基于深度学习的智能车辆辅助驾驶系统设计

为帮助驾驶员在夜间行车时确认前方路况,设计了保证自己及他人出行安全的车载夜视辅助驾驶系统。通过构建深度学习神经网络算法,将经预处理得到的车辆周围图像作为神经网络的输入数据,经逐层训练与调参得到离线网络运算,从实时图像数据中提取障碍物的特征信息与运动情况。通过驾驶车辆上采集设备探测反馈行车轨迹环境,正确识别车辆所处的环境状态,进而提醒驾驶员,并帮助车辆面对突如其来的危险时采取正确行驶决策,避免事故的发生。     

基于Kalman滤波器的车道保持辅助系统研究

以非线性车辆动力学模型作为系统被控对象,利用Matlab/Simulink软件设计一种基于Kalman滤波算法的车道保持驾驶辅助系统。运用Kalman算法估计车辆行驶状态信息,并利用"预瞄—跟随"驾驶员模型—车辆模型—控制器所组成的驾驶员模型在回路仿真的方式对所设计系统进行验证。结果显示所设计的车道保持辅助系统能有效提高车辆路径跟踪能力。     

基于ADSP-BF561的车辆辅助驾驶系统硬件设计

本文介绍基于ADSP-BF561的车辆辅助驾驶系统硬件设计,根据系统设计要求,搭建最小系统和扩展电路,并实现通过CCD摄像机进行实时视频采集.经过视觉处理算法后,将计算结果发送至CAN总线上,辅助驾驶策略控制单元最终根据危险程度的大小提示驾驶员或控制车辆的油门和制动.其硬件设计包括最小系统电路、并行输入/输出外围接口外围电路、CAN模块电路等,为搭建整个车辆辅助驾驶系统提供可靠的硬件基础和系统框架基础.     

基于OpenCV的嵌人式车辆驾驶偏离报警系统

为减少因驾驶员无意识偏离车道行驶造成的交通事故,基于ARM和OpenCV建立嵌入式车道偏离报警系统。重点介绍了系统的设计、平台的搭建和算法处理流程。该系统通过摄像头采集获取图像信息,并应用OpenCV对图像进行预处理,通过提取图像中车道线信息,评估车辆行驶状态是否偏离车道中心位置,根据车辆的行驶状态,发出报警,提醒车辆驾驶人员当前行驶偏离情况,以达到辅助安全驾驶的目的。     

SF-CNN在驾驶行为识别中的应用研究

为了减少不良驾驶行为的潜在危险,通过智能手机内置传感器对驾驶行为进行实时监测,辅助驾驶者安全驾驶,提出了一种优化特征分布的无监督特征学习算法模型——稀疏滤波-卷积神经网络模型（Sparse Filter-Convolutional Neural Network,SF-CNN）。该方法利用移动终端在车辆行驶中采集的三轴加速度数据,通过稀疏滤波进行范数联合约束,得到紧凑的初级特征表达,将该表达矩阵作为卷积神经网络首层的输入,进行非线性分类来识别驾驶行为。实验结果表明,稀疏滤波-神经网络的识别模型对驾驶行为具有更高的识别率和鲁棒性,优于传统神经网络模型,对辅助驾驶系统的效能评价有重要的理论意义。     

基于腾讯地图的北斗/GPS/GSM三定位车辆监控系统

基于腾讯地图和北斗定位系统设计了一套三定位车辆监控系统,车辆将北斗卫星导航系统作为主要定位系统,GPS导航系统和基站定位作为辅助定位系统,保证了定位信号的可靠性.监控端可通过手机客户端实时查询车辆位置信息,并可通过腾讯地图查看车辆所处的确切位置.系统具有车辆防盗功能和安全驾驶功能,防止车辆意外丢失,可提醒驾驶员已疲劳驾驶、超速驾驶等行驶安全隐患.     

