针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny...针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny,增加小目标检测层;其次,引入SimAM(A Simple,Parameter-Free Attention Module for Convolutional Neural Networks)无参注意力机制模块,优化训练损失函数,并对其目标车辆进行轨迹跟踪及预测,通过改进的多目标跟踪算法StrongSORT(Strong Simple Online and Realtime Tracking)的短期预测不断矫正LSTM(Long Short Term Memory)的长期预测,即建立SS-LSTM模型,并将预测的超车轨迹与智能网联车自身轨迹在同一时间纬度下进行拟合,得到传统车辆切入时的风险预判模型。实验结果表明,本文的自动驾驶风险预判方法有效预判了传统车辆切入时的风险。仿真实验表明,改进YOLOV7-Tiny相比于原有算法mAP(mean Average Precision)提高了2.3个百分点,FPS(Frames Per Second)为61.35 Hz,模型大小为12.6 MB,模型满足车载端轻量化的需求。实车实验表明,根据SS-LSTM模型所得到的风险预判准确率为90.3%。展开更多
针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联,提出一种基于驾驶状态的危险路段识别方法,辨识和分析不同风格驾驶人具有潜在风险的路段,并提出优化方案。首先,通过实车实验采集驾驶人行为及生理指标数据,使用DBSCAN...针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联,提出一种基于驾驶状态的危险路段识别方法,辨识和分析不同风格驾驶人具有潜在风险的路段,并提出优化方案。首先,通过实车实验采集驾驶人行为及生理指标数据,使用DBSCAN(Density Based Spatial Clustering of Applications with Noise)得出驾驶风格类型,并依据行为特征对驾驶风格进行差异性分析;其次,采用卷积神经网络、双向长短时记忆神经网络与注意力机制搭建危险状态识别模型,通过GPS(Global Positioning System)点位对应实现危险路段辨识,并基于驾驶风格差异,从驾驶人感知、操纵与生理角度对危险路段进行致因分析;最后,将生理与道路线形作为优化参考,以车速建议为着力点进行多元回归分析,并按照生理舒适域确定车速建议区间。结果表明:驾驶人根据行为特点分为谨慎、稳健和激进型,3类驾驶人在上行和下行途中的危险路段多为具有弯坡特征的组合型路段;海拔提升可加速危险驾驶状态的出现,各类驾驶人在上行时的紧张状态多源于弯坡组合值和转角值的增长,激进型驾驶人在坡度大于6%的直纵坡路段时亦会开始高度紧张;下行时,谨慎与激进型驾驶人在直纵坡坡度大于3%时易出现危险状态,激进型驾驶人在转角值大于80°且弯坡组合值大于50时亦存在驾驶风险。研究成果可满足高原公路人因事故预防的需求,为线形设计与交通管理措施制定提供理论依据。展开更多
文摘针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny,增加小目标检测层;其次,引入SimAM(A Simple,Parameter-Free Attention Module for Convolutional Neural Networks)无参注意力机制模块,优化训练损失函数,并对其目标车辆进行轨迹跟踪及预测,通过改进的多目标跟踪算法StrongSORT(Strong Simple Online and Realtime Tracking)的短期预测不断矫正LSTM(Long Short Term Memory)的长期预测,即建立SS-LSTM模型,并将预测的超车轨迹与智能网联车自身轨迹在同一时间纬度下进行拟合,得到传统车辆切入时的风险预判模型。实验结果表明,本文的自动驾驶风险预判方法有效预判了传统车辆切入时的风险。仿真实验表明,改进YOLOV7-Tiny相比于原有算法mAP(mean Average Precision)提高了2.3个百分点,FPS(Frames Per Second)为61.35 Hz,模型大小为12.6 MB,模型满足车载端轻量化的需求。实车实验表明,根据SS-LSTM模型所得到的风险预判准确率为90.3%。
文摘针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联,提出一种基于驾驶状态的危险路段识别方法,辨识和分析不同风格驾驶人具有潜在风险的路段,并提出优化方案。首先,通过实车实验采集驾驶人行为及生理指标数据,使用DBSCAN(Density Based Spatial Clustering of Applications with Noise)得出驾驶风格类型,并依据行为特征对驾驶风格进行差异性分析;其次,采用卷积神经网络、双向长短时记忆神经网络与注意力机制搭建危险状态识别模型,通过GPS(Global Positioning System)点位对应实现危险路段辨识,并基于驾驶风格差异,从驾驶人感知、操纵与生理角度对危险路段进行致因分析;最后,将生理与道路线形作为优化参考,以车速建议为着力点进行多元回归分析,并按照生理舒适域确定车速建议区间。结果表明:驾驶人根据行为特点分为谨慎、稳健和激进型,3类驾驶人在上行和下行途中的危险路段多为具有弯坡特征的组合型路段;海拔提升可加速危险驾驶状态的出现,各类驾驶人在上行时的紧张状态多源于弯坡组合值和转角值的增长,激进型驾驶人在坡度大于6%的直纵坡路段时亦会开始高度紧张;下行时,谨慎与激进型驾驶人在直纵坡坡度大于3%时易出现危险状态,激进型驾驶人在转角值大于80°且弯坡组合值大于50时亦存在驾驶风险。研究成果可满足高原公路人因事故预防的需求,为线形设计与交通管理措施制定提供理论依据。
