基于深度学习的共享电动汽车碰撞检测与预警研究

发布时间：2020-06-19 14:42

【摘要】：近些年来,在严重的空气污染和能源短缺问题的困扰下,电动汽车由于其零排放、能源利用效率高、噪声小等优点,逐渐得到了各国政府和民众的认可。然而,电动汽车价格偏高、续航里程有限、充换电不方便,成为了电动汽车大规模推广的主要障碍。面对这一问题,采用共享租赁的方式向社会推广电动汽车成为了一种行之有效的方法。电动汽车共享租赁可以解决其购买价格偏高、技术不成熟的问题,而且可以有效缓解交通堵塞,改善城市环境。因此,共享电动汽车不但能满足用户用车需求,而且符合经济发展和环境保护的要求。电动汽车共享租赁中一个关键问题就是对用户进行行为分析,尤其是对用户行车过程中是否存在碰撞或潜在碰撞等危险驾驶行为进行分析和记录。本文采用基于深度学习的图像检测和分割算法对车辆碰撞进行检测识别,并提出了基于视频预测算法和边框预测算法的车辆碰撞预警方法。本论文的主要研究内容如下:1)对共享电动汽车的发展背景和现状进行了介绍,并对当前汽车碰撞检测和预警领域的研究现状进行了概括;对与本课题有关的深度学习基础理论进行了介绍,并概述了当前深度学习研究的最新进展。2)对多个基于深度学习的目标检测算法进行研究和对比后,选择了高精度、实时性的目标检测模型——SSD,作为目标检测的基础模型,并在本课题标注的车辆检测数据上进行了实验。为了进一步提高目标检测模型的运行效率,对SSD模型的特征提取部分进行了改进,对分类、定位层进行了裁剪,并使用了量化算法对模型做进一步的压缩,对改进后的SSD模型进行了实验对比;另外,本文提出了像素-距离转换模型,结合车辆检测算法,可以近似计算出车辆的距离。3)对图像分割算法进行简要介绍,提出了基于跳跃连接和带洞空间金字塔池化的图像分割模型——SkipASPPNet,并进行了实验验证;对基于图像分割模型的车辆碰撞检测和预警进行了可行性验证。4)对主流的视频预测算法进行概述,提出了基于卷积LSTM和生成对抗网络的的视频预测模型,对车辆轨迹进行预测,从而可以提前推理出车辆可能的位置,并对车辆的潜在碰撞进行预警;为提高车辆轨迹预测的准确度,提出了基于LSTM的汽车边界框位置预测算法,并进行了实验验证。
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP181;U469.72
【图文】：

统计图,主要城市,统计图

据环保部 2016 年空气质量报告显示[1]，全国有 36 个城2.5 浓度大于 753 g /m（根据中国空气质量标准，PM2.5 浓度大于3为轻度污染）。图 1-1 为中国排名前十的省会城市污染天数统计表，年雾霾天数高达 237 天。首都北京的重污染天数也高达 39 天，年均 PM家标准 109%。气污染会严重影响人们的身体健康，极易引发呼吸道和心血管疾病。月 5 日的伦敦毒雾事件造成了至少 4000 人死亡，数万人呼吸不适，数受到严重影响。据我国卫生部门统计，每年因空气污染造成的呼吸系高达 35 万人，急诊病例更是多达 680 万人，由空气污染导致的环境损失占全国 GDP 的 7%左右。此外，PM2.5 极易吸附有机污染物和重这些有害物质极易引发癌症，是主要的环境致癌物之一。国环保部的数据显示，多个大城市（例如北京、杭州、广州和深圳等染来源中，机动车尾气超过了燃煤和工业生产以及扬尘的比重。随着保有量的持续上升，机动车尾气带来的污染会越来越严重。因此，减气排放，成为治理空气污染过程中不可避免的关键一环。

示意图,展开结构,示意图,输出门

图 5- 4 RNN 及其等效展开结构示意图为解决以上问题，Schmidhuber 等于 1997 年提出了著名的长短期记忆（rt Term Memory, LSTM）神经网络, 该模型增加了“遗忘门”、“ 更新门胞状态”，从而可以控制信息的遗忘和更新，LSTM 的基本结构如图 5-5 所 Tanh T anhtht1X t1C tCt1h tftotftitC图 5- 5 LSTM 结构单元示意图LSTM 模型中的遗忘门、更新门、细胞状态输出、输出门以及最终输出 5-4~5-8 表示。( [ , ] )f W h x b

【相似文献】