基于深度学习的交通信号灯检测及分类方法

交通信号灯的在线识别是无人驾驶和辅助决策系统中的重要研究内容,文章给出了一种基于深度学习的交通信号灯识别和分类方法,该方法使用YOLO(You Only Look Once)模型,基于Microsoft COCO数据集的预训练模型进行二次迁移学习:先使用Bosch数据集进行迁移学习,再使用自制数据集做迁移学习。测试表明该方法训练后的模型具有较高准确率和实时性。同时,文章给出了基于检测结果提取综合路况信息的策略。     

基于宽浅稠密网络的无人驾驶汽车交通标志牌识别

以稠密网络为基础设计了交通标志牌识别模型,重点研究数据集预处理网络,利用宽浅稠密网络提取图片特征,并构建了全局平均池化分类网络。利用翻转和数据增强方法对数据集进行扩增处理,采用动态数据扩增策略使模型适应训练数据的变化,在测试集上实现了99.68%的准确率。在标志牌清晰完整和模糊不全两种情况下验证模型识别效果,结果显示,模型未出现误检和漏检情况,在图像信息被破坏的情况下,仍能以最大置信度正确地识别标志牌,识别准确度高、抗干扰能力强,具有良好的鲁棒性及泛化能力。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

实测数据驱动的自动驾驶道路测试驾驶模式辨别方法

自动驾驶道路测试中车企驾驶模式数据具有一定保密性，导致自动驾驶能力难以被客观评估。为此，提出了实测数据驱动的自动驾驶道路测试驾驶模式辨别方法。首先选取数据特征值构建K近邻估计、支持向量机、决策树、随机森林和BP神经网络5种机器学习监督分类模型；其次通过非参数秩和显著性检验确定驾驶模式持续时长阈值，持续时长大于阈值的数据段记录为准确的驾驶模式数据，小于等于阈值的数据段则为驾驶模式待分类数据集；随机选取70%记录准确的驾驶模式数据作为监督分类模型训练数据集，剩余30%作为测试数据集；最后利用正确率、精确率和召回率3个指标评价5种监督分类模型，并选取表现最佳的分类模型用于待分类数据的驾驶模式辨别。基于上海市城市道路和快速路2个道路测试场景共约43.6万条数据，验证驾驶模式辨别方法的有效性。结果表明：随机森林监督分类模型辨别道路测试驾驶模式的效果最佳；城市道路场景和快速路场景待分类数据驾驶模式记录有误率分别达到42.3%和39.4%。实测数据驱动的驾驶模式的辨别与修复，可显著提升评估自动驾驶道路测试驾驶能力的准确度。     

基于多任务迁移学习的交通警情信息自动处理方法

从交通警情数据中自动获取信息对于快速处理交通事故和提高交通管理水平具有重要的意义。为此，提出了一种基于多任务迁移学习的交通警情信息自动处理方法，该方法上游采用文本预训练模型作为共享参数层，下游建立多任务并行学习方法，实现对交通警情中的关键信息、类型和语义自动处理。选取江苏省苏州市2年内共120 191条原始交通警情作为试验数据，通过自动处理方法构建了一套标准的交通警情信息数据库。试验结果表明：所建立的关键信息抽取方法可以更精准地提取警情数据中的时间、地址和车牌信息；交通警情分类模型性能优于现有的深度学习模型，分类准确率达93%；基于局部特征增强的警情语义分析方法重点识别了警情中事故的严重程度和救援需求，识别准确率达87%。研究结论显示交通警情自动化处理方法具有良好的可移植性和实用性。     

基于卷积神经网络的自行车骑行行为识别

为研究适合我国城市交通的自行车骑行行为分类识别方法,实施骑行行为视频调查试验,并提取骑行者骑行特征信息.结合我国交通现状和自行车交通特点,提出一种新的骑行行为分类方法,新的行为分类可基本覆盖我国自行车交通的所有骑行行为场景.采用提出的行为分类方法对试验个体骑行行为进行人工分类标记,得到不同骑行场景下的骑行行为分类数据集.基于卷积神经网络(CNN)建立自行车骑行行为识别模型,考虑模型输入特征特性以及分类任务复杂度对模型结构进行迭代设计选优,调整模型网络组成和卷积参数,得到分类效果显著的模型结构.对比分析多元Logit分类模型、三层全连接层BP神经网络模型,与本文的卷积网络模型在骑行行为分类预测的表现,在20 000次迭代训练之后,3个模型均得到收敛结果.结果 表明,提出的骑行行为分类模型准确率分别高于多元Logit模型20%,高于BP网络模型15%,显著优于对比模型的识别效果.卷积网络模型可有效解析骑行行为与各骑行特征因素之间的关系.      