基于行列解耦采样的轻量车道线检测模型

随着深度学习的发展,基于深度卷积神经网络的车道线检测模型在自动驾驶系统和高级辅助驾驶系统中得到了广泛的应用.这些模型虽然有较高的精度,但通常计算量大且运行速度慢.为了解决该问题,提出了一种车道线检测任务专用的轻量神经网络模型.首先,提出了一种行列解耦采样的卷积模块,该模块利用图像中车道线区域的行列可分解性对传统的残差卷积模块进行了合理的优化.其次,利用深度可分离卷积技术进一步降低行列解耦采样卷积模块的计算量.此外,还设计了一种金字塔空洞卷积模块来增加模型的感受野.在CULane数据集上的实验的结果表明,文中提出的轻量车道线检测模型与之前最好的SCNN模型相比,浮点计算量降低了95.2％,F1分数提高了1.0％,在保持较高精度的前提下显著降低了车道线检测模型的计算量.     

基于物联网技术的汽车驾驶安全卫士设计

基于物联网技术的汽车驾驶安全卫士是一款融合了51单片机、传感器技术、无线通信网络终端技术等多种技术于一体的智能系统。该系统可实现的功能首先是检测驾驶员是否属于酒后驾驶,如果汽车行驶时发生交通事故,如侧翻、碰撞,汽车行驶安全卫士可自行将车辆发生事故类型、车辆所在地GPS信息,通过GSM模块发送到车主预设的手机号码。驾驶员如果有意外发生也可以通过一键触发控制单片机将求救信号发送出去。     

基于多源信息融合模型的高龄驾驶员安全性评估方法研究

针对老年人驾驶中遇到的问题,本文设计了一个适合于高龄驾驶员的辅助驾驶系统。首先分析了高龄驾驶员驾驶行为随着驾驶速度和持续驾驶时间的关系。接着,结合路面信息和驾驶行为的特征,采用模糊信息融合方法给出了驾驶环境安全度的综合评价。通过模糊信息融合推理,可以使高龄驾驶员对自己的驾驶行为和周围状况有一个全面的认识。随后通过对驾驶行为和事故日志的挖掘,寻找不同驾驶员的特征,通过调整推理规则,提供适合于不同驾驶员的评价。本文所设计的辅助驾驶系统充分考虑了高龄驾驶人员的行为特征,实时为高龄驾驶者提出驾驶行为调整策略,全面提升高龄人员驾驶行为的安全性和舒适性。     

基于MEMS和GPS的驾驶行为和车辆状态监测系统设计

为了适应智能车辆辅助驾驶系统对驾驶和车辆状态监测的要求,利用MEMS惯性传感器自主设计了微惯性测量单元,并结合GPS设计了一种驾驶行为和车辆状态监测系统,实现对驾驶员操纵动作的感知、汽车6自由度运动状态参数和汽车运行车速的实时监测。介绍了MEMS传感器的选型,设计,安装和布置。实车道路实验结果表明:系统对驾驶员踩踏刹车踏板、离合器踏板和变换档位的操纵动作的感知效果较好,侧向加速度和方向盘转角的理论识别曲线与实车实验曲线在趋势上比较吻合。该系统为开发驾驶人员操纵动作自动识别系统提供理论基础和技术支持,也可为提高汽车行驶性和安全性提供重要的理论依据和工程应用指导。     

基于改进卷积神经网络的交通标志识别方法

针对传统卷积神经网络时间成本高的不足,对卷积神经网络进行了改进,减少其卷积核的数量,增加池化方式.为解决真实场景中自动驾驶系统和辅助驾驶系统中的道路交通标志识别问题,将改进的卷积神经网络运用到道路交通标志识别当中,以达到在较短时间内识别出交通标志的目的.以图形数据集GTRSB实景交通标志图像数据作为样本,用改进的卷积神经网络对实景交通标志进行识别,其识别总体准确率达到98.38%.实验结果表明,本方法可以在保持较高识别准确率的同时减少其识别的时间.     

