基于单分类支持向量机的CAN总线异常检测方法

为提高智能客车的网络安全性,提出一种基于单分类支持向量机模型的CAN总线报文异常检测方法,根据智能客车CAN总线的报文数据域特性,分析攻击对数据域产生的影响,将CAN报文的数据域提取成8个训练特征,以大量的行驶数据作为训练集和测试集,通过随机和仿真方式生成异常数据,采用交叉验证的方式对参数进行调整。试验结果表明,该模型能有效检测出异常数据,提升了智能客车的行驶安全性。     

路侧感知车辆轨迹数据质量智能评估方法

智慧公路布设了大量路侧智能传感器，可以获取全时空车辆运行轨迹数据。然而，如何实现轨迹数据质量高效便捷的评估一直是困扰行业管理部门的难题。现有评估方法大多存在量化指标维度单一、鲁棒性较差等问题。为此，提出一种通过挖掘轨迹数据多维特征以快速评估轨迹数据质量的方法。首先基于轨迹多元信息从元素特征、时序特征和空间特征3个维度设计轨迹合理性、波动性与交互异常性评估指标，并分析评估指标与轨迹数据质量水平的相关关系；在此基础上提出一种利用多元评估指标实现轨迹质量评估的自适应融合回归模型；最后，结合公开轨迹数据集和实测数据集对指标和模型的可靠性及稳定性进行测试与验证。结果表明：轨迹合理性、波动性指标与数据质量显著相关，可基于此构建指标融合模型评估轨迹质量，且引入提出的交互异常性指标可较好地提升模型评估效果。随着模型得分的降低，轨迹数据的运动与交互特征的异常程度增大，持续时间增加。提出的智能评估模型可以挖掘评估指标与轨迹质量的关系，对不同质量水平的轨迹均保持较好的评估效果且优于传统的单一维度评估指标方法，具有良好的稳定性、鲁棒性和优越性，可为车路协同环境下海量的路侧感知轨迹数据提供可靠的质量评价与监测方法。     

基于路侧多机视频目标关联与轨迹拼接的车辆连续轨迹构建方法

针对单个相机覆盖区域有限的问题,本文提出了通过路侧多个相机获取车辆连续轨迹数据的方法。在路侧端布置多台固定相机采集视频数据,采用直接线性变换算法解决相机外参造成的画面畸变问题;通过全时域抽帧提取图片训练样本,采用YOLOv5训练车辆检测模型;针对偶发的车辆漏检情形,通过完整性检查可以筛查出此类情况并修复;针对连续多帧漏检或误检导致的目标关联问题,通过异常轨迹核查算法及数据修复工具解决;针对相机斜下方区域的车辆轮廓变形问题,采用车辆检测轮廓修复算法解决车辆在不同路段检测框大小不一的问题;提出了基于车辆质心坐标匹配的方法实现相邻机位间的车辆轨迹拼接。基于上述多机视频目标关联与轨迹拼接方法,在多机位时间同步下构建了覆盖武汉珞狮路高架桥的车辆连续轨迹数据集,轨迹数据集验证结果表明：数据集涵盖从畅通到拥堵的各种交通状态,包含多段分合流区域,数据集连续时长达到3.5 h,覆盖区域1.41 km;车辆检测模型的召回率达到93.23%,准确率达到98.51%,F1分数为95.80%;数据集包含主路及各处匝道汇入的轨迹共25 734条,其中覆盖道路全域的完整长轨迹15 004条。本研究丰富了路侧多机视频...     

面向多元场景结合GLNet的车道线检测算法

各种复杂环境下路面车道线的高效精确检测是自动驾驶领域中车道偏离预警系统的关键性技术之一。由于车辆实际运行环境的复杂性和路面车道线的多样性，现有方法在车道线检测的准确性和鲁棒性上仍需不断增强。提出一种面向多元场景结合GLNet的车道线检测算法。首先采用改进Gamma校正对待检测路面图像预处理，消减光照不均匀、夜晚等环境干扰，增强车道线纹理。然后为增强数据集的多样性，在LaneNet网络的基础上引入对抗生成网络DCGAN，构建GLNet网络模型。该模型采用编码-解码的网络结构提取车道线特征（车道蒙板和像素点），通过DBSCAN聚类算法将不同车道线划分为不同的实体，使用H-Net网络学习的视觉转换矩阵优化并拟合输出车道线。最后基于已训练好的GLNet权重模型对车道线进行精确提取，并在Tusimple数据集和自制数据集上测试验证。试验结果表明：该方法的检测准确率可达97.4%，相较于基于LaneNet网络的车道线检测算法明显提高；DCGAN网络的加入丰富了数据集类型，并提高了该模型的表征及分类能力；DBSCAN聚类算法的平均聚类时间约为0.016 s，相较于Meanshift算法运行效率更高。所提出的方法考虑了不规范、环境复杂等多种道路类型的车道线检测任务，提升了对复杂噪声与多元场景的处理能力，在车辆辅助驾驶领域具有较好的鲁棒性和适用性。     

