冰雪环境下基于神经网络的驾驶人换道意图识别

驾驶人驾驶汽车行驶过程会受到很多因素影响,不同的驾驶人相应的操作习惯不相同,不同路况驾驶方式也会不同。因此,本文对冰雪环境下行车特点进行分析,依据Carmaker搭建的半实物模拟驾驶仿真平台采集该条件下（包含对开路面）驾驶人行为参数以及车辆参数等数据,分析选取特征参数,建立数据样本库。基于神经网络建立意图识别模型,对模型分别从单一工况、复合工况进行验证,通过实验分析了模型性能,实验结果表明该模型能在对开路面准确识别驾驶人意图。     

一种混行环境下驾驶人认知分心识别方法

面向智能网联车辆与非网联车辆的混行环境,研究了一种混行环境无信号交叉口下基于注意力机制的双向长短时记忆网络(Bi-LSTM)的认知分心识别模型。采集了60名驾驶人在混行环境下的模拟驾驶试验数据,采用支持向量机递归特征消除算法提取最优特征子集作为模型的输入。结果表明:该模型识别准确率高达96.58%,F₁值为96.24%,与SVM和决策树分心识别模型相比,准确率、召回率、F₁值和ROC曲线等模型性能方面均最优,可应用于智能车辆分心预警辅助系统,对提高道路安全性具有重要意义。     

基于深度学习的自动驾驶车辆运动规划研究

针对交通状况的复杂性和边缘情况的不确定性,很难设计一个通用的自动驾驶车辆运动规划系统,采用深度学习的方法,提出了一个时空LSTM(长短期记忆网络)的运动规划模型,它能够根据提取的时空信息产生实时处理。该模型有三个主要结构,依次完成,基于Conv-LSTM(卷积长短期记忆网络)提取连续图像数据的隐藏特征。然后,基于3D-CNN(3D卷积神经网络)提取多帧特征信息中的时空信息以及FCNN(全连接神经网络)构建车辆自动转向角的控制模型。最后,对提出的LSTM时空网络模型方法和经典方法在数据集上进行性能评估。实验结果表明,该方法能够为自动驾驶车辆生成实时鲁棒准确的视觉运动规划,可以达到99%的准确率。     

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。     

支持向量机纯电动客车驾驶意图识别

以支持向量机为模型判断驾驶意图,通过对支持向量机进行训练,以加速踏板开度、加速踏板位移加速度为输入,利用网格优化算法得到了驾驶意图判断模型。仿真结果验证预测精度可达到99%。     

基于长短期记忆神经网络方法的车辆跟驰模型

为模拟驾驶员的跟驰驾驶行为,并考虑驾驶员不确定性和记忆效应,基于实车跟驰实验数据,提出并训练了一种基于长短期记忆(LSTM)神经网络方法的车辆跟驰模型。基于该模型研究驾驶员的记忆效应影响时长并进行交通仿真。结果表明:与同体积隐藏层神经元的前馈神经网络比较,LSTM神经网络的跟驰模型预测结果更加贴近观测值且更加平滑,接近驾驶员的实际驾驶行为;驾驶员行为受当前环境及其前1.0～3.5 s内的记忆影响;该模型能够消散交通流中的扰动,模型具有较好的抗干扰能力和稳定性。     

自然驾驶条件下驾驶人换道行为实时预测

为降低车道变换的风险性,提出一种基于驾驶人视觉特性与车辆运动状态预测车道变换行为的方法.应用视觉追踪系统、毫米波雷达等仪器设备,进行了真实环境下的实车驾驶试验.基于换道前驾驶人后视镜注视特性确定换道意图时窗大小为5s,构建换道行为预测的表征指标体系.设计BP神经网络结构,构建换道行为预测模型.结果表明:模型可以至少提前1.5s预测驾驶人的换道行为,且预测精度达到95.58%.与基于转向灯状态预测驾驶人换道行为相比,其预测精度及时序特性均有显著提升,证明了预测指标及预测方法的有效性.     

基于驾驶人视觉特性的换道意图识别方法

为改进现有换道辅助系统的工作效能,基于视觉特性分析,提出了一种对驾驶人换道意图进行有效甄别的方法。依托真实环境下的实车试验,提出以车辆横向位置与方向盘转角确定换道起始时刻,进一步基于换道前后视镜注视特性分析,确定驾驶人换道意图表征时窗为5s。依据车道保持阶段与意图阶段视觉特征参数的差异分析,构建驾驶人换道意图表征指标体系。引入证据理论,确定识别框架与证据链,基于广义汉明距离进行基本信任概率分配,对驾驶人换道意图进行多证据融合识别。结果表明,车道保持与意图阶段驾驶人视觉特性具有显著差异;基于视觉特性,运用证据理论可以有效识别驾驶人换道意图,且识别信度较高,时序性较强。     

