基于滑动窗特征融合的深信度网络驾驶行为识别*

针对动态突变行为原始信息量较少、行为不易区分以及浅层结构分类算法分类正确率较低的问题,提出一种改进的基于加速度数据特征融合的深信度网络驾驶行为识别算法。采用从手机传感器中获取的实时三轴加速度数据,进行预处理后利用端点检测算法确定行为切换点,通过滑动窗实时提取时间序列信息并计算序列片段的时频域特征,选取有效特征后,融合原始行为信息与特征建立完整时间序列段作为受限玻尔兹曼机的输入端,隐层转换为网络可识别的伯努力分布方式,优化预设参数的多隐层受限玻尔兹曼机对输入端信息的特征进行提取,最终通过DBN(Deep Belief Network,深信度网络)实现驾驶行为的识别。实验结果表明,改进的滑动窗特征融合的深信度网络驾驶行为识别算法整体识别率为85.2%,能有效进行驾驶行为的识别。     

车载诊断系统OBDⅡ的汽车接口数据处理技术

通过车载诊断系统(OBD)连接汽车的CAN总线,进行车辆数据实时采集,同时将采集到的数据进行处理.本文采用TDA61芯片和WiFi无线传输单元搭建两个模块电路,一路发送汽车状态信息,另一路接收所有CAN总线上传输的数据信息.该系统扩展了车载诊断系统的外部应用,应用的汽车协议为支持OBD II的CAN总线的ISO15765协议,收发的数据通过外接串口显示.结果显示,系统实现了汽车接口数据的采集和处理.     

基于车载手机数据深度特征的驾驶行为识别

针对驾驶行为识别问题,利用智能手机传感器采集相应车辆的加速度、角速度信息,并用手机角度信息对原始数据进行矫正处理。传统的驾驶行为识别方法须事先对原始数据单元人为进行特征提取。为改善繁琐的人工特征提取方法,提出一种驾驶行为识别领域基于改进的卷积神经网络的特征提取方法。原始数据经过组合后,作为卷积神经网络的输入。通过改变卷积神经网络的损失函数,提高类内样本特征的相似度,再将提取的特征作为核极限学习机的输入。实验结果表明,该方法可有效识别车辆的静止、急加速、急减速、正常行驶、左转弯、右转弯等驾驶行为。     

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。     

基于人体姿态的P SO-SVM特征向量跌倒检测方法

在可穿戴设备检测人体跌倒情况时,单一采用加速度阈值判别方法不能完整表征人体跌倒行为变化的信息,导致对跌倒信息误判.为此,提出了一种基于人体姿态的PSO-SVM特征向量跌倒检测算法.首先通过MEMS加速度传感器节点采集人体姿态数据,并利用共轭梯度法对采集的数据进行优化处理,降低非线性误差;然后,利用支持向量机SVM(Support Vector Machine)分类器检测跌倒行为,并通过粒子群PSO(Particle Swarm Optimization)算法对SVM参数进行优化,获得最佳分类模型,根据SVM分类模型对采集的姿态数据进行分析,判断是否跌倒;最后根据人体姿态角,构建融合人体姿态角的PSO-SVM特征向量,检测跌倒过程的具体信息.实验结果表明:该检测方法取得95.5%的识别率,能够较好地区分其他非跌倒性动作,检测精度较其他方法较高,均方根误差较小,有较好的鲁棒性.     

动态数据流环境下的自适应性行为识别算法设计

传统的行为识别系统大多是建立在一个静态模型上,对样本特征值有非常强的依赖性,而对个别用户的行为习惯缺乏灵活适应性.基于三轴加速度计设计了一种在动态数据流环境下能够对用户行为进行增量学习的自适应性行为识别算法,该算法提出了一种新的提取加速度特征的方法,通过将三轴加速度计采集到的合成加速度数据集合看做物质,来提取物质的物理特征并训练这些物理特征用于投票分类,然后再通过增量学习来更新样本特征值,使其逐渐趋向于用户的行为习惯,从而达到更高的识别率.实验结果表明,该算法具有很高的识别率和对用户很好的适应性.     

基于概率化模板和模糊逻辑的掌纹识别算法

提出一种基于主纹线的掌纹识别算法.该算法根据先验知识用不规则几何形状提取主纹线区域,有效过滤粗大噪声影响.提取的主纹线既保留位置结构信息,又保留纹线的强度信息,使提取的特征信息更完备.并提出概率化主纹线特征的概念,抑制特征纹线上随机点造成的影响.用信息融合的方法来存储模板,把来自同一手掌的多个训练样本提取得到的主纹线特征融合在一个模板内,在保证模板库中特征信息完整性的同时提高匹配的时间效率.匹配算法采用模糊逻辑的方法.实验证明,用该算法进行掌纹识别取得较高的验证精度和辨识精度.     

