基于深度学习的无人驾驶技术研究

本文首先介绍了无人驾驶汽车的内涵,并对全球的无人驾驶在近几年的发展历史以及研究现状进行了阐述;其次分析我国无人驾驶汽车技术发展面临的主要问题,并提出一定的解决方案;同时分析了深度学习在无人驾驶领域的应用,最后对无人驾驶领域方面的未来做出预测。     

基于深度学习的传感器优化布置方法

针对传感器优化布置(optimal sensor placement,简称OSP)问题,提出了一种新的使用深度神经网络的解决方案,并以简化的桥梁形状的桁架结构中的振动测试传感器优化为例进行了验证。首先,选择一种传统的传感器优化布置方法,对自动化生成的大量不同的桁架结构分别进行传感器优化布置计算,将所得优化布置结果在进行数据预处理后构建出深度学习方法所需要的训练集与验证集;其次,使用Python语言和深度学习框架TensorFlow设计实现与本研究问题适配的深度神经网络模型并训练;然后,随机生成了新的桁架结构参数;最后,将深度神经网络输出的传感器布置结果和传统方法的计算结果进行了比较,验证了本研究方法的有效性以及在速度上、可移植性与可扩展性方面的性能优势。     

基于深度学习的受电弓羊角异常智能检测方法

随着国家对城市轨道交通运营建设的不断重视,对受电弓监测的安全性、可靠性、高效性提出了更高的要求,因此,对受电弓羊角异常的识别定位研究具有重要意义。本文运用了深度学习领域基于计算机视觉对受电弓羊角进行异常识别的智能检测方法,利用YOLOv3模型与传统图像处理算法,研究适用于检测羊角异常的缺陷智能识别模型,并在铁路现场证实其智能检测方法在真实环境下的时效性和可靠性。     

基于环境识别的电动工程机械无人驾驶行走方法

无人驾驶技术是指车辆在任意环境和道路条件下,由无人驾驶系统控制车辆完成行驶任务的技术.工程机械作业环境恶劣,部分作业任务具有高度重复性,工程机械无人驾驶可有效降低驾驶员作业的风险,节约劳动力成本,提高作业效率.为实现电动工程机械的无人驾驶,针对电动工程机械的控制特性,采用基于摄像头的端到端决策系统.考虑到工程机械作业场...     

基于目标路径规划无人驾驶设备导航控制分析

目标路径规划是无人驾驶设备导航与控制的基础。利用三偏差导航控制器具备的轨迹精确推算模型,研究地下无人驾驶设备在巷道内轨迹规划问题和避障问题;根据巷道导航的特点,定义了包括偏离角、偏离角偏差、横向位置偏差、目标路径等轨迹参数;建立各轨迹参数的关系模型和轨迹推算模型,在轨迹推算模型的基础上进行了轨迹跟踪研究。结果可知:沿着巷道中心线行走不能保证在障碍点和弯道处设备与巷道壁保持最大相对距离;在弯道处应根据弯道特性和车辆结构,在弯道中心线内侧以不同圆弧曲线作为目标路径,在障碍物处以简单的阶跃函数作为避障规则,同时由于无人驾驶设备的结构特点,正反向行驶时轨迹曲线不相同,在弯道处应分别规划正反向目标路径。     

卷积神经网络在无人驾驶感知技术上的应用

对卷积神经网络(CNN)的目标检测方面展开研究,将识别精度较高的Faster RCNN网络框架进行了改进,并应用于无人驾驶视觉感知系统中。利用改进算法进行了不同场景的车辆检测仿真实验。应用了MATLAB的计算机视觉系统工具箱对改进的算法进行快速验证,并应用了驾驶场景设计器对多传感器融合及模拟道路场景进行构建;应用了Simulink和Embedded Coder分别进行视觉控制系统设计及自动代码生成。实验结果表明:改进算法的平均检测精度达到80%以上,具有较高的可行性及鲁棒性,上述解决方案可加快无人驾驶安全感知系统的研发速度,缩短研发周期。     