基于非完备贝叶斯网络的车型识别方法

针对BP神经网络等车型识别算法不能很好地适应我国车型复杂状况，分析了贝叶斯网络（IDS-BN）算法中完备数据集的问题，提出了基于非完备数据集的贝叶斯网络车型识别方法和车型识别系统结构模块，基于该模块拟定了车型特征变量．构建了车型识别网络模型，并给出了模型参数学习、车型分类器等算法，包括MDL评分和贪婪搜索的结构学习、EM参数学习、随机模拟采样推理等。实验表明，该方法识别率较高，鲁棒性好，满足我国车型识别的实际要求。     

基于改进GAN的端到端自动驾驶图像生成方法

基于端到端数据系统的自动驾驶系统对驾驶图像存在巨大需求。为解决一般生成式对抗网络模型在扩充驾驶图像数据集时不稳定及生成图像特征缺乏多样性的问题,研究1种改进网络模型LS-InfoGAN。结合最小二乘对抗损失防止模型梯度消失,并缓解生成器优化矛盾,提升模型训练稳定性。通过最大化生成图像与真实图像间的互信息提升生成器特征学习能力,改善生成图像特征多样性。利用转置卷积层还原图像特征,提升生成图像特征清晰度。以自主构建的模拟驾驶场景中获取的带标签驾驶图像集对模型有效性及其数据集扩充应用效果进行验证。实验分析表明:相比改进前模型,LS-InfoGAN模型的图像生成过程稳定性平均提升35%;使用此模型扩充的数据集进行端到端自动驾驶系统中决策网络的训练能在不采集新图像的情况下将系统决策性能提升1%~2%;建议使用此模型扩充图像数据集时将生成图像数量设置为原始训练集图像数量的1~2倍。      

基于机器视觉的路面裂缝病害多目标识别研究

为了建立一种基于深度学习卷积神经网络的多目标路面裂缝检测模型,实现对路面裂缝的精确识别、分割与统计,采用卷积神经网络Mask R-CNN为主干框架,融入ResNet模型与特征金字塔网络(FPN)提高对病害特征提取的精度,建立了针对裂缝病害识别的基础网络体系;考虑裂缝病害图像特征,采用随机梯度下降算法与冲量算法优化损失函数以提高对裂缝像素的分类性能,通过在主干网络设定目标区域检测范围并利用掩码实现了裂缝病害的像素级识别与分割;标记大量的路面裂缝图像形成训练数据库,分析了路面裂缝的多目标识别模型有效性。结果表明:损失函数中的权重参数取0.3时,识别模型具备较好的识别精度;通过数据增强可以将有限训练集进行有效扩充,极大提高识别模型的泛化能力与鲁棒性,经过训练后的模型能够正确识别98.9%的裂缝对象与93.6%的裂缝类像素;通过将模型对裂缝病害的识别、分类精度与传统深度学习模型、边缘检测算法相比较,在细微裂缝的识别与非裂缝构造的过滤方面具有显著优势。用Mask R-CNN的主干网络进行ResNet模型与FPN扩展能够有效保留裂缝病害的纹理与轮廓细节信息,实现复杂背景下裂缝病害的有效识别。     

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动（AEB）系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值（K-Means）聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。     

基于车辆动力学响应特征的越野地面分类方法

利用车辆动力学响应进行地面分类是越野智能汽车的关键技术之一。本文中提出了结合地面不平整度特征和力学特征进行越野地面分类的方法，对沙地、土路、水泥路和雪地进行分类。本方法中选取等效地面轮廓和车身垂向加速度作为地面不平整度特征，选取行驶阻力和轮速波动作为力学特征，设计了基于LSTM模型的越野地面分类器，对自行采集的车辆越野行驶数据集进行训练与测试，结果表明，分类正确率达到95.5%；最后，使用HMM模型实现了分类后处理，解决了分类结果在连续数据上跳变的问题，使该算法在连续越野数据上的地面分类正确率从88.44%提高到90.13%。     

基于自然驾驶数据的驾驶人换道决策识别研究

为实现人机共驾模式下智能系统对驾驶人换道决策的准确识别,将换道决策细分并提出了基于改进的极端梯度提升(XGBoost)的换道决策识别模型。以实车试验采集的自然驾驶数据作为输入,并采用滑动时间窗法确定识别时刻,建立各识别时间窗口下基于XGBoost的换道决策识别模型,同时运用交叉检验和网格搜索(GS)算法进一步提升模型性能,最后利用验证集数据评估所构建GS-XGBoost模型的识别性能,并与机器学习及深度学习模型进行对比。结果表明,所提出的模型在具体换道决策辨识上具有较好的实时性和准确性,且在1.8 s和1.6 s时间窗下的识别准确率最高,达到86.2%。     

基于图神经网络的交互车辆驾驶意图识别及轨迹预测

为实现周围车辆行驶轨迹的准确预测，运用深度学习方法，设计了一种基于图神经网络与门控循环单元（GRU）的驾驶意图识别及车辆轨迹预测模型。驾驶意图识别模型将车-车间的交互关系构造成时空图，运用图神经网络学习其交互规律，并利用Softmax函数计算出不同驾驶意图的概率；轨迹预测模型采用编码-解码的GRU网络，编码器将车辆历史轨迹信息进行编码并融合识别的驾驶意图信息，再通过解码器实现轨迹预测。最后采用NGSIM数据集对模型进行训练和验证，结果表明：所提出的模型能够更好地识别车辆的驾驶意图，且考虑驾驶意图的车辆轨迹预测模型能够有效提高预测精度。     

