基于深度学习的自动驾驶车辆运动规划研究

针对交通状况的复杂性和边缘情况的不确定性,很难设计一个通用的自动驾驶车辆运动规划系统,采用深度学习的方法,提出了一个时空LSTM(长短期记忆网络)的运动规划模型,它能够根据提取的时空信息产生实时处理。该模型有三个主要结构,依次完成,基于Conv-LSTM(卷积长短期记忆网络)提取连续图像数据的隐藏特征。然后,基于3D-CNN(3D卷积神经网络)提取多帧特征信息中的时空信息以及FCNN(全连接神经网络)构建车辆自动转向角的控制模型。最后,对提出的LSTM时空网络模型方法和经典方法在数据集上进行性能评估。实验结果表明,该方法能够为自动驾驶车辆生成实时鲁棒准确的视觉运动规划,可以达到99%的准确率。     

结合Spatial CNN的端到端自动驾驶研究

针对当前自动驾驶中端到端深度学习算法需要庞大数据集作为训练支撑且缺少针对性的问题,基于深度迁移的思想,提出了迁移预训练VGG-16网络结合Spatial CNN网络结构的端到端自动驾驶模型.将预训练模型在ImageNet数据集上已经学习到的图像识别能力迁移至转向预测任务上,同时嵌入Spatial CNN网络结构挖掘空间特征信息.研究结果表明:在基于同等少量样本的训练后,迁移学习模型提取的特征更具有相关性,与从零开始训练的DAVE-2模型相比,预测误差率降低11.1％.在测试地图上模型预测值能很好地跟随真实值变化,说明模型能够实现高精度预测.     

一种多尺度嵌套卷积神经网络模型

卷积神经网络模型要求训练图像与测试图像在空间尺度上一致.为弱化这一限制,对卷积层特征提取器进行多尺度改进,提出了一种尺度不变卷积神经网络模型,以自动适应输入图像在平面空间上的尺度变化.同时,将多层Maxout网络嵌入新模型中,以进一步提高特征提取能力,提高图像识别与分类的准确性.实验测试结果表明,该模型提高了传统卷积神经网络模型的尺度不变性和分类精度.     

基于迁移学习的SAR图像车辆目标识别方法研究

针对卷积神经网络因参数随机初始化引起的收敛慢和过拟合的问题,提出了一种基于迁移学习的卷积神经网络模型.将小样本的数据作为源域的训练样本,将源域训练得到的模型的参数作为目标域模型的初始参数,大样本数据作为目标域的训练样本进行网络微调,实现从源域到目标域的信息迁移.在卷积神经网络中采用神经元丢弃法和组合小卷积核代替大卷积核的方式,减少网络的参数,加快收敛速度,并且抑制过拟合问题.实验采用移动与静止目标搜索识别数据集,该数据集分为十类合成孔径雷达图像车辆目标,以数据集中的三类目标数据作为源域训练样本,十类目标数据作为目标域训练样本,实验结果表明,提出的方法在十类目标识别精度上达到了98.39％,同时具有较快的收敛速度.     

基于MPC的自动驾驶车辆横向路径跟踪控制

由于驾驶技能、生理极限等原因,人工驾驶员在转向操作中存在响应迟滞、动作超调等问题,控制性能优良的自动驾驶车辆可以改善上述问题。设计了一种基于模型预测控制(MPC)的自动驾驶车辆横向路径跟踪控制器。基于预瞄跟随理论建立了最优侧向加速度的驾驶员转向模型,以分析驾驶员方向盘操作中预瞄时间和车速对车辆跟踪参考路径的影响。基于模型预测控制算法设计了车辆横向路径跟踪控制器,利用反馈校正机制改进车辆预测模型,以处理参数不完全确定和外部干扰对模型精度带来的影响;采用松弛因子对目标函数进行处理,以保证目标函数具有可行解;进一步地,将所设计的模型预测控制器每一步的优化求解转化为带约束的二次规划问题,利用模型预测控制滚动优化的特点,求解跟踪参考路径所需的方向盘转角,作用于自动驾驶车辆。实验结果表明:预瞄时间和车速对驾驶员操控车辆跟踪参考轨迹的影响较大,MPC控制器下的车辆实际行驶轨迹与参考轨迹之间的最大横向偏差为0.085 m,小于熟练驾驶员操控的车辆,同时,MPC控制器下的车辆转向起始时刻相对于熟练驾驶员操控的车辆提前0.89 s。     

基于多类型传感数据的自动驾驶深度强化学习方法

提出了一种基于多类型传感数据训练自动驾驶策略的方法,采用不同卷积网络对高维图像数据和低维目标级传感数据进行特征提取,然后对提取特征进行组合,采用组合特征学习自动驾驶策略。在仿真测试软件TORCS中设计车道跟随任务对本文方法进行验证,结果表明:基于多类型传感信息进行深度强化训练可以取得较好的车速和车辆横向偏移控制效果。     

