基于自注意力机制的自动驾驶场景点云语义分割方法

对车载激光雷达场景点云进行语义分割是自动驾驶环境感知环节的基础性工作。针对现有处理大规模自动驾驶场景点云方法对局部特征提取能力不足和难以捕捉全局上下文信息的问题,本文基于自注意力机制设计了局部和全局自注意力编码器,并搭建了特征聚合模块进行特征提取。实验结果表明,与同样采用局部特征聚合的网络RandLA-Net相比,在SemanticKITTI数据集上本文的方法可将平均交并比提升5.7个百分点,局部自注意力编码器的加入也使车辆和行人等小目标的分割精度提高2个百分点以上。     

基于图卷积神经网络和注意力机制的车辆轨迹预测方法

针对现有车辆轨迹预测方法在处理复杂交通环境和多车辆交互时存在精度不足和适应性差的问题,文章提出一种基于图卷积神经网络（GCN）和注意力机制的车辆轨迹预测方法。首先使用长短时记忆网络（LSTM）对车辆的历史轨迹进行初步编码;再引入GCN建模车辆之间的空间关系和交互影响,对车辆特征进行更新;然后通过多头自注意力机制进一步捕获车辆之间的全局交互信息;最后通过残差解码器生成未来的轨迹预测。实验结果表明,文章提出的模型在Argoverse数据集表现出优越的车辆轨迹预测能力。     

基于长短期记忆神经网络与注意力机制的智能汽车分车型跟驰模型

考虑到跟驰车流中前车车型对智能汽车跟车行为的影响,采用长短期记忆 （Long Short Term Memory,LSTM）神经网络,基于 NGSIM 数据集,通过 One-Hot方法编码车型特征,并引入注意力机制 （Attention Mechanism） 生成输入特征的注意力权重,训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型 （Identifiable Vehicle Type Car-Following Model,IVT-CF）。在不同前车车型的跟车场景中仿真发现,IVT-CF 模型仿真车辆的速度和位移的均方误差 （Mean Square Error,MSE） 比不分车型的 LSTM 模型分别降低了 23.8%、31.7%,比 IDM 模型分别降低了 15.8%、18.7%,仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现,交通流速度和车头间距的收敛时间为 92 s,该模型能较快收敛,具有较好的稳定性和抗干扰能力。     

基于多维注意力机制的高速公路交通流量预测方法

为了实现精准的交通流量预测,提高高速公路智慧管理水平,该文构建了一种基于多维注意力机制的交通流量预测模型,并在樟吉高速公路真实交通数据集上开展对比实验,以验证模型的准确性及预测精度。模型基于图神经网络（GNN）和时间卷积网络（TCN）提取交通流空间和时间维度的特征,结合多维注意力机制挖掘时空数据中的关键信息,同时引入多任务学习架构,通过基于同方差不确定性的损失函数来平衡不同任务共同学习,以提高模型的泛化能力和鲁棒性。结果表明：该模型在测试集上的均方根误差（RMSE）和平均绝对误差（MAE）分别为7.467和5.133,相较基准模型有更好的预测精度;提出的该交通流量预测方法可有效地挖掘交通流的时空特性,描述真实交通运行状态,对高速公路交通流量做出精准预测。     

基于时空注意力机制的网约车出行需求预测模型

解决网约车运营中的乘客出行需求预测问题,以降低车辆空载率、减少乘客等待时间。在考虑乘客出行需求的动态时空依赖性的基础上,提出一种基于空间数据可视化和格兰杰因果检验的乘客出行需求空间依赖性分析方法,并结合卷积神经网络和注意力机制,建立了一种基于注意力机制的时空图卷积神经网络模型来预测乘客出行需求。实例研究表明,本模型能有效捕获乘客出行需求时空依赖性的动态特征,提升模型的预测性能,具有较高的准确性和实用性。     