基于MobileViT-CA模型的营运车辆驾驶人分心行为检测

营运车辆驾驶人因其职业特殊性,驾驶过程中易产生分心驾驶行为从而引发重大交通事故。为提高营运车辆驾驶人分心驾驶行为的检测准确性和泛化性,提出一种基于改进MobileViT网络的驾驶人分心行为检测方法。首先,基于自然驾驶实车试验,构建包含安全驾驶、使用手机、喝水、整理仪容和与副驾驶交谈5类行为的营运车辆驾驶人分心行为数据集。其次,将注意力机制引入轻量型MobileViT网络,通过选择有效的网络主干MobileViT、注意力模块CA、网络嵌入位置从而设计出最优分类模型MobileViT-CA。研究结果表明：所提出的MobileViT-CA分类模型可以有效提升分类网络的性能,在正常光照条件下的营运车辆驾驶人分心行为数据集和State Farm数据集上分别达到了96.57%和99.89%的准确率,且模型具有体积小、检测精度高的优势,有较高的可靠性和泛化能力。     

基于车用柴油机不平衡数据集的故障识别组合模型

基于车用柴油机的不平衡数据集,根据对应故障发生频次高与低,将模型建立对象分为样本丰富的大数据量故障与样本集不完备的小数据量故障两种。面向前者,基于XGBoost （Extreme Gradient Boosting） 分类算法构建故障识别模型,面向后者,基于模糊神经网络构建故障识别模型,然后针对两类模型进行参数调节以获得最优效果,并分别建立评估机制。模型评估结果表明,该故障识别组合模型能够较为精确、全面地识别大多数故障种类,是一种对数据量要求不高且总识别率超过80%的多适应性识别模型算法,可作为汽车维保工作中的重要工具使用。     

基于卷积神经网络的锚杆锚固质量评估方法

锚杆的锚固质量通常使用声波反射法进行检测，然后使用人工方式对其进行分析和分类，但人工方式不仅具有较强的主观性，而且还费时费力。为解决上述问题，提出一种基于Alexnet卷积神经网络的锚杆锚固质量评估方法。首先，对已经经过人工分类的声波反射信号进行预处理，得到原始样本数据，并将其按一定比例划分为训练集和测试集； 然后，用该样本数据训练卷积神经网络模型并进行分类测试。试验结果表明： 1）该预处理方法极大地提高了最后分类的准确性，样本数据集达到了约90%的准确率； 2）在实际工程应用中，与人工分类结果相比，采用该方法得到的分类结果认可度达到95%。     

基于机器学习的公交卡数据中通勤人群辨识方法

以厦门市公交IC卡数据为依托,提出一种基于问卷调查数据的机器学习分类方法——决策树模型,用于分类辨识公交刷卡数据中的通勤人群.研究中利用公交刷卡数据与调查问卷中同时包含的公交出行信息作为非类别属性变量,以公交通勤人群/非公交通勤人群作为分类变量,分别构建决策树模型中的树节点与叶节点.之后,利用随机抽取的2/3调查样本数据构成决策树算法的训练集,余下数据作为决策树算法的测试集,对模型进行构建、训练与测试,结果显示模型预测效果良好,其覆盖率约为98.1%,命中率也达到81%,最终将该模型用于公交刷卡数据中通勤人群的分类辨识.     

基于ReliefF-RBF的路面不平度识别算法研究

路面不平度对道路车辆行驶安全性及车辆动力学响应具有重要影响。通过将路面不平度识别与先进悬架控制结合,有望能进一步提升乘员舒适性和车辆的操纵稳定性。现有基于数据驱动的路面分类方法难以高效处理时变参数与车速,现有基于模型的路面识别算法需要已知精确车辆模型,在实际应用中面临车辆物理参数难以获得的问题。提出一种融合模型和数据驱动的路面分类算法,采用基于模型的方法反算等效路面轮廓,结合数据预处理方法,对车辆响应和反算等效路面轮廓数据进行滤波;对等效路面轮廓和响应信息进行时域频域特征计算,采用ReliefF算法进行关键特征提取,构建基于径向基函数神经网络的路面分类器,进行路面分级识别;通过仿真试验和实车试验验证了不同车辆参数和车速下所提出的算法鲁棒性。     

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。     

汽车行驶工况识别模型搭建的方法研究

汽车行驶工况的识别,可以用于优化车辆能量策略,在获得分类好的工况数据样本后进行输入输出的模式识别。对于现有的工况识别模型进行分析总结,根据工况数据前处理过程划分为基于实车采集数据和基于已知循环工况两种工况识别模型。同时给出构建工况识别模型流程,包括了工况块的划分,特征参数的选择,确定参考循环工况构建样本,主流的工况识别方法,以及样本模型的搭建与实车数据的验证。最后总结工况识别模型的特点,提出构建工况识别模型的思路。