期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于多模态轨迹预测的智能车轨迹规划研究
1
作者 黄晶 刘祥臻 +1 位作者 邓潇阳 陈然 《汽车工程》 EI CSCD 北大核心 2024年第6期965-974,1024,共11页
混合交通流下由于驾驶员意图的不确定性行驶轨迹将呈现多模态属性,为了提高安全性并实现个性化驾驶,本文提出一种基于环境车辆多模态轨迹预测的智能车轨迹规划算法。首先,结合图卷积神经网络(GCN)和长短期记忆网络(LSTM)并加入注意力机... 混合交通流下由于驾驶员意图的不确定性行驶轨迹将呈现多模态属性,为了提高安全性并实现个性化驾驶,本文提出一种基于环境车辆多模态轨迹预测的智能车轨迹规划算法。首先,结合图卷积神经网络(GCN)和长短期记忆网络(LSTM)并加入注意力机制建立轨迹预测模型,预测不同行驶意图下的未来轨迹概率分布。然后,针对环境车辆的多意图概率下预测轨迹集合,根据自动驾驶风格偏好,设定一定的概率阈值挑选出确信轨迹,将其投影到规划路径上生成S-T图,并通过动态规划和二次规划进行基于碰撞风险规避的速度规划。最后,基于模型预测控制(MPC)对本文模型在典型换道场景和NGSIM真实道路场景下进行仿真测试并与现有模型进行对比验证。结果表明:本文提出的模型在安全性、舒适性和行车效率等方面均优于对比模型,能够在准确预测环境车辆未来轨迹的前提下实现最优轨迹规划,保证自动驾驶汽车安全、高效的行驶。 展开更多
关键词 自动驾驶 轨迹规划 多模态轨迹预测 驾驶意图
下载PDF
基于变分自动编码器的车辆轨迹预测研究
2
作者 易虹宇 杨智宇 杜力 《重庆工商大学学报(自然科学版)》 2024年第2期60-65,共6页
针对轨迹预测中车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等一系列问题,提出了一种基于变分自动编码器的车辆轨迹预测方法。首先,通过长短时记忆网络从原始数据中提取轨迹数据与车道信息的语义特征... 针对轨迹预测中车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等一系列问题,提出了一种基于变分自动编码器的车辆轨迹预测方法。首先,通过长短时记忆网络从原始数据中提取轨迹数据与车道信息的语义特征;其次,引入多头注意力机制,采用两个单独的注意力模块分别建立车辆与车辆交互模型及车辆与道路交互模型,能够更好地反映周边车辆与道路几何对车辆轨迹的交互影响,得到丰富的场景上下文信息;接着利用变分自动编码器对车辆轨迹多模态建模,捕捉轨迹预测的随机性质以生成合理的未来轨迹分布;最后从分布中多次重复采样以生成多条可能的未来轨迹。通过搭建实验平台和使用Argoverse自然驾驶数据集进行测试,改进后的预测方法在平均位移误差和最终位移误差指标下的数值分别为1.03和1.51,预测精度上相较于其他3种预测方法,分别提升了45%、46%、32%;实验结果表明:预测方法可以有效地改善车辆与周边车辆、道路几何之间交互关系建模不充分,以及车辆轨迹多模态建模不完整等问题,预测精度提高,总体预测性能良好。 展开更多
关键词 轨迹预测 注意力机制 轨迹多模态 变分自动编码器
下载PDF
基于无监督深度学习的多模态手术轨迹快速分割方法 被引量:3
3
作者 谢劼欣 赵红发 +2 位作者 邵振洲 施智平 关永 《机器人》 EI CSCD 北大核心 2019年第3期317-326,333,共11页
传统的手术机器人轨迹分割方法存在耗时长、分割准确度差且容易产生过度分割等问题.为解决上述问题,本文提出了一种基于特征提取网络DCED-Net(密集连接的卷积编码-解码网络)的多模态手术轨迹分割方法.DCED-Net采用无监督方法,不必进行... 传统的手术机器人轨迹分割方法存在耗时长、分割准确度差且容易产生过度分割等问题.为解决上述问题,本文提出了一种基于特征提取网络DCED-Net(密集连接的卷积编码-解码网络)的多模态手术轨迹分割方法.DCED-Net采用无监督方法,不必进行十分耗时的人工标注,使用密集连接结构,使图像信息能更有效地在卷积层间传递,从而提高了特征提取质量.将特征提取后的视频数据和运动学数据投入转移状态聚类(TSC)模型得到预分割结果.为进一步提高分割精度,提出了一种基于轨迹段间相似性的合并后处理算法,通过衡量轨迹段间的4个相似性指标,包括主成分分析、互信息、数据中心距离和动态时间规整,将相似度高的分割段进行迭代合并,从而降低过度分割造成的影响.公开数据集JIGSAWS上的大量实验证明,与经典的轨迹分割聚类方法相比,本文方法的分割准确率最高提升了48.4%,分割速度加快了6倍以上. 展开更多
关键词 机器人辅助微创手术 多模态轨迹分割 无监督深度学习 合并后处理
原文传递
Model-Based Fault Detection of a Battery System in a Hybrid Electric Vehicle
4
作者 S. Andrew Gadsden Saeid R. Habibi 《Journal of Energy and Power Engineering》 2013年第7期1344-1351,共8页
Recently, a new type of IMM (interacting multiple model) method was introduced based on the relatively new SVSF (smooth variable structure filter), and is referred to as the IMM-SVSF. The SVSF is a type of sliding... Recently, a new type of IMM (interacting multiple model) method was introduced based on the relatively new SVSF (smooth variable structure filter), and is referred to as the IMM-SVSF. The SVSF is a type of sliding mode estimator that is formulated in a predictor-corrector fashion. This strategy keeps the estimated state bounded within a region of the true state trajectory, thus creating a stable and robust estimation process. The IMM method may be utilized for fault detection and diagnosis, and is classified as a model-based method. In this paper, for the purposes of fault detection, the IMM-SVSF is applied through simulation on a simple battery system which is modeled from a hybrid electric vehicle. 展开更多
关键词 Battery system fault detection and diagnosis interacting multiple model smooth variable structure filter Kalman filter.
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部