基于尾灯灯语的混行交通流车辆驾驶意图识别模型研究

针对长期存在自动驾驶车辆(autonomous vehicle,AV)与人工驾驶车辆(human-driven vehicle,HV)混行的交通现状,结合深度学习和HSV颜色特征提取方法,提出了一种在混行交通环境下基于尾灯灯语的车辆驾驶意图识别模型。以Mask R-CNN(mask region proposal convolutional neural network)车辆模型检测出的感兴趣区域RoI(region of interest)为限制,将区域内的HV作为研究对象,根据尾灯位置相关性,在HV车尾区域添加纵横向约束来定位传递灯语信号的左右尾灯;在规定的灯语组合及转向灯闪烁频率基础上,提出了一种基于时间序列的灯语识别算法,运用多目标判别相关性滤波CSRT(channel and spatial relatability tracking)跟踪HV尾灯并统计尾灯时序状态;以动态灯语作为输入,构建基于尾灯灯语的驾驶意图识别模型;使用基于真实路况信息的Cityspaces数据集和交通流视频数据对模型进行训练、验证和测试。研究结果表明:基于尾灯灯语的驾驶意图识别模型对视频流车辆尾灯检测准确率和召回率分别为96.0%、98.2%,对驾驶意图识别的平均准确率达到了95.9%,单帧识别耗时为20 ms,为高速混行环境下的AV决策规划提供了有效的理论依据。

基于驾驶意图识别的拖拉机综合变速规律

为了实现拖拉机能够根据作业工况自动选择变速规律,基于采用液压机械无级变速器(Hydro-Mechanical Continuously Variable Transmission,HMCVT)的拖拉机,分析了其HMCVT的工作原理,并结合发动机万有特性曲线分析了动力性与经济性变速规律;在此基础上,根据驾驶员意图引入了模糊推理的权重系数,制定了基于驾驶意图识别的综合变速规律。仿真结果表明:综合变速规律能够在拖拉机加速工作过程中调整发动机目标转速,从而使拖拉机在加速过程中具有良好的动力性;在加速完成后,发动机能够按照经济性变速规律运行,保证了拖拉机平稳状态工作时具有良好的经济性以及优异的综合性能。研究结果可以为拖拉机综合变速规律的控制策略提供一定的理论依据。

基于轨迹预测的驾驶意图识别

驾驶意图识别对于确保交通安全和提升交通效率至关重要。为实现对未来车辆驾驶意图的预测,本研究基于轨迹预测与驾驶意图识别方法,选用Argoverse公开数据集作为训练和测试数据集,并提出了一种结合VectorNet轨迹预测模型和随机森林分类模型的驾驶意图识别方法,实现对未来3s的驾驶意图识别。为验证该方法的有效性,本文将新提出的VectorNet-随机森林模型与LSTM-随机森林模型进行了对比,结果表明本文方法的效果更佳。这一方法为未来自动驾驶和智能交通系统的发展提供了参考和借鉴。

基于混合高 斯-隐马尔可夫模型的驾驶意图识别方法研究

驾驶意图的准确识别,能为车辆轨迹预测和行驶风险评估提供有力的理论支撑。首先,提取大量车辆轨迹数据,通过拼接重构方法得到同时包含3类驾驶意图的轨迹数据;其次,以车辆横向速度、加速度以及偏移量作为驾驶意图的表征参数,构建基于混合高斯—隐马尔可夫模型的驾驶意图识别方法,并通过对比不同识别窗口长度得到:窗口长度为2 s时总体精度最高;然后,为避免单点误判对模型精度的影响,设计1种多点识别的修正方法,对驾驶意图结果进一步修正,多次测试发现以连续3帧作为观察窗口时修正效果最好,驾驶意图的识别率高达98.84%。研究成果能应用于轨迹预测和风险评估中,进而为道路交通安全性的提高起到一定的推动作用。

基于图神经网络的交互车辆驾驶意图识别及轨迹预测

为实现周围车辆行驶轨迹的准确预测,运用深度学习方法,设计了一种基于图神经网络与门控循环单元(GRU)的驾驶意图识别及车辆轨迹预测模型。驾驶意图识别模型将车-车间的交互关系构造成时空图,运用图神经网络学习其交互规律,并利用Softmax函数计算出不同驾驶意图的概率;轨迹预测模型采用编码-解码的GRU网络,编码器将车辆历史轨迹信息进行编码并融合识别的驾驶意图信息,再通过解码器实现轨迹预测。最后采用NGSIM数据集对模型进行训练和验证,结果表明:所提出的模型能够更好地识别车辆的驾驶意图,且考虑驾驶意图的车辆轨迹预测模型能够有效提高预测精度。

基于驾驶意图和注意力机制的车辆轨迹预测

为了准确预测行驶环境中车辆的未来轨迹,本文提出一种基于驾驶意图和注意力机制的轨迹预测方法。首先使用结合卷积池化层的LSTM模型识别车辆驾驶意图;然后基于此识别结果和车辆状态参数,建立车辆间交互影响力场;最后结合车辆交互影响力场和LSTM编码器解码器模型预测车辆的未来轨迹。基于HighD数据集对所提出模型的性能进行验证,结果表明该模型具有更好的均方根误差值(RMSE)和平均绝对误差值(mAE),轨迹预测精度更高。

