基于改进Mask R-CNN+LaneNet的车载图像车辆压线检测

针对辅助驾驶或自动驾驶领域车载图像的车辆压线检测问题,以及检测过程中由于欠曝、阴影或实体遮挡等因素导致的漏检、误检问题,提出基于改进Mask R-CNN与LaneNet的车辆压线检测算法。在网络优化方面,在Mask RCNN网络的基础上将RoI Align层的图像缩放算法(双线性插值)改进为双三次插值,将全连接层卷积化的VGG16网络取代LaneNet的E-Net共享解码器;在图像增强方面,改进Gamma校正算法以实现欠曝图像的自动校正;在训练数据方面,完成Tusimple数据集中车辆目标的标注并基于改进的随机擦除算法在网络训练过程中进行数据增强。实验结果表明:车辆检测速度保持不变的同时车道线检测速度提升了28%,车辆漏检率、误检率分别降低了38.93%,89.04%,车道线漏检率、误检率分别降低了67.21%,87.05%,算法的性能指标可满足车辆压线判断的应用需求。

不平衡数据驱动的山区公路货车移动遮断险态跟驰行为识别模型

为识别山区双车道公路货车移动遮断下的小客车险态跟驰行为,基于无人机拍摄和视频轨迹提取技术提取车辆轨迹,利用人工少数类过采样法(Synthetic Minority Oversampling Technique,SMOTE)对不平衡轨迹数据过采样,并对驾驶行为聚类分析,将跟驰行为标定为危险和安全两种类别;依据紧迫跟驰、偏移过大和车速变化大三种险态跟驰行为诱因,确定险态跟驰行为风险测度(Measure of Driving Risk,MOR),包括碰撞时间倒数、相对横向偏移量和速度变异系数,并将MOR和聚类标定标签作为识别模型输入变量;通过轻量梯度提升机(Light Gradient Boosting Machine,LGBM)建立险态跟驰行为识别模型,再通过支持向量机(Support Vector Machines,SVM)、随机森林(Random Forest,RF)和自适应增强(Adaptive Boosting,AdaBoost)算法验证模型的有效性。以云南省某山区双车道公路为例进行试验,共提取543对小客车跟驰货车轨迹数据,数据预处理后筛选出467对有效跟驰数据;经过采样处理和聚类标定,结果表明:小客车跟驰货车时,超三成小客车处于险态跟驰状态;险态跟驰行为直道和弯道识别模型的精确率分别达95.49%和95.48%,其中LGBM表现最稳定,而RF和AdaBoost的稳定性较差且精确率不高。基于LGBM的险态跟驰行为识别模型具有较高的准确率和稳定性,在车路协同和自动驾驶等领域有应用前景。

Impacts of Bus Lane on Bus Travel Time Reliability:a Case Study in Shenzhen

The aim of the paper is to evaluate the impacts of bus lane on bus travel time reliability.The data used are the Geographic Positioning System(GPS) data of two bus lines running parallel streets in Shenzhen,China,one of which is a bus lane and the other is a regular lane.Two linear regression models are developed to evaluate the influence of bus lane which has a separated right of way.Other factors including running direction,day of week,time of day,dwell time,and delay at the start point are also considered in the model.Without published time tables,coefficient of variance(CV) of travel time is employed to explore the impacts of bus lane.The results indicate that bus lane can save 22.0% of travel time,reduce 11.5% of the CV of travel time,and decrease the variance of headway by 17.4%.The analysis on bus travel time reliability could help operators and drivers improve the quality of transit service.It also sheds light on how to assess the effectiveness of bus lane for transit planners and service operators.

