基于深度跟驰网络的驾驶行为特性分析
发布时间：2021-01-15 04:42
跟驰和换道行为是影响车辆运行安全性的重要因素,也是目前驾驶行为和车辆主动安全领域的研究热点。跟驰行为的研究提出了刺激-反应、安全距离等数学模型来揭示单行道上跟驰车辆之间的驾驶行为,在实际应用中,由于驾驶环境复杂,跟驰模型在少数刺激源下并不能真实揭露驾驶员的实际驾驶特性,因此,不能得到广泛推广。本文以车辆间的纵向跟驰行为研究现状与背景为基础,设计一种自学习深度跟驰网络,探索交通流中跟驰车及前导车的驾驶规律,最终以前导车速度、后导车速度、相对距离三个参数的变化趋势反应驾驶员的驾驶行为特性。主要研究内容如下:（1）深度跟驰网络下的前导车检测。借鉴CNN卷积网络及YOLO系列图像检测原理,设计深度跟驰网络目标检测算法,为保证数据在正反向传播时数据分布的一致性,在网络中引入批量归一化算法与卷积层构成基本组件,防止网络在训练过程中的过拟合问题;大量使用层与层之间的跳层链接,使网络检测深度增强,提高了对前导车检测的准确性;采用ROC曲线对YOLO以及深度跟驰网络进行分类效果评价,测试结果显示,深度跟驰网络在不同光线环境下检测性能均优于YOLO网络。（2）改进RNN网络下的驾驶行为分析。基于传统RNN...
【文章来源】：西安科技大学陕西省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
历年交通事故发生数量图
1绪论11绪论1.1研究背景及意义1.1.1研究课题背景公路运输作为地面运输的主要方法[1]，其交通事故多发所带来的隐患问题，影响及制约着社会经济的发展以及民生和谐。在汽车保有量以及驾驶员数量逐年增加的趋势下，交通安全问题也日益严重，据统计[2]，全国仅小型载客车在2018年保有量较前年增长了10.51%。汽车驾驶人占总驾驶人数的90.28%。在2018年期间，交通事故多达24万余起，以汽车及机动车发生事故占主要比例,直接财产损失高达12.8亿元，成为交通事故中主要经济影响因素，如下图1.1、1.2所示。图1.1历年交通事故发生数量图图1.22018年事故统计分类情况交通事故多发一方面是由于控制及预防事故的科学方法仍不完善，另一方面驾驶员安全性驾驶的控制作用仍未发挥[3]，在车辆数以及驾驶员数量增长趋势不能避免下，如何提高行驶车辆的驾驶安全性是目前国内外的研究热点，由此诞生的安全辅助驾驶系统在多个方面降低了事故发生率。驾驶安全性能的影响不仅取决于环境因素，更由驾驶员的驾驶复杂性所主导。如何预测驾驶员在实车环境下的驾驶行为特性[4]成为研究者探索安全事故发生机理的主要方法。目前驾驶行为的研究方向主要分为单行车道中运动车辆间的纵向跟驰行为以及多行车道中车辆间的横向超车行为[5]，在此背景下，诞生了基于分子学理论、脑电波理论、能量守恒理论下的跟驰模型和换道模型来推测驾驶车辆在未来时间段的驾驶行为特性。由于环境的多样性及驾驶员驾驶习惯的复杂性，适应于某种特定场合的数学模型并不能得到广泛应用[6]，随着深度学习在图像处理方面的应用，许多研究者利用深度学习识别驾驶车辆类型、驾驶车牌号、道路行驶标志、交通流预测轨迹等图像中的内在信息，为
基于深度跟驰网络的驾驶行为预测原理图
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的目标检测研究综述[J]. 范丽丽,赵宏伟,赵浩宇,胡黄水,王振. 光学精密工程. 2020(05)
[2]基于网联的交通冲突安全距离模型研究[J]. 田竞,熊坚. 中国水运(下半月). 2019(09)
[3]基于多前车信息融合的智能网联车辆跟驰模型[J]. 纪艺,史昕,赵祥模. 计算机应用. 2019(12)
[4]基于模糊综合评价的驾驶安全性评价研究[J]. 许治琦,姚远,周兴社,杨刚. 计算机测量与控制. 2019(07)
[5]高级辅助驾驶系统实验平台开发研究[J]. 张春洲,石晶. 农业装备与车辆工程. 2019(07)
[6]基于YOLOv3的自动驾驶中运动目标检测[J]. 李云鹏,侯凌燕,王超. 计算机工程与设计. 2019(04)
[7]基于YOLO算法的多类目标识别[J]. 于秀萍,吕淑平,陈志韬. 实验室研究与探索. 2019(03)
[8]不同车速多前导车对跟驰行驶特性的影响[J]. 杨海飞,粟海琪,胡欢,刘昶成,李睿,谯洋. 现代交通技术. 2019(01)
[9]基于回归与深度强化学习的目标检测算法[J]. 舒朗,郭春生. 软件导刊. 2018(12)
[10]经典跟驰模型的发展综述[J]. 魏福禄,刘杨. 吉林建筑大学学报. 2018(04)
博士论文
[1]面向驾驶辅助系统的车辆行驶安全预警模型研究[D]. 胡三根.华南理工大学 2016
[2]基于分子动力学的车辆运行安全特性研究[D]. 陈秀锋.吉林大学 2013
硕士论文
[1]基于卷积神经网络的高速车辆检测的研究[D]. 蔡婉雪.南京邮电大学 2018
[2]面向短时交通流分析与预测的循环神经网络算法研究[D]. 赵庆.西安理工大学 2019
[3]基于卷积神经网络的车辆检测与测距[D]. 张玉鹏.北京邮电大学 2019
[4]结合卷积神经网络和循环神经网络的脑电识别[D]. 魏畅.重庆邮电大学 2019
