基于深度迁移学习的辅助驾驶应用研究

发布时间：2022-01-19 22:08

　　近年来车辆的日益普及致使交通事故数量呈逐年上升的趋势。ADAS系统通过感知车辆周边环境以及车辆自身行驶状态,对危险的驾驶行为以及可能发生的交通事故进行提前预警与干预。统计数据显示,一些简单的驾驶辅助系统已在实际驾驶环境中应用,并对预防交通事故起到了积极的作用,如检测到行人靠近时自动减缓车速。因此在全球范围内,ADAS系统正获得越来越广泛的关注。本文面向高级辅助驾驶系统（ADAS）中的三大实际应用,（1）360?行人检测,（2）交通标志识别,以及（3）驾驶行为预测,探讨研究深度迁移学习模型在其中的应用方法以及工作原理。深度学习凭借其优异的非线性表示能力,近年来在机器视觉、自然语言处理等领域均取得了卓越的成就。然而在辅助驾驶应用中,多变的驾驶环境、司机间迥异的驾驶习惯以及多元的地区文化等因素均导致深度学习的基本假设:训练数据与测试数据分布一致,无法得到满足。另外,驾驶数据中特有的标注数据不充足、训练数据不平衡、数据噪音严重以及多数据融合等问题,都显著加大了深度架构的训练难度。不同于传统机器学习对数据的严格要求,迁移学习允许训练和测试数据之间存在显著差异,如数据边际分布、条件分布和数据流形差... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：143 页

【学位级别】：博士

【部分图文】：

–2辅助驾驶系统的不同干预时期

各章节与论文主要内容的对应关系如图1–3所示。迁移学习在计算机科学、建模与仿真和模式识别以及许多相关应用领域已有比较完善的理论和应用前景。在真实驾驶场景中,如何结合迁移学习理论改进深度框架以应对行驶环境多变、标签数据稀缺等问题是本文研究的主要问题。本章主要介绍深度迁移学习的相关概念、使用到的知识迁移技术和知识迁移途径以及相关模型性能评价指标。

如图2–4所示,无监督迁移学习的特点为目标与源数据均未标注,其更关注在目标领域解决非监督问题,如聚类、降维、密度估计等。其主要的思想是存在一个共同的特征空间,在该空间下,源与目标领域距离最小,因此可以通过源数据辅助目标数据进行无监督的聚类、降维等任务。图2–4无监督迁移迁移学习图示

【参考文献】：
期刊论文
[1]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊.  智能系统学报. 2018(01)



本文编号：3597645