基于AIOHMM模型的驾驶行为预测

驾驶员行为预测能够有效减少交通事故发生,因此,研究驾驶员的意图是非常有必要的。本文根据驾驶行为受到驾驶员驾驶意图和车外部驾驶环境的影响,在时间上,先有驾驶意图后有驾驶行为,利用驾驶意图在行为实验过程中的时间差和车外部环境建立自回归输入输出隐性马尔科夫模型(Autoregressive Input-Output HMM)。首先根据采集到车内外的视频数据提取特征值,利用建立的模型进行模型训练,学习得到模型参数,然后用得到的参数对驾驶员换道、转弯和保持直行等行为进行预测。利用Matlab仿真,得出该模型在驾驶行为预测中具有更高的准确性,花费了更少的预测时间,降低了预测的召回率。     

汽车驾驶行为远程监控分析系统的研究及应用

选用汽车无线数据记录仪,整合网络服务平台和上位机数据分析软件,构建一套简单易用的驾驶行为远程监控分析系统;利用该系统对汽车GPS定位、车速、三轴加速度等行驶数据远程采集,并结合道路状况对驾驶人在城市快速路、城市红绿灯路口、弯道、过减速带驾驶的几种典型路况驾驶行为特征数据进行对比分析;实验结果表明:该系统能有效记录、传输汽车行驶数据,通过数据的分析识别驾驶人驾驶行为特征以判断驾驶行为并评价优劣,对改进驾驶人驾驶行为、降低交通事故发生率提供有效技术支持。     

基于函数分布特性的智能车辆换道行为识别

针对目前智能驾驶辅助系统对驾驶人换道意图识别存在的问题,基于函数分布特性分析和层次分析法展开研究.一般将主车与车道线的距离作为换道的指标变量,由于将影像数据作为指标变量的基础数据源时,指标变量受光照和交通基础设施的影响较大,为此,将方向盘转角和车道线距离作为换道行为识别的指标变量,提出一种基于函数分布特性的换道行为识别方法.首先对获取到指标变量进行函数分布分析,确定出相应的换道起止时间,并依据不同环境下获取到的变量可靠程度,采用层次分析法确定出2种指标对识别准确性的贡献度,融合2种变量贡献度构建出换道行为识别规则,并利用实车数据对该识别方法进行验证.结果表明:融合2种指标变量的识别方法可以适应更为复杂的交通环境;当光照、车道标识线清晰可辨识时,车道线距离对识别准确率贡献最大;当车道标识线无法辨识时,方向盘转角占优.     

基于Lembda网络和LSTM的车辆轨迹预测

驾驶员在驾驶时,会对周围车辆的轨迹进行预测,并且采取一个安全的行为模式,从而减少道路事故的发生.出于这个想法,研究人员基于深度学习的模型,对车辆的轨迹进行预测,从而提升自动驾驶车辆的安全性.通过不断分析获得的驾驶数据,深度学习可以得到其它汽车的行为模式并进行预测.相较于过去的方案,基于深度学习方案在轨迹预测上具有优势,本文基于transformer模型的LSTM(长短期记忆网络)编码隐藏参数,反映周围车辆的驾驶意图,再通过Lembda层获得这些车辆对预测车辆的影响,最后通过LSTM解码获得预测的轨迹.相较于以往的方案,应用Lembda层的方案计算速度更快,同时实验表明相较于以往方案轨迹预测精度有提升.     

DC-DC Boost变换器混沌现象研究

以DC—DC Boost变换器为例,理论分析,依据状态方程建立仿真模型,通过Matlab仿真,揭示了不同参数下的动力学行为特征,考察其通向混沌的道路,并对仿真结果进行了分析。     

考虑失稳风险的智能车辆换道避障危险评估方法研究

针对智能车辆的换道避障问题,本文提出了一种考虑失稳风险的智能车辆换道避障危险评估方法。通过七次多项式进行车辆换道轨迹规划,结合车辆横摆角速度和换道轨迹,设计了危险评估模型进行车辆换道避障的危险评估。仿真结果表明,所提出的危险评估方法可以精确预测和评估换道风险,并能有效提高智能车辆换道避障的稳定性和安全性。     

考虑辅路干扰的干线协调多目标优化控制

随着国内道路等级不断提升,城市主干路加设辅路设施越来越普遍,周围建筑物出入口普遍与辅路连接.本文考虑了辅路出口设置对主干路车辆的行驶影响,通过研究对辅路车辆的速度引导控制以及换道机制,结合常规的并基于常规的干线协调控制理论,在多目标优化模型基础上建立了针对辅路干扰的改进模型.使用VISSIM仿真软件,利用案例验证该模型并与现状的对比,结果表明在提高道路通行能力和减少车辆平均停车次数方面都有所优化.     

