基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测

针对基于端到端深度卷积神经网络的驾驶行为检测模型缺乏全局特征提取能力以及视觉Transformer(vision transformer,ViT)模型不擅长捕捉底层特征和模型参数量较大的问题,本文提出一种基于深度卷积和Tokens降维的ViT模型用于驾驶人分心驾驶行为实时检测,并通过开展与其他模型的对比试验、所提模型的消融试验和模型注意力区域的可视化试验充分验证了所提模型的优越性。本文所提模型的平均分类准确率和精确率分别为96.93%和96.95%,模型参数量为21.22 M,基于真实车辆平台在线推理速度为23.32 fps,表明所提模型能够实现实时分心驾驶行为检测。研究结果有利于人机共驾系统的控制策略制定和分心预警。     

机器视觉在汽车试验中的应用

为提高汽车试验的精度和自动化程度,试验过程中可以采用机器视觉来提高试验效率和试验结果的准确性。试验中采用摄像机对被测量物体进行图像采集,由计算机对所采集的图像进行相关处理得到试验结果。试验过程能够实现自动化测量和自动记录试验数据,试验结果的准确性要高于传统的人工测量方法。因此,基于机器视觉的测量方法在汽车试验领域能够得到广泛的应用和发展。     

考虑参数不确定性的无人车预设性能路径跟踪控制

为保证无人车在参数不确定性影响下的路径跟踪具有预设控制精度,提出一种具有预设跟踪误差性能的路径跟踪输出反馈控制方法。根据横向预瞄偏差建立了路径跟踪二阶误差积分系统,在考虑轮胎侧偏刚度参数摄动及车辆横向速度未知的情况下,利用扩张状态方法建立了含有复合未知项的控制模型,再通过设计线性扩张状态观测器对系统未知状态和模型不确定项进行估计,并进一步证明了观测误差的一致有界收敛性。针对无人车路径跟踪瞬态和稳态性能无法满足预设精度的问题,结合观测器估计值提出了一种具有预设性能的路径跟踪输出反馈控制器,并根据Lyapunov理论对闭环系统稳定性进行了严格证明。Matlab/Simulink仿真结果表明,所设计的控制策略能保证车辆以预设控制性能跟踪上期望路径,进一步在硬件在环仿真试验台上进行验证,结果表明所设计方案能严格保证横向跟踪偏差位于安全边界之内并具有较强的鲁棒性。     

基于神经工效学的智能车辆横向控制模型研究

现有的驾驶人模型,在揭示驾驶人的驾驶机理上,或单独从驾驶人认知角度出发,或单独从控制角度出发,缺乏一个将驾驶人的认知过程和控制原理有机地结合起来的系统模型.鉴于此,本文中在神经工效学认知体系架构的基础上融合了模型预测控制算法(MPC)以及手臂肌肉模型,建立了一种基于神经工效学的车辆横向控制模型.模型采用了CarSim/...     

纯电动公交车交叉口节能驾驶策略

针对纯电动公交车在交叉口区域的高能耗问题,设计纯电动公交车通行交叉口区域的节能驾驶策略.根据公交车通行交叉口区域的驾驶行为将交叉口场景划分为4类,并根据运动学关系划分信号灯剩余时长区间,将其分为6种情况,综合考虑交叉口上游路段和下游路段设计节能驾驶策略.结合基于纯电动公交车能耗特征的单位里程能耗模型和纯电动公交车匀速、...     

西汉高速公路交通事故频发的哲学思考

运用哲学的相关理论,从道路、车辆、驾驶员、管理4个方面对近期通车的西汉(西安-汉中)高速公路交通事故频发的原因进行了分析,并针对存在的问题提出了相应对策.     

城市道路干扰跟车对驾驶人注意力分配的影响

为获取干扰跟车情况下驾驶人的注意力分配特性,利用非接触式眼动仪、毫米波雷达等传感设备搭建车载试验平台。通过在城市道路环境中开展实车试验,获取干扰跟车情况下驾驶人的眼动行为数据,并基于马尔可夫理论,分析了驾驶人的注视分布特性和转移规律。结果表明:在城市道路环境下跟车时,经验驾驶人的主要注意力用于关注前方的交通目标,较多地关注干扰车切入方向;驾驶人观察左侧区域或右侧区域之后注意力向前方视野转移的概率较大,且驾驶人对干扰车的注视概率明显高于目标车辆。     

基于双层隐式马尔科夫模型的驾驶意图辨识

构建了一种双层隐式马尔科夫模型结构,用于实时辨识驾驶员复合工况下的驾驶意图,并在驾驶模拟器上对坡道起步、紧急避障和弯道制动等复合工况进行了验证。结果表明,该模型可准确、高效地辨识各个单一和复合工况下的驾驶意图,为线控汽车的集成控制奠定基础,提高线控汽车的安全性和减轻驾驶员负担。     

换道决策中的车辆速度估计模型

为研究换道决策阶段驾驶人对后方车辆的速度感知特征, 以小型乘用车为平台, 利用毫米波雷达、车载总线数据仪、音视频监测系统等搭建了试验车。招募了15名驾驶人, 在某高速公路完成后方车辆速度估计试验, 试验车速度分别设置为60、70、80、90km·h^-1, 最后获取了1 625组数据。采用显著性分析方法, 分析了相对速度、后方车辆速度与相对距离对驾驶人速度估计行为的影响特性。利用多元线性回归理论建立了驾驶人速度估计模型, 并对模型进行了检验。分析结果表明: 约60%的速度估计误差绝对值不大于10km·h^-1, 且驾驶人的速度估计误差满足正态分布; 驾驶人速度估计误差随两车相对速度和后方车辆速度的增大而减小, 相对速度和后方车辆速度较低时, 易高估后方车辆速度, 相对速度和后方车辆速度较高时, 易低估后方车辆速度; 随两车相对距离的增大, 驾驶人速度估计误差变化趋势不显著, 但两车相对距离较小时, 驾驶人易高估后方车辆速度; 速度估计模型的平均误差为-0.56km·h^-1, 因此, 估计结果可靠。     

智能网联车辆加速车道类人化汇入控制研究

为研究智能网联车辆(Intelligent Connected Vehicle, ICV)与高速公路主线传统人工驾驶车辆(Human-driven Vehicle, HDV)交互时通过高速公路加速车道的汇入控制算法,提出了一种融合随机森林(Random Forest, RF)算法和深度Q网络(Deep Q-network, DQN)算法的ICV汇入控制模型(DQN-RF)。首先,建立路侧数据采集平台,采集了中国G70高速公路加速车道汇入区域HDV的真实汇入过程数据。其次,考虑汇入环境车辆历史数据流和汇入车在加速车道的汇入紧迫度,建立了基于RF算法的类人化汇入决策模型。采用城市交通仿真(Simulation of Urban Mobility, SUMO)平台搭建了高速公路加速车道ICV汇入场景,并基于Python语言建立了ICV汇入控制深度强化学习测试脚本环境,建立了基于DQN的纵向加速度控制算法。最后,将RF汇入决策模型嵌入DQN纵向加速度控制算法中,实现了ICV汇入决策和纵向加速度控制的融合。将SUMO内置的LC2013换道模型与DQN模型融合为DQN-LC2013模型,作为基线模...