摘要：为了提高智能驾驶汽车的安全性能,提出了一种基于改进Canny算法的智能换道辅助驾驶模型。对改进后的Canny算法进行性能对比实验发现,改进后的算法平均峰值信噪比为28.36 dB,高于传统Canny算法。在智能换道辅助驾驶模型的仿真分析中发现,该模型控制的智能汽车的最大侧向加速度0.04 m/s2。上述结果说明改进Canny算法具有较好的图像识别性能,且基于机器视觉优化技术的智能换道辅助驾驶模型的平稳性和安全性较高。故可利用研究提出的方法改善目前智能驾驶汽车安全性不足的问题,从而降低交通事故的发生率。

摘要：高速行驶的汽车在道路换道时需要保持安全的间距与车速,为保障汽车在换道过程安全行驶,提出一种基于动态空间转换法(Ego Dynamic Space Transform,EDST)与强化学习(Double Deep Q Network,DDQN)的多场景汽车避障预警算法。将单目深度预估图作为汽车航点最佳时刻,采用DDQN算法检测图像输入并执行动作输出。由于车辆换道场景的复杂性,采用对抗学习法(Adversarial Discriminative Domain Adaptation,ADDA)处理目标场景数据,实现车辆不同场景下的换道操作。选择多种场景测试车辆避障模型性能,所提出的自适应模型在复杂双向车道场景碰撞次数最少为3次。同时,能够换道数量最多为42次,优于EDST、DDQN以及DDQN+EDST模型,满足智能汽车安全换道要求。研究内容为高速驾驶车辆紧急避险提供重要的技术参考。