一种基于混合交叉策略的多目标演化算法

演化算法是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。论文叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEAHC),该算法不仅具有较高的计算效率,而且能够保持解的多样性分布。测试结果表明该算法的良好性能。     

基于改进蚁群优化算法的自动驾驶多车协同运动规划

当前面向多辆自动驾驶汽车的协同运动规划方法能有效保证运行车辆与障碍物及其他车辆之间避免发生碰撞并保持安全距离,但车辆间的在线协同与规划能力仍有待提升。为实现多辆自动驾驶汽车在运动过程中的协同控制,提出一种基于改进蚁群优化算法的多车在线协同规划方法。以空间协同与轨迹代价为优化目标,构造多目标优化函数,确保了多车行驶过程中的协同安全性与轨迹平滑性。将多目标优化函数引入蚁群优化算法的信息素更新过程中,根据自动驾驶车辆数量产生多个种群,使得种群之间相互独立的同时为每辆自动驾驶汽车规划可行路线。最终对蚁群优化算法中的挥发因子进行自适应调整,提升了算法全局搜索能力及收敛速度。实验结果表明,该方法能使多辆自动驾驶汽车在运动过程中保持协同控制并规划出无碰撞路线,相比于基于人工势场和模型预测的协同驾驶方法在复杂道路场景下车辆间的协同效果更好且适应性更强。     

基于斜率淘汰策略的多目标演化算法

提出一种新的多目标演化算法——基于斜率淘汰策略的多目标演化算法。利用基于斜率的淘汰策略,在演化过程中能以较低的时间复杂度更新精英空间、保存精英个体(Elitist),且取得的解数量大,既保证了近似解集对Pareto前沿的逼近,又很好地保持了解集分布的均匀性。对于一些代表性的Benck Mark问题,数值试验都取得了非常好的效果。     

分销供应链协商调度多目标合作协同演化算法

研究了在制造商占优并优先调度的分销供应链中,多个分销商同时与制造商进行协商以改善自身调度的问题,建立了基于补偿的多目标协商调度模型,提出了同时实施分销商局部演化计算与制造商全局演化计算的新型多目标合作协同演化算法 GLCCEC.提出了制造商全局精英解的跳跃渐变解组合策略及全局非支配解集实时更新策略,设计了保持局部作业顺序约束下的分销商局部解全局化动态规划算法.实验结果表明,GLCCEC算法能够在不损害制造商调度的条件下有效改善每个分销商的调度,所获得的非支配解集不仅目标值优于现有的3种主要合作协同演化算法MOCCGA,NSCCGA,GBCCGA,而且具有良好的解分散度.     

基于(μ+1)演化策略的多目标优化算法

使用(μ 1)演化策略求解多目标优化问题，利用群体中个体间的距离定义拥挤密度函数以衡量群体中个体的密集程度，个体适应值定义为个体的Pareto强度值和拥挤密度值之和。通过对测试函数的实验，验证了算法的可行性和有效性，该算法具有简单、稳健等特点。     

自动驾驶场景下多传感器融合目标检测算法研究

日前随着智能交通的发展,自动驾驶的需求日益增长,由于复杂和动态的驾驶环境的性质,实现完全的自动驾驶目前面临巨大挑战。自动驾驶场景下的目标识别可以用于路径规划、运动预测和碰撞避免,是自动驾驶技术的关键技术之一。如何在有限的传感器、时间和计算资源消费范围内获得更高的目标识别率及更好跟踪准确度是自动驾驶所需要解决的问题。鉴于传统目标检测系统中,采用单一传感器进行目标识别,在感知范围、识别准确性等方面存在的固有缺陷,本文对单激光点云和点云-图像融合3D目标识别进行研究分析,同时重点阐述点云-图像前融合深度学习网络MV3D、VOAD、PointPainting,后融合网络CLOCs的应用及其性能对比分析。最后对后融合网络CLOCs进行网络改进,提出根据大小目标灵活变化输出多尺度的特征图,以达到目标特征匹配的结果从而提高融合的匹配程度,实验结果表明在小目标检测过程中表现出较好的性能。     

基于密集度的搅动多目标演化算法

多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域.定义和使用密集度来保持群体中个体的均匀分布,将个体的Pareto强度值和密集度合并到个体的适应值定义中.提出搅动策略,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟,对每次搅动得到的部分非劣解个体进行邻域搜索以加快非劣解前沿的进化.最后,测试函数的实验结果表明了算法的可行性和有效性.     