不同道路线形下驾驶人认知分散状态监测

通过驾驶模拟实验采集了不同驾驶人在不同道路线形下的驾驶行为参数,通过对参数的统计分析,确立了表征正常驾驶和认知分散状态下驾驶的特征参数组。利用提取的特征参数组作为支持向量机模型输入,建立了不同驾驶人在不同道路线形下的认知分散状态监测模型。实验结果表明,在不同道路线形下分别进行监测的准确度(直道88.58%,弯道81.25%)高于采用同一模型不区分道路线形直接进行监测的准确度74.17%。研究同时表明个人驾驶习惯对驾驶人意识监测结果有重要影响。     

HIV-1蛋白酶切割位点预测研究

为有效减缓艾滋病毒在人体内的复制速度,本文利用长短时记忆递归神经网络,对HIV-1蛋白酶切割位点进行分类预测。使用长短时记忆递归神经网络模型作为主要分类模型,首先对氨基酸分别进行标准正交编码和TVD编码,作为分类模型的输入,模型结果的输出由1和-1表示,1表示可以被切割,-1表示不能被切割,最后对模型分别进行十折交叉验证和AUC评估,并以支持向量机模型作为对比模型进行分析。分析结果表明,在正交编码的条件下,用sigmoid激活函数长短时记忆递归神经网络的分类正确率和AUC值均为最佳,径向基函数支持向量机略高于线性支持向量机,线性长短时记忆递归神经网络分类正确率最低,有助于HIV-1蛋白酶抑制剂的研究。该研究具有一定的实际意义。     

基于卷积神经网络车身颜色识别技术研究

研究车身颜色识别技术可为公安部门打击套牌车辆等交通犯罪行为提供技术支持,并为道路行车安全提供理论依据。文章基于Caffe深度学习框架,提出了一种基于深度卷积神经网络车身颜色识别技术的研究方案,分析了网络层数、迭代次数和学习率对模型的影响,对卷积神经网络CNN模型进行优化,并将优化的网络模型与支持向量机SVM、改进后的HSV模型进行对比分析。结果表明:卷积神经网络最优模型的神经网络层数为8,最大迭代次数为30万,学习率为0.001;支持向量机SVM、改进后的HSV颜色模型及卷积神经网络识别率分别为80.05%、85.25%、90.20%。     

驾驶人换道意图实时识别模型评价及测试

通过分析驾驶人换道行为和车辆运动状态,研究了意图换道和车道保持阶段的差异性,并基于BP神经网络模型和证据理论识别模型,对意图换道进行了实时识别试验。结果表明:两种模型在换道前3s对意图换道样本识别准确率分别为78.26%、45.22%,在换道时刻的识别准确率分别为99.13%、86.96%;随机选择样本对两种识别模型进行验证,意图换道样本的识别准确率分别为86.00%、96.00%,车道保持样本的识别准确率分别为21.05%、78.95%,同时模型识别出正确样本的最长时间均小于0.5s,表明证据理论识别模型具有较高的优越性和实用性。     

多样性病毒入侵环境下的网络空间安全态势智能估计方法

针对多样性病毒入侵环境,提出一种网络空间安全态势智能估计方法。基于卷积神经网络和双向长短时记忆网络提取网络空间信息的空间维度特征、时间维度特征,将提取的特征输入Softmax分类器,完成病毒入侵类型的识别;建立基于支持向量机的网络空间安全态势智能估计模型,改进鲸鱼优化算法训练支持向量机,智能估计所识别入侵环境中的网络空间信息安全态势值。实验结果表明,在多样性病毒入侵环境中,所提方法具备准确识别网络空间入侵行为的能力,并能准确估计多种入侵行为下的网络空间安全态势。     

不同险态情景下共驾型智能车辆接管行为特征分析

为提高驾驶人在不同险态交通情景下接管智能车辆的安全性,在模拟驾驶平台上分别研究了高速公路、山区道路和城市道路3类典型险态环境下驾驶人接管行为的特征和差异性。试验采集并分析了16名驾驶人在3类典型险态环境下的驾驶行为数据。结果表明：(1)驾驶人在接管车辆时采取的应急操作包括制动、转向、同时转向制动3种,各行为占比分别为71.4%、16.7%和11.9%。(2)不同险态交通情景下驾驶人接管反应时间无显著差异（P>0.05）;在高速-城市险态情景下车辆最大纵向减速度存在显著差异（P=0.002<0.05）,在山区-城市险态情景下车辆最大纵向减速度存在显著差异（P=0.048<0.05）;在城市-山区险态情景下车辆最大转向盘转角存在显著差异（P=0.015<0.05）;在山区-高速险态情景下车辆最大转向盘转角存在显著差异（P=0.000<0.05）。说明在不同险态交通情景下应采用不同的接管措施以提升接管的安全性和有效性。本文研究结果可为不同险态环境下的智能车辆接管系统研发提供参考。     