引力理论框架下基于综合竞争力的自动驾驶拟人换道决策模型

为有效刻画城市快速路中自动驾驶环境下的车辆换道决策机理,考虑主车与周边车辆的位置属性、驾驶风格属性及车辆运动属性对主车换道行为的影响,建立基于综合竞争力的拟人换道决策模型。首先,以邻近前车间距、邻近前车速度差及驾驶风格这3种因素作为自动驾驶车辆的拟人化换道意愿属性,量化表征主车的换道意愿;然后,基于人类决策中的悲观主义准则,分析换道过程中周边车辆与主车可能产生的竞争行为,利用车头间距比和驾驶风格差异提出潜在竞争强度概念;其次,考虑环境稳定性对驾驶舒适性的影响,提出“速度伪距”“加速度伪距”概念,衡量换道后的环境稳定性;最后,结合引力理论建立以车辆横向速度为求解目标的综合竞争力换道决策模型。在模型标定中,筛选Ubiquitous Traffic Eyes开源数据集,得到非强制换道片段数据,利用蚁群算法标定模型参数。采用随机排列交叉验证方法进行验证,以正确率为模型精度和泛化能力的评价指标,并将其与传统模型进行对比。结果表明,将训练与验证比设置为72%∶28%、65%∶35%、57%∶43%和50%∶50%时,平均正确率区间为87.67%~90.34%,说明该模型具有较强的鲁棒性和可行性,相比于传统模型,本文模型具有更高的预测精度,可为自动驾驶环境下车辆的车道选择提供依据。

自动驾驶车辆换道意图识别研究现状

近年来基于数据驱动的自动驾驶车辆换道意图识别研究取得了显著进展,学者们发布了大量的研究成果.针对该领域面临的一些共性的技术挑战,如换道过程的认定、换道标签的缺失以及数据类别不均衡等问题,从不同的数据驱动方法进行分类,主要包括基于传统机器学习、基于深度学习和基于集成学习的换道意图识别方法,对近年来这些方法的研究成果进行了回顾和总结.关于换道行为的认定,存在两种主流方案,即车辆穿越车道线和未穿越车道线.对于未穿越车道线的车辆,主要应用于驾驶者换道意图的早期识别方法;而当车辆穿越过车道线时,则通常被用于完整的换道过程的识别.在换道意图标注的研究中,研究者们针对固定时间窗口和航向角阈值对标注精度的影响进行了深入探讨.为了找到最优参数,如最佳的固定时间窗口和航向角阈值,研究者们采用了网格搜索进行寻优.虽然这种方法在固定的驾驶场景中表现良好,但在不同的驾驶场景中,如何实现参数的自适应调节仍然是一个挑战.针对换道数据类别不均衡的问题,研究者采用两种策略:一是调整数据采样方法,利用欠采样和过采样技术平衡各类别样本数量;二是采用对不均衡数据适应性强的分类模型,如集成学习算法或代价敏感学习,以维持较好的分类性能.

基于深度强化学习的多智能体高速车道检测研究

随着汽车技术与人工智能领域的发展,高级驾驶员辅助系统越来越流行,自动驾驶技术能够极大地提高效率、降低成本。相对应的可行驶区域检测、车道线检测和车速估计等便成为了关键性的一环。一些检测方法仅检测带有粗略边界框的车道线,而忽略特定曲线车道的形状,将深度强化学习引入到了车道检测模型中,采用智能体定位点移动来实现准确的车道检测和定位。用以改善辅助驾驶系统,提高车道线识别情况。无论是对于驾驶员还是自动驾驶系统,都有很好的驾驶体验改善作用。

恶劣天气下基于锚点的多尺度融合车道线检测及优化方法

针对黑夜和大雾天气下车道线检测的问题,在数据预处理阶段采用改进的自适应伽马变换对过暗或漂白的图片进行增强,并利用暗通道先验法对大雾场景下的图像进行数据增强,从而降低干扰.在特征提取阶段,采用改进的rotation forest block(RFB)网络提取车道线的特征信息,并通过基于锚点的分类方法实现了快速而准确的车道线检测功能.

基于深度信念网络的高速路段换道行为研究

为了应对高速路段由换道所导致的交通安全问题和交通拥堵问题,在分析各影响因素在换道决策中所占比重的基础上,利用深度信念网络建立了车辆的换道决策模型,用来协助驾驶人选择合适的换道时机,提高车辆换道的安全性、可靠性和高效性。利用详细的车辆轨迹数据对模型进行训练,结果表明:建立的深度信念网络模型能有效地给出合理的决策。此外,该模型还可为交通仿真研究和高级辅助驾驶系统的开发提供思路。

变道切入场景下ADAS系统测试与评价研究

为了满足变道切入场景下的ADAS系统测试评价需求,提出一种考虑场景风险系数的变道切入场景生成方法和客观综合评价模型。通过采集自然驾驶数据,采用阈值法自动提取变道切入功能场景并深入分析变道切入行为特征。使用单因素方差分析法与皮尔逊相关性检验法共同分析场景风险系数与场景要素的相关性来确定关键场景要素。结合Kmeans算法对离散逻辑场景参数进行聚类,从而得到5个典型测试场景。基于场景风险系数,采用AHP与CRITIC法构建多层次综合评价模型,采用灰色关联理论对ADAS系统进行客观评价。借助VTD仿真软件构建变道切入虚拟测试场景库,进行仿真试验验证。结果表明,相关性分析使场景要素维度降低了60%,生成的测试场景可以有效验证ADAS系统的综合性能,综合评价模型可对ADAS系统表现进行客观有效的评价,为智能驾驶系统开发提供有效参考。

