结合Spatial CNN的端到端自动驾驶研究

针对当前自动驾驶中端到端深度学习算法需要庞大数据集作为训练支撑且缺少针对性的问题,基于深度迁移的思想,提出了迁移预训练VGG-16网络结合Spatial CNN网络结构的端到端自动驾驶模型.将预训练模型在ImageNet数据集上已经学习到的图像识别能力迁移至转向预测任务上,同时嵌入Spatial CNN网络结构挖掘空间特征信息.研究结果表明:在基于同等少量样本的训练后,迁移学习模型提取的特征更具有相关性,与从零开始训练的DAVE-2模型相比,预测误差率降低11.1％.在测试地图上模型预测值能很好地跟随真实值变化,说明模型能够实现高精度预测.     

基于深度强化学习的自动驾驶技术研究

自动驾驶技术是世界车辆工程领域研究的热点和汽车工业增长的新动力,也是目前各国重点发展的智能交通系统中一个 重要组成部分。自动驾驶车辆的控制系统作为车辆行为层的关键环节对于车辆行驶的安全J陛和舒适性至关重要。传统的控制方法大多 基于精确的数学解析模型或者基于规则设计。复杂程度呈指数增长。强化学习的出现使得设计以数据驱动或...     

深度强化学习在自动驾驶系统中的应用综述

深度强化学习兼具深度学习对高维输入的处理能力和强化学习的决策能力,能够实现由高维的感知信息到连续动作空间输出的直接映射,非常适合处理环境复杂、交互频繁的自动驾驶任务。本文介绍了深度强化学习的主要类别以及研究进展,对自动驾驶系统关键技术进行详细剖析,重点分析了深度强化学习在自动驾驶系统环境感知、决策规划、控制执行关键技术领域的应用现状,最后展望了深度强化学习（DRL）在自动驾驶系统中的应用前景,指出研究DRL算法的可解释性提升整车功能安全等级,以及研究DRL模型的决策稳定性或利用DRL算法提升系统综合控制能力已成为未来的发展方向。     

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有\"遗忘\"与\"更新\"功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。     

基于深度强化学习的自动驾驶车控制算法研究

为了提高基于强化学习的自动驾驶车控制算法的学习效率,提出了一种结合专家经验的自动驾驶策略学习算法(deep deterministic policy gridient with expert,DDPGwE).DDPGwE采用基于DDPG的强化学习框架进行模型在线训练,使用真实的人类驾驶数据对actor网络进行预训练,同...     

基于深度强化学习的自动驾驶车辆专用道汇入引导

为满足自动驾驶车辆（CAV）与人工驾驶车辆混行过程中安全和效率的需求,自动驾驶车辆专用道应运而生。当高速公路内侧车道设为自动驾驶车辆专用道时,引导自动驾驶车辆从普通车道汇入至专用道的策略研究具有重要的理论意义和实际价值。首先,设计专用道入口并提出车辆控制规则;其次,以使更多自动驾驶车辆换道至专用道为目标,基于深度强化学习,选择换道信号动作引导车辆换道;最后,通过Python语言编译进行数值仿真验证。结果表明：在自动驾驶车辆渗透率、到达专用道自动驾驶车辆比例等不同因素构建的9种场景下,本文算法能够快速收敛;能够有效引导自动驾驶车辆汇入专用道,保证通行效率;相较无信号控制情况,渗透率为20%～40%时,第2车道交通拥堵显著减少;在两段式专用道入口场景下,CAV换道至专用道的比例比单入口场景明显提高。所提出的策略具有较好的适用性,能为工程建设提供参考借鉴。     

基于深度学习的疲劳驾驶检测方法

针对现有疲劳驾驶检测方法实时性差和准确率低的问题,提出一种基于深度学习的疲劳驾驶检测方法.通过深度学习模型MTCNN实现人脸检测;针对眼睛定位易受遮挡、姿势变化等因素影响的问题,通过眼睛精定位(FEL)模型精确提取眼睛区域,并通过OC-Net网络判定眼睛状态;基于PERCLOS算法和眨眼频率对驾驶员进行疲劳判定.实验结...     

基于时空优化LSTM深度学习网络的气温预测

新疆天山山脉中段玛纳斯河流域及其周边地区气象观测站点稀疏且分布不均匀,导致对该地区积雪-融雪过程模拟所需的气温要素时空预测精度不高.针对这一问题,提出了基于时空优化长短时记忆(LSTM)深度网络的气温时空精准预测模型.首先,以该地区21个气象观测站点上2015年全年小时气象数据为数据源,利用Pearson相关性分析及多...     

基于时空特征提取和深度学习的出行需求预测模型

考虑到城市交通系统中时间和空间维度的复杂影响,重点针对模型的输入特征进行研究,分别使用长短时记忆神经网络和卷积神经网络,对时间特征和空间特征进行加工,提出了一种适用于出行需求预测的时空特征提取方法,同时借助全连接层融合时空特征实现对出行需求预测,提升出行需求的预测效果。基于滴滴开源成都数据,对比传统预测模型,文中研究对均方根误差等指标进一步降低5%以上。     

基于深度学习的多模态情感识别综述

简要介绍了文本、语音和人脸等3种单模态情感识别方法,总结了常用的多模态情感数据集。通过分析基于深度学习的多模态情感识别的研究现状,按照融合方式将基于深度学习的多模态情感识别分为基于早期融合、晚期融合、混合融合以及多核融合等4种情感识别方法,并进行了对比分析。最后,指出了情感识别技术研究进展存在的问题及未来发展趋势。