基于LSTM的无人驾驶有轨电车安全评测方法研究

发布时间：2020-10-20 05:25

　　 推广和普及无人驾驶现代有轨电车作为城市公共交通的重要方式,已成为政府和国内外学者解决城市交通问题的共识,而安全性是无人驾驶技术的核心内容,也是无人驾驶有轨电车应用推广的先决条件。目前,有轨电车的体积、重量、编组、制动减速度等参数与汽车存在较大差异,无法直接使用汽车数据进行研究。深度学习方法如何具体应用于有轨电车安全性评测,仍待研究验证。现有的基于轨迹预测的安全评测方法,存在对天气、路况等环境因素适应性较差,难以反映跟车、超车等车辆间关联性的不足。针对目前国内外尚无有轨电车开源数据集的现状,本文根据有轨电车的车身特征和行驶特点,构建了有轨电车交通场景的仿真数据集。并将深度学习和神经网络方法应用于有轨电车的轨迹预测与安全性评测。在此基础上,为解决目前基于轨迹预测的安全评测方法存在的不足,将深度神经网络技术与运动学公式相结合,重点探究了一种基于交互式分析的有轨电车安全评测方法。主要研究工作如下:1.基于有轨电车的车身特征和行驶特点,以真实道路信息为拓扑,建立道路仿真环境。通过增加车辆和行人作为目标物体,丰富交通场景;并通过设置行驶速度区间和随机加速度区间等方式加大仿真数据的随机性,构建了有轨电车交通场景仿真数据集。2.根据运动轨迹的时序特性,将深度学习和神经网络应用于有轨电车安全性评测,验证了基于长短期记忆网络(Long Short-Term Memory,LSTM)的轨迹预测方法。研究并分析了LSTM模型的学习参数和模型结构对预测精确度和训练过程收敛速度的影响。3.综合考虑实际交通场景中环境因素和车辆之间关联性对有轨电车安全性的影响,采用了基于点域的碰撞检测方法,将LSTM深度神经网络与车辆安全距离公式相结合,探究了一种基于交互式分析的有轨电车安全评测方法,并实验验证了方法可行性。实验表明,基于LSTM的交互式安全评测模型有较好的预测精确度和模型收敛速度,验证了方法的可行性,并得出了不同参数设置对模型性能的影响关系,找到了最优模型。
【学位单位】：西安理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP183;U482.1
【部分图文】：

新具有高方差，进而带来损失函数的剧烈波动。可能无合了 BGD 和 SGD 的特点，即在每次迭代过程学习小批ize 根据神经网络的结构和训练数据相应确定。程中，传统的 MBGD 存在很大的局限性。在 MBGD 算法，在整个训练过程中保持不变，对误差平面(ErrorSurf现象。些此外多层神经网络结构的误差平面非常复杂，在鞍点。为了解决这类问题，一些改进的优化算法被提用。Momentum-SGD)是模拟物理学中动量的概念，通过累积。动量法更新的不是梯度值， 是更新“更新梯度值”的速量法的原理是每次更新的梯度下降量为 SBG 梯度下降量次更新的梯度下降方向与上次方向相同时，上次的更新作用，当本次更新的梯度下降方向与上次方向相反时，上原理图 2-4：

失函数计算输出层的实际输出值与期望值之间偏离程度，再根否将要进行反向传播过程更新权值。果进行反传传播，误差信息从输出层开始逐层向上反向传播，对各层神经元的导数（或偏导），再用梯度下降优化算法对各行迭代更新。断网络的总体误差是否低于阈值，如果误差符合计算精度或网止训练，否则从第二步开始继续循环此过程。环神经网络网络(RNN)是由一或多个反馈循环构成的深层次神经网络模型是隐藏层神经元间相互连接。在传统神经网络模型中，从输入状态，但同层的神经元之间无连接。因此传统神经网络往往难的相关性。而 RNN 网络结构的隐藏层神经元之间相互连接，在下一时刻直接作用回自身，即在神经元在 t 时刻的输入除了，还包括自身在(t-1)时刻的输出信号，见图 2-7：

西安理工大学工程硕士专业学位论文8所示为RNN网络在时间轴上展开的形式，RNN的反向优化过程被称序列的反向传播。其中， ( )为训练数据集在 t 时刻的输入信号，对应为(t-1)和(t+1)时刻输入。 ( )为神经网络在 t 时刻的损失函数， ( )为记状态，在 RNN 网络结构中， ( )由 ( )和 ( )共同作用决定， ( )为模 ( )只由 ( )决定。 ( )表示 t 时刻输入信号对应的真实输出值， 、 示网络模型的线性关系参数，在网络结构中是共享状态，通过三者提反馈。
【相似文献】

相关期刊论文 前10条

1 陈亮;王震;王刚;;深度学习框架下LSTM网络在短期电力负荷预测中的应用[J];电力信息与通信技术;2017年05期

2 王国栋;韩斌;孙文赟;;基于LSTM的舰船运动姿态短期预测[J];舰船科学技术;2017年13期

3 周生强;;LSTM对上证指数的实证分析[J];现代经济信息;2017年09期

4 关鹏飞;李宝安;吕学强;周建设;;注意力增强的双向LSTM情感分析[J];中文信息学报;2019年02期

5 杜舒静;徐凡;王明文;;实体驱动的双向LSTM篇章连贯性建模[J];中文信息学报;2017年06期

6 保罗;郭旭琦;乔铁柱;阎高伟;;改进LSTM神经网络在磨机负荷参数软测量中的应用[J];中国矿山工程;2017年03期

7 季学武;费聪;何祥坤;刘玉龙;刘亚辉;;基于LSTM网络的驾驶意图识别及车辆轨迹预测[J];中国公路学报;2019年06期

8 陈卓;孙龙祥;;基于深度学习LSTM网络的短期电力负荷预测方法[J];电子技术;2018年01期

9 何立健;林穗;翁海瑞;;基于LSTM的图像生成诗歌模型[J];信息技术与网络安全;2019年04期

10 李珍珍;吴群;;基于LSTM神经网络的股票预测算法研究[J];福建电脑;2019年07期

相关硕士学位论文 前10条

1 马艺翔;深度学习在多因子选股交易中的应用研究[D];北方工业大学;2019年

2 肖爽;基于LSTM的无人驾驶有轨电车安全评测方法研究[D];西安理工大学;2019年

3 李少鹏;结合CNN和LSTM的滚动轴承剩余使用寿命预测方法研究[D];哈尔滨理工大学;2019年

4 甄远涛;基于深度学习LSTM神经网络的障碍可转债设计与定价[D];兰州财经大学;2019年

5 杜心;基于LSTM神经网络的可用停车位预测模型研究[D];武汉理工大学;2018年

6 李永帅;基于双向LSTM的动态情感词典构建方法研究及文本情感分析[D];郑州大学;2019年

7 闫泽杭;基于互助双向LSTM与递进解码机制的图像标题生成[D];大连理工大学;2018年

8 邓楠;基于LSTM的汽车评论文本分类研究与应用[D];合肥工业大学;2018年

9 陈帆;基于LSTM情感分析模型的微博谣言识别方法研究[D];华中师范大学;2018年

10 刘婉婉;基于LSTM神经网络的蒙汉机器翻译的研究[D];内蒙古工业大学;2018年

本文编号：2848278