一种基于深度学习理论的齿轮系统故障诊断方法

分别建立了基于快速傅里叶变换和深度置信网络的FFT-DBN模型、基于小波变换和深度卷积神经网络的WT-CNN模型以及基于希尔伯特-黄变换和深度卷积神经网络的HHT-CNN模型,通过将3种深度学习模型有机融合,进一步构建了基于深度学习理论的齿轮系统故障诊断综合评判模型。通过搭建功率封闭齿轮系统振动测试试验台,加工不同故障模式的测试齿轮副并提取其振动加速度信号作为样本,将基于深度学习理论的综合评判模型的故障识别效果与其他模型进行了对比。结果表明,基于深度学习理论的综合评判模型能够有效地辨识出多种齿轮故障;与其他模型相比,基于深度学习理论的综合评判模型的故障识别准确度更高。     

基于多任务学习的视频异常检测方法

针对异常事件位于图像前景的某个局部区域,且背景区域对于异常检测存在干扰的问题,提出了一种多任务异常检测双流模型,模型架构包含未来帧预测网络和光流重构网络。首先利用前景检测算法获取自然图像和光流图像的目标区域,再将选取的区域送入到编码-解码网络完成未来帧预测和运动重构,对运动特征和表观特征进行提取,最后,使用深度概率网络给出的概率值作为判断异常的决策,并与重构损失及预测损失相结合来判断视频的异常性。本文针对大型场景的3个视频监控数据集(UCSD行人数据集、Avenue、Shanghai Tech)对本文提出的模型进行了异常性评估,所提出的方法在3个数据集上的AUC值分别为97.4%,86.4%,73.4%。与现有工作相比,本文的模型架构简洁且易于训练,异常检测结果更加准确。     

基于磁传感器的自动导引车导航方案

论述了磁传感器在自动导引车中的应用,分析了基于磁传感器的自动导引车的运动控制。在此基础上,设计了基于磁传感器的自动导引车导航方案,给出了导航流程和双闭环结构控制框图。     

Deep Learning Based Data Fusion for Sensor Fault Diagnosis and Tolerance in Autonomous Vehicles

Environmental perception is one of the key technologies to realize autonomous vehicles.Autonomous vehicles are often equipped with multiple sensors to form a multi-source environmental perception system.Those sensors are very sensitive to light or background conditions,which will introduce a variety of global and local fault signals that bring great safety risks to autonomous driving system during long-term running.In this paper,a real-time data fusion network with fault diagnosis and fault tolerance mechanism is designed.By introducing prior features to realize the lightweight network,the features of the input data can be extracted in real time.A new sensor reliability evaluation method is proposed by calculating the global and local confidence of sensors.Through the temporal and spatial correlation between sensor data,the sensor redundancy is utilized to diagnose the local and global confidence level of sensor data in real time,eliminate the fault data,and ensure the accuracy and reliability of data fusion.Experiments show that the network achieves state-of-the-art results in speed and accuracy,and can accurately detect the loca-tion of the target when some sensors are out of focus or out of order.The fusion framework proposed in this paper is proved to be effective for intelligent vehicles in terms of real-time performance and reliability.     

无人车的线控转向系统故障诊断

针对无人车线控转向系统的安全性及可靠性问题,分析了它的结构组成、工作原理以及故障类型,并且利用线控转向系统离散动力学模型和车辆二自由度模型,借助横摆角速度、侧向加速度和转向执行电机电流信号,设计了基于卡尔曼滤波方法的对转向管柱转角传感器进行实时故障诊断的算法,针对电机的突变故障,通过对电机参数的实时估计来进行故障诊断。实车试验验证表明,所设计的故障诊断算法能够准确、及时诊断出无人车线控转向系统所出现的故障。     

