非机动车超越行为轨迹分段识别与分析方法

非机动车超越次数是非机动车道服务水平评价的重要参数,随着路侧高位视频设备的应用普及,为非机动车超越行为识别提供了良好的视频数据来源。目前有关轨迹分段方法的研究难以适应非机动车行驶角度变化频繁且超越轨迹较长的特点。本文提出基于片段轨迹时长和分割间隔时间两个参数的轨迹分段方法,根据视频获取的640条超越轨迹数据,分析非机动车各类超越行为的特性,选取纵向平均速度、纵向速度标准差、横向平均速度、横向速度标准差作为特征参数,基于K最近邻(K-Nearest Neighbor, KNN)算法建立非机动车超越分类模型。根据超越行为持续时间平均值确定自行车片段轨迹时长取值为[4, 9] s,分割间隔时间取值为[1, 8] s;电动自行车的片段轨迹时长取值为[4, 8] s,分割间隔时间取值为[1, 7] s,利用分类模型对各参数组合分段获得的非机动车轨迹片段进行识别。研究结果表明:自行车片段轨迹时长为8 s,分割间隔时间为6 s;电动自行车片段轨迹时长为6 s,分割间隔时间为4 s时,对应的识别误差百分比最低,分段效果最佳。

基于改进YOLOv5s的无人驾驶夜间车辆目标检测算法

夜间车辆检测对无人驾驶车辆行驶安全具有重要意义。但是,夜间光照强度低,车辆几何特征呈现不明显,尤其远处车辆由于目标小而特征视认难,导致检测难度大幅提升。基于此,提出了一种基于改进YOLOv5s的无人驾驶夜间车辆检测算法。首先,采集榆林市部分道路夜间场景自构建数据集,并通过Retinex算法实现数据增强处理;在此基础上,进一步通过以下3个措施对传统YOLOv5s网络进行改进:将深度可分离卷积引入Backbone结构,减少网络参数量;将多种注意力机制与FPN融合,提升网络的特征提取能力;在PAN中引入空洞卷积,在感受野不变和特征信息损失较少的同时,减少网络参数量。最终实验结果显示:夜间车辆的平均检测精度可达84.8%,相较改进前提升了5.2%;对应检测速度可达48 fps,提升了9.1%。研究成果可为提升无人驾驶车辆在事故多发夜间时段的行车安全性奠定理论基础。

基于社会力模型的复合型通道行人仿真建模及设施布局研究

复合型通道内行人走行流线复杂,冲突形式多样,对通道内行人走行特性进行分析研究对提升复合型通道内走行安全性、走行舒适度和通行能力具有重要意义.各类服务设施对行人影响以不同形式体现在行人决策阶段和接受服务阶段2个阶段,传统的社会力模型对服务设施之间的差异表达和行人决策阶段、接受服务阶段行为差异的表达存在不足,本文在对站域服务设施进行分类的基础上,引入决策迟豫力、粘滞力改进社会力模型.通过建立仿真模型对不同服务设施对行人流影响进行分析,获得通道内不同种类服务设施布设的方案和建议,为该类通道设计提供理论和方法支持.