基于GPRS的汽车道路试验远程监控系统

为满足燃料电池汽车道路考核试验远程数据传输的要求，开发了基于GPRS通讯网络的远程数据监控系统，采用嵌入式PC和GPRS调制解调器设计了系统硬件，采用虚拟仪器开发平台开发了车载单元软件和监控中心软件，车载数据采集单元能够实时采集GPS模块和整车CAN网络数据，并通过GPRS模块将汽车运行的关键参数发送到监控中心，实现了燃料电池汽车道路试验的数据采集和远程监控，实际应用情况表明系统工作可靠。     

基于注意力机制和辅助任务的语义分割算法

为提高网络模型低层特征的离散度和语义分割算法的性能,以全卷积神经网络作为基础模型,提出一种基于辅助损失、边缘检测辅助任务和注意力机制的语义分割算法。通过重新设计网络模型的辅助损失分支,使网络低层特征编码更多语义信息。在多任务学习中,选择边缘检测作为辅助任务,基于注意力机制设计边缘检测的辅助任务分支,使网络模型更关注物体的形状和边缘信息。在此基础上,将基础模型、辅助损失分支、辅助任务分支集成构造为语义分割模型。在VOC2012数据集上的实验结果表明,该算法的平均交并比为71.5%,相比基础模型算法提高了6个百分点。     

Detection of the triple riding and speed violation on two-wheelers using deep learning algorithms

To curb the accident rate and traffic levels, strict implementation of the rules and continuous monitoring of the traffic is mandatory. Traffic Rule Violation Monitoring System ensures that the rules are followed strictly and it reduces the human effort. The main objective of this work is to identify the Triple Riding. To detect the triple riders, the deep learning framework darknet is used, which in turn uses a type of convolutional neural networks i.e. Deconvolutional neural network-based YOLO (You Only Look Once) algorithm for detection of the number of persons riding a bike, the system classifies the vehicle as to the rule-breach vehicle or not. The junctions acting as the data collections center, collects the data. The image of the vehicle classified as the rule-breach is stored along with the data such as vehicle manufacturing ID and vehicle speed transferred at the particular frame. The transfer of the data is facilitated using the GSM module and the NodeMCU deployed on the vehicle. The vehicle number will be verified with the transport office. To survive the lack of internet connectivity or low internet connectivity, the system is being equipped with the GSM module; else, the data related to the vehicle can be pulled by the development boards deployed at the junctions, acting them as the central part of the public internetwork deployed. This public internetwork acting the medium to pull the data from the vehicle to the central system. This is carried out using the concept of dynamic network configuration in NodeMCU. The use of Node MCU and the public network system makes the system much more viable, available and reliable. Thereby making the riders follow the rules properly and reducing irresponsible driving.

     

基于高斯混合隐马尔科夫模型的自由换道识别

驾驶辅助系统被认为是解决交通安全问题的有效手段, 开发驾驶辅助系统的基础是对车辆的行为进行准确的识别, 以应用于车辆安全预警, 路径规划, 智能导航等方面. 目前存在的基于支持向量机模型, 隐马尔科夫模型, 卷积神经网络等行为识别方法还存在计算量与精度平衡的问题. 本文结合了隐马尔科夫模型与高斯混合模型, 提出了高斯混合隐马尔科夫模型, 利用美国联邦公路管理局NGSIM数据集对此方法进行了实验验证, 结果表明该方法对自由换道行为识别具有较高的精度. 本文还对高斯混合隐马尔科夫模型的实验参数进行了优化, 以期达到最好的识别效果, 为未来智能驾驶的车辆行为识别提供了参考.     

多任务卷积神经网络的电梯乘客识别方法

电梯安全监测系统应用中, 对于电梯乘客识别往往采用红外传感技术或是传统人脸检测算法如Haar-like、HOG实现, 但应用效果并非很理想. 近年来随着深度学习的发展, 基于卷积神经网络的人脸检测算法在精度上高于传统人脸检测算法, 被多个领域应用. 基于多任务级联卷积神经人脸检测算法模型小、运算快的特点而将其应用到电梯安全监测系统中的电梯乘客识别, 通过引入Inception模块思想, 利用不同大小卷积核并行操作增加各级网络的深度和宽度, 提升网络特征提取能力, 结合Batch Normalization算法提高模型训练速度和网络的分类能力. 实验结果表明, 改进后算法的精度比原算法提升了2％, 实现高准确率的电梯乘客识别.     