基于单一神经网络的实时人脸检测

由于人脸尺度多样性使得人脸检测算法在CPU上运行速度受限,提出了一种新的基于单一神经网络的实时人脸检测算法。首先在网络初始卷积层和池化层中设置较大的卷积核尺寸和步长,缩小输入图像尺寸利于实时检测;然后网络将浅层特征图和深层特征图相融合,增强上下文联系和减少重复检测;最后在多个卷积层上预测人脸位置,利用预测框重叠策略,实现多尺度的人脸检测来提升图像中小尺寸人脸的检测精度。在人脸检测数据集基准和野外标注人脸数据集上测试实验结果表明,本文算法模型精度能够达到92.1%和95.4%。与此同时,本文算法在CPU上实现21帧/s的检测速度。     

考虑上下游的LSTM短时交通流量预测

使用基于LSTM循环神经网络的短时交通流量预测模型分析了不同输入配置对交通流量预测精度的影响。首先,比较了同一车辆检测站点处交通流量、速度和占有率数据的不同组合对短时交通流量预测的影响。实验结果表明,在模型输入中包含速度/占有率信息整体来说可以增强模型的预测性能。为了在模型中引入空间信息,我们进一步考虑了目标车辆检测站点上下游的交通流量状况,分别测试了包含目标车辆检测站点和上下游6个车辆检测站点在内的16种不同的输入组合。实验结果表明,在模型中引入上下游交通信息可以显著提高短时交通流量预测的精度。     

基于注意力机制的卷积神经网络可视化方法

相比于传统机器学习算法,卷积神经网络“端到端” 的黑盒特性使其内部工作机制缺乏透明性和可解释性,导致其在某些安全性要求较高的领域受到一定限制。为此,提出一种基于注意力机制的卷积神经网络可视化方法,用于可视化解释卷积神经网络中间层所学特征。该方法首先将注意力机制添加到网络结构中,跟随网络一起训练;然后,获取训练后模型的最高层特征图,并使用双线性插值将其放大到输入图像大小;最后,将处理后的特征图与输入图像叠加形成热力图,用于定位输入图像的关键区域,实现对卷积神经网络所学特征的理解和解释。在ＣＩＦＡＲ１０ 数据集上实验结果表明,相比于直接对特征图进行可视化,基于注意力机制的可视化方法能够更准确地定位目标的关键特征,从而帮助理解卷积神经网络所学特征。     

基于深度卷积自编码网络的小样本光伏热斑识别与定位

针对传统卷积神经网络训练需要大量数据、而热斑效应图像样本量较少的现状,构建一种深度卷积自编码网络模型用于小样本光伏热斑识别与定位。首先对原始光伏红外图像做预处理得到小样本数据集,然后构建一种以卷积神经网络为基础、结合自编码器的深度卷积自编码网络模型。该模型能自动学习并提取小样本图像中的有效特征,提高识别准确率。实验结果表明,针对小样本光伏热斑图像数据集,深度卷积自编码网络模型比传统卷积神经网络在测试集上的识别准确率高出了7.98%,且具有更强的泛化能力和鲁棒性。     

基于神经网络的四轮转向车辆控制研究

车辆操纵稳定性是影响车辆主动安全性的重要因素，四轮转向控制可以提高车辆低速行驶时的灵活性，高速行驶时的稳定性，但是传统的四轮转向控制系统大多建立在经典控制理论的基础上，对实际车辆很难得到满意的控制效果，在考虑了轮胎非线性的双自由度车模型的基础上，建立了四轮转向车辆的神经网络正模型，并对其逆模型进行了辩识，用逆模型作控制器，使四轮转向车辆的质心侧偏角在高速行驶时基本保持为零，研究结果表明，该方法比定前后轮转向比控制法效果更好。     

汽车高速紧急避障路径跟踪与主动防侧翻控制

为提高匹配机械弹性车轮汽车在高速紧急避障时的效率与安全性,在Simulink中建立了整车非线性八自由度模型,并基于车轮样机台架试验数据,利用Matlab遗传算法工具箱对机械弹性车轮模型参数进行分级辨识.综合考虑行驶车速、轨迹跟踪误差、方向盘转角以及侧翻评价指标,建立了八自由度驾驶员—汽车预瞄跟随闭环系统模型.分析了汽车在不同行驶车速时所需的方向盘角输入信息与侧翻状态响应,总结出汽车高速转向时的侧翻动态特性.为高速安全通过规划的避障路径,在转向控制驾驶员模型基础上建立了速度控制驾驶员模型,当侧翻评价指标超过安全阈值时利用制动踏板降低车速,当纵向车速小于期望安全车速时利用加速踏板提高车速.仿真分析表明建立的高速避障路径跟踪与控制策略能高效完成避障路径跟踪,同时能有效降低紧急避障时的侧翻风险.     