基于网格分类与纵横向注意力的城市道路车道线检测方法

车道线检测是汽车安全辅助驾驶系统的基础模块,在城市道路场景下车道线存在受碾压致特征缺失、车辆间相互遮挡以及光照环境复杂多变等问题,本文提出基于网格分类与纵横向注意力的车道线检测方法。提取道路图像的全局特征图,将其划分为若干网格,计算网格中车道线的存在概率;通过将车道线检测转化为网格位置的分类,定位每条车道线的特征点;构建基于Ghost模块的主干网络,结合车道线的形状特征,引入纵横向注意力机制,通过增强车道线纹理特征和融合位置信息,获取缺失的细节特征;利用三次多项式,拟合车道线特征点,修正车道线的检测结果。基于TuSimple与CULane数据集,在ResNet18、ResNet34和Dark-Net53中嵌入纵横向注意力模块,并开展对比实验。结果表明：在TuSimple数据集上,嵌入纵横向注意力模块后,模型精度均提升了约0.1%,与其他模型相比,Ghost-VHA模型的准确率为95.96%。在CULane数据集上,嵌入纵横向注意力模块可提升精度约0.65%,与其他模型相比,Ghost-VHA的F1分数为72.84%,提升了0.54%。在TuSimple与CULane数据集上,Ghost-VHA处理尺寸为288 px×800 px的图像仅需4.5 ms,具有良好的准确率和实时性。在CULane数据集上,网格列数量为300时效果最好,在TuSimple数据集上,网格列数量为50时效果最好。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律,研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性,基于循环神经网络理论,从时间序列数据中提取交通事件时间依赖关系;通过引入长短时记忆网络,结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性,构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例,开展了高速公路交通事件持续时长预测模型验证,对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度,并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明：使用同一数据集,注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43,平均绝对百分比误差为25.24%,均方根误差为21.17,预测精度优于其他4种预测方法。在模型的各影响因素权重中,事件类型所占权重最大为0.375,其次分别为车道数、车辆类型、天气等;采用立交出入口小时交通量作为修正参数,可以进一步提升预测精度,预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度,为公路安全高效运行提供技术支持。     

基于注意力机制与线锚信息传递的车道线检测

车道线检测是自动驾驶领域的关键技术,目前仍面临较多挑战。车道线监督信号的稀疏性以及复杂场景下的遮挡、阴影等因素会影响检测的准确率与实时性。基于此,提出了一种融合CBAM注意力机制与线锚特征聚合模块的车道线检测模型,提出的算法在Tusimple和CULane数据集分别达到96.19%的准确率和76.24%的综合F1得分,通过实车测试表明,该算法检测帧率为67 fps,可以在复杂交通场景下进行实时检测,较好地解决了车道线遮挡问题。     

基于时-空注意力机制的车辆轨迹预测

城市交通环境中车辆的驾驶行为随机性较高,且驾驶人驾驶风格迥异。为了解决复杂交通环境下车辆行驶轨迹难以精确预测的问题,在社会生成对抗网络(Social GAN)的基础上,考虑车辆的行驶速度、加速度、航向角等行驶状态参数和形状尺寸,建立车辆间交互影响力场模型,提出一种基于时-空注意力机制的车辆轨迹预测算法(SIA-GAN)。根据受到场景中其他车辆交互影响力的大小赋予其他车辆不同的空间注意力权重因子,重点关注对自车行驶影响较大的车辆信息,并结合时间注意力机制挖掘自身车辆对观测时段内历史轨迹特征向量的时间依赖性,得到车辆预测轨迹。为验证所提算法的有效性,在开源数据集上对算法进行迭代训练,并与LSTM、Social LSTM、Social GAN三种轨迹预测算法进行对比分析。研究结果表明：SIA-GAN不仅在训练时的收敛速度上有较大提升,且与现有其他轨迹预测算法相比在平均位移误差、最终位移误差、平均速度误差、平均航向角误差等评价指标均有大幅下降,预测3.2 s时各项指标平均降低了51.25%、60.1%、37.84%、13.75%;预测4.8 s时各项指标平均降低了52.78%、61.47%、3...     

基于时空注意力机制的STA-GRU船舶轨迹预测方法

船舶轨迹预测的精度关系到船舶智能航行水平。针对门控循环单元（gated recurrent unit, GRU）提取船舶时空信息数据能力不足,导致轨迹预测精度不佳的问题,研究了基于时空注意力机制的GRU船舶轨迹预测方法（spatial-temporal attention mechanism-gated recurrent unit, STA-GRU）。将传统GRU中的激活函数改进为加权激活函数组,以保留更完整的船舶轨迹数据;引入空间注意力机制模块提取船舶空间位置信息的特征,以船舶经纬度及相对经纬度数据作为输入序列,计算对应的空间权重注意力因子,获得空间特征向量;再引入时间注意力机制模块挖掘观测时段内历史轨迹特征向量的时空依赖性,以历史轨迹数据中的航速、航向拼接空间特征向量作为输入序列,计算时空权重注意力因子,将获得的时空特征向量作为STA-GRU模型的训练数据集,用于船舶轨迹预测。采用青岛港AIS数据开展实验验证,以输入时长20 min,采样频率2 min作为输入条件,构建船舶航行轨迹数据集,结果表明：对比LSTM、AT-GRU、Bi-GRU算法,STA-GRU模型不仅在训练过程中收敛速度更快,而且在均方根误差、平均绝对误差、最终位移误差指标中均有大幅下降,预测轨迹时各项指标平均降低了50.2%,38.7%,48.3%;预测经度时各项指标平均降低了43.8%,50.5%,49.5%;预测纬度时各项指标平均降低了52.4%,48.4%,50.5%。因此,所提船舶轨迹预测STA-GRU模型的精度有显著提升,并能满足轨迹预测的实时性需求。     