安卓平台中OBD车辆数据的采集及上传系统

提出了一种车辆数据采集与上传方案,通过安卓平台的蓝牙模块与车辆上OBD模块进行信息交互,从而实现对车辆数据的实时监测,并通过互联网把采集到的数据上传到基于JEE搭建的web服务端,在服务端通过对数据的分析和统计,最终在web端实现图表展示.该方案具有低成本、操作性强、效率高、维护简易等特点.     

基于多传感器的人体运动模式识别

针对日常生活中人体的运动具有准周期特性的特点,设计了一种基于加速度信息与脚底压力的下肢运动信息采集系统。通过采集脚底压力信息监测关键步态事件,在事件前后对下肢加速度数据进行特征提取,从而对4种常见行为(走路、跑步、上楼和下楼)进行识别。实验结果表明:提出的方法在仅提取较为简单的时域特征信息情况下,平均识别正确率为94. 79%。     

基于计算机视觉的驾驶员低头行为检测

在驾驶过程中使用手机会引起驾驶员的注意力分散,为了对这种行为进行监督和提醒(在公共交通中检测更有意义),提出了一种基于脸部特征提取的驾驶员低头行为的检测方法。该方法使用主动型状模型(Active Shape Model,ASM)算法得到脸部特征点,在此基础上通过脸部特征点的位置信息计算出头部姿势描述信息,最后通过SVM将上述信息分类进而得出头部姿势,其可用于判断驾驶员是否在驾驶过程中低头看手机行为,该方法能够有效检测出驾驶员在驾驶过程中低头使用手机的行为。实验结果表明,该方法的平均检出率在94%以上。     

电动车驾驶机器人控制器参数自学习方法研究

针对人工驾驶和现有的机械式驾驶机器人在电动车续驶里程试验中存在成本高、耗时长和错误率高的问题,利用电动车结构和控制上的独特性,依托自行设计的电动车转毂驾驶机器人,采用电信号完成对车辆的控制。为了提高系统适应性,采用非线性最小二乘法实现电动车模型参数的在线辨识;并基于粒子群算法对车辆PID控制器参数进行在线整定,从而完成对任意设定工况速度曲线的跟随。实车试验表明,提出的方法能实现加速踏板的平滑控制,且控制重复性高,完全可以代替驾驶员进行电动车续驶里程试验。     

车联网络通过两级量化自适应卡尔曼滤波实现车辆状态预测

随着城市化和机动化的快速发展,交通安全越来越受到人们的关注。利用车载网络系统获取车载数据来预测车辆下一时刻的车载状态,对于提高运输路段的交通安全起着重要作用。文中提出一种基于自回归滑动平均(Auto-Regressice Mo-ving Average,ARMA)模型的两级量化自适应卡尔曼滤波算法,来预测车辆的行车状态(行驶的方向、行驶的车道、车辆的速度和加速度)。首先,开发了一个车载网络系统,通过交换车载单元(On-Board Unit,OBU)和路边单元(Roadside Unit,RSU)之间的交通数据来获取车辆数据;然后,通过配置在路边单元的边缘云服务器来预测车辆状态;最后,边缘服务器把预测到的状态信息广播给其他路边单元,以便交叉口其他车辆获取车辆信息。实验结果验证了用于预测加速度的自回归移动平均模型的有效性。此外,文中还评估了所提算法的有效性。与其他3种预测算法相比,所提算法的速度预测精度分别提高了90.62%,89.81%,82.76%,这说明该算法在车载网络中能有效预测车辆状态。     

Model predictive control-based fault detection and reconstruction algorithm for longitudinal control of autonomous driving vehicle using multi-sliding mode observer

This paper presents a model predictive control-based fault detection and reconstruction algorithm for longitudinal control of autonomous driving using a multi-sliding mode observer. In order to secure the safe longitudinal control of a vehicle, a numbers of factors must be ensured, such as the reliability of the longitudinal information, the data on the forward object from the environment sensor, and the acceleration of the ego vehicle. Thus, we propose a reasonable failure detection scheme for the acceleration signal of the host vehicle and the relative values of the front object of the radar. In order to identify the faults of the radar and the vehicle acceleration sensor related to the automated longitudinal control, the multiple sliding mode observer and prediction of model predictive control (MPC) algorithm are applied. The relative acceleration is reconstructed by applying a sliding mode observer (SMO) with clearance and relative speed measurements. The upper and lower limits of longitudinal acceleration were computed by analyzing human driving data under the preceding vehicle and reconstructed acceleration. A proper acceleration range can be defined precisely based on several reconstructed upper and lower bounds by using a multiple sliding mode observer with stored prediction data of relative values, making it possible to effectively identify the fault of the host vehicle’s acceleration sensor. By applying MPC for this study, optimal control input and prediction of relative states can be obtained that are more reasonable than those using the linear prediction model. The proposed fault detection algorithm can identify the abnormal state of the environment sensors by using the accumulated past sensor data. By comparing the stored prediction of relative states with the stored data on current states for a given period, the signal faults of the longitudinal target information can be detected from environment sensors. With these fault indices of states, the final fault diagnoses of sensors can be determined by assessing confidence through statistical analysis of 27 sets of normal driving data. In order to obtain a reasonable performance evaluation, this study uses actual driving data and a 3D full vehicle model constructed in the MATLAB/Simulink environment. The test results reveal that the proposed algorithm can successfully detect the fault of the radar and acceleration sensor of the automated driving vehicle.

