转向灯状态预测换道行为相比,具有更高的准确率和更优的时序性。     

加权指数损失下长短时记忆网络换道意图识别模型

针对车道变换意图识别中数据源单一,传统序列模型难以捕获长序列范围内换道意图且存在长期依赖问题,提出一种结合时间信息加权指数损失函数的长短时记忆(long short-term memory,LSTM)车辆换道意图识别模型.首先,利用驾驶模拟舱、眼动仪进行高速公路驾驶实验,采集车辆运行数据和驾驶员眼动数据;然后,基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型,提出基于时间信息加权的指数损失函数对模型权重进行优化;最后,利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其他模型进行对比,所提模型换道识别的准确率为91.33％,宏平均精确率为89.04％,宏平均召回率为92.84％,宏平均F1值为90.33％.结果表明,长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力,提出的损失函数对模型权重优化具有良好的效果.     

基于形变长短期记忆网络的换道意图预测

混行交通下的自动驾驶车辆需具备换道意图预测能力来保障行驶安全。为尽早预测车辆换道意图,提出一种基于形变长短期记忆(mogrifier long short-term memory, M-LSTM)网络的换道意图预测模型。首先采用S-G (Savitzky-Golay)滤波器对自然驾驶数据集NGSIM(next generation simulation)进行降噪筛选,按向左换道、向右换道、直线行驶对不同时间长度的轨迹序列标注,选取车辆运动信息与环境信息输入模型,最后采用softmax函数进行意图分类。试验结果表明,在不同预判时间下,模型准确率均高于支持向量机(support vector machine, SVM)、LSTM模型,且越接近换道点预测准确率越高,在1.0、2.5 s时预测准确率分别为93.83%与81.30%。提出的模型具有良好的准确性与预判性,能为自动驾驶车辆尽早识别换道意图提供技术支持。     

驾驶人意图识别综述

为全面了解驾驶人意图识别研究进展,梳理了近30年关于驾驶人意图识别的研究,将驾驶人意图分类为策略意图、战术意图和操作意图;根据研究热点主要对换道、转向、制动和超车意图进行了归纳;从系统构建的角度对驾驶人意图识别系统的结构、输入、算法和评估进行了综述.根据系统输入的不同,从交通环境、车辆运动以及驾驶人行为对4种驾驶意图进...     

神经网络与贝叶斯滤波器在换道预测中的应用

为提高车辆在换道过程中的行车安全性。提出一种基于BP神经网络与贝叶斯滤波器的换道意图预测方法,通过车道线传感器、方向盘转角传感器和车身CAN总线采集相关表征参数,将其作为BP神经网络输入数据,对驾驶人换道意图进行初步预测,BP神经网络输出结果作为贝叶斯滤波器输入数据,对BP神经网络预测结果作进一步修正。对模型利用真实换道数据进行训练和检测,结果表明此模型的预测准确率达到91.38%,相较于单一的BP神经网络模型,预测准确率提高了6%,并且具有更强的通用性。     

基于GPS定位数据的高速公路换道特征分析与行为识别

为了实现对高速公路微观状态的监测,需要对车辆换道行为进行识别.利用车载GPS定位数据获取车辆换道参数,并分析换道车及其周围车辆在换道时的参数统计分布特征,提取换道行为表征参数,建立了基于隐马尔可夫的换道行为识别模型.结果表明:利用该模型可以实现对驶出换道、驶回换道和车道保持行为的较好识别,且能在换道发生后1s识别出换道行为,准确率高达92%.为后期实时换道预警提供参考.     

《汉宫秋》中孤雁意象的悲剧意蕴

马致远的<汉宫秋>依托孤雁意象,以汉元帝和王昭君的爱情悲剧为中心,演绎了当时胡强汉弱:汉王朝国力衰微,无可奈何被迫和亲的悲凉,作为抒情性文本,两人的爱情悲剧构成它的表层意蕴,而人物的命运悲剧构成它的它的深层意蕴.     

