基于混合预测模型的交通标志识别方法

随着高级驾驶辅助系统(advanced driver assistance systems, ADAS)和无人驾驶技术快速发展,交通标志识别方法成为一个重要的研究方向。为了辅助驾驶员实现安全驾驶,减少交通事故的发生,将AdaBoost-SVM和卷积神经网络(convolutional neural network, CNN)相结合,构建一个混合预测模型(mixed forecasting model, MFM),通过该模型识别交通标志。将卷积神经网络作为可训练的特征提取器,AdaBoost-SVM作为识别器。采用卷积层和下采样层构建两组隐层结构,将预处理的图像作为CNN模型的输入,利用反向传播算法(backpropagation, BP)对CNN模型进行训练直至收敛,最后将测试集的高维特征提取出来,采用AdaBoost-SVM分类器进行分类识别。实验结果表明,该MFM对交通标志具有很高的识别率和鲁棒性,且识别率和收敛时效都优于其他传统算法,对提高辅助驾驶和无人驾驶的安全性具有重要意义。     

基于物联网的公路车流波消散方法研究

通过开发专门的视频处理系统来获取车辆动态数据,对比分析在无车流波和车流波情况下的车队动态微观数据(车辆速度、加速度、车头间距和反应时间等),发现车队中的驾驶员能快速识别车流波情形并调整驾驶策略,在此基础上,构建车流波模糊识别算法并进行仿真验证;最后结合物联网技术,提出新的公路车流波消散方法.     

基于编解码器模型的车道识别与车辆检测算法

针对无人驾驶车辆环境感知问题,通过编码器提取共享图像特征,再通过解码器来实现语义分割、分类和目标检测模块,并应用在车道识别和车辆检测上.在无人驾驶中,任务的实时性非常关键,这种共享编码器模型能一定程度上提高任务实时性.实验结果表明,该模型的语义分割在KITTI数据集上的平均精度达到93.89%,比最优性能提升0.53%,联合检测速度达到25.43 Hz.     

改进人工势场法在无人车避障中的应用

为了解决传统人工势场算法在无人车避障应用中虚拟势场作用域固定、避障角度过大的问题,建立了车辆避障模型,对障碍物进行了分类,比较了传统势场和改进势场的异同,在此基础上改进了人工势场法,优化了安全避障中人工势场圆形虚拟力场作用域模型.仿真结果表明:改进人工势场法使无人驾驶车辆在避障系统中安全避障转角跳变减小,能够满足结构化道路避障要求,实现了小角度、大半径避障.     

无人驾驶汽车环境感知技术综述

无人驾驶汽车在行驶过程中获取外界环境信息是车辆进行导航定位、路径规划及运动控制的根本前提。首先对无人车环境感知所需传感器的特点和原理进行了介绍,然后阐述了激光雷达和相机的标定方法,并论述了道路、行人、车辆、交通信号及标识检测任务中的关键技术,同时分析了各种传感器的优势与限定条件,论述了各项关键技术的原理与方法,从而对无人驾驶汽车在环境感知领域的关键技术进行了综合论述。     

合流区域多车交互风险实时评估方法

为探究合流区多车交互换道条件下的交通安全状况,开展了合流区多车交互风险实时评估研究。考虑车辆动力学以及多车交互作用特性,构建了基于车辆物理状态层、多车交互层和风险概率层的贝叶斯分层风险实时评估模型。利用MCMC吉布斯取样法标定模型参数,采用后验预测p值、参数分位数变化检验模型参数的有效性,通过仿真分析评价模型的实时评估性能,采用k-means聚类法对多车交互风险进行分级。结果表明：模型参数BGR统计值均小于0.1,Durbin-Watson后验p值、正态性假设p值、检验分布对称性p值和峰度p值都接近0.5,说明该风险评估模型收敛且具有良好的拟合性,各级风险的AUC结果表明模型对低风险、较高风险及高风险的识别较为准确,性能较好。本文研究可对一定时段内的车辆运行风险进行评估,为驾驶决策提供参考依据。     

考虑横向偏移的车辆行为特性及全速度差拓展模型

分析了参与同一换道动态过程的周围多个车辆的驾驶行为,根据多车驾驶行为差异协同考虑了周围多车影响和驾驶员反应时间,分析了车辆完整换道过程的状态演变规则,通过考虑车辆行为的横向偏移特性构建了更为贴合实际情形的全速度差(FVD)拓展模型。分析了快速路试验路段的实测数据,标定了全速度差拓展模型的影响参数,并进行了仿真验证。仿真结果表明:拓展模型稳定性更高,能更好地模拟实际的车辆驾驶行为特性。     