基于混沌理论的无人驾驶车辆行驶轨迹量化分析

针对无人驾驶车辆客观量化评价困难的问题,提出基于混沌理论的无人驾驶车辆行驶轨迹的量化分析方法。应用五次多项式方法结合优秀驾驶员驾驶车辆行驶的初始状态和目标状态设计无人驾驶车辆的理想轨迹,计算实际行驶轨迹与理想轨迹的偏差得到偏差时间数据序列;采用混沌理论的C-C方法对偏差时间数据序列重构相空间;计算偏差时间数据序列的Lyapunov指数,实现无人驾驶车辆行驶轨迹的量化表示。运用提出的方法对无人驾驶车辆避障换道的行驶轨迹偏差时间数据序列进行相空间重构,计算其Lyapunov指数为正值,表征人驾驶车辆系统的混沌性,还表征人驾驶车辆收敛到稳态响应的快慢程度。试验表明基于混沌理论的无人驾驶车辆行驶轨迹的量化分析是可行的,有效的。     

基于改进深层极限学习机的故障诊断方法

提出一种新的基于稀疏和近邻保持理论深层极限学习机（sparsity and neighborhood preserving deep extreme learning machines,简称 SNP-DELM））的滚动轴承故障诊断方法。首先,将极限学习机（extreme learning machine,简称ELM）与自编码器（autoencoder,简称AE）相结合,提出一种ELM-AE的结构,利用自编码器对极限学习机的隐含层进行分层;其次,将稀疏与近邻思想融入深层网络中,在投影过程中,通过稀疏表示保持数据的全局结构,通过近邻表示保持数据的局部流形结构,无监督地逐层提取数据的深层特征;最后,通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验,并与ELM、堆叠降噪自编码器（stacked autoencoder,简称SAE）、深层极限学习机（deep extreme learning machine,简称DELM）、卷积神经网络（convolution neural network,简称CNN）等方法进行对比,实验结果表明,SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。     

无人驾驶越野车辆纵向速度跟踪控制试验

以无人驾驶轻型战术轮式越野车辆为平台,开展模型预测纵向速度跟踪控制实车试验研究。针对平台控制特性设计合适的下位控制器,使用Matlab/Simulink与包含气压制动系统的TruckSim车辆联合仿真初步测试系统可行性,并在沥青路和土路分别进行实车试验。试验结果表明：模型预测速度跟踪控制系统能够克服气压制动延时长、整车质量重、越野路况行驶阻力波动大等模型误差和不确定干扰,自适应调节期望加速度大小,实现不同行驶工况高精度速度跟踪。试验过程驱动/制动切换平稳、无振荡,且能够像熟练驾驶员一样充分利用发动机辅助制动,必要时既不施加电控制动,也不请求发动机输出转矩。系统使用现代车辆易于获得的车辆状态参数,便于向其他车辆移植,可作为无人车辆车体控制得力技术加以推广。     

无人机深度学习去雾算法

为解决无人机实际飞行过程中受到雾霾的影响,使获取的图像明显降质问题,提出了一种深度学习神经网络模型DLDN,利用神经网络模型实现无人机深度学习去雾算法。首先结合暗通道先验进行去雾网络模型设计,在保证去雾精度和效果下对网络结构进行优化;然后对含雾图像间隔多尺度卷积特征提取,采取最大池化层的方式对特征降维;最后通过修正线性单元和全连接对进行处理,得到回归结果。实验结果表明,该算法与原图相似度最高、鲁棒性较好且去雾效果明显,满足实际工程实时性要求。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

基于增强深度自编码网络的滚动轴承故障诊断方法

为了提高深度自编码网络的特征挖掘能力,自适应地选取网络超参数,提出了一种增强深度自编码网络,并将其应用于滚动轴承故障诊断。采用最大相关熵代替均方误差作为自编码器的损失函数,加入稀疏惩罚项和嵌入非负约束因子的收缩惩罚项,进一步减小重构误差;通过灰狼优化算法自适应地选取网络关键参数。实验分析结果表明,与现有方法相比,该方法具有更强的特征提取能力与稳定性,对变工况下的轴承振动数据也能达到较高的识别精度。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法#br#

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态（3种）图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态（3种）图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。