     

一种基于跟踪微分器的智能车辆加速度闭环控制方法

为了满足智能车辆进行L3及以上级别智能驾驶的需求,文章开发了一种基于跟踪微分器的加速度闭环控制方法.该方法采用跟踪微分器对加速度进行辨识,并对加速度进行闭环控制.其上层控制器根据车辆的当前速度、目标速度以及加速或者减速的距离计算一个加速度指令,并通过CAN网络将该指令发送到加速度闭环控制器中,从而实现对智能车辆进行加速...     

履带车辆悬挂系统半主动控制仿真

磁流变减振器是一种新型的阻尼器,具有结构简单、响应迅速、出力大和耗能小等特点,通过改变线圈电流来调节其阻尼力,在结构振动半主动控制领域有着广阔的应用前景.该文将这种阻尼器应用于履带车辆悬挂系统的半主动控制中,建立出了二自由度1/2车体模型,采用最优控制算法,得出了悬挂系统的最优控制力,并采用控制系统仿真软件 MATLAB中的Simulink工具进行仿真计算,得出了被动悬挂与半主动悬挂车体垂直加速度和角加速度时域响应曲线.通过比较表明该悬挂系统半主动控制能使位移和加速度同时减少30%以上,具有较好的减振效果.     

电动汽车充电站管理系统

以北京市电动汽车充电站管理系统为例,描述了基于485网络的MIS(信息管理系统)的设计和实现。该系统充分分析了电动汽车充电站的系统需求,介绍了一种数据库系统的开发方法,实现了对充电机参数的设置和充放电控制,完成了人机界面对话和对数据库的管理和打印,并能对充电机的状态进行判断及故障诊断。     

Evaluation of driver’s behavior with multibody-based driving simulator

This paper deals with a driving simulator with a multibody vehicle model. Driving simulators require a real-time calculation of vehicle dynamics in response to driver’s inputs, such as a steering maneuver or a brake pedal operation. The authors realized a real-time calculation with a multibody vehicle model by approximating the calculation of constraint equations, and developed a driving simulator with 6-axes motion system. Drivers can feel the multibody analysis results through body sensory information such as the acceleration produced by the motion system and the visual information generated by computer graphics with the developed MBS simulator system. In this paper, a closed-loop test of a human-automobile system was investigated with the developed MBS driving simulator. In this evaluation, the driving simulator system and driver’s behavior were included in a multibody dynamics analysis, so it consists of a hardware- and human-in-the-loop simulation. It was observed from test results that the driving behavior was changed according to the parameters of the multibody vehicle model.     

基于智能手机的车辆行为实时判别与渐进矫正方法研究

目前基于智能手机的车辆行为识别算法存在着鲁棒性较差、识别率较低、无法应用于实时行驶判断等问题。针对上述问题,提出了基于智能手机的车辆行为实时判别与渐进矫正方法,以提高车辆行为识别的准确率和实时性。该方法利用车辆行为发生时存在的渐进变化数据来进行车辆行为的识别与渐进矫正分类,并通过采集过程数据作为分类器训练样本,提高支持向量机(SVM)分类器的车辆行为识别和预测能力。同时,针对传统滑动窗口检测的局限性,该方法采用了端点检测算法,从而能快速地从车辆行驶数据中截取并识别行为轨迹信息,以减少车辆行为的误判。实验结果表明,基于时间分段矫正的行为识别算法能够有效地对车辆行为进行预测,并最终达到较高的识别率,证明了该方法的有效性。     

基于PSO-IFCM的遮挡车牌车辆识别

针对智能交通系统中车辆类型自动识别问题,利用车辆面积、车窗位置和车轮位置3个特征,实现车辆类型的快速分类识别。对聚类中心初始化和模糊聚类算法进行改进,提出基于粒子群优化的改进模糊C均值算法(PSO-IFCM)的识别方法,用于车牌遮挡情况下的车辆识别。实验结果表明,PSO-IFCM算法具有较好的鲁棒性。