基于混合深度学习的弯道行为识别研究

发布时间：2024-07-08 18:38

　　高级驾驶辅助系统是最近一项热门课题。该系统利用安装于车身和内部的传感器,收集驾车过程中的外部环境、车辆行驶过程中的数据和驾驶人状态来进行驾驶情况预测。高级驾驶辅助系统的核心是基于传感器对车内外环境的感知,在深度学习的协助下辅助驾驶人进行安全驾驶、规避风险,帮助驾驶人养成良好的驾车习惯。在短暂的弯道驾驶过程中包含了许多驾驶的细节操作,如减速时机、转弯速度、转弯幅度、加速时机等等,足够体现一个驾驶者的行为习惯。通过深度学习网络分析驾驶者在弯道的的驾驶数据,来对其驾驶行为习惯进行建模和识别。本文进行提出适用于实验数据的弯道驾驶行为识别模型,模型混合了卷积神经网络和双向LSTM的深度学习。通过实验研究,结果显示本文模型的平均准确率为81.9%,双向LSTM在实验数据集上仅为77.4%。(1)通过定义弯道驾驶的过程,在预处理阶段精确取出实验需要的数据。在多种降维方法中选择多维标度法进行降维操作,并用Spearman相关系数作为实验数据的距离测量方法实现特征提取,最终得到了较好的降维结果。在信息损失较小的情况下保留了较多的特征。(2)提出用Bi-LSTM来解决传统CNN和LSTM对于时序信号处理过...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究背景及意义
        1.1.1 课题研究的背景
        1.1.2 课题研究的意义
    1.2 国内外研究现状
    1.3 论文研究内容及主要贡献
        1.3.1 论文研究内容
        1.3.2 论文主要贡献
    1.4 论文的结构
    1.5 本章小结
2 弯道行为识别的相关研究
    2.1 弯道行为概述
    2.2 驾驶数据的原理和特点
    2.3 驾驶行为相关的深度学习
        2.3.1 深度学习在辅助驾驶中的应用
        2.3.2 LSTM算法
        2.3.2 Bi-LSTM算法
    2.4 本章小结
3 道路行为辅助系统设计
    3.1 道路行为辅助系统功能概述
    3.2 弯道驾驶人识别系统结构介绍
        3.2.1 云端和汽车端结构
        3.2.2 弯道识别处理流程
        3.2.3 数据采集
    3.3 本章小结
4 基于Bi-LSTM神经网络的弯道行为识别模型
    4.1 数据预处理
    4.2 用改进的多维标度法进行数据降维
        4.2.1 单因素方差和多维标度法简介
        4.2.2 改进的多维标度法的实现
        4.2.3 改进前后多维标度法的对比实验
    4.3 Bi-LSTM算法存在的问题及改进思路
    4.4 基于Bi-LSTM分类算法的改进
        4.4.1 算法改进的依据
        4.4.2 实验预测模型的建立
    4.5 基于CBL算法的弯道驾驶人行为识别结果
        4.5.1 实验模型的训练
        4.5.2 评估指标
        4.5.3 驾驶人预测
    4.6 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间的科研成果与参加的项目



本文编号：4003704