基于残差的改进卷积神经网络图像分类算法

现有深度残差网络作为一种卷积神经网络的变种,由于其良好的表现,被应用于各个领域,深度残差网络虽然通过增加神经网络深度获得了较高的准确率,但是在相同深度情况下,仍然有其他方式提升其准确率.本文针对深度残差网络使用了三种优化方法：（1）通过卷积网络进行映射实现维度填充;（2）构建基于SELU激活函数的残差模块（3）学习率随迭代次数进行衰减.在数据集Fashion-MNIST上测试改进后的网络,实验结果表明：所提出的网络模型在准确率上优于传统的深度残差网络.     

轻量化高精度卷积神经网络的安全帽识别方法

由于施工环境的复杂性,基于机器视觉的安全帽识别方法常常出现误检与漏检的情况。为提高复杂环境下安全帽识别的准确率,同时满足实时性要求,提出一种基于视觉感受野特性的轻量化高精度卷积神经网络。该卷积神经网络以RFBnet网络为基础,增加特征金字塔网络模块,使神经网络同时兼顾浅层语义信息和深层语义信息的表示能力,以实现复杂施工环境下不同形态与大小安全帽的识别。采用SE-Ghost模块在保持网络特征提取能力不变的情况下,对主干网络结构进行轻量化。为验证方法的性能,将基于感受野特性的轻量化卷积神经网络和当前主要卷积神经网络进行实验对比,结果表明,所提网络模型的检测准确率较YOLO-v3、RFBnet-300和RFBnet-512网络分别提高了1.60个百分点、3.62个百分点和0.98个百分点,检测速度达到20?frame/s。     

Parallel Planning: A New Motion Planning Framework for Autonomous Driving

Motion planning is one of the most significant technologies for autonomous driving. To make motion planning models able to learn from the environment and to deal with emergency situations, a new motion planning framework called as "parallel planning" is proposed in this paper. In order to generate sufficient and various training samples, artificial traffic scenes are firstly constructed based on the knowledge from the reality. A deep planning model which combines a convolutional neural network (CNN) with the Long Short-Term Memory module (LSTM) is developed to make planning decisions in an end-toend mode. This model can learn from both real and artificial traffic scenes and imitate the driving style of human drivers. Moreover, a parallel deep reinforcement learning approach is also presented to improve the robustness of planning model and reduce the error rate. To handle emergency situations, a hybrid generative model including a variational auto-encoder (VAE) and a generative adversarial network (GAN) is utilized to learn from virtual emergencies generated in artificial traffic scenes. While an autonomous vehicle is moving, the hybrid generative model generates multiple video clips in parallel, which correspond to different potential emergency scenarios. Simultaneously, the deep planning model makes planning decisions for both virtual and current real scenes. The final planning decision is determined by analysis of real observations. Leveraging the parallel planning approach, the planner is able to make rational decisions without heavy calculation burden when an emergency occurs.      

一种并行不对称空洞卷积模块

构建卷积神经网络要耗费大量的人力资源,且训练过程中需要消耗大量的算力资源.利用空洞卷积代替卷积神经网络中的池化操作,能有效增加感受野,降低运算复杂度,但是空洞卷积会带来空间层次和信息连续性的丢失.本文提出了一种并行不对称空洞卷积模块,该模块能够补全空洞卷积所丢失的信息,可以嵌入到现有的卷积神经网络中,代替3×3卷积进行网络训练,从而加速网络的收敛,提高网络的性能.实验结果表明,利用本文所提出的并行不对称空洞卷积模块,可以显著提高不同网络在CIFAR-10等数据集上的分类效果.