基于学习和模型检测的辅助驾驶场景安全的分析方法
发布时间：2021-01-22 23:34
随着汽车行业的蓬勃发展,交通事故数量也在大幅上升。自动驾驶技术应运而生,且日益兴起。但是其最重要的安全性一直是个具有挑战性的难题。因此自动驾驶技术大规模推广应用十分困难。辅助驾驶系统作为典型的信息物理融合系统,能够根据场景的变化辅助驾驶员进行安全驾驶,具有很大的应用前景。辅助驾驶系统的运行环境中存在着大量的不确定性,不仅包括车外驾驶场景的复杂多变,还包括车内驾驶员自身的不确定性。环境的不确定性,会导致系统的行为具有不确定性,是影响系统安全性的重要因素之一。形式化方法能够精确建模系统的行为,并支持使用模型检测技术分析,验证系统的行为正确性。如何使用形式化方法建模,分析辅助驾驶系统的不确定环境,是提高此类系统安全性所面临的重要挑战问题之一。因此本文从车内驾驶员因素和车外的周边场景因素着手,分别对车内外场景进行了建模及验证研究。本文的研究内容及成果主要有以下几点:1.针对车内的驾驶员的不确定性行为,本文提出了基于学习和模型检测的驾驶员行为分析方法。使用摄像头采集驾驶员数据,构建卷积神经网络（CNN）从图像中提取驾驶员特征数据,并使用朴素贝叶斯算法构建驾驶员状态预测模型。马尔科夫决策过程（MD...
【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：121 页
【学位级别】：硕士
【部分图文】：
本文所提方法的总框架图
第二章预备知识与概念华东师范大学硕士学位论文率。贝叶斯分类器学习阶段完成，在预测阶段，针对输入的特征属性集合，我们只需要挑选最大概率所属的类别作为最终的分类结果。2.2卷积神经网络CNN卷积神经网络(ConvolutionalNeuralNetwork)是近年来发展起来的一种高效的识别方法[53][54][55]，受到了工业界和学术界广泛的关注。在语音识别、人脸识别、通用目标识别等领域取得了突破性进展。这里我们简单地回顾一下卷积神经网络的概念和应用。图2.1:一个简单的三层前馈神经网络1)人工神经网络(ArtificialNeuralNetworks，ANNs)是一种计算处理系统，最初是受到生物神经系统运行工作的启发而产生的。ANN由大量相互连接的神经元组成，神经元也就是计算节点。神经元之间相互合作共同学习输入，实现优化最后的输出。图2.1就是一个ANN的简单框架。从图中可以看到，ANN由三层组成，分别是输入层，隐藏层以及输出层。这种结构也是最常见的ANN基础结构，也是其他神经网络的基矗我们把输入数据载入到网络中，通常以多维向量的形式传输给输入层，然后输入层会把数据分发传递给隐藏层。隐藏层通过对前一层数据的输入做出决策，还会在自身内部进行一个随机的改变来优化最终的输出。这个过程被叫做学习过程，层层叠加的多个隐藏层通常被称为深度学习。13
华东师范大学硕士学位论文第二章预备知识与概念2)卷积神经网络(ConvolutionalNeuralNetwork，CNNs)与传统的ANNs类似，也是由通过学习进行自我优化的神经元组成的。每个神经元会接收一个输入并执行一个操作——这是无数神经网络的基矗从输入的原始图像向量到最终输出的类分数，整个神经网络表现的就像一个单一的感知分数函数。最后一层将包含与类别相关的损失函数，ANNs开发使用的所有规则，同样仍然适用于CNNs。CNNs与传统ANNs的主要区别是，CNNs主要被应用于图像模式识别领域。这就使得我们将特定于图像的特征编码到体系结构中，使整个网络更适用于以图像为中心的任务，这也会减少设置模型时所需的参数。CNN是由各层的神经元组织而成，同时这些神经元又是由三个维度的神经元组成，这三维即输入的空间维度（高度和宽度）和深度。这里深度不是指神经网络的总层数，而是指激活量的第三维度。与标准的ANNs不同，任何给定层中的神经元只会连接到它前一层的一小部分。图2.2:包含五层的CNN架构CNNs一般由三层组成，分别是卷积层，池化层和全连接层。当这些层堆叠连接起来，一个CNN架构就形成了。图2.2显示了MNIST分类的一个简化CNN架构。输入层将保存图像的像素值。卷积层通过计算神经元的权值与连接到输入体积的区域的标量积，来确定连接到输入局部区域的神经元的输出。经过校正的线性单元(通常简称为ReLu)的目的是将“elementwise”激活函数(如sigmoid)应用到前一层产生的激活输出中。然后，池化层将沿着给定输入的空间维度向下采样，进一14
【参考文献】：
期刊论文
[1]基于高逼真驾驶模拟器雾霾天气下跟驰行为分析[J]. 时恒,涂辉招,高坤. 同济大学学报(自然科学版). 2018(03)
[2]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[3]公交驾驶员不良驾驶行为调查与特征分析——以成都为例[J]. 易恬. 黑龙江交通科技. 2015(10)
[4]面向智能驾驶行为的机器学习[J]. 陈雪梅,田赓,苗一松. 道路交通与安全. 2014(06)
[5]道路交通安全设施对交通安全的影响分析[J]. 李亚军. 警察技术. 2014(06)
[6]道路景观对驾驶人员的影响[J]. 蔡颢. 山西建筑. 2013(21)
[7]模型检测中状态爆炸问题研究综述[J]. 侯刚,周宽久,勇嘉伟,任龙涛,王小龙. 计算机科学. 2013(S1)
[8]驾驶员状态模型研究[J]. 任晓明,薛青,郑长伟,罗佳,高会波. 系统仿真学报. 2012(09)