基于注意力机制的双向门控循环单元网络齿轮故障识别系统

提出一种基于注意力机制 （Attention Mechanism,AM） 的双向门控循环神经网络模型的齿轮故障识别系统。使用基于 STM32 的嵌入式主控制器分别采集正常齿轮、断齿齿轮、轮齿剥落齿轮等 3 种故障齿轮工作时的振动传感器数据,使用基于注意力机制的双向门控循环单元网络模型进行齿轮故障识别。双向门控循环神经网络模型添加了注意力机制,保留输入特征的重要信息,不随步长增加而消失。将采集到的原始数据集按7∶2∶1的比例划分为训练集、验证集和测试集。测试集模型的齿轮故障识别准确率达到了99.67%,与GRU和Bi-GRU等模型的结果对比证明该模型的正确率更高。本系统可用于汽车变速器的监测与故障诊断。     

基于注意力机制的多模态自动驾驶行为决策模型

针对现有端到端自动驾驶模型未考虑驾驶场景中不同区域的重要性和不同语义类别之间的关系而导致预测准确率低的问题,受驾驶人注意力机制和现有端到端自动驾驶模型的启发,充分考虑驾驶场景的动态变化、驾驶场景的语义信息和深度信息对驾驶行为决策的影响,以连续多帧驾驶场景的RGB图像为输入,构建一种基于注意力机制的多模态自动驾驶行为预测模型,实现对方向盘转角和车速的准确预测。首先,通过语义分割模型和单目深度估计模型分别获取RGB图像的语义图像和深度图像;其次,为剔除与驾驶行为决策无关信息,以神经科学和空间抑制理论为基础,设计一种拟人化注意力机制作为能量函数来计算驾驶场景中不同区域的重要度;为学习语义图像中与驾驶行为决策最为相关类别之间的关系,采用图注意力网络(Graph Attention Network,GAT)对驾驶场景的语义图像进行特征提取;然后,以保留RGB特征为原则对提取的驾驶场景的图像特征、语义特征和深度特征进行融合,采用卷积长短期记忆网络(Convolutional Long Short Term Memory,ConvLSTM)实现融合特征在连续多帧之间的传递,进而实现下一帧驾驶场景对应驾驶行为的预测;最后,与其他模型的对比试验、消融试验、泛化试验和特征可视化试验来充分验证所提出自动驾驶行为预测模型的性能。试验结果表明：与其他驾驶行为预测模型相比,所提出模型的训练误差为0.021 2,预测准确率为86.97%,均方误差为0.031 5,其驾驶行为的预测性能优于其他模型;连续多帧的语义图像和深度图像、拟人化注意力机制和面向语义特征提取的GAT有助于提升驾驶行为预测的性能;该模型具有较好的泛化能力,其做出驾驶行为预测所依赖的特征与经验丰富的驾驶人所关注的特征基本一致。     

基于XGBoost算法的危险场景驾驶行为模式分析及安全评估

危险感知能力对驾驶人的驾驶行为模式具有重要影响。为准确评估驾驶人的危险感知能力、提升危险感知水平判别的准确度,提出了基于模拟驾驶技术的危险感知能力影响分析方法和基于极端梯度提升树（XGBoost）算法的危险感知水平判别模型。通过设计3种常见交通冲突场景,采集模拟驾驶中驾驶人的多维度驾驶行为特征数据,并分析危险感知能力与驾驶行为的相关关系。通过模拟实验发现：驾驶人对行人的危险感知能力较弱,易发生碰撞事故;驾驶人在危险场景中的车速（p＝0.01）、制动反应位置（p < 0.01）以及反应时间（p < 0.01）与危险感知水平之间存在显著负相关关系。在相关性分析的基础上,利用XGBoost算法识别能反映驾驶人危险感知能力的重要特征变量,并构建以制动反应位置、反应时间、车速、刹车深度,以及加速度为指标的驾驶人危险感知水平判别模型;通过与LightGBM、支持向量机（SVM）,以及逻辑回归（LR）等算法分类预测性能的对比分析,评价危险感知模型的判别精度,结果表明：基于XGBoost算法的危险感知水平判别模型的判别准确率为84.8%、F1值为83.4%、AUC值为0.959,优于LightGBM（准确率为78.8%、F1值为76.7%、AUC值为0.924）、SVM（准确率为57.6%、F1值为42.2%、AUC值为0.859）,以及LR算法（准确率为69.7%、F1值为65.5%、AUC值为0.836）。所提方法可为判别驾驶人危险感知能力及其对驾驶行为模式的影响提供可靠手段。     

