面向无人驾驶有轨电车的运行安全评估

发布时间：2023-05-30 23:34

　　由于有轨电车具有成本低、能耗低、污染小等方面的诸多优势,使得其发展迅速,成为重要的公共交通工具之一。又随着人工智能的飞速发展,无人驾驶有轨电车逐渐成为研究热点。但通过以往有轨电车的运行情况而言,无人驾驶有轨电车在运行过程中的安全问题仍是研究人员关注的重点。如何能够确保无人驾驶有轨电车在城市道路中安全有效行驶,在保证有轨电车稳定行驶的同时确保电车的安全性能成为无人驾驶有轨电车研究的重点。本文在考虑无人驾驶有轨电车在运行过程中的行驶特点以及周围环境的变化,主要针对有轨电车运行安全评估问题展开了如下研究工作:1、分析无人驾驶车辆安全评估方法与有轨电车之间的关系,当有轨电车位于交通道路中,考虑到GPS数据包含一定的噪声,对所获取得到的车辆数据进行预处理,保留有效数据;针对周围车辆轨迹预测的实时性与高精度要求,建立融合卷积神经网络与长短时记忆网络特征的轨迹预测模型,针对预测模型的超参数对预测结果影响较大,采用网格搜索算法对不同超参数进行寻优。并通过真实数据集对该方法进行验证,实验结果表明该方法的可行性;2、考虑到无人驾驶有轨电车避障过程中电车运行轨道固定特点,以及无人驾驶有轨电车在交叉路口时的运...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 论文主要内容
    1.4 论文组织结构
2 轨迹预测相关算法介绍
    2.1 数据预处理
    2.2 轨迹预测算法
    2.3 本章小结
3 碰撞概率计算
    3.1 问题分析性描述
        3.1.1 蒙特卡洛法
        3.1.2 高斯拟合法
    3.2 基于点域的风险估计
    3.3 本章小结
4 基于CNN-LSTM轨迹预测方法
    4.1 整体框架介绍
        4.1.1 有轨电车运行场景描述
        4.1.2 交通场景多目标轨迹预测问题求解框架
    4.2 CNN-LSTM序贯模型轨迹预测
        4.2.1 车辆信息描述及筛选
        4.2.2 异常值检测
        4.2.3 CNN-LSTM序贯模型
    4.3 网络超参数寻优
        4.3.1 网络优化器
        4.3.2 卷积核宽度
        4.3.3 卷积核长度
        4.3.4 LSTM层神经元个数
        4.3.5 LSTM层数
        4.3.6 全连接层神经元个数
        4.3.7 批次大小
        4.3.8 权重初始化
    4.4 实验结果及分析
        4.4.1 轨迹预测结果
        4.4.2 轨迹预测误差
    4.5 本章小结
5 有轨电车运行安全风险分析
    5.1 有轨电车轨迹生成
    5.2 有轨电车碰撞时间
    5.3 有轨电车安全评估结果
        5.3.1 不同时速下的有轨电车碰撞时间分布
        5.3.2 不同时速下的有轨电车安全指数
    5.4 本章小结
6 结论与展望
    6.1 论文总结
    6.2 论文展望
致谢
参考文献
攻读硕士期间研究成果



本文编号：3825251