基于LSTM-att的车辆异常驾驶行为识别

车辆的异常行为可能引发交通事故,甚至造成经济损失和人员伤亡.准确识别车辆异常行为可以预防潜在的危险.针对现有研究存在的数据难以保留时间特征等问题,本文提出一种带有注意力层的长短记忆神经网络的识别模型,利用真实交通场景车辆异常轨迹对所提出的模型进行训练和验证.实验结果表明,所提出的模型能够有效的识别车辆异常驾驶行为,准确率可达到98.4%.

LTE-V2X协议栈开发及通信测试

目前推出的V2X通信技术相关标准中存在技术要求细节不够明确等问题,导致车联网通信终端产品存在差异,通信协议栈之间不能实现全面互联互通.针对这一问题,通过分析LTE-V2X协议栈的性能要求及总体分层,提出了LTE-V2X协议栈的软硬件解决方案并完善协议栈各层设计细节,完成消息数据填充与编解码、构建各层数据帧并设计逐层封装机制.在此基础上,基于真实道路场景对协议栈进行通信性能测试,测试结果显示该协议栈满足设计要求,符合协议栈顶层应用规范.

智能车逆向超车控制算法

针对双向车道因受限于道路条件及交通特性仅能借用对向车道完成超车(逆向超车)的问题,通过采用车联网以及车载传感器获取环境车辆的速度、加速度等全局信息,将多车场景中各个实体所造成的影响纳入超车决策中,从而提出一种基于图搜索和模型预测控制(Model Predictive Control,MPC)的逆向超车控制方法。首先,根据车车通信获取的全局信息,结合非合作博弈,对各车在整个时段内的行为进行预测,并根据预测情况对道路的各个区域进行安全评估,评估依据为该区域在下一时刻出现车辆的概率。对道路完成评估后,得到碰撞概率热区图,之后采用A*算法搜索安全路径,根据安全路径完成目标车辆的轨迹规划,并设计模型预测控制器来对主车进行实时控制,使车辆按照既定轨迹行驶。最后,借助Carsim与MATLAB/Simulink搭建联合仿真平台,对提出的算法进行验证。仿真实验结果表明,该模型的控制误差最大不超过0.15 m,平均误差率约为1.7%,能实现对车辆的精准控制,保证被控车辆安全完成逆向超车。