车辆虚拟跟随避撞中驾驶人制动时刻模型

为探索跟随避撞中驾驶人制动时刻的影响因素,应用汽车驾驶模拟器对多名被试驾驶人进行虚拟交通情景下制动行为测试。利用采集的驾驶人在不同交通情景中制动时刻数据,分析了驾驶人制动时刻与其影响因素之间关系,提出了基于驾驶人采取全制动时刻的危险判断指标,分别建立了多元线性回归、BP神经网络驾驶人制动时刻模型,并对两者的预测性能进行对比。结果表明:驾驶人的年龄、性别和两车运动状态是影响驾驶人制动时刻的重要因素;建立的BP神经网络模型预测精度高于回归模型,可用于揭示驾驶人在跟随避撞中危险判断机理,为驾驶辅助系统开发提供了一个具有体现人的个体差异能力的车辆安全行驶状态判断指标,将对改善驾驶辅助系统性能具有重要意义。     

车辆换道行为风险评价方法研究进展

驾驶人的换道行为通常会对交通安全产生一定的负面影响,为了保证车辆换道安全,防止交通事故的发生,应该对车辆换道行为风险情况进行识别和评价。通过对国内外相关文献的系统研究,从文献统计分析、关键词可视化及数据集分析3个方面对车辆换道行为进行了综述,总结了车辆换道关键影响因素的研究热点;并通过回顾国内外车辆换道行为风险评价方法,总结分析了当前研究应用较为普遍的基于交通冲突的风险评价方法以及基于驾驶意图的风险评价方法;最后讨论了当前车辆换道行为风险评价研究存在的问题以及未来发展趋势。研究表明：车辆换道行为研究应结合交通环境特性,研究更具有普适性和可移植性的车辆换道模型是未来有待突破的研究方向;此外,在未来车辆换道行为风险评价研究中驾驶人驾驶意图、换道决策调整等变化是一个重要研究方向;基于当前车联网技术的发展,未来研究应考虑更广泛的影响因素,利用更加广泛的交通环境信息,考虑异构交通流环境对车辆换道行为风险的影响,进行更加综合的风险评价方法研究。研究人员有机会通过汽车远程信息,可以更好地理解驾驶行为和交通事故的成因,为车辆换道风险的综合评价方法研究带来了新的机遇和挑战。     

基于自注意力深度学习的微博实体识别研究

命名实体识别是自然语言处理的重要基础,随着神经网络的快速发展,深度学习的各种方法被应用于文本处理的各个方向。引入自注意力机制,结合深度学习方法,提出一种基于自注意力的双向长短期记忆条件随机场(SelfAtt-BiLSTM-CRF)方法来识别微博中的实体,利用自注意力机制,获取词与词之间的依赖关系,进一步提高模型的识别能力。实验表明,所提出的方法取得了较好的识别效果。     

自动驾驶车辆换道决策行为分析及分子动力学建模

针对自动驾驶车辆的换道决策行为,首先基于分子动力学理论研究了车辆的微观换道行为,在对换道意图进行客观性量化的基础上,进一步引入车辆间的相互作用势建立了换道决策行为的分子动力学模型。然后,系统分析了车辆换道初始时刻与换道完成时刻的关系以及车辆换道的动态影响因素,探究了微观车辆的换道行为对宏观车流的影响。最后,使用SUMO软件将SL2015换道模型与分子动力学换道模型进行仿真对比分析。结果表明,分子动力学换道模型具有较好的安全性、稳定性和实用性;本文自动驾驶车辆换道决策行为的分子动力学建模综合考虑了交通场景中的动态影响因素,能够更客观、合理地展现自动驾驶车辆的换道行为特性。     

驾驶疲劳状态波动性特征的识别方法

针对疲劳状态变化的波动性特征,基于心率变异性指标构建了一种驾驶疲劳状态识别方法.以驾驶行为绩效为疲劳客观测评指标,给出了适应疲劳波动性特征的驾驶疲劳分级方法.以心率变异性的3项时域指标、5项频域指标为特征因子构建驾驶疲劳识别特征向量,结合支持向量机提出了一种适应小样本的驾驶疲劳状态识别模型.采用10名驾驶员连续4 h的驾驶行为绩效与心电数据,对模型方法予以了测试.测试结果表明:10名驾驶员1级、2级疲劳状态的正确识别率介于70%~82%,平均正确识别率为75%.     

CNN-SVM模型在抽油机井故障诊断中的应用

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。