持续学习算法在车辆目标识别上的应用

自动驾驶汽车技术的日新月异,主要得益于深度学习和人工智能的进步。然而深度学习模型大多是在静态同分布数据集上进行训练,无法随着时间而适应或扩展其行为。针对这一问题,论文将持续学习模型运用于车辆目标识别领域进行研究。首先搭建可以使得算法流畅运行的环境,选定目标识别的原始图像数据集;在分析现有评估指标的基础上,选取适合于本次实验的评估指标,并采用卷积神经网络（CNN）、最接近类均值（NCM）、增量分类器与特征表示（iCaRL）三种持续学习算法对原始图像数据集进行学习训练与对比验证,通过实验验证了应用iCaRL算法使机器进行持续学习训练时,其精度和效率均优于其他两种方法。针对智能驾驶目标识别图像数据集不完善这一问题,构建了一个新的图像数据集,包含车辆、行人、交通标志及信号灯,将iCaRL算法应用于新建图像数据集进行研究,并在新建智能驾驶图像数据集上进行了训练与测试。结果表明,采用iCaRL算法能够较好地学习新建图像数据集,不会因为环境的改变而使得其性能发生大幅变化,测试结果良好,证明该方法可以在智能驾驶领域进行目标识别。     

基于模型与数据驱动的结构健康监测异常检测

结构健康监测(SHM)系统在土木工程中的应用日益普遍，因为它们可以跟踪结构状况并在突发情况下提供数据支持。尽管在改进数据异常检测以确保结构安全方面已经取得显著的成效，但能够在硬件上进行长期检测的算法仍然是一个悬而未决的问题。提出了一种新方法，该方法利用压缩技术来识别结构中的异常，避免将原始数据以连续流方式传输到服务器中，并以国内某桥梁的健康监测系统数据来测试所提出的异常检测算法。研究训练了3个压缩模型，即主成分分析(PCA)、全连接自动编码器和卷积自动编码器。结果表明，基于模型的方法，即PCA,可以达到更好的准确性；而数据驱动的模型，即自动编码器，其准确性与训练集大小有关，训练集越大，准确性越好。     

基于时序Sentinel-2影像的高速公路路域典型植被参数监测与分析

定期开展高速公路路域植被参数监测工作，对指导路域生态环境保护具有十分重要的意义，而传统地面实测方法难以对大范围植被参数进行快速长时间的监测。为此，利用卫星遥感技术，采用一种基于时序Sentinel-2影像的高速公路路域典型植被参数监测与分析方法，以京港澳高速湖北北段路域为研究区，利用长时间序列的Sentinel-2影像，采用PROSAIL辐射传输模型与人工神经网络相结合的方法快速获取路线区域的多种植被参数，并结合时间序列信息熵与变异系数对植被参数的趋势性及稳定性进行分析，从而实现对路域植被变化状况的准确评价。实验结果表明，基于时序Sentinl-2影像的路域典型植被参数提取与分析技术，可快速获取路域植被的生长变化状况，有效节约人力物力，为高速公路植被保护与绿化养护提供科学依据。     

基于深度学习的土木基础设施裂缝检测综述

基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素；裂缝检测模型集成于机器人平台，从而实现对土木基础设施的全自动裂缝检测。为此，从以上4个方面对当前研究进行了系统梳理。首先，回顾了深度学习的发展历程，重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着，详细介绍了3类基于深度学习的裂缝检测主流算法，包括分类算法、目标检测算法和语义分割算法。然后，对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后，总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明：基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类，而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取；由于像素级标注的成本和专业性高，大型的裂缝语义分割数据集相对缺乏，致使当前基于语义分割算法的裂缝检测模型鲁棒性较差；目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价，缺乏统一的基准测试数据集和评价指标体系，无法对不同模型的性能进行平行比较；目前针对不同基础设施已相应开发了一些裂缝检测机器人，提高裂缝检测机器人的多场景适应性，并降低其应用成本是未来的发展方向。     

公路路域景观美学评价

公路路域景观美学感知是营造高质量公路景观环境的重要内容之一.基于公路使用者角度,采用"心理物理学"法定量评价了不同公路路域景观组成的美学感知状况.研究发现:公路路域景观美学质量与人工设施特色性、公路与人工设施距离、人工设施与周围环境融合度、路域植被盖度、景观质地、路域水体大小、路域植被种类、景观多样性、景观自然性、景观开阔性、景观完整性、景观生动性、天象特征和公路在视域内显著度呈显著相关关系;本文的评价模型中仅考虑路域植被类型与景观完整性两个自变量.依据评价结果,提出了五点有助于公路景观设计和决策的路域景观美学建设的建议.     