考虑辅路干扰的干线协调多目标优化控制

随着国内道路等级不断提升,城市主干路加设辅路设施越来越普遍,周围建筑物出入口普遍与辅路连接.本文考虑了辅路出口设置对主干路车辆的行驶影响,通过研究对辅路车辆的速度引导控制以及换道机制,结合常规的并基于常规的干线协调控制理论,在多目标优化模型基础上建立了针对辅路干扰的改进模型.使用VISSIM仿真软件,利用案例验证该模型并与现状的对比,结果表明在提高道路通行能力和减少车辆平均停车次数方面都有所优化.     

网联进口道考虑信号影响混合基本图研究

为研究含网联自动驾驶、自动驾驶和人工驾驶车辆的混合交通流在交叉口进口道受信号影响的混合基本图变化情况,构筑信号影响下的混合交通流跟驰模型,并进行混合基本图数值仿真。结果表明,同质交通流下CAV和AV能增加进口道最大通行能力,为12.47%和4.99%;信号信息能一定程度影响交叉口进口道通行能力;增加渗透率P能够提高混合交通流于交叉口进口道通行能力,当混合交通流为最佳密度时,渗透率为0.9、0.5,相较于0.1,进口道通行能力分别提高10.71%和6.52%。     

基于深度学习的车辆换道轨迹模型研究

本文以真实车辆轨迹数据为依托,通过数据处理提取车辆换道轨迹数据,利用深度学习提取数据特征的强大能力,提出了基于门控循环单元的换道轨迹模型,描述和预测换道执行过程的轨迹。     

30t轴重重载组合列车牵引及制动系统的试验与仿真研究

本文主要是对30t轴重重载组合列车牵引及制动系统的试验与仿真研究,本课题的研究目的是通过仿真试验来建立30t轴重重载列车牵引制动系统模型,并验证其可行性;本课题仿真采用VC2010软件编写HTrainSim以及HTrainTOD两个平台软件,通过软件模拟列车实际的运行情况,进行分析试验,并对列车运行牵引力、制动力进行计算,得出模拟参数,将模拟参数代入仿真系统,仿真系统将通过输入列车的实际参数,包括载重、车长等数据,通过阻力以及牵引力模型计算出列车当前速度,模拟绘制列车当前驾驶曲线。并根据路面实际情况提供推荐牵引力,管压等数据,辅助司机驾驶。     

基于IBIS模型的信号完整性仿真分析

介绍了基于IBIS模型的信号完整性仿真分析的概念及其流程,并通过IBIS仿真分析了某型导弹安全控制器电路扳信号完整性,该电路板由数据前端处理和数据输出、数据处理器件、数据转换和缓存组成,适用于大型电路仿真。特别是对高速振铃和串扰进行情确的仿真,说明IBIS模型在电路板仿真分析中具有重要意义。     

基于LSTM的智能车变道预测研究

文章基于循环神经网络RNN(Recurrent Neural Network)和长短时记忆网络LSTM(Long-Short Term Memory)的理论研究,提出了一种基于LSTM的智能车变道行为预测模型。首先,搭建LSTM网络模型框架;然后根据人类驾驶场景对真实数据集NGSIM(Next Generation Simulation)进行特征选择与数据提取。最后使用长短时记忆网络(LSTM)模型进行训练,测试车辆变道预测结果,并将结果与利用RNN模型预测的结果进行比较,验证了本文方法的有效性。     

