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DarkNet53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-...     

深度学习的车道线检测方法

随着人工智能技术的不断发展,无人驾驶技术已经成为当下社会发展的热门,车道线检测是无人驾驶技术的关键一环,但传统的基于视觉的车道线检测方法处理时间较长、过程繁琐、需要人为干预。基于深度学习的车道线检测可大大减少此类问题。文章设计了一个完成双任务的Enet网络,分别解决目标区域分割问题和不同车道区分问题,以实现端到端的检测。与主流车道线检测网络模型deeplab v3和YOLO v3进行对比。实验验证表明,网络模型的最终训练准确率为99.8%,相对于deeplab v3和YOLO v3网络分别提升1.2%和0.8%。     

多通路高分辨率网络与注意力机制融合的车辆检测模型

为改善道路交通监测和保证智能网联交通系统的安全、可靠与稳定运行,提出了在路侧边缘平台中基于多通路高分辨率网络与注意力机制融合的车辆检测模型MCHRANet.该模型采用多通路的高分辨率网络的结构设计,保留高分辨率特征并保障识别准确率.融入注意力机制的特征融合方法,通过特征连接权重自学习实现多尺度特征的深度融合.各通路网络...     

基于人工智能检视的ETC稽查管理系统

根据ETC车道设备布局,结合ETC车辆逃费现状,分析ETC系统防逃费体系,提出运用人工智能深度学习、特征判别、多源数据分析比对模型、激光检测等技术,设计ETC车道防逃费稽查体系,形成了智能防逃补漏的稽查管理系统,经实践应用,取得了良好效果。     

复杂长大陡坡路段避险车道安全评价模型

为评价避险车道的安全性,根据避险车道的设置参数,选取引道长度、流出角、视距条件、制动床长度、坡度、集料类型、集料深度等11个指标,基于集值统计法思想确定了各评价指标的标度分级与权重,提出了避险车道安全评价模型,并给出了避险车道整体安全性的5个等级与相应的安全控制措施。依托西南山区某高速公路的4个避险车道设计,对模型进行了应用说明,结果表明:4个避险车道的识别视距、引道长度差值、流出角三方面存在较大的安全隐患,整体安全值分别为1.415、1.722、0.607、1.231,安全等级均为Ⅳ级,轻度不安全。该模型与实际相符,模型评价全面详细,应用方便,科学合理。     

高速公路合流区1车道交通量模型

为了揭示高速公路合流区1车道上交通量的变化规律,利用摄像机对高速公路合流区1车道上交通量数据进行大量调查,运用AutoScope2004图像处理系统对调查数据进行分析处理。在对调查数据进行分析处理的基础上,运用数理统计方法提出1车道交通量随主路交通量、匝道交通量及其离合流鼻端长度变化而变化的经验模型,运用此经验模型与美国HCM模型进行比较,得出我们的模型不但改进了HCM模型,而且更适合我国实际。该模型可以为合流区通行能力分析、交通管理和几何设计等进一步研究提供分析基础。     

基于深度强化学习与风险矫正的智能车辆决策研究

为实现高速公路环境下车辆的安全决策，提出一种结合深度强化学习和风险矫正方法的行为决策模型。构建决策模型所需的目标车辆及周围车辆的行驶信息，并引入自注意力安全机制，提高车辆在复杂高速场景下对周围潜在危险车辆的注意力，综合考虑行车效率、避障等因素以设计强化学习的奖励函数。此外，为解决强化学习在决策过程中缺乏安全性保障的问题，设计风险矫正模块对决策动作进行风险评估和矫正，避免危险决策的执行。在Highway-env仿真平台上对提出的决策模型进行训练和测试。试验结果表明，提出的决策模型有较高的行车安全率和鲁棒性，其驾驶效率也优于以规则、模仿学习和单纯深度强化学习为基础的决策方法。     

双车道公路附加车道设置参数研究

为了给双车道公路附加车道设计与施工提供参考依据,开展了双车道公路附加车道设置长度、宽度及纵坡度研究。基于交通仿真数据,构建了双车道公路附加车道等宽段长度与交通量、行驶车速的关系模型,结合不同设计速度与地形条件下双车道公路设计通行能力分析,计算给出了对应不同设计速度与地形条件的双车道公路附加车道等宽段长度建议值。基于车辆行驶安全性分析,提出了双车道公路附加车道宽度的计算公式,根据驾驶人侧向车间距选择问卷调查统计结果,计算给出了对应不同设计速度的双车道公路附加车道宽度建议值。基于汽车上坡行驶时的受力分析,给出了坡长与纵坡度的简化关系式,并计算给出了对应不同设计速度与海拔高度的双车道公路附加车道最大纵坡度建议值。     