基于车道集计交通流数据的事故风险评估分析

事故风险评估分析提取事故及对应非事故状况下的交通运行数据作为自变量,以事故发生与否作为0或1因变量,采用数理统计模型分析事故发生与交通流状态的关联性.为探索上海市城市快速路的车道集计交通流数据用于事故风险评估分析的可行性,基于条件Logistic回归,使用该数据与事故数据构建事故风险评估模型,并检验模型预测精度.结果表明低运行速度、车道间流量的差异性会增加事故发生的概率;上海市城市快速路的车道集计交通流数据可用于事故风险评估研究.

自然驾驶工况的驾驶员紧急转向变道行为

基于中国自然驾驶工况数据,提出了紧急工况下驾驶员转向变道行为的特征规律.分析了紧急转向变道避撞、侧移和稳定阶段的驾驶员转向特征,研究了转向持续时间、方向盘转速和转角的线性关系,定义了用高斯函数拟合的转向基元来表征各阶段的转向行为.研究结果表明,转向基元表征了驾驶员转向行为的一般特征,单个转向基元的方向盘最高转速和转角变化线性相关,持续时间恒定,符合人体行为学中趋向行为(reaching behavior)的特征规律.驾驶员的紧急转向变道行为是由多个转向基元组合而成,每个转向基元都是一个开环模型,可通过方向盘最高转速预判驾驶员的转向行为.

基于NGSIM轨迹数据的换道行为微观特性分析

换道行为在不同的换道意图下可分为自由换道和强制换道两类,选用NGSIM轨迹数据对二者微观特性进行对比分析。为保证数据准确性,在平滑处理基础上,以剔除轨迹数据换道过程识别错误为目的,构建了换道起终点时空约束规则,对完整的单次换道行为参数进行了提取。利用半对数模型,采用回归分析法对影响二者换道时间的显著性因素进行提取并对比;同时建立多项式模型,选取多个误差指标对不同阶数下换道横向移动轨迹拟合效果进行评价。结果表明,强制换道平均换道时间稍长于自由换道,影响二者换道时间的显著性因素及各因素影响程度并不相同;但二者横向移动轨迹均可用5次多项式拟合,拟合优度可达0.99。

基于GPS车速数据驱动模型的高速公路极限匝道间距识别

建立了基于GPS车速的数据驱动模型及间隙接受模型,以识别高速公路在极限状态下可采用的最小匝道间距。将高速公路匝道间距划分为加速影响区、减速影响区和交织换道区;建立GPS车速数据驱动模型识别车辆汇入后的加速影响范围和车辆驶出前的减速影响范围;根据可接受间隙理论建立极限管控条件下的交织换道区影响范围的识别模型;应用某市出租车在测试路段指定时段内的GPS时空车速数据分析。结果表明,加减速影响区的范围与车速线性相关。提出将多车道高速公路的直行车流与合、分流车流相分离,基于可接受间隙的模型测算结果表明交织换道区的距离不应小于639 m。在分流主线通过型交通流,交织换道区限速80 km/h,设置辅助车道时,二级服务水平下的极限匝道间距为872 m,考虑安全性,推荐设置为930 m以上。

通用化高精地图数据模型

高精地图逐渐成为自动驾驶不可或缺的组成部分,但是其数据模型和表达方式尚未形成统一标准,特别是在生产制作和数据交换阶段,缺乏具备通用性和大规模应用能力的数据模型。针对这一问题,本文分析了当前主流高精地图数据模型NDS、OpenDRIVE和lanelet的优缺点,提出了一种通用化的高精地图数据模型Whu map model。车道模型方面,采用车道组为数据管理单元,由同一路段上的一个或者多个车道组成。车道由车道的左边界线、右边界线、车道中心线、车道属性构成。通过多种常见车道数变化场景下的车道拓扑构建,验证了该模型在表达上的有效性和稳健性。交通标志物模型方面,定义了地面标志物和交通标志牌,分别表达形状、类型、语义以及与道路、车道的关联关系等内容。通过大规模数据制作、NDS和OpenDRIVE格式编译,以及基于ADASIS V3协议的电子地平线应用试验,验证了Whu map model模型的实用性和有效性。Whu map model可以作为通用的交换规格,也可以应用到高精地图生产制作的各个阶段,同时向下兼容、易于扩展,有助于实现高精地图数据模型标准化,从而推进高精地图的规模化生产和应用。