基于驾驶意图识别的HEV模糊控制策略研究

文章以并联式混合动力汽车为研究对象,针对混合动力汽车的燃油经济性及其控制策略进行研究,采用了驾驶意图识别的模糊控制策略,并通过MATLAB平台和CRUISE软件进行联合仿真实验。仿真结果表明,相比于逻辑门限控制策略,驾驶意图识别的模糊控制策略可以明显提升整车燃油经济性,验证了所提出控制策略的有效性和实用性。

基于长短期记忆网络的驾驶意图识别方法

为了使高级驾驶员辅助系统能够更好的工作,进而提高其安全性和舒适性,提出一种基于长短期记忆(Long Short-term Memory,LSTM)网络的驾驶意图识别方法,能够较为准确地识别目标车辆的驾驶意图。该方法将踏板开度和踏板开度变化率输入意图识别网络,并在意图识别网络中引入灰狼优化算法(Grey Wolf Optimizer,GWO)对网络参数进行优化,提高驾驶意图识别性能。为了验证该方法的准确性,基于数据集训练并评估模型,结果表明:所提方法对加速和制动意图识别的准确率、召回率和Flmacro分数分别为0.981、0.983和0.982,均优于支持向量机(SVM)和普通的LSTM模型。

基于改进双向长短时记忆网络的自动驾驶车辆驾驶意图识别

针对高速混行多车交互环境下车辆驾驶意图识别模型大多忽视驾驶风格和车-车交互信息等问题,提出一种基于改进双向长短时记忆(Bi LSTM)网络的驾驶意图识别模型,以目标车辆轨迹序列、驾驶风格、周围车辆的交互特征作为模型的输入进行训练学习,实现对考虑驾驶风格的驾驶意图特征数据集的分类识别,同时使用鲸鱼优化算法对隐含层节点数和学习率等超参数进行寻优,以规避人工调参的负面影响。最后,使用NGSIM数据集对该模型的有效性进行验证,结果表明,模型的识别准确率达到97.5%,证明其在识别车辆驾驶意图方面具有较高的准确性。

基于神经网络的混合动力汽车驾驶意图识别方法"

建立了基于Takagi-Sugeno模型的模糊神经网络。通过对模糊神经网络进行训练,生成了驾驶意图模糊推理规则。从仿真结果可以看出运用本方法得到的模糊推理规则可以很好地识别驾驶意图,并且基于驾驶意图识别可以有效地优化混合动力汽车的控制策略,从而进一步提高混合动力汽车燃油经济性。

基于驾驶意图识别的混合动力汽车控制策略

确定了驾驶意图识别的参数,并建立了识别参数的隶属函数和模糊推理规则,通过模糊推理来识别驾驶意图。根据驾驶意图的识别结果制定了相应的整车控制策略,并进行了仿真分析。从仿真结果可以看出,模糊推理系统可以很好地识别驾驶意图,证明了基于驾驶意图识别的控制策略可以进一步提高混合动力汽车燃油经济性。

基于驾驶意图的插电式混合动力汽车能量管理策略

为了使插电式混合动力汽车(PHEV)在不同驾驶意图下合理使用电池电能以获得更好的能耗经济性,采用模糊推理控制器识别驾驶员意图,依据混合动力系统的动力耦合方式、电池荷电状态(SOC)及发动机特性曲线进行工作模式划分,建立能耗经济性目标函数,运用瞬时优化方法进行发动机和电机转矩分配,在此基础上提出了基于驾驶意图的能量管理策略。利用Matlab/Simulink仿真平台搭建整车模型,在新欧洲驾驶循环(NEDC)工况下进行仿真分析,结果表明:采用该能量管理策略可以实现发动机和ISG电机的优化控制,使发动机的工作点总体运行在高效区;与电量消耗(CD)-电量维持(CS)模式的能量管理策略相比,百公里油耗降低了8.24%。通过整车道路试验对所提出的能量管理策略的有效性进行验证,结果表明:采用该能量管理策略的插电式混合动力汽车的百公里油耗较原汽油车降低32.93%。

汽车转向时驾驶员驾驶意图辨识与行为预测

提出了一种基于隐马尔可夫模型(HMM)和人工神经网络(ANN)相结合的模型,用于实现驾驶意图辨识和驾驶行为预测,从而达到辅助驾驶和提高主动安全性的目的。通过驾驶模拟器获得双移线和直线行驶的数据,通过结合HMM和ANN建立了驾驶员意图辨识和行为预测模型,对驾驶员意图和行为在紧急转向、正常转向和直线行驶三种工况下的操作分别进行了辨识和预测。实验结果表明,该模型在给定车速下能够准确辨识当前的驾驶意图和较为精确预测驾驶员的驾驶行为。