基于多阶段演化信号博弈模型的移动目标防御决策算法

当前网络安全事故频发,传统被动防御技术已经无法应对未知的网络安全威胁。针对这一问题,构建了多阶段演化信号博弈模型,并以防御方主动发射诱导信号进行安全防御为背景,提出了一种基于多阶段演化信号博弈模型的移动目标防御（MTD）决策算法。首先,以博弈双方不完全信息约束及完全理性前提为假设对模型的基本元素进行定义并进行模型整体理论分析;然后,设计了攻防策略的收益量化方法,并给出了详细的最优策略均衡求解过程;最后,引入MTD方法分析多阶段攻防情况下双方策略的演化趋势。实验结果表明,所提算法能准确预测出不同阶段最优防御策略,而且对新型网络主动防御技术研究具有指导意义。同时,通过蒙特卡洛仿真实验,将所提算法与传统随机均匀策略选择算法进行对比,所得结果验证了所提算法的有效性和安全性。     

多群多策略差分大规模多目标优化算法

针对差分进化算法在解决大规模多目标优化问题时,出现优化后期多样性不足、收敛速度慢等问题,提出一种多群多策略差分大规模多目标优化算法.根据个体特性不同,将种群分为3个等级不同的子群,利用多群策略的优势维持种群多样性.为减少种群陷入局部最优的概率,在不同等级的子群中引入多个变异策略以较好地平衡子群个体的多样性和收敛性.为保证不同子群间信息得到有效交换,根据3个子群的进化状态确定重新分群时机,既保证个体在本群内得到充分进化,又保证个体在一定的条件下进行信息交换.为利用更多的信息生成优秀的子代,将更新后的子群与其父代子群合并,选出下一代子群.为验证所提出算法的有效性,在一组大规模基准测试问题上评估算法的性能,实验结果表明,所提出算法在两个常用测试指标IGD和HV上明显优于其他对比算法.     

基于多目标演化算法的逻辑电路设计

电路演化设计是新兴的研究热点,通过对电路演化设计的基本原理的介绍,提出了基于演化算法特别是改进的遗传算法(GeneticAlgorithm),根据具有一定逻辑功能的真值表,依据多个设计目标,以较少的运算量和较高的效率来演化设计出一个较优的逻辑电路。通过对几个具体实例的研究分析,说明了该设计思想的有效性和先进性。     

融合类人驾驶行为的无人驾驶深度强化学习方法

现有无人车辆的驾驶策略过于依赖感知-控制映射过程的“正确性”,而忽视了人类驾驶汽车 时所遵循的驾驶逻辑。该研究基于深度确定性策略梯度算法,提出了一种具备类人驾驶行为的端到端 无人驾驶控制策略。通过施加规则约束对智能体连续行为的影响,建立了能够输出符合类人驾驶连续 有序行为的类人驾驶端到端控制网络,对策略输出采用了后验反馈方式,降低了控制策略的危险行为 输出率。针对训练过程中出现的稀疏灾难性事件,提出了一种更符合控制策略优化期望的连续奖励函 数,提高了算法训练的稳定性。不同仿真环境下的实验结果表明,改进后的奖励塑造方式在评价稀疏 灾难性事件时,对目标函数优化期望的近似程度提高了 85.57%,训练效率比传统深度确定性策略梯度 算法提高了 21%,任务成功率提高了 19%,任务执行效率提高了 15.45%,验证了该方法在控制效率和 平顺性方面具备明显优势,显著减少了碰撞事故。     

基于深度递归强化学习的无人自主驾驶策略研究

提出了一种基于递深度递归强化学习的自动驾驶策略模型学习方法,并在TORCS虚拟驾驶引擎进行仿真验真。针对Actor-Critic框架过估计和更新缓慢的问题,结合clipped double DQN,通过取最小估计值的方法缓解过估计的情况。为了获取多时刻状态输入以帮助智能体更好的决策,结合递归神经网络,设计出包含LSTM结构的Actor策略网络的Critic评价网络。在TORCS平台仿真实验表明,所提算法相对与传统DDPG算法能有效提高训练效率。     

基于平行测试的认知自动驾驶智能架构研究

在大数据、云计算和机器学习等新一代人工智能技术的推动下, 自动驾驶的感知智能在近年来得到显著的提升与发展. 然而, 与人类驾驶过程中隐含的以自我目的实现为引导的自探索性和自主性相比, 现阶段自动驾驶技术主要以辅助驾驶功能为主, 还停留在以被动感知、规划与控制为主的初级智能自动驾驶阶段. 为实现车辆智能从数据驱动的环境感知、辅助决策、被动规划到知识驱动的场景认知、推理决策、主动规划的提升, 亟需增强车辆自身对复杂外界信息归纳提炼、推理决策、评价估计等类人能力. 首先回顾自动驾驶关键技术演化及其应用发展历程; 随后分析测试对车辆智能评估的效用; 然后基于平行测试理论, 提出自动驾驶车辆认知智能训练、测试与评估空间的构建方法, 并设计基于平行测试的认知自动驾驶智能训练框架. 该项研究工作预期能为推动自动驾驶从感知智能向认知智能的升级提供可行的技术支撑与实现路径.     