交叉口驾驶员转向意图辨识研究

基于profit-sharing增强学习算法,提出了自适应性驾驶员意图辨识的方法,对交叉口驾驶员转向意图进行辨识,达到了缩短辨识所需时间和提高驾驶意图辨识准确性的目的。通过驾驶模拟仪采集的交叉口驾驶员操作数据,建立关于油门踏板操作量、制动踏板操作量、车速的驾驶员转向行为模型,运用profit-sharing增强学习方法对转向行为模型进行实时调整,使模型反映驾驶员的个体特征。实验结果表明,所提的方法在交叉路口前3 s对驾驶行为的识别率是96.8%,前5 s的识别率是94.1%。     

Spatial-Temporal ConvLSTM for Vehicle Driving Intention Prediction

Driving intention prediction from a bird’s-eye view has always been an active research area. However,existing research, on one hand, has only focused on predicting lane change intention in highway scenarios and, on the other hand, has not modeled the influence and spatiotemporal relationship of surrounding vehicles. This study extends the application scenarios to urban road scenarios. A spatial-temporal convolutional long short-term memory(ConvLSTM) model is proposed to predict the vehicle’s lat...     

基于测试代码变化的重构意图推测方法

已有的重构工具主要在传统开发模式下,针对源代码的变化来推测重构.对于目前流行的测试驱动开发方法,缺乏有效的工具指导实施测试驱动重构.为此,本文提出了一种基于测试代码变化的重构意图推测方法,在测试驱动开发过程中,通过实时监控捕获测试代码的变化,并依据启发式规则推测可能的重构操作.该方法在两个实际的测试驱动开发项目上进行了验证.结果表明该方法比现有方法更为高效准确,其准确率提高约15%,查全率提高了33.3%~42.8%.      

基于非常规模态逻辑的主体意图

构造一种基于非常规模态逻辑的理论描述主体意图.解决副作用问题时采用语义方法,引入场景的概念解释意图算子,并提出了新的公理.解决意图之间的关系问题时,将意图分为主要意图、相关意图以及原子意图3类,以树形结构表达意图间的关联.引入相关算子,并给出了语义解释.提出了意图强度的表达机制,将其作为意图的固有属性,大大提高了主体的动态效率.     

一种基于意图跟踪和强化学习的agent模型

针对动态对抗的多agent系统(MAS)环境中agent行为前摄性较差的问题,提出了一种将意图跟踪和强化学习相结合的agent模型.该模型将对手信息和环境信息分开处理,在agent的BDI心智模型中引入了Q-学习机制应对环境变化;在强化学习的基础上注重对对手和对手团队的意图跟踪,改进Tambe的意图跟踪理论,针对特定对抗环境中的对手行为建立对手模型,跟踪对手和对手团队的意图,预测对手目标,以调整自身行为.实验证明,所提出的agent模型具有更强的自主性和适应性,在动态对抗系统中具有更强的生存能力.     

游戏化对网络消费者购买意愿的影响

基于游戏化金字塔理论构建研究模型,运用问卷调查法收集数据,采用层级回归分析法研究发现,对于网络消费者,游戏化三个维度——游戏动力、游戏机制、游戏组件正向影响其购买意愿和顾客参与的三个维度——信息分享、人际互动、合作行为;顾客参与的三个维度正向影响购买意愿,并在游戏化三个维度与购买意愿间起部分中介作用。电子商务企业可以通过游戏化设计,全方位调动网络消费者参与营销活动的积极性, 协同运用游戏化元素提高网络消费者购买意愿。     

何其芳现象及其泛政治心态

自从“何其芳现象”被提出以后，学术界对此评价褒贬不一，但作为一个学术概念，它已成了一种客观存在．本文试图从其发生的深层心理机制——泛政治心态来对这一现象进行还原，尽量对其进行一个客观的评价．     

小学教育专业本科生就业意向调查研究——以江西师范大学教育学院为例

本文通过调查江西师大教育学院小学教育专业本科生的就业意向,指出了小学教育专业本科生在就业意向方面受到性别、年级、家庭背景、文化观念等因素的影响,表现出三大特征:考研成为这门专业学生就业的首选;大部分学生青睐的就业地区为生源所在地;一些学生对就业薪金的期望值较高。而要克服这些就业意向中的问题,有关部门应正确引导大学生树立正确的就业观、开设有效的就业指导课程、加强学生的专业素质。