摘要：类人驾驶是提升汽车智能化程度的重要途径之一,识别和定位驾驶人的感兴趣目标和区域,进而快速、精确地感知驾驶场景中潜在风险或提供决策所需关键信息,能够有效增强智能汽车的功能可理解性和鲁棒性。本文基于层次化编码器-解码器架构设计轻量化多层时空融合网络,建立轻量化驾驶人注意力预测模型。首先,以MobileNetV2作为编码器的骨干网络,提取当前帧4个尺度上的多层次空间特征,将其存入记忆模块并与在历史帧上提取的多层次特征在时间维度叠加,得到连续帧间的时空特征后传输至解码器。其次,基于层次化解码结构设计解码器,采用逆瓶颈3D卷积模块设计时空融合层,融合每个独立分支上的时空特征。最后,融合4个独立分支上捕获不同尺度信息的预测结果,获得驾驶人注意力预测值作为模型预测输出结果。结果表明:本文提出的驾驶人注意力预测模型,通过在多个特征尺度上的编码与解码,能够有效利用动态场景当前帧和历史帧间的时间、空间、尺度信息;在DADA-2000和TDV数据集上的测试实验表明,在多个指标上优于当前同类优秀模型;模型尺寸为19 MB,单帧运算速度为0.02 s,实现了优秀的模型轻量化与实时性效果。综上所述,本研究解决了当前复杂交通环境下的动态驾驶场景驾驶人注意力预测模型体积庞大、实时性较差的问题,对智能汽车类人感知、决策等研究有一定的理论支持和应用价值。

摘要：针对现有智能汽车路径跟踪控制过程中较少考虑驾驶人特性的问题,设计了一种考虑驾驶人特性的智能驾驶路径跟踪算法。采用k均值算法对实车试验获取的相关数据进行聚类分析,根据操纵特征参数的规律性和差异性将驾驶人特性分为正常型、激进型、保守型3类。根据驾驶人特性分类及聚类结果,将不同驾驶人对车辆侧向、纵向行驶状态的不同偏好特性融入至路径跟踪控制策略的设计中。采用模型预测原理设计了智能驾驶路径跟踪控制器,通过数据聚类结果来设计控制器的代价函数与约束条件。仿真试验结果表明,本文所提出的考虑驾驶人特性的路径跟踪控制策略具有较高的轨迹跟踪精度和速度控制精度,且车辆响应变化能够体现出不同的驾驶人特性,路径跟踪速度误差不超过2%,侧向跟踪误差小于0.13 m。

摘要：为了准确预测驾驶人的制动反应时间,建立了考虑差异化驾驶人特性的制动反应时间预测模型。以多种次任务驾驶行为作为差异化驾驶人特性的诱导因素设计了试验,在封闭的城市道路展开了实车试验并采集了制动反应时间数据,以自报式信息采集法获取了受试者的多维度驾驶特性变量数据,使用结构方程模型解构制动反应时间的影响因素并以路径系数优化BP神经网络权值,建立了基于SEM-BP神经网络的驾驶人制动反应时间预测模型。验证和测试结果表明,所提出的制动反应时间预测模型总体的回归R值大于0.9,总误差为0.0324,有更好的预测精度和拟合性能,能够在考虑驾驶人多维度特性的同时降低网络收敛不稳定导致鲁棒性差的问题。

摘要：针对无人驾驶环境感知技术中存在复杂交通场景理解受限的问题,本文中提出一种面向路侧端的视频结构化框架,通过丰富交通场景中不同目标的细粒度信息,提高复杂交通场景的理解能力。针对所提出的视频结构化框架,提供了一种可工程化的细粒度车辆检测分类模型。通过通道剪枝策略对YOLOv4算法进行优化,使压缩模型YOLOv4Pruned在mAP几乎不变的情况下,较原模型体积减小约60%。设计了16种类型、12种颜色的车辆分类方法可有效覆盖当前交通场景下的运行车辆,在测试集上的分类准确率可达93%。本文设计的细粒度车辆检测分类模型在1920×1080输入,NVIDIA GeForce RTX 2080Ti下可稳定在23FPS,在海思Hi3516DV300下,未量化的模型可稳定在13FPS。

摘要：为了改善列车驾驶员的工作环境并降低驾驶员的疲劳程度,通过对列车驾驶室的布局设计进行人机工程校核与优化,在提高驾驶员的工作效率的同时,保证列车行驶的安全性与可靠性。以复兴号某车型的驾驶室为研究对象,利用RAMSIS软件开发环境建立了具适用于本研究的三维人体模型;依据《UIC 651标准》等相关标准对列车驾驶室的驾驶员伸及性、前方视野性、空间性、仪表盘视野性以及坐姿舒适性等方面进行了人机工程校核,针对欠缺合理之处进行了优化;在此基础上,利用G1评价方法对已设计的驾驶室布局进行了评价,评价结果表明对列车驾驶室布局设计方法优于传统车型的驾驶室设计,对列车驾驶室的布置具有重要的指导意义。

摘要：为了建立一种视觉类次任务驾驶安全性预测模型,实现对驾驶人执行视觉类次任务时的行车安全进行预测,设计并进行了城际高速公路场景中三种视觉类次任务驾驶试验;以眼球运动状态参数集和车身行驶状态参数集为安全评价指标,使用模糊层次分析法(F-AHP)计算得到测试驾驶人的安全评价数字等级;以此为基础,利用BP神经网络建立视觉类次任务驾驶安全性预测模型,以30名测试驾驶人的评价指标数据作为神经网络的输入训练样本、安全评价数字等级作为神经网络的输出训练样本,调试网络参数直至满足本研究的精度需要;最后,使用其余10名测试驾驶人的数据对模型进行适用性测试。研究结果表明,在操作车载收音机、发信息以及操作触摸屏设备这三种次任务情境下,本预测模型的适用性较好,可以比较准确的实现对驾驶人安全等级的预测。

摘要：为了解决模型预测控制设计智能车轨迹跟踪控制器存在求解计算时间长、在线实时性低的问题,借助于矩阵分块化策略,提出了一种基于控制时域变步长的模型预测轨迹跟踪控制方法。通过矩阵分块化改变控制时域步长,并融入到二次规划的求解过程中,重构目标函数形式和系统约束条件,以减少求解过程中最优控制序列中待求解变量的数量,降低求解计算时间。在Simulink与Carsim联合仿真平台中,将本文方法与传统模型预测控制方法进行仿真对比分析。结果表明,相比于传统模型预测控制方法,本文方法在保证轨迹跟踪精度的前提下,平均求解计算时间降低了24.39%,最大单次计算时间降低了45.05%,采用“前密后疏”的分块矩阵,其控制器性能优于“平均化”的分块矩阵。