基于驾驶行为多元时间序列特征的愤怒驾驶状态检测

为了对"路怒症"进行有效干预,提出了一种基于驾驶行为的愤怒驾驶状态检测模型。在交通繁忙路段开展基于道路事件刺激的愤怒情绪诱导限时实验,获得驾驶人愤怒与中性情绪下的驾驶行为数据。运用分段线性表示方法拟合由方向盘转角与车辆横向位置组成的驾驶行为多元时间序列,并采用自底向上算法对该时间序列进行分段,提取各分段的斜率与时间间隔特征作为模型输入,建立基于支持向量机的愤怒驾驶状态检测模型。结果表明:模型的识别精度在10分段条件下达78.69%,较5分段、20分段分别高8.57%、4.85%。研究结果可为开发基于驾驶行为的愤怒情绪实时检测设备提供理论支持。     

基于模糊滑模控制的无人车路径跟踪

路径跟踪是智能交通系统中不可或缺的一部分,它兼顾了保证车辆沿着既定路径行驶和行车安全两大任务,所以是无人驾驶控制中的重要一环。文中对智能驾驶车辆的路径跟踪控制展开了相关研究。首先,基于二自由度动力学特性建立了车辆模型;其次,为削减常规滑模控制所带来的抖振问题,设计了具有自适应切换增益调节功能的模糊滑模控制器。最后,基于Simulink/Carsim软件搭建了无人车路径跟踪联合仿真平台,对所设计的模糊滑模控制器进行仿真验证,结果表明：该控制器对于Carsim数据库中的精确车辆模型具有良好的路径跟踪效果和鲁棒性。     

国内机场首辆无人驾驶车在广州白云机场试运行

正在广州白云机场P4停车场内,一辆外形时尚、充满"未来感"的无人驾驶汽车缓缓起步,避让、变道、加速,样样皆能,这是无人驾驶汽车首次亮相国内民用机场。该无人驾驶车是广州白云机场与相关机构联合引进的。其设有4个座位,乘客提着行李上车,无需触碰任何按钮,即可实现"自动驾驶",搭乘无人驾驶车去往特定停车位。该无人驾驶车采用新技术操     

势能场影响区域车辆交互速度变化模型

为定量分析交通流中车辆间的交互影响,开展了主干路车辆交互速度变化模型研究,通过类比势能场理论中的引力和斥力,界定了势能场影响区域的概念,将目标车运行时与周围车辆的吸引和排斥作用归结为势能场影响区域交互面积的变化,提出考虑势能场影响区域的车辆交互分析方法,建立了目标车速度变化量与势能场影响区域交互面积的线性模型. 采用P3-DT北斗高精度定位测向机采集车辆坐标和速度,标定模型参数. 用该模型计算目标车速度变化量,并与实测数据进行对比. 结果表明:模型计算值与实际值之间的误差小于15%,车道变换时间越短,目标车与目标车道后方车辆间的交互作用越明显,后车的减速操作越迅速,验证了模型的有效性. 该模型将传统微观交通流分析中的车速与车辆间距两大因素归一为势能场影响区域交互面积,可为微观交通流中的多车交互研究提供方法,并为自动驾驶车辆提供速度控制策略.     

双驱轮毂式电机在无人驾驶中的控制与仿真

针对无人驾驶车在直行和转弯过程中轮毂式驱动电机输出转速不协调的问题,将电子差速控制策略引入车辆控制系统中．根据速度矢量对控制系统的影响,设计了以永磁无刷直流电机控制技术为基础的电子差速控制器．该系统以无人驾驶车需要的车速和转弯角度为输入,两后驱电机转速为输出．对驱动电机转速与时间的响应曲线进行了仿真,仿真结果表明此控制器完全能够实现机械差速器的功能,可以实现车辆直线行驶和转弯过程中车轮自由差速．     

网联自动驾驶环境下基于马尔可夫链理论的混合交通流车队识别模型（英文）

鉴于车队在城市道路信号交叉口通行时常被交叉口信号灯所打断,造成不必要的停车,致使交叉口通行能力下降、尾气排放增加以及燃油消耗升高,本文面向未来网联自动驾驶环境,基于马尔可夫链理论,构建了混合交通流下的车队识别模型。此外,本文借助能够实现L2级自动驾驶技术的特斯拉车辆,设计并组织实施了网联自动驾驶环境下的全样本交通流视频采集实验,并利用视频识别技术提取车辆轨迹数据。最后,利用实测数据和交通仿真软件Vissim,进行网联自动驾驶环境下的车队识别仿真实验。仿真结果表明,当网联自动驾驶车辆渗透率高于0.7时,车队识别率超过80%。另外,仿真结果还表明,车队识别位置同样影响车队识别率,例如在交叉口上游与下游分别进行车队识别时模型性能不同。本文所构建的车队识别模型能够为未来网联自动驾驶环境下的信号协调控制提供输入参数,以减少城市干线车队的不必要停车,进而提高城市交通运行效率。     

