当前位置:主页 > 科技论文 > 交通工程论文 >

人类司机分心行为对无人车纵向速度控制的影响

发布时间:2021-08-01 21:20
  无人车通常无法探测到人类司机的分心行为,这将导致无人车延迟地采取紧急制动来避免追尾。因此,本文致力于构建无人车控制与人类司机分心监测之间的桥梁,来辅助无人车预测潜在风险并像有经验的人类司机一样避让处于分心的司机,提高无人车的智能化水平和交通系统的安全性。首先,本文提出了一种整合了司机分心监测、车对车信息交换和无人车速度控制的可行系统框架。然后,基于卷积神经网络,本文提供了一种司机分心监测实现。最后,基于模型预测控制策略,本文提出了一种考虑了司机分心行为的无人车纵向速度控制方法,并给出持续可行性分析。仿真结果验证了本文工作的有效性。 

【文章来源】:信号处理. 2020,36(05)北大核心CSCD

【文章页数】:9 页

【部分图文】:

人类司机分心行为对无人车纵向速度控制的影响


系统框架

特征图,卷积,司机,神经网络模型


如图2所示,用于分心监测的卷积神经网络模型包括一个稀疏自编码器和一个包含三层的卷积神经网络:一个卷积层标注为C1,一个池化层标注为P1和一个输出层。注意,相比于传统的将卷积核和卷积层、池化层一起训练,这里先用稀疏线性编码器提取特征(如卷积核),再在余下的网络中使用训练好的卷积核。这种多阶段的训练方式可以减少训练的复杂度。此外,事先训练学习好的低层次特征可以改进卷积神经网络中学习高层次特征的有效性。首先,训练学习8×8维度的卷积核。详细地,每个用于训练的图片被分割成64个8×8维度的小图片,然后它们被送进稀疏线性编码器中来获得8×8维度卷积核的参数。这里,设定卷积核的数量为400,这将在C1层产生400个特征图。

司机,人类,车速,加速度


两种情况的结果显示在图3和图4。为了模拟人类司机的分心行为,设定ct·h在1.2 s到2.4 s之间以二次凹函数形式先增长再下降。从图3可以看出,在这段时间内无人车适度地降低它的速度来预留更大的相对距离。然后,无人车渐渐加速。其他时刻小的正值加速度来自于ρ的激励和充足的安全距离。仔细观察图4,无人车不仅在1.2 s减速,也在1.8 s左右以最小加速度刹车来避免碰撞。这种最坏的情况来自于前方人类司机的猛烈刹车。图4 在人类司机以最小加速度刹车下无人车速度控制

【参考文献】:
期刊论文
[1]卷积神经网络在脑疲劳检测中的研究[J]. 杨硕,丁建清,王磊,刘帅.  信号处理. 2019(04)
[2]利用卷积神经网络的车道线检测方法[J]. 钱沄涛,胡忠闯,陈思宇.  信号处理. 2019(03)
[3]认知分心对车辆跟驰过程操控安全性的影响[J]. 李鹏辉,廖呈玮,郑志晓,王颖,李一兵.  中国公路学报. 2018(05)



本文编号:3316266

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3316266.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户72714***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com