基于交叉注意力机制的多模态感知融合方法

针对智能汽车道路目标检测任务中单一传感器感知能力有限、多传感器后融合处理复杂等问题,提出了一种基于Transformer交叉注意力机制的多模态感知融合方法。首先,利用交叉注意力机制能较好地融合多模态信息的优势,搭建了基于深度学习方式的端到端融合感知网络,用以接收视觉与点云检测网络的输出,并进行后融合处理。其次,对点云检测网络的三维目标信息进行高召回处理,与视觉图像检测器输出的道路目标信息一同作为网络的输入。最后,通过网络实现二维目标信息向三维信息的融合,输出对三维目标检测信息的修正,从而得到准确度更高的后融合检测信息。在KITTI公开数据集上的验证指标表明,通过所提融合方法引入二维检测信息后,相比较PointPillars、PointRCNN、PV-RCNN及CenterPoint四种基准方法,对车辆、骑行人、行人3种类别的综合平均提升分别为7.07%、2.82%、2.46%、1.60%。通过与基于规则的后融合方法对比,所提融合网络在行人和骑行人中等、困难样本检测上,分别有平均1.88%与4.90%的提升。进一步表明所提方法具有更强的适应性与泛化能力。最后,进行了实车试验平台的搭建及算...     

基于双重池化注意力机制和竖直特征融合的DV-PointPillars三维目标检测模型

为了改善柱体化三维目标检测模型中存在的柱体特征表征能力不足、误检漏检的问题,提出一种基于双重池化注意力机制和竖直特征融合的DV-PointPillars模型。在编码网络中引入最大和平均双重池化注意力机制,充分利用柱体内的点云信息,提升柱体特征的表征能力;设计竖直区域特征提取网络,获取柱体在竖直方向上的特征信息,并在主干网络融合特征,改善编码方式导致的信息压缩问题,减少误判并提升遮挡情况的识别能力。采用KITTI数据集对汽车、行人、骑行者3个类别从简单、中等、困难3个难度进行实验。结果表明:相较于PointPillars模型,DV-PointPillars模型在增加3个模块后对车辆、行人、骑行者3个类别的3D平均检测准确度分别提升4.02%、5.17%、5.09%,显示出该模型的有效性。     

基于多级神经网络的桥梁结构参数优化设计

由于传统参数优化方法在对桥梁结构参数优化后无法实现对桥梁结构整体性能的有效提升,因此开展了基于多级神经网络的桥梁结构参数优化设计研究.通过构建桥梁结构有限元模型、基于多级神经网络确定桥梁结构参数优化目标、桥梁结构参数优化样本数据采集和桥梁结构参数多级神经网络参数优化求解,提出一种全新的参数优化方法.通过实验进一步证明,新的参数优化方法与传统参数优化方法相比,能够有效实现对桥梁结构综合性能的提升,为桥梁施工建设的增效减耗提供全新的优化思路.     

基于虚拟现实技术的典型动态交通场景的设计与实现

驾驶人是影响道路交通安全的主要原因,而使用汽车驾驶模拟器模拟危险的交通环境,对驾驶人进行培训可以有效提高驾驶人的应急操作技能和安全意识水平,对于减少和预防道路交通事故的发生具有重要意义.以2000~2010年道路交通事故数据为基础,分别从人、车、路以及事故形态进行统计分析道路安全影响最大的因素,获取典型的动态交通场景.并考虑城市道路环境的复杂性和多样性,选取发生在城市道路场景中的1种类型动态场景-公交站台行人过街作为案例,采用虚拟现实技术完成这一动态交通场景的设计和实现.     

城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型.该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者.此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果.基于城市道路场景数据集nuScenes的实验结果表明:相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景.     

基于改进YOLOv6模型的交通异常事件检测算法研究

交通异常事件检测是智能交通系统中的关键任务,但现有目标检测算法在该领域的应用尚存在技术瓶颈,针对检测精度不足、模型对复杂场景的适应性差以及缺乏高质量的公开数据集等问题,提出了一种改进的YOLOv6模型,旨在提高交通异常事件(如车辆碰撞、单车冲撞和车辆起火)检测的准确性和性能。先将原YOLOv6模型中的损失函数替换为CIoU损失函数,以增强模型的定位精度,后引入CBAM注意力机制,以提高模型对关键特征的关注度,再采用自动混合精度训练策略优化训练过程,最后为了验证改进效果,通过游戏引擎Grand Theft Auto V生成数据集,并对其进行标注,涵盖3类交通异常事件。试验结果表明：1)提出的改进YOLOv6模型在交通异常事件的检测任务中可获得87.2%的平均检测精度,在各项指标上表现优异;2)召回率AR较次优模型提高2.1%,IoU阈值为0.5时,平均精度mAP高出2.6%;IoU阈值为0.5至0.95时,mAP增长3.7%;3)车辆相撞、单车相撞和车辆起火烧毁的精度分别达到79.9%、37.6%和65.6%,均优于次优模型,验证了改进方法的有效性。