考虑驾驶意图与动态环境的汽车避碰路径规划

为了提高动态道路交通环境下汽车主动避碰的适应性和安全性,本文综合考虑了动态交通环境、驾驶意图和车辆动力学约束条件,提出道路势场模型来规划汽车避碰路径.该模型考虑了被控汽车与道路障碍物的相对运动状态,以及道路车辆的行驶意图,结合栅格法对传统人工斥力场模型进行改进.通过设置局部目标点避免规划路径陷入局部势能最小位置,进而导引被控汽车逐渐向全局目标点收敛.最后,为适应车辆动力学特性需求,对规划路径的曲率进行优化.试验结果表明,所提出的路径规划方法能导引被控汽车绕过局部势能最小位置,与传统人工势场模型的路径规划结果相比,汽车行驶过程中的最大碰撞风险指数降低了55.1%,且满足车辆动力学约束条件.

基于驾驶意图的无级变速器目标速比确定方法

运用模糊数学理论提出一种基于驾驶意图的金属带式无级变速器(CVT)目标速比的确定方法,不需采用传统的经过手动方式选择动力模式或经济模式的方式,即可确定一个在动力和经济模式之间的目标速比。根据基于模糊规则的驾驶意图指数确定的目标速比进行CVT的速比控制,以达到按照驾驶意图来兼顾汽车的动力性和经济性能,从而避免了传统模式选择过程中速比突变导致传动系统的冲击、振动和发动机颤动,且能够根据驾驶员的驾驶意图进行调整,提高了驾驶操纵性。最后根据目标速比控制策略设计了控制器,并通过试验验证了目标速比确定方法的适用性。

面向安全预警的机动车驾驶意图研究现状与展望

简述当前开展面向安全预警的机动车驾驶意图研究的目的和意义。分析国内外研究现状,得出从驾驶员行为及驾驶动作序列角度开展驾驶意图研究的可行性和有效性,同时介绍了2种基于概率与数理统计的机动车驾驶意图建模方法。结合驾驶员在直线封闭路段实施驾驶行为特征,阐述使用隐马尔科夫模型(HMM)理论建立驾驶意图模型的步骤以及模型参数学习和系统在线优化算法等内容。对驾驶意图模型网络结构、动态性能方面相关研究方向进行展望。

面向驾驶意图识别的驾驶员头、面部视觉特征提取

为研究驾驶员视觉特征与驾驶意图的关联性进行了自然驾驶试验,采集了场景视频、驾驶员运动状态和转向盘转角信号,构建了包含若干直行、左换道、右换道片段的数据集,开发了基于机器视觉的视线方向及头部姿态估计算法,系统地提取了驾驶员头、面部特征,并使用统计学方法获得了各特征与驾驶意图的关联性。

面向模拟驾驶训练的驾驶意图识别方法

针对模拟驾驶训练情形,建立了一种能识别当前驾驶意图的复合隐Markov模型,对高速公路环境中的几种常见驾驶意图进行识别,并利用模拟驾驶器实验平台对识别模型进行了实验验证。结果表明:模型识别结果准确可靠,可及时将危险驾驶状态反馈给模拟训练中的驾驶人,为研究更可靠、高效的驾驶训练方法奠定了基础,对规范驾驶行为,提升驾驶人技术水平,减少现实道路交通事故的发生具有重要意义。

结合前车驾驶意图辨识的汽车主动防撞预警系统

为了提高主动防撞预警系统安全性,提出一种结合前车驾驶意图辨识的汽车主动防撞预警系统。系统利用前车踏板信息作为观测值,使用基于双层隐马尔可夫算法建立的模型对前车驾驶意图进行实时辨识;意图辨识结果通过车车通信技术传给自车,并结合车速触发相应的前向碰撞风险系数,然后将系数引入碰撞预警系统中;最后利用PreScan软件对碰撞模型进行仿真测试。结果表明驾驶意图辨识平均准确率为96%,在加入碰撞风险系数的情况下,车辆在中、高速跟车行驶中预警时刻较基于碰撞时间(time to collision,TTC)防撞模型平均提前0.53 s,停车后两车距离平均为3.48 m,较TTC防撞模型平均增加了2.63 m,验证了本方法的有效性。

基于驾驶意图识别的DCT模糊换挡控制策略研究

针对汽车行驶时出现的频繁换挡问题,利用模糊推理方法对驾驶员驾驶意图进行了辨识,并对传统换挡控制策略下的双离合自动变速器换挡性能进行了研究。在双离合自动变速器传统换挡控制策略以及驾驶意图识别的基础上,提出了双离合自动变速器模糊换挡控制策略;建立了基于Matlab/Simulink的双离合自动变速器模糊换挡控制策略仿真模型,通过与传统换挡控制策略下的双离合自动变速器换挡性能仿真结果的对比,验证了基于驾驶意图识别的双离合自动变速器模糊换挡控制策略的有效性。研究结果表明:该换挡控制策略可以有效降低车辆的换挡次数,消除了车辆行驶时发生的频繁换挡现象,提高了驾驶员的乘坐舒适性以及汽车行驶安全性。