高速公路车道收费与控制系统的实现

介绍了高速公路收费系统中车道收费及控制系统实现的关键技术。重点论述了车道收费及控制系统的设计、数据传输和外场设备控制等方面的内容。

半过渡期车道变换影响模型分析

现有对车道变换过程进行的研究,一般集中在变道车辆进入目标车道以后的过程.基于NGSIM数据发现,在半过渡期,目标车道后车的驾驶行为同时受到本车道前车和变道车辆的双重影响.针对此,本文把车道变换过程分为4个阶段,然后把共同组成过渡期的半过渡期和松弛期区别开来,单独对变道车辆进入目标车道之前的过程进行分析.同时,引入了随变道车辆横向位移的变化而不断变化的关注度平衡因子,对现有的变道模型进行了完善,以期准确把握车道变换对目标车道后车的影响.最后,利用车辆轨迹线法对模型进行校检,模型校检结果标准误差和平均绝对百分比误差都充分体现了此模型的合理性和优越性.

海上通道关键节点安全保障效率研究

文章针对海上通道关键节点的安全保障效率评价及排序问题,构建了负投入产出变量数据包络模型,并使用虚拟包络面和TOPSIS结合的DEA排序方法对样本中的海上通道关键节点安全保障效率进行计算与分析。结果显示,中国-欧洲通道的关键节点安全保障效率状况最为复杂,中国-美非通道和中国-澳洲通道中段节点的安全保障效率较低,中国-美西通道和中国-美东通道节点的安全保障效率均较高。

基于社会力的交织区突发瓶颈段协同换道决策模型

为描述交织区突发瓶颈段车辆换道决策机理,提供一种突发事件环境可采用的换道决策模型,本文基于车辆微观轨迹信息与社会力行人交通流模型,构建面向瓶颈路段的车辆协同换道决策模型,可为智能网联突发瓶颈环境提供一种换道决策方法。首先,基于突发瓶颈段车辆换道决策特征,考虑车辆类型和驾驶员类型,构建车辆等效质量模型以改进社会力模型,在此基础上,将驱使车辆换道的因素描述为自驱动力、车辆间排斥力和障碍物排斥力,构建协同换道决策模型;然后,筛选了832个有效的换道决策微观轨迹数据,并分为标定集和验证集,以加速度为指标,曼哈顿距离为目标函数,利用遗传算法对模型进行标定,基于模拟数据和实测数据验证了标定方法的有效性;最后,与主动换道决策模型在换道方向识别、换道意愿强度、模型预测误差方面进行对比验证。结果表明,本文模型换道方向识别成功率达92.6%,输出的换道意愿强度与实测数据基本吻合,预测结果的均方根百分比偏差(RMSPE)值平均降低0.825,相对误差(RE)值平均降低1.379,显著优于主动换道决策模型。研究成果可为智能网联环境瓶颈段车辆换道意图识别、突发事件下的交通管理和控制提供理论依据。

基于GPS定位数据的高速公路换道特征分析与行为识别

为了实现对高速公路微观状态的监测,需要对车辆换道行为进行识别.利用车载GPS定位数据获取车辆换道参数,并分析换道车及其周围车辆在换道时的参数统计分布特征,提取换道行为表征参数,建立了基于隐马尔可夫的换道行为识别模型.结果表明:利用该模型可以实现对驶出换道、驶回换道和车道保持行为的较好识别,且能在换道发生后1s识别出换道行为,准确率高达92%.为后期实时换道预警提供参考.

基于车道的道路数据模型

随着基于位置服务应用的不断推广,传统的道路数据模型越来越难以满足各种网络分析和车辆导航的需求。提出了基于车道的道路数据模型,以车道作为建模的基本元素,准确描述车道的属性信息,通过对同向车道的聚合来提高网络分析的效率,降低数据冗余。该模型既考虑了网络分析的速度效率,又顾及了每个车道的属性信息,扩展了已有的道路数据模型。