基于改进YOLOv3-tiny的轻量级车辆检测网络

针对现有的车辆检测网络模型大、不易部署的问题,提出一种基于改进YOLOv3-tiny的轻量级车辆检测网络。改进YOLOv3-tiny的特征提取网络,提高车辆检测的速度和准确性,将空间金字塔池化(Spatial Pyramid Pooling,SPP)融合到网络中,进行特征的拼接,提高网络的学习能力,利用距离交并比(Distance Intersection over Union,DIoU)损失函数来提高网络的性能。实验结果表明,所提出的轻量级网络与YOLOv3-tiny网络相比,模型缩小了0.1 Mb,检测精度提高了5.64%,检测速度满足车辆实时检测的需求。

基于卡尔曼滤波算法的轨迹预测

卡尔曼滤波可以通过运动方程及概率统计实现对一般事物发展的预测,因为不需要追溯历史数据,只需根据上一时刻的状态来预测下一时刻的状态,所以在故障诊断、巡航制导等方面应用广泛。基于此,将卡尔曼滤波作为预测模型来实现车辆的行车轨迹预测。首先阐述了卡尔曼滤波的预测过程及公式,其次将小车的运动区分为直线运动和转向运动,并通过简化阿克曼转向理论构建小车的运动模型,最后在Simulink及车辆运动工具箱中搭建物理模型对小车的运动轨迹进行预测,以此证明卡尔曼滤波预测小车行车轨迹的可行性。

基于横向避撞的安全距离速度综合模型

为了避开侧面来驶车辆的撞击,将车辆的运动在基于阿克曼转向原理的基础上简化为自行车模型,建立平面几何中车辆运行的理论数学模型。假定两车之间的距离太小,倘若继续行驶必定在交汇处撞击到侧面的情况下,约束智能小车的最高驾驶速度,设定小车在遇到危险立即转向避撞的条件,并结合轮胎与地面的滚动摩擦系数,得出横向转向避免撞击的安全距离和安全速度。通过智能小车的模拟实验,结合理论数值模型的仿真,用智能小车的模拟实验结果去验证自行车理论下的数学模型,进一步证实在横向撞击下安全距离、速度避撞的可靠性和可行性。