面向未知域场景的车辆轨迹预测模型

自动驾驶技术随着科技革新迎来蓬勃发展,轨迹预测已成为智能汽车软件系统不可或缺的关键组成部分。为了解决传统车辆轨迹预测模型中存在的泛化能力不足的问题,提出一种基于泛化终点预测和地图场景的车辆轨迹预测方法。该方法采用基于不变风险最小化的条件变分自编码器生成轨迹终点,并结合时序网络编码的地图场景特征,提升了模型预测未知域数据的准确率。在交互式道路场景数据集INTERACTION上的实验结果证明该模型具有良好的泛化性能。本方法与效果最好的方法REx相比1、2、3 s处的mADE值(越小越好)分别下降0%、36.59%、50.68%,在未知测试域的预测轨迹准确度得到显著提升。

车辆多目标交互行为建模的轨迹预测方法

预测周围智能体的运动轨迹是实现自动驾驶行为决策规划的关键。面对复杂的车辆交互影响和多模态驾驶意图所带来的难题,本文提出一种基于车辆多目标交互行为建模的轨迹预测方法。该方法采用条件变分自编码器生成轨迹终点的多模态结果,结合自注意力机制和多头注意力机制来捕捉车辆之间的群体交互影响,最终使用逆强化学习输出多模态轨迹的最优决策,实现了同步预测多个目标轨迹。在高速公路数据集NGSIM上的实验结果证明该模型的有效性,并且预测效果整体优于现有方法。

采用小波变换的均方值滤波和门限值编码的语音端点检测

语音通信中语音-噪声分离是一项艰巨而热门的研究课题.其中语音端点检测是最流行的方法之一.目前一种方法是检测短时平均幅度Mn和短时平均过门限率Zn.该方法的Mn和Zn参数检测不太准确.另一种是基于分形理论的检测方法.此方法要设置一个较佳的门限值通常比较困难.还有一种是基于DWT变换的方法.这种方法的互相关系数包络不能准确地表现原始语音信号的包络.为此,本文提出一种基于小波变换的均方值滤波和门限值编码的方法.本方法先对语音信号进行小尺度小波变换,然后进行均方值滤波,再进行门限值编码去确定语音端点.该方法的优点是语音端点检测比较准确.

基于端点与交点编码的矩形窗口多边形裁剪新算法

从矩形窗口裁剪任意多边形的本质特征出发,提出多边形各边端点编码技术。通过对多边形各边端点的一次及二次编码,可快速得到所有窗内边并舍弃绝大部分窗外边,还可快速判断该端点是内点还是外点。在已获取的窗内边、相交边的交点以及交点编码的基础上,可以得到正确的裁剪结果。同时考虑了矩形窗口与多边形相互包容的特殊情形。实验结果表明,新算法稳定可靠,实现了对任意凹凸多边形的裁剪,具有通用性强、算法简捷、裁剪效率较高的优点。