基于YOLO的自动驾驶目标检测研究综述

自动驾驶是人工智能发展领域的一个重要方向,拥有良好的发展前景,而实时准确的目标检测与识别是保证自动驾驶汽车安全稳定运行的基础与关键。回顾自动驾驶和目标检测技术的发展历程,综述了YOLO算法在车辆、行人、交通标志、灯光、车道线等目标检测上的应用,同时对比分析了精确性与实时性等性能,阐述了自动驾驶目标检测研究领域将要面临的挑战、可能的解决方案和潜在的发展方向。     

基于ROS构建无人驾驶车辆环境感知系统

无人驾驶系统由环境感知等多个组件构成,一般基于各类分布式程序框架来实现.基于ROS系统这类消息传递通信的分布式多进程框架来构建环境感知系统,是一种可行的参考.本文讨论了无人驾驶系统环境感知信息融合中的ROS机制和组成,基于ROS系统下的目标检测与跟踪等环境感知具体实践,讨论了无人驾驶车辆中ROS性能分析及其改进等内容,可以作为相关技术实现的有益参考.     

基于混合现实的数字孪生自动驾驶测试环境构建

随着现阶段数字孪生技术的不断发展,围绕着数字孪生的研究和应用逐渐成为了热点.由于传统的自动驾驶测试方法存在着不同程度的功能性、安全性以及测试成本方面的各种缺陷,本文针对数字孪生的基本特征以及自动驾驶的测试方法,提出了一种混合现实下数字孪生自动驾驶测试环境的构建方法,利用空间坐标映射、碰撞检测模型、虚拟场景注册,将实际环境下的自动驾驶信息映射到虚拟场景中,同时构建了对应的混合现实的自动驾驶测试模型,并通过实验展示了混合现实系统具有交互特征的碰撞测试,对比了50 ms、200 ms和1000 ms采样频率下系统的性能并进行了分析,实验表明,本文算法在采样频率200 ms或以上,有较好的运行帧率特征.     

基于贝叶斯网络构建RoboSim模型的自动驾驶行为决策

为汽车自动驾驶提供安全高效的自动驾驶行为决策,是汽车自动驾驶领域面临的挑战性问题之一.目前,随着自动驾驶行业的蓬勃发展,工业界与学术界提出了诸多自动驾驶行为决策方法,但由于汽车自动驾驶行为决策受环境不确定因素的影响,决策本身也要求实效性及高安全性,现有的行为决策方法难以完全支撑这些要素.针对以上问题,提出了一种基于贝叶斯网络构建RoboSim模型的自动驾驶行为决策方法.首先,基于领域本体分析自动驾驶场景元素之间的语义关系,并结合LSTM模型预测场景中动态实体的意图,进而为构建贝叶斯网络提供驾驶场景理解信息;然后,通过贝叶斯网络推理特定场景的自动驾驶行为决策,并使用RoboSim模型的状态迁移承载行为决策的动态执行过程,以减少贝叶斯网络推理的冗余操作,提高了决策生成的效率. RoboSim模型具有平台无关、能模拟仿真执行周期的特点,并支持多种形式化的验证技术.为确保行为决策的安全性,使用模型检测工具UPPAAL对RoboSim模型进行验证分析.最后,结合变道超车场景案例,进一步证实所提方法的可行性,为设计安全、高效的自动驾驶行为决策提供了一种可行的途径.     

A Meta-Modeling Approach for Autonomous Driving Scenario Based on STTD

In the current autonomous driving scenario modeling and simulation field, autonomous driving modeling driven by Spatio-Temporal Trajectory Data (STTD) is a key problem, which is significant to improve the safety of the system. In recent years, great progress has been achieved in the modeling and application of STTD, and the application of this data in specific fields has attracted wide attention. However, because STTD has diversity and complexity as well as massive, heterogeneous, dynamic characteristics, the research in the safety-critical field modeling still faces challenges, including unified metadata of spatio-temporal trajectories, meta-modeling methods based on STTD, data processing based on the data analysis of spatio-temporal trajectories, and data quality evaluation. In view of the modeling requirements in the field of autonomous driving, a meta-modeling approach is proposed to construct spatio-temporal trajectory metadata based on Meta Object Facility (MOF) meta-modeling system. According to the characteristics of spatio-temporal trajectory data and autonomous driving domain knowledge, a meta-model of spatio-temporal trajectory data is constructed. Then, we study the modeling approach of autonomous driving safety-critical scenarios based on the spatio-temporal trajectory data meta-modeling technology system, use the modeling language ADSML for automatic instantiation of safety-critical scenarios, and construct a library of safety-critical scenarios, aiming to provide a feasible approach for the modeling of such safety-critical scenarios. Combined with the scenarios of lane changing and overtaking, the effectiveness of the meta-modeling method for autonomous driving safety scenarios driven by spatio-temporal trajectory data is demonstrated, which lays a solid foundation for the construction, simulation, and analysis of the model.     

基于改进Efficientdet的自动驾驶场景目标检测

针对自动驾驶场景中车载平台计算资源有限及小目标检测精度较低等问题,提出一种基于Efficientdet的单阶段目标检测框架Efficientdet-Gs.通过重构倒转残差瓶颈MBConv来改进主干网络Efficientnet,在不牺牲精度的同时降低了网络的参数量和计算量;设计多尺度注意力机制模块应用于特征融合网络,进一...