[5]基于双向循环神经网络的交通流预测算法研究[D]. 庄瑞刚.西安电子科技大学 2019
[6]自编码网络优化及其应用[D]. 梅晨.深圳大学 2018
[7]基于车载摄像机的前方车辆测距测速方法研究[D]. 张亚男.大连海事大学 2018
[8]车路协同跟车辅助下的驾驶员跟驰行为研究[D]. 龚思远.吉林大学 2013
[9]基于帧差法与图像块匹配方法的烟丝测速的研究[D]. 曾蕾.南华大学 2012
[10]道路交通安全事故成因及预测模型研究[D]. 夏青青.长沙理工大学 2010
本文编号：2978247
【文章来源】：西安科技大学陕西省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
历年交通事故发生数量图
1绪论11绪论1.1研究背景及意义1.1.1研究课题背景公路运输作为地面运输的主要方法[1]，其交通事故多发所带来的隐患问题，影响及制约着社会经济的发展以及民生和谐。在汽车保有量以及驾驶员数量逐年增加的趋势下，交通安全问题也日益严重，据统计[2]，全国仅小型载客车在2018年保有量较前年增长了10.51%。汽车驾驶人占总驾驶人数的90.28%。在2018年期间，交通事故多达24万余起，以汽车及机动车发生事故占主要比例,直接财产损失高达12.8亿元，成为交通事故中主要经济影响因素，如下图1.1、1.2所示。图1.1历年交通事故发生数量图图1.22018年事故统计分类情况交通事故多发一方面是由于控制及预防事故的科学方法仍不完善，另一方面驾驶员安全性驾驶的控制作用仍未发挥[3]，在车辆数以及驾驶员数量增长趋势不能避免下，如何提高行驶车辆的驾驶安全性是目前国内外的研究热点，由此诞生的安全辅助驾驶系统在多个方面降低了事故发生率。驾驶安全性能的影响不仅取决于环境因素，更由驾驶员的驾驶复杂性所主导。如何预测驾驶员在实车环境下的驾驶行为特性[4]成为研究者探索安全事故发生机理的主要方法。目前驾驶行为的研究方向主要分为单行车道中运动车辆间的纵向跟驰行为以及多行车道中车辆间的横向超车行为[5]，在此背景下，诞生了基于分子学理论、脑电波理论、能量守恒理论下的跟驰模型和换道模型来推测驾驶车辆在未来时间段的驾驶行为特性。由于环境的多样性及驾驶员驾驶习惯的复杂性，适应于某种特定场合的数学模型并不能得到广泛应用[6]，随着深度学习在图像处理方面的应用，许多研究者利用深度学习识别驾驶车辆类型、驾驶车牌号、道路行驶标志、交通流预测轨迹等图像中的内在信息，为
基于深度跟驰网络的驾驶行为预测原理图
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的目标检测研究综述[J]. 范丽丽,赵宏伟,赵浩宇,胡黄水,王振. 光学精密工程. 2020(05)
[2]基于网联的交通冲突安全距离模型研究[J]. 田竞,熊坚. 中国水运(下半月). 2019(09)
[3]基于多前车信息融合的智能网联车辆跟驰模型[J]. 纪艺,史昕,赵祥模. 计算机应用. 2019(12)
[4]基于模糊综合评价的驾驶安全性评价研究[J]. 许治琦,姚远,周兴社,杨刚. 计算机测量与控制. 2019(07)
[5]高级辅助驾驶系统实验平台开发研究[J]. 张春洲,石晶. 农业装备与车辆工程. 2019(07)
[6]基于YOLOv3的自动驾驶中运动目标检测[J]. 李云鹏,侯凌燕,王超. 计算机工程与设计. 2019(04)
[7]基于YOLO算法的多类目标识别[J]. 于秀萍,吕淑平,陈志韬. 实验室研究与探索. 2019(03)
[8]不同车速多前导车对跟驰行驶特性的影响[J]. 杨海飞,粟海琪,胡欢,刘昶成,李睿,谯洋. 现代交通技术. 2019(01)
[9]基于回归与深度强化学习的目标检测算法[J]. 舒朗,郭春生. 软件导刊. 2018(12)
[10]经典跟驰模型的发展综述[J]. 魏福禄,刘杨. 吉林建筑大学学报. 2018(04)
博士论文
[1]面向驾驶辅助系统的车辆行驶安全预警模型研究[D]. 胡三根.华南理工大学 2016
[2]基于分子动力学的车辆运行安全特性研究[D]. 陈秀锋.吉林大学 2013
硕士论文
[1]基于卷积神经网络的高速车辆检测的研究[D]. 蔡婉雪.南京邮电大学 2018
[2]面向短时交通流分析与预测的循环神经网络算法研究[D]. 赵庆.西安理工大学 2019
[3]基于卷积神经网络的车辆检测与测距[D]. 张玉鹏.北京邮电大学 2019
[4]结合卷积神经网络和循环神经网络的脑电识别[D]. 魏畅.重庆邮电大学 2019
[5]基于双向循环神经网络的交通流预测算法研究[D]. 庄瑞刚.西安电子科技大学 2019
[6]自编码网络优化及其应用[D]. 梅晨.深圳大学 2018
[7]基于车载摄像机的前方车辆测距测速方法研究[D]. 张亚男.大连海事大学 2018
[8]车路协同跟车辅助下的驾驶员跟驰行为研究[D]. 龚思远.吉林大学 2013
[9]基于帧差法与图像块匹配方法的烟丝测速的研究[D]. 曾蕾.南华大学 2012
[10]道路交通安全事故成因及预测模型研究[D]. 夏青青.长沙理工大学 2010
本文编号：2978247
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/2978247.html
