基于Bi-LSTM的多类型特征融合驾驶员疲劳识别方法

针对传统的基于驾驶员面部图像采集的单一类型特征的疲劳识别方法,在阴影遮挡及光照变化场景下存在准确性、鲁棒性不足的问题,深入开展基于多类型特征融合的驾驶员疲劳识别方法研究。在分析非图像化的驾驶员疲劳特征的基础上,通过机器人操作系统（Robot Operating System, ROS）的话题订阅来实现驾驶员生理特征、操作行为特征及面部特征的多源数据同步采集。处理原始数据并分析数据特性,提出了一种融合生理特征与驾驶员及观测者主观评价的数据标注策略,标注疲劳特征,构建驾驶员疲劳数据集;将驾驶员操作行为特征与面部特征融合,形成多类型特征融合序列,并基于双向长短时记忆（Bi-directional Long Short-Term Memory,Bi-LSTM）网络,构建多类型特征融合的疲劳识别模型;通过单一类型特征与多类型特征对比试验、不同场景对比试验证明,基于Bi-LSTM的多类型特征融合识别方法的准确率和鲁棒性较单一类型特征识别方法均有明显提升,能在各种场景下更好地识别驾驶员的疲劳状态。     

自适应均衡学习的端到端类人驾驶控制决策网络

针对现有端到端自动驾驶网络对于类人驾驶行为与思维特征模拟不足的问题，从类人驾驶特征出发，设计了一个包含时空特征、历史状态特征及未来特征的端到端类人驾驶控制决策网络。采用多层卷积和长短期卷积时序记忆网络（Conv-LSTM），对前方道路视觉感知图像时间序列进行时空特征提取，同时采用一维卷积和长短期时序记忆网络（Long Short-Term Memory，LSTM） 对车辆状态信息时间序列进行历史状态特征提取，进而采用多任务参数共享方式进行当前时刻和未来序列的方向盘转角、车速的控制决策，并以未来序列作为辅助任务督促当前时刻的主任务学习。为更好地耦合汽车纵横向控制参数学习的过程，还提出一种权衡纵横向控制参数损失量级及学习速度的权重自适应方法，并引入容差阈值，建立衡量纵横向控制参数训练效果的评价方法。依托Comma2k19数据集对所构建控制决策网络进行训练和验证，体现出良好的可行性及优越性。     

基于时频感知加权的车辆路面冲击声品质评价

为表征与量化人对路面冲击声的主观感受，首先，对减速带工况冲击非平稳噪声信号进行声时感知时长定义，同时根据人耳听声可辨性将声时历程分为冲击段、峰值段及衰减段；进而，以小波变换提取冲击噪声中的主冲击与多重微冲击特征信息，组成冲击声品质评价的基础特征阵；然后，类比峰值因子法定义频域滤波因子，并基于序关系分析法确定时变感知加权系数，组建时频滤波网络对基础特征阵加权且建立冲击声品质时频感知评价指标；最后，基于实车过减速带冲击噪声测试数据计算声品质指标，并进行对比验证.研究结果表明：所提时频感知加权评价指标与主观评价的相关系数在车速20 km/h时为0.927，在车速30 km/h时为0.922；在考虑路面冲击声声时历程全程评价时，经典的声品质评价指标（特征频带时变响度）与主观评价的相关系数在车速20 km/h时为0.933，在车速30 km/h时为0.649；所提时频感知加权评价方法对于车速为20 km/h与30 km/h的情况具有较好的适用性.