基于轨迹预测的自动驾驶有轨电车碰撞风险评估模型

发布时间：2021-01-15 06:35

　　有轨电车具有载客量大、污染小、行驶便利等特点,已在成都、大连等游览景区投入使用。无人驾驶技术目前引起了众多研究者的关注,在有轨电车上也开发了各种类型应用,而无人驾驶结合有轨电车的研究中,安全性是其推广落地的重中之重。车辆的主动安全通常使用运动学模型预测车辆轨迹,并使用预测轨迹和运动学公式判断车辆之间的实时碰撞风险程度。但使用运动学模型来预测车辆轨迹会存在场景较单一,不能分析复杂路况和预测结果较差的问题。本文结合（Long Short-Term Memory,LSTM）神经网络的轨迹预测方法与有轨电车多质点碰撞模型,设计了基于轨迹预测的自动驾驶有轨电车碰撞风险评估模型。主要工作如下:（1）考虑到物体移动过程中其轨迹数据具有时序性,采用对时间序列描述能力强的LSTM深度学习算法构建轨迹预测模型。通过LSTM提取时序轨迹数据中特征,得到预测轨迹,并分析了不同参数大小对轨迹预测的精准度的影响。模型预测结果的均方误差为0.094,实验结果验证了其预测有效性。（2）考虑到有轨电车在行驶过程中,碰撞风险大小与有轨电车周围车辆的相对距离成反比,与速度成正比。在有轨电车简化为多质点模型基础上,提出无人驾... 

【文章来源】：西安理工大学陕西省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

驾驶员心理—生理反应模型

相关理论和技术分析9图2-2神经元模型结构Figure2-2Neuronmodelstructure由图可知，神经元模型的接收的信息为和其紧密连接的神经元输出的信息，输出的信息通过神经元之间连接的权重值计算并相加，判断输入值是否达到刺激神经元的最小刺激强度也就是阈值，随后将信息输送给后方神经元2.2.2激活函数对于神经元而言激活函数的主要是加入非线性因素，解决线性模型的表达、分类能力不足的问题。激活函数的作用是判断神经元是否向外输出信息并且决定输出信息量的大校其通过一个分段常值函数进行激活。除了Sigmoid激活函数外，经常被人们使用的激活函数还有tanh函数和ReLU函数。图2-3sigmoid激活函数Figure2-3sigmoidactivationfunction通过Sigmoid激活函数使具体的数值收缩至0到1的范围中，其公式如2-2所示。1()1xxe(2-2)Sigmoid激活函数如图2-4。其往往存在三个方面的不足，首先是面临着梯度消失的问题，结合图形能够观察到，在函数不断接近于0或者1时，曲线图形将会更加平缓。对应的梯度数值趋向于0，此时就形成了饱和神经元。所以，在借助方向传播的更新梯度时，该神经元的梯度不会变化，造成网络的训练不能推进，就带来了梯度消失的情形。Sigmoid的第二个不足在于其对外传输的内容不是以0为中心的。最后一个不足在于其需要付出更高的运算成本，这是由于其相应的指数函数和另外形式函数相比，需要付出更大成本。

相关理论和技术分析9图2-2神经元模型结构Figure2-2Neuronmodelstructure由图可知，神经元模型的接收的信息为和其紧密连接的神经元输出的信息，输出的信息通过神经元之间连接的权重值计算并相加，判断输入值是否达到刺激神经元的最小刺激强度也就是阈值，随后将信息输送给后方神经元2.2.2激活函数对于神经元而言激活函数的主要是加入非线性因素，解决线性模型的表达、分类能力不足的问题。激活函数的作用是判断神经元是否向外输出信息并且决定输出信息量的大校其通过一个分段常值函数进行激活。除了Sigmoid激活函数外，经常被人们使用的激活函数还有tanh函数和ReLU函数。图2-3sigmoid激活函数Figure2-3sigmoidactivationfunction通过Sigmoid激活函数使具体的数值收缩至0到1的范围中，其公式如2-2所示。1()1xxe(2-2)Sigmoid激活函数如图2-4。其往往存在三个方面的不足，首先是面临着梯度消失的问题，结合图形能够观察到，在函数不断接近于0或者1时，曲线图形将会更加平缓。对应的梯度数值趋向于0，此时就形成了饱和神经元。所以，在借助方向传播的更新梯度时，该神经元的梯度不会变化，造成网络的训练不能推进，就带来了梯度消失的情形。Sigmoid的第二个不足在于其对外传输的内容不是以0为中心的。最后一个不足在于其需要付出更高的运算成本，这是由于其相应的指数函数和另外形式函数相比，需要付出更大成本。


本文编号：2978424