大型营运客车在高速公路的换道安全性辨识

为了给大型营运客车换道预警系统设计提供参考,采用毫米波雷达、激光雷达、车道线识别传感器、GPS、视频监控系统以及控制器局域网（CAN）总线数据采集仪等设备,基于小型乘用车搭建浮动车采集平台。通过在试验线路上进行1.5×10⁴ km的驾驶试验,获取1 200余次营运客车的真实换道数据。以Jula提出的换道安全性模型为基础,结合营运客车的换道行为特征,通过分析换道进程结束后客车需要与周围车辆保持的安全距离,建立适合于营运客车的3类换道安全性识别模型（客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆）,并利用真实数据对3类模型进行验证。研究结果表明：客车换道持续时间均值为10.4 s,换道起始时刻与目标车道后方车辆的距离为10.0~40.0 m;所有换道样本中,73.3%的换道过程中客车速度要高于目标车道后方车辆,且超过90%的换道过程是由前方慢车引起;不同的速度区间下,车速和航向角联合变化情况下,驾驶人控制营运客车的横向偏移速度保持稳定,可认为客车驾驶人的心理预期换道进程存在固定经验模式,这与小型车换道的研究结论存在较大差异,传统的TTC预警算法识别率较低,在不同速度区间情况下,所提出的模型对客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆的换道安全识别评价准确率均超过了90%。     

基于轮胎-颗粒流动力学模型的避险车道参数匹配方案研究

为了优化山区公路避险车道参数设计方案,基于离散元基本理论与方法,建立轮胎与避险车道集料颗粒流模型。利用自主研发的轮胎性能测试系统对货车轮胎垂直特性进行了室内台架试验研究,通过检测不同输入条件下的响应,标定了轮胎颗粒流模型细观参数。采用漏斗法测量了避险车道集料休止角,结合离散元颗粒流仿真方法,对集料颗粒流模型表面摩擦因数进行了标定。基于所建立的轮胎与避险车道的集料颗粒流模型,仿真分析了轮胎在避险车道中的行驶过程,模拟了车辆在运行过程中的行驶距离、行驶速度与轮胎转速的变化趋势。在甘肃S308省道K209+400处避险车道进行了实车道路试验,试验结果验证了该仿真方法的正确性。通过所建立的轮胎-颗粒流模型对比分析了不同铺设厚度,不同集料大小下的仿真结果。综合考虑减速效果和施工成本,确立了避险车道铺设厚度、铺设长度、颗粒材料等设计技术参数。研究结果表明：离散元法能够很好地模拟车辆在避险车道中的行驶过程;考虑到颗粒固结等因素,建议避险车道铺设厚度不小于0.8 m;针对行驶速度大于90 km·h^-1的载货汽车,避险车道设计长度建议大于130 m;避险车道集料方面,建议选用粒径为1~3 cm且圆度较高的砾石作为路床材料。     

基于改进RepVGG网络的车道线检测算法

为提高自动驾驶系统中车道线检测的速度和精度,提出了基于可解耦训练状态与推理状态的车道线检测算法.在结构重参数化VGG(RepVGG)主干网络中引入注意力机制压缩-激励(SE)模块,增强对重要车道线信息的特征提取;同时设计并行可分离的辅助分割分支,对局部特征进行建模以提高检测精度.采用行方向位置分类车道线检测方式,在主干...     

现代/起亚汽车LDWS系统解析

驾驶员驾车在高速公路上长时间高速行驶时,需要将注意力高度集中,但是时间久了就会引起驾驶员精神疲劳。而这时稍不留神就可能导致车辆偏离正常行驶的车道产生危险的情况。为了避免这类事故的发生,现代/起亚汽车在其高档轿车现代新     