车辆识别技术综述

车辆识别是智能交通系统的重要组成部分,也是交通管控、无人驾驶、疑犯追踪、行为分析等其他智能任务的基础.首先对车辆识别研究中存在的困难与挑战进行了阐述,在此基础上详细综述了基于浅层学习和深度学习的车辆识别前沿技术研究进展,最后进行了总结与分析,探讨了车辆识别领域目前仍需解决的问题和未来的研究方向.     

基于Arduino平台的新型减速带设计与分析

为解决传统减速带识别度低且颠簸感强等缺点,设计新型可升降减速带.通过将机械机构与车速检测相结合,对机构关键零件进行设计及理论校核,实现对低速车辆放行的效果,提高驾驶舒适性.通过智能控制将光能和车辆冲击能量转化为电能并存储利用.制作模型验证新型减速带各项功能,证明其具有较高的实用价值和广泛的应用前景.     

卷积神经网络在车辆识别系统中的应用

针对工厂厂房和仓库无人门禁系统需对货运车辆单独检测与识别的特殊需求,提出一种融合Darknet19网络与SSD(Single Shot-multibox Detector)模型的车辆检测与识别模型。首先,采集真实场景中包括行人、叉车、货车的大量图片并进行人工标注,构建一个私有数据集;其次,在Caffe框架下使用ImageNet2012数据集重新训练Darknet19网络,并通过更换基础分类网络及在每个卷积层后加入批归一化(Batch Normalization)层等方式改进SSD目标检测模型,构建出一个新的端到端的车辆检测模型。结果表明,该模型对货运车辆的平均查准率可达99.2%,检测帧率可达72帧/s,准确率与实时性均满足厂区环境检测货运车辆的要求。     

一种疲劳驾驶检测方法

使用YOLOv3-tiny卷积神经网络进行驾驶环境识别,利用dlib人脸检测算法进行检测,实现人脸特征点的精确提取.采用眼特征向量(EFV)和口特征向量(M FV)作为驾驶员眼状态和口态的评价参数.通过离线训练构建驾驶员身份信息库模型,使用相应算法进行判定,完成疲劳驾驶检测.     

工程车辆无人驾驶关键技术

随着社会对工程车辆操作人员生命安全的重视以及工程项目对施工机械效能要求标准的提高,工程车辆正向高自主、高效率、高可靠性方向发展。为实现工程车辆无人驾驶自动转场及作业,本文系统总结了国内外相关技术,从环境感知、运动规划、工程作业、状态监测等方面详细分析了工程车辆无人驾驶关键技术的研究进展,指出非结构环境识别、车身可变结构车辆的路径规划及轨迹跟踪、自动化作业等方面的技术尚需突破,提出采用机构/结构优化设计、先进的通讯手段、机器学习和数字孪生等方法,有利于推动工程车辆无人驾驶关键技术发展。     

基于CAN总线纯电动汽车仪表装置的设计

针对柳州本地生产的1.5排量的景逸汽车的驾驶操作系统和仪表进行改造,以提高电动汽车运行效率以及对车辆状态实时检测为目的.设计将以嵌入式ARM芯片及其接口电路作为控制核心模块,配置彩色液晶屏+触摸屏的人机界面电路,设计CAN总线通讯电路,构建整车驾驶控制电路.     

基于脑电信号空域特征的紧急制动行为识别

基于脑电信号对紧急制动行为的分类识别和预测,是开发以人为中心的智能辅助驾驶系统的关键问题。为实现对驾驶过程中紧急制动和正常驾驶行为的分类识别,提出了基于PLV的特征表示方法来构建功能性脑网络,结合对网络特征参数的统计分析,确定显著性差异的特征参数,以及通过对数欧式距离提取脑电信号空域特征,并结合机器学习算法完成对紧急制动和正常驾驶行为的分类识别。实验结果表明,针对17名被试的紧急制动和正常驾驶的分类准确率均高于84%,最高准确率达到95.7%;对功能性脑网络的分析结果表明,在两种驾驶行为过程中,脑区间的交互都涉及全脑区,且在紧急制动过程中,脑区间的交互主要出现在额-中央-颞叶区,这与紧急制动下大脑更专注于判断决策相符。研究结果对理解驾驶过程中,尤其是紧急制动过程中驾驶员对应脑区间的依赖关系,以及开发智能辅助驾驶系统在驾驶过程中提前识别紧急制动意图具有一定的参考价值。