一种车载数字相机与激光雷达融合算法设计

环境感知是智能辅助驾驶的底层模块，单传感器感知存在易受干扰、所需配置传感器数量多和感知效果差等弊端，为此提出一种车载数字相机与激光雷达融合算法。综合考虑信息融合高效性与系统鲁棒性采取决策级融合策略，利用CENTER POINT算法对雷达点云数据进行处理，再利用Yolo v3算法进行密集型数据训练处理图像数据，最后使用交并比匹配（IOU）和已有文献的D-S论据实现数据融合并输出决策结果。经过KITTI数据集验证，该融合算法输出的识别效果优于单传感器，且在多种路况上均有良好的目标检测效果。     

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。     

基于三维激光点云的目标识别与跟踪研究

针对无人车环境感知中的障碍物检测问题,设计了一套基于车载激光雷达的目标识别与跟踪方法。为降低计算量,提高处理速度,引入了点云过滤与分割算法对原始激光点云数据进行缩减,有效提高了检测的实时性。使用多特征复合判据,基于SVM分类器改进了Adaboost算法,对三维激光点云进行直接处理,最大限度保留了感知信息,提高了识别准确度。提出基于最大熵模糊聚类的数据关联方法和相应的粒子滤波器,有效提高了复杂交通流中目标跟踪的稳定性和准确性。经百度Apollo平台数据集仿真、自主研发的无人驾驶平台实验验证和针对小目标交叠和遮挡情况的实车验证表明,该套方法具有良好的实时性和鲁棒性。     

基于ADASYN-XGBoost的交通事故自动检测方法

基于数据驱动的交通事故自动检测对道路事故的及时救援与降低事故影响具有重要作用。为解决道路交通事故自动检测中的样本不均衡问题,研究了混合自适应过采样技术与极限梯度提升树算法的交通事故自动检测方法（ADASYN-XGBoost）。其中,为从不均衡的交通事故样本中有效挖掘数据的时空特征与事故发生之间的内在关联规律,构建了初始特征变量组合,引入自适应合成过采样方法（adaptive synthetic oversampling method,ADASYN）来平衡事故类与非事故类的样本数量,以增强训练数据的质量;其次,为提高检测效果,构建了基于XGBoost的交通事故检测模型,利用该模型对增强后的数据样本进行特征筛选;最后,为获取最佳参数组合,采用了贝叶斯优化算法对XGBoost进行参数的快速标定。本文使用波特兰高速公路数据集对ADASYN-XGBoost方法进行模型验证与实证研究。结果表明：与先进的基准模型相比,ADASYN-XGBoost的各项检测指标均最优,其F1分数达到94.47%且误检率低至8.95%。在模型训练样本数为2800,500(18%的初始样本量),150(5%的初始样本量)...     

基于灰色模型的路面行驶质量指数分析

路面行驶质量指数(Riding Quality Index,RQI)可以反映路面平整度变化以及行驶质量舒适性程度。针对现有数学模型和机器学习模型对特定路段小样本且分布规律性不强的数据在分析时存在较大的局限性，基于检测数据和养护历史对广州西二环高速公路RQI展开分析。首先根据历年路面状况检测结果整合2012年～2015年这4年间的RQI指数，基于时空关联特性对异常数据进行修复。其次结合养护历史，提取有效数据，分析不同养护情况下的RQI时空变化过程。最后基于灰色模型对整个路段以公里桩为空间粒度对未进行养护工程的路段展开分析，挖掘不同路域环境下每公里RQI的变化规律。结果表明，与真实情况相比，所提出方法的分析精度R²达到0.902。与分析精度低于0.5的随机森林、CatBoost(Categorical Boosting)等机器学习模型相比，基于公里粒度分析的灰色模型具有更强的适应性和鲁棒性。     

基于机器学习算法的沥青路面原位密度预测模型

利用探地雷达(GPR)进行沥青路面原位密度检测时，回归模型和电磁混合理论模型通常被用来建立密度和介电常数的关系，然而现有的模型对精确的参数校准要求较高且精度有限。为了进一步提升沥青路面原位密度预测精度，研究基于机器学习算法的密度预测模型，首先搭建了GPR测试平台，采用2.2 GHz探地雷达天线采集室内沥青混合料试件及现场沥青路面的电磁波反射信号；进而基于平均减法算法和有限冲击响应带通滤波器消除了信号零偏和部分环境噪声，基于反射振幅法对介电常数进行计算；收集了来自文献调研、室内试验、现场检测的124组密度数据，基于极限梯度提升(XGBoost)算法建立了密度预测模型，采用5折交叉验证对数据集进行深度学习，并利用贝叶斯超参数优化(BHPO)获得了最优的模型超参数组合；最后利用现场检测数据对模型进行测试，并对各输入参数进行重要性分析。结果表明：对信号进行消除零偏和环境噪声处理后，密度预测百分比误差显著下降，室内试验误差达到了2.9%,现场检测误差达到了3.0%;不同沥青混合料反射信号的主要差异在于峰值振幅的位置和数值大小，密级配沥青混合料介电常数值要大于开级配沥青混合料；BHPO有效提升了X...     