分布式独立驱动车辆复合转向匹配特性研究

为研究分布式独立电驱动车辆的复合转向机理,提升车辆的转向机动性、操纵稳定性,以某型8 × 8独立电驱动车辆为对象,构建整车仿真模型、分布式独立电驱动控制模型以及车辆复合转向控制模型,在几何转向的基础上,通过在驱动轮主动叠加速差转角即前馈施加车轮虚拟偏转角的方法,分析在相同轮转角状态下,几何转向模式与复合转向模式对车辆转向半径的影响。通过不同行驶工况下的动态仿真,结合车辆的横摆角度、侧向加速度、质心侧偏角等车辆稳定性特性参数,分析复合转向对于车辆操纵稳定的影响,得出分布式独立电驱动车辆复合转向匹配特性。     

基于最优控制的三自由度四轮转向研究

建立四轮转向的三自由度模型,采用最优控制理论求得最优反馈增益矩阵,最后应用MATLAB/Simulink软件建立模型进行仿真;在前轮角阶跃输入下,与传统的前轮转向和比例控制的四轮转向车辆进行对比分析;结果表明,所建立的三自由度车辆模型的横摆角速度能够很快达到稳态值;质心侧偏角和侧倾角基本保持为零;降低了驾驶员的驾驶疲劳程度并且提高了行驶安全性和操纵稳定性。     

基于模糊PID线控转向系统前轮转角控制

转向系统是乘用车的重要性能指标之一,它关系到整车的操纵稳定性以及舒适性.通过对乘用车线控转向系统结构、原理进行分析,建立了基于Simulink与CarSim的汽车线控转向系统联合仿真模型,将模糊理论应用到前轮转角控制策略中,并在整车动力学模型的基础上,设计模糊PID控制器,用于前轮转角控制.仿真结果表明:汽车低速行驶时,较小方向盘转角能实现较大的前轮转角变化,其传动比较小,驾驶员转向轻便;而高速行驶时,需要较大的方向盘转角实现前轮转角变化,传动比较大,可有效防止汽车高速抖动,提高汽车操纵的稳定性.     

汽车转向的力输入控制与角输入控制及其对驾驶员-汽车闭环系统的影响

讨论了与两种不同转向控制策略相应的人－车闭环系统的运动特征，即通过给转向盘施加转向力矩或使转向盘转过一定角度来实施其转向的策略。仿真计算表明，当不足转向度小的汽车高速行驶时，驾驶员采用给转向盘施加转向力矩的控制策略具有更小的跟随误差，并且校正参数的变化范围也小得多，这说明采用此策略对车况的改变有更好的适应性。     

四轮转向的神经网络直接逆控制

采用二自由度摩托车模型研究四轮转向车辆的转向特性,建立四轮转向车辆线性二自由度动力学模型和方程.着重设计BP神经网络直接逆控制系统,通过离线辨识、在线学习控制被控系统,与其他控制方法对比表明,神经网络直接逆控制系统能够更加有效的控制后轮转角以便使车辆质心侧偏角为零,并提高车辆低速机动性和高速稳定性.     

静液传动高速履带车辆转向参数匹配与控制

为了解决静液传动履带车辆转向时外侧系统压力容易过高以及转向轨迹控制问题,基于双侧轮边液压驱动结构特点,提出了外侧马达采用压力、发动机转速双参数控制,内侧跟随外侧采用速度闭环控制的转向控制策略,对目标相对转向半径与方向盘转角、车速,马达排量与发动机转速、系统压力等参数进行了匹配。建立了整车转向仿真模型与实车实验系统。仿真与实验结果表明,控制策略能有效控制系统压力,参数匹配结果能满足转向控制要求,车辆按照目标相对转向半径实现了准确快速转向。     

四轮转向汽车的动特性分析

建立了二自由度四轮转向汽车模型的动力学方程,并以此推演出汽车质心侧偏角为零时所需的前后轮转向比和横摆角速度与前轮转角的传递函数.最后以某轿车为例,通过使用MATLAB软件仿真分析汽车低速和高速下行驶时的时域响应和频域响应来比较四轮转向汽车与二轮转向汽车的动态特性.结果表明,较之二轮转向汽车,四轮转向汽车能大幅度的提高汽车对方向盘输入的动态响应特性,具有更好的机动性能和稳定性能.     

基于自动导航技术的小型履带拖拉机虚拟转角研究

自动导航系统主要以四轮拖拉机前轮转角和速度为控制和反馈变量,不能直接在小型履带拖拉机上进行改装。以小型履带拖拉机为研究对象,分析履带拖拉机的转向原理和控制机制,分析虚拟前轮转角和拖拉机的前进速度、转弯半径的关系,设计在履带驱动轮安装转速传感器,提出用平均单侧速度平均速度差表示两侧速度差的方法,将履带拖拉机的曲线转向过程分解为直线行驶和转向两个过程,通过对圆形目标路径进行转弯仿真,该方法效果有效。