DC-DC变换器中的混沌现象研究

本章将通过理论分析,建立其Simulink模型,研究DC—DC变换器在不同参数下的动力学行为特征,考察其通向混沌的道路,并对混沌现象进行仿真及分析。     

基于车联网数据挖掘的货运车辆驾驶行为聚类研究

车联网环境下的海量信息,就挖掘分析货运车辆的驾驶特征来说有着特殊的意义与价值。通过挖掘车辆速度、加速度等行驶数据有助于研究车辆驾驶人员的驾驶行为,有利于规范驾驶人员的驾驶行为,同时实现对车辆的智能化管理。文章以车联网数据为基础,将河北省范围内运营的部分货运车辆作为研究对象,获取这些车辆驾驶人员的驾驶行为的特征参数,利用基于因子分析的数据挖掘方法对参数进行转化,以此作为指标并采用K-Means聚类方法对驾驶行为进行挖掘分析。     

PLC计数器在冷却道自动换道中的应用

本文基于对铸造厂缸盖车间冷却道自动换道进行的技术改造,介绍了PLC计数器在冷却道自动换道中的应用。通过应用计数器对冷却道中通过的砂箱台数进行计数,并进行编程,通过PLC程序控制整条冷却道的运行,从而达到自动换道的目的。通过现场生产实践,完全达到了预期目的。     

基于图片扰动的自动驾驶测试数据生成方法

自动驾驶是一个复杂的、系统性的研究项目,在实际的测试过程中,为了确保安全,虚拟仿真测试成为自动驾驶测试的关键,在检测驾驶模型是否可以做出正确的判断,减少安全事故的发生等方面有着不可替代的作用.本文在虚拟仿真测试的基础上,提出有关图片扰动的自动驾驶测试的数据生成方法,通过对检测数据的核算来测试模型是否可以做出缺陷判断.数...     

基于脑电熵值特征和功能连接的不同线型道路下驾驶状态检测

基于脑电信号完成对不同驾驶过程的解码分析，并就驾驶意图做出预测，是基于脑机接口的人机协同智能驾驶控制中的核心问题.为了实现对直线、左弯道和右弯道驾驶过程的识别，本文提出了基于脑电功能性脑网络和熵值特征的驾驶行为特征检测方法，并结合支持向量机和高斯混合模型等算法完成对不同线型驾驶过程的分类识别.模拟驾驶实验结果表明，本文提出的方法可有效实现对不同线型驾驶过程的识别，针对16名被试对直线和弯道驾驶过程的识别准确率均高于82%，最高达到86.66%，对左弯道和右弯道驾驶过程的识别准确率均高于75%，最高达到77.95%.对主要脑区间相互依赖关系的分析结果表明，弯道驾驶过程表现出明显的大脑对侧性特征，且左弯道驾驶相比右弯道需要更多的脑区间交互活动，而直线驾驶过程中左脑区的活动稍强于右脑区.本文研究结果对理解弯道驾驶过程中驾驶员脑认知特性，以及开展不同线型道路下驾驶行为检测和驾驶状态研究，具有一定的参考价值.     

无线MIMO信道的建模与仿真研究

近年来，凭借在提高系统频谱利用率方面卓越的性能表现，多入多出MIMO技术成为了移动通信技术发展进程中广受关注的课题。为了更好的利用MIMO技术，必须对MIMO信道的特性进行研究，建立适合于多天线系统的仿真模型。通过将空间角度的概念引入到信道的仿真模型中，给出了一个完整的MIMO信道的仿真模型，并给出了相关的仿真算法。     

一种基于YOLOv5s的红外图像目标检测改进算法北大核心CSCD

受热红外成像方式限制,交通场景下红外图像存在对比度低、目标尺度和姿态的多样性以及目标之间的相互遮挡问题,从而造成检测精度下降,部分目标出现漏检、误检的情况。本文在YOLOv5s的基础上提出一种改进算法:在数据处理方面,使用AHE算法对训练集图像进行部分数据增强;在模型改进方面,通过引入跨域迁移学习策略、插入通道注意力机制SENet、改进损失函数GIoU为α-CIoU对YOLOv5s进行改进。并通过消融实验的方式,在自制数据集上对夜间道路环境下的电动自行车驾驶行为进行检测。实验结果表明,改进后的算法对单人驾驶电动自行车行为检测的平均精度达到了95.9%,比YOLOv5s的检测精度提高了3.1%;对载人驾驶电动自行车行为检测的平均精度达到了88.4%,比YOLOv5s的检测精度提高了9.5%;总类别检测的平均精度达到了92.2%,比YOLOv5s的检测精度提高了6.4%,有效降低了红外目标漏检、误检的概率。