基于边缘计算的危险品运输车辆跟踪预警方法

边缘计算作为一种新兴的分布式计算模型,可提升信息系统的响应速度、节省网络带宽资源.将边缘计算应用于危险品运输车辆的跟踪预警,提出一种边缘智能路侧节点的协作式跟踪算法,在保障实时性的前提下解决了GNSS失锁导致轨迹缺失问题;针对车辆跟踪时的异常状态预警问题,将智能路侧感知的多源信息与车辆运行状态相结合,基于机器学习提出一种融合自车、周围车辆、道路和自然环境等特征因素的预警算法,有效提升了异常检测精度.使用SUMO交通仿真器分析了跟踪算法的性能,结果表明,边缘计算较传统云计算方式时延平均降低了90%,带宽消耗平均减少了68%.基于美国交通部网联车开放数据,通过参数调优分别建立了基于SVM,KNN,Adaboost的单车动力学变量与多因素变量的6种异常检测模型,实验表明,多因素变量检测模型优于单车动力学变量模型.基于SVM的多因素变量模型性能最优,其准确率为0.972,召回率为0.98,AUC为0.974.      

智能网联环境下路侧感知单元数据质量在线监测框架

智慧道路中布设的路侧感知单元可以获取全域车辆运动轨迹数据,是交通流智能管控系统、车路协同自动驾驶的重要基础,如何对其数据质量进行主动监测是道路交通运营管理部门面临的重要挑战.随着智能网联车的规模化应用,车载高精度定位与环境感知众包数据为路侧感知单元数据质量监测提供了新的思路.提出了基于智能网联车众包定位与感知数据的路侧...     

基于CenterNet的路侧单目视角车辆3D形态精确感知

车辆3D形态的精确实时感知对于智能交通中的车辆行为分析、交通流参数估计等应用和无人驾驶都至关重要，其中，如何克服透视投影的限制，从路侧单目视角下感知车辆3D形态正成为具有挑战的课题之一。为解决这个难题，采取深度网络提取投影特征，结合空间标定模型中的几何约束，实现2D投影至3D空间的3D形态恢复构建。首先，基于前期工作，对道路场景中的相机构建空间标定模型，以获取透视空间的2D-3D互映射矩阵；然后，以当前流行的简洁高效的CenterNet深度网络为基础，设计车辆3D形态投影特征的检测网络，融入多尺度特征融合模块以优化透视投影下不同尺度车辆目标的检测，同时优化高斯凸包热力图以增强车辆目标的特征检测力度，根据先验几何约束设计加强损失函数以加快收敛；最后，通过建立的空间形态几何约束模型，对网络输出特征投影点进行解码，构建出完整的车辆3D形态信息。试验以路侧视角下的BrnoCompSpeed数据集和自制数据集为基础，手工标注满足试验需求的样本目标，并做图像增广以模仿多变的道路监控视角及环境。在试验结果评价中，分别对网络检测结果及最终构建的3D形态进行评价，其中对于网络检测结果，以投影特征构成投影凸包的平均精度为评价指标，交并比(IoU)阈值为0.7时，在BrnoCompSpeed测试数据集上得到AP值为87.35%，召回率和精确率分别为87.39%与90.78%。同时，设计消融试验证明网络改进模块的有效性。对于3D形态构建结果，分别对空间定位、3D尺寸、偏转角及3DIoU等指标都进行定义，并以3DIoU为评价标准，验证多个改进模块及不同视角对于最终精度的影响，最后在BrnoCompSpeed测试数据集中的平均3DIoU达到0.738。设计的网络FPS为27，可满足实时性的需求。     

基于激光雷达的3D目标检测研究综述

近年来,随着自动驾驶技术的快速发展,智能汽车对于环境感知技术的需求也越来越高,由于激光雷达数据具有较高的精度,能够更好的获取环境中的三维信息,已经成为了3D目标检测领域研究的热点。为了给智能汽车提供更加准确的环境信息,对激光雷达3D目标检测领域主要研究内容进行综述。首先,分析了自动驾驶车辆各种环境感知传感器的优缺点;其次,根据3D目标检测算法中数据处理方式的不同,综述了基于点云的检测算法和图像与点云融合的检测算法;然后,梳理了主流自动驾驶数据集及其3D目标检测评估方法;最后对当前点云3D目标检测算法进行总结和展望,结果表明当前研究中2D视图法和多模态融合法对自动驾驶技术发展的重要性。     

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。