排序方式: 共有147条查询结果,搜索用时 15 毫秒
51.
52.
为使混合交通流(Mixed Traffic Stream,MTS)下智能网联车(Intelligent Connected Vehicle,ICV)实现鸣笛意图(Horn’s Intention,HI)识别,更好地遵循常规车辆(Manual Vehicle, MV)的驾驶意图,提出ICV 对MV 鸣笛声的“ 感知(Perception) - 定位(Location) - 识别 (Recognition)”模型(简称HI-PLR),采用深度卷积-循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声;采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV;再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明,HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%,定位角度估计误差小于5°,HI 识别率达 82.5%,为ICV在MTS中的智能驾驶决策提供依据. 相似文献
53.
为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI) 的识别,弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足,更好地与HV交互沟通,提出CAV对HV的VHI识别模型.模型包括:灯光感知、光数据处理、VHI识别3个模块,灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH),采用KLT(Kanade-Lucas-Tomasi Tracking,KLT)和车辆匹配算法定位跟踪发出灯语的HV;光数据处理模块采用光通道增益算法计算光辐射通量变化; VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model,DHMM)辨识VH 闪烁次数和HV行驶状态,实现VHI识别.在3种灯语示意典型场景下的实验结果表明:1 s内 VH感知准确率为96.8%,定位跟踪精度小于1°,VHI识别率为96.6%,满足混行交通环境下 CAV对HV驾驶意图的识别要求,基本保证实时性,为混行交通流中CAV自动驾驶决策提供理论依据. 相似文献
54.
针对当前DCT控制系统对起步意图辨识准确度不高的问题,提出了一种基于高斯混合隐马尔科夫模型(GMHMM)的起步意图辨识方法:根据DCT车辆实车起步纵向加速度分布特性,将起步过程分为8个时段,基于K均值聚类算法对各时段内平缓起步、一般起步以及紧急起步进行定义,在此基础上对各时段3类GM-HMM进行训练,通过对比0.3 s内油门踏板开度时间序列在不同模型中的对数似然概率确定当前驾驶员的起步意图。经过验证,模型的平均查全率达88.7%,耗时7 ms,具有较高的辨识准确率和较好的实时性。 相似文献
55.
56.
57.
58.
59.
唐先智王波杨树军马雷 《汽车工程》2016,(5):580-586
为了进一步提高电动汽车再生制动系统对驾驶员制动意图的识别准确率,从而使电动汽车能在制动的过程中回收更多的能量,提出了基于Hilbert-Huang变换(HHT)的电动汽车制动意图聚类识别方法。建立了HHT的数学模型,基于HHT在时频域中进一步探寻中等制动和平缓制动两种制动意图下制动踏板行程信号的特征。建立了制动踏板行程信号特征提取模型,运用Hilbert局部边际能量谱得到局部特征能量,从而对信号特征进行提取,获取信号的特征向量。建立基于模糊C均值聚类算法的制动意图识别模型,并分别进行了离线实验和实时实验。结果表明所提出的基于HHT的制动意图模糊C均值聚类识别方法能更好地分辨中等制动和平缓制动意图,提高了识别准确率,并具有较好的实时性。 相似文献
60.