[9]攻击性驾驶行为选择模型及影响因素敏感度分析[J]. 冯忠祥,刘静,李阳阳,张卫华. 中国公路学报. 2012(02)
[10]智能车辆安全辅助驾驶技术研究近况[J]. 王荣本,郭烈,金立生,顾柏园,余天洪. 公路交通科技. 2007(07)
硕士论文
[1]道路交通环境对驾驶人危险感知的影响研究[D]. 楚彭子.长安大学 2018
[2]冰雪路面城市快速路跟驰模型研究[D]. 魏增超.哈尔滨工业大学 2012
本文编号：2994114
【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：121 页
【学位级别】：硕士
【部分图文】：
本文所提方法的总框架图
第二章预备知识与概念华东师范大学硕士学位论文率。贝叶斯分类器学习阶段完成，在预测阶段，针对输入的特征属性集合，我们只需要挑选最大概率所属的类别作为最终的分类结果。2.2卷积神经网络CNN卷积神经网络(ConvolutionalNeuralNetwork)是近年来发展起来的一种高效的识别方法[53][54][55]，受到了工业界和学术界广泛的关注。在语音识别、人脸识别、通用目标识别等领域取得了突破性进展。这里我们简单地回顾一下卷积神经网络的概念和应用。图2.1:一个简单的三层前馈神经网络1)人工神经网络(ArtificialNeuralNetworks，ANNs)是一种计算处理系统，最初是受到生物神经系统运行工作的启发而产生的。ANN由大量相互连接的神经元组成，神经元也就是计算节点。神经元之间相互合作共同学习输入，实现优化最后的输出。图2.1就是一个ANN的简单框架。从图中可以看到，ANN由三层组成，分别是输入层，隐藏层以及输出层。这种结构也是最常见的ANN基础结构，也是其他神经网络的基矗我们把输入数据载入到网络中，通常以多维向量的形式传输给输入层，然后输入层会把数据分发传递给隐藏层。隐藏层通过对前一层数据的输入做出决策，还会在自身内部进行一个随机的改变来优化最终的输出。这个过程被叫做学习过程，层层叠加的多个隐藏层通常被称为深度学习。13
华东师范大学硕士学位论文第二章预备知识与概念2)卷积神经网络(ConvolutionalNeuralNetwork，CNNs)与传统的ANNs类似，也是由通过学习进行自我优化的神经元组成的。每个神经元会接收一个输入并执行一个操作——这是无数神经网络的基矗从输入的原始图像向量到最终输出的类分数，整个神经网络表现的就像一个单一的感知分数函数。最后一层将包含与类别相关的损失函数，ANNs开发使用的所有规则，同样仍然适用于CNNs。CNNs与传统ANNs的主要区别是，CNNs主要被应用于图像模式识别领域。这就使得我们将特定于图像的特征编码到体系结构中，使整个网络更适用于以图像为中心的任务，这也会减少设置模型时所需的参数。CNN是由各层的神经元组织而成，同时这些神经元又是由三个维度的神经元组成，这三维即输入的空间维度（高度和宽度）和深度。这里深度不是指神经网络的总层数，而是指激活量的第三维度。与标准的ANNs不同，任何给定层中的神经元只会连接到它前一层的一小部分。图2.2:包含五层的CNN架构CNNs一般由三层组成，分别是卷积层，池化层和全连接层。当这些层堆叠连接起来，一个CNN架构就形成了。图2.2显示了MNIST分类的一个简化CNN架构。输入层将保存图像的像素值。卷积层通过计算神经元的权值与连接到输入体积的区域的标量积，来确定连接到输入局部区域的神经元的输出。经过校正的线性单元(通常简称为ReLu)的目的是将“elementwise”激活函数(如sigmoid)应用到前一层产生的激活输出中。然后，池化层将沿着给定输入的空间维度向下采样，进一14
【参考文献】：
期刊论文
[1]基于高逼真驾驶模拟器雾霾天气下跟驰行为分析[J]. 时恒,涂辉招,高坤. 同济大学学报(自然科学版). 2018(03)
[2]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[3]公交驾驶员不良驾驶行为调查与特征分析——以成都为例[J]. 易恬. 黑龙江交通科技. 2015(10)
[4]面向智能驾驶行为的机器学习[J]. 陈雪梅,田赓,苗一松. 道路交通与安全. 2014(06)
[5]道路交通安全设施对交通安全的影响分析[J]. 李亚军. 警察技术. 2014(06)
[6]道路景观对驾驶人员的影响[J]. 蔡颢. 山西建筑. 2013(21)
[7]模型检测中状态爆炸问题研究综述[J]. 侯刚,周宽久,勇嘉伟,任龙涛,王小龙. 计算机科学. 2013(S1)
[8]驾驶员状态模型研究[J]. 任晓明,薛青,郑长伟,罗佳,高会波. 系统仿真学报. 2012(09)
[9]攻击性驾驶行为选择模型及影响因素敏感度分析[J]. 冯忠祥,刘静,李阳阳,张卫华. 中国公路学报. 2012(02)
[10]智能车辆安全辅助驾驶技术研究近况[J]. 王荣本,郭烈,金立生,顾柏园,余天洪. 公路交通科技. 2007(07)
硕士论文
[1]道路交通环境对驾驶人危险感知的影响研究[D]. 楚彭子.长安大学 2018
[2]冰雪路面城市快速路跟驰模型研究[D]. 魏增超.哈尔滨工业大学 2012
本文编号：2994114
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2994114.html