商用车电液复合转向系统的车道保持策略

为了提高商用车的行驶安全性,避免因驾驶人的分心驾驶出现车辆偏离车道的问题,提出一种基于电液复合转向系统的商用车车道保持策略;在建立电液复合转向系统模型、二自由度车辆模型、预瞄驾驶人模型的基础上,设计基于驾驶人在环的MPC和ADRC串级的车道保持控制策略。首先,采用MPC算法将车辆横向位置控制的最优问题转化为二次规划求得目标前轮转角;然后,考虑电液复合转向系统的不确定和干扰问题,利用ADRC算法对目标转向盘转角和实际驾驶人的转向盘转角差值以转矩信号的形式进行补偿。同时研究车道保持系统对驾驶人的干预问题,引入干预系数的概念,采用模糊控制的方法,将驾驶人手力和车辆的运动状态作为输入变量,干预系数作为输出变量,保证整车行驶安全性的前提下减小车道保持辅助系统对驾驶人的干预。最后,通过MATLAB/Simulink仿真和硬件在环试验对所设计的控制策略进行验证。研究结果表明：所设计的基于商用车电液复合转向系统的车道保持策略能够及时地纠正因驾驶人的分心驾驶而导致车辆偏离所在行驶车道的行为,特别是在弯道处出现驾驶人转向不足或过度转向的情况时,能够将车辆维持在车道线之内,保证车辆的行驶安全性,同时由于干预系数的设计,使得驾驶人也有良好的人机交互体验感。     

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TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

用于车道识别的分段切换车道模型

为了使得车道模型既能准确地描述车道形状,又不影响车道识别算法的实时性,提出了一种分段切换车道模型。对近视场区域使用直线模型匹配车道线,对远视场区域则在直线模型和二次曲线模型之间进行切换,以适应有曲率和无曲率道路的识别要求。试验表明,使用分段切换车道模型的车道识别算法能够很好地匹配各种形状道路,并能满足实时性要求。     

基于优化最大类间方差法阈值分割与滑动窗口法的车道偏离预警

为了改善因传统边缘算子在车道线特征提取时鲁棒性差、传统霍夫变换弯道拟合能力较弱导致车道偏离预警率降低的问题，提出了一种基于优化最大类间方差法（OTSU算法）阈值分割与滑动窗口法的车道偏离预警方法。首先，使用遗传退火算法优化求解OTSU算法的最优阈值并调用整体嵌套边缘检测（HED）模型获取车道线边缘特征，将感兴趣区域转换成鸟瞰图形式；然后，使用滑动窗口法将车道线切分并逐个对窗口内的车道像素点进行二阶多项式拟合；最后，根据车辆与车道线的相对位置关系进行车道偏离预警以及弯道预警。试验结果表明，该方法的综合路况预警准确率为95.92%，检测速率可达34 ms/帧。     

软计算方法研究车-车间跟随模型

采用软计算方法对车辆跟随算法模型进行对比分析,主要介绍基于自适应神经模糊推理系统ANFIS的跟随模型,并简要介绍基于BP网络和径向基RBFN网络模型与ANFIS模型的对比分析。为了取得模型训练所需的参数和测试模型的效果,设计了一个车辆跟随试验,试验中采用GPS模块来获取车间距和车速差两个参数。最后对模型进行训练和仿真决策输出,仿真输出表明采用自适应神经模糊推理系统的算法模型能较好地模拟驾驶员操作。     

交通量临界区设计速度、车道数和服务水平协同研究

公路设计通常先确定设计速度,然后计算车道数,最后进行服务水平验证。设计中发现交通量存在临界区间,区间外不同设计速度计算所得车道数一致,适用常规流程;区间内以不同设计速度计算车道数,一级公路会双向增减2条车道,常规流程可能导致判断片面,工程规模增加较大。鉴于此,文中提出交通量临界区概念与界定公式,通过工程案例,梳理临界区内设计速度、车道数、服务水平协同取值的思路及流程。     

智能网联背景下驾驶人信息认知地图构建方法

为提升网联环境下车载信息的传递效率，提出了一种驾驶人信息认知地图构建方法。在驾驶人交通场景信息认知中引入认知地图概念，通过对20名驾驶人进行面对面访谈，获取视距内、外(超空间距离)交通场景语义描述，采用要素频率统计法确定驾驶人信息认知地图要素，设计概念图形完成可视化映射。构建轻量化深度学习MobileNet V2模型，实现驾驶人信息认知地图认知要素标签自动生成，并分别基于SE(Squeeze-and-Excitation Module)、CBAM(Convolutional Block Attention Module)、CA(Coordinate Attention Module)注意力模块对模型进行改进，通过Opencv算法实现可视化认知地图的自动生成。开展20名驾驶人的实车试验，获取12 000组交通场景认知集作为测试数据，通过人工标注的方法获取认知要素标签。结果表明：驾驶人信息认知地图具有道路类型、车道数、自身车道、目标类型、方向、距离、危险程度7个认知要素；MobileNet V2、MobileNet V2-SE、MobileNet V2-CBAM和MobileNet V2-...