摘要：为解决目前车道线检测算法中存在的检测速度与检测精度不平衡的问题,便于模型部署于嵌入式系统,本文提出一种基于空间和通道注意力机制特征融合的量化车道线检测算法。该算法以轻量化的图像分割模型为基础,设计基于空间和通道注意力机制的特征融合算法,增强特征的表征能力;然后使用Group Normalization(GN)策略解决图像分割模型因显存不足导致的小批次训练时性能下降的问题,同时采用基于余弦退火衰减的学习率优化策略训练模型使模型更好地收敛于全局最优。在车道线测试数据集Tusimple和CuLane上测试算法,实验结果表明,本文算法Tusimple数据集上的检测精度达到96.75%,CuLane数据集上的F1为74.29,检测的速度为234帧/秒,模型参数量仅为8.2M,达到了检测精度与检测速度的平衡,本文设计的算法可应用于嵌入式系统中。

摘要：为了解决行人再识别以及车辆再识别算法中网络训练过程对计算资源的消耗过大且准确率较低的问题,提出基于能量模型的目标分类和度量学习方法.利用样本特征空间中同类样本的低能量分布特性,设计对比能量损失函数,形式上表达为训练样本在真实目标类别上的损失函数响应和非目标类别上的响应之差,可以更准确地增大目标响应,抑制非目标响应,提高了分类准确率,使得同类样本特征更聚集、异类样本特征更远离.在多个行人再识别和车辆再识别数据集上的测试结果显示,相对于Soft-max和Triplet混合损失函数,利用能量模型可以提升网络训练效率,提高目标再识别准确率.

摘要：为识别自动驾驶环境下驾驶人的接管行为及意图,面向18.95 km双向六车道高速公路场景,借助驾驶模拟器和眼动仪,实施驾驶人10次面对5种紧急情境之一接管自动驾驶车辆的模拟试验。利用所得车辆运行和视觉注意力数据,根据因子分析提取得到3个公因子,采用K-means聚类分析定性识别驾驶人接管行为及意图。将因子分析分别与支持向量机和长短期记忆神经网络进行结合,获得两个定量识别驾驶人接管行为及意图的模型。研究结果表明,驾驶人接管行为受其纵向反应、横向反应和视觉注意力影响;聚类分析可定性描述不同类型驾驶人的接管行为及意图,并揭示潜在的驾驶安全隐患;相比支持向量机、长短期记忆神经网络和因子支持向量机模型,因子长短期记忆模型能更有效地识别驾驶人接管意图,其精确率、召回率、F1分数和准确率4项性能指标均最优;利用因子分析进行数据降维和有效信息浓缩所得公因子有助于提高驾驶接管意图识别模型的分类性能。本研究有助于识别出接管风险较高的驾驶人,进而设计有针对性的驾驶辅助策略。

摘要：基于自动驾驶车辆(AV)和常规人驾车辆(RV)混合行驶的情况,在全速度差(FVD)模型的基础上考虑了多前车和一辆后车的车头间距、速度、速度差、加速度差等因素,建立了适用于AV和RV 2种车辆的混行车辆跟驰模型;引入分子动力学理论定量化表达了周围车辆对主体车辆的影响程度;利用RV和AV混行场景跟车数据,以模型拟合精度最高为目标,对所有参数遍历寻优,进行标定;对比分析了混行车辆跟驰模型和FVD模型控制下交通流的稳定性,解析了车速对交通流稳定性的影响;设计了数值仿真试验,模拟了城市道路和高速公路2种常见场景,分析了混行车辆跟驰模型的拟合精度。研究结果表明:考虑周围多车信息有利于提高交通流的稳定性;车辆速度越低交通流稳定性越差;考虑多车信息的分子动力学混行车辆跟驰模型可以提前获得整个车队的运行趋势,更好地模拟AV的动力学特征;与FVD模型相比,在城市道路条件下混行车辆跟驰模型中的RV平均最大误差与平均误差分别减小了0.18 m·s^(-1)和13.12%,拟合精度提高了4.47%;与PATH实验室的ACC模型相比,在高速公路条件下混行车辆跟驰模型中的AV平均最大误差和平均误差分别减小了7.78%和26.79%,拟合精度提高了1.21%。可见,该模型可用于混行环境下AV的跟驰控制与队列控制,以及AV和RV的跟驰仿真。

摘要：降雨给城市道路行程时间的计算和预测带来了许多不确定因素.以出租车GPS数据为研究对象,在考虑降雨数据的基础上,设计一个基于非最小路段的行程时间计算方法,建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证.最后,以北京市中关村西区出租车行驶的10 d的GPS数据进行方法验证.结果表明,加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率.并与应用较为广泛的BP神经网络和SVM进行对比分析,发现在满足数据精度的前提下,本文应用的算法和预测模型有较高的训练速度和预测可靠性.

摘要：为解决低频GPS数据条件下路段行程时间估计误差较大的问题,分析了车辆在道路交叉口影响区域的延误特征,根据两个相邻GPS点跨越一个或多个交叉口,以及跨越的交叉口影响区域內有无GPS点,划分了4种GPS分布类型,并设计了相应类型的基于交叉口延误计算的路段行程时间插值算法.以北京市八角地区实际GPS数据为例验证了本文算法,结果表明:在平峰和高峰时段,用本文算法计算的路段行程时间的平均绝对相对误差不超过14%;与改进插值法相比,平均估计精度提高了7.9%,在交叉口延误时间较大的路段效果更显著.

摘要：在目前的车辆再识别方法中,车辆在拍摄过程中的多视角会导致特征嵌入空间中决策边界附近样本较难区分.针对该问题,提出通过最大化边界距离提升车辆再识别准确率.在特征表示阶段,设计了大边界损失度量函数,可以有效处理相似车辆的混淆问题;采用入侵叛逃采样策略,可以在训练样本中找出更容易混淆的难样本以更有针对性地训练网络,并加快网络的训练速度.在车辆检索阶段,提出基于核函数的重排序方法,可以提高车辆再识别的准确率.在3个公共数据集上的实验结果显示,车辆再识别的准确率得到提高,同时训练和推理效率得到改善.理论分析和实验表明,大边距度量学习通过挖掘决策边界的难样本,可以有效解决车辆再识别中的多视角问题.

摘要：为减小池化操作造成空间信息丢失的影响,提高基于迁移学习的弱监督语义分割算法的性能,提出一种多模型集成的弱监督图像语义分割算法.该算法在迁移学习算法的基础上,利用多尺度图像的高层语义特征和单尺度图像的高中层相结合的卷积特征,分别训练2个差异化的同质型基分割模型,并与原迁移学习训练的分割模型进行加权平均,集成构造最后的分割模型.同时结合预测类别可信度调整语义分割中对应类别像素的可信度,抑制分割图中的假正例区域,提高分割的精度.在VOC2012数据集上进行实验的结果表明,验证集上的平均重叠率为55.3%,测试集上的平均重叠率为56.9%,比原迁移学习算法分别提升6.1%和11.1%,也优于其他以类标为弱监督信息的语义分割算法.

摘要：在路口信号设计中通过合理设置控制参数可以消除黄灯困境区,但当实际车辆运行状态、道路交通环境发生变化时,原有保障信号控制安全的措施可能会失效,出现黄灯困境区。传统感应控制策略受固定检测器位置限制,可能在困境区域位置发生变化并存在车辆的情况下进行相位切换。通过先进的检测器可以获取车辆的实时轨迹数据,对车辆运动参数和位置信息进行分析,从交通安全的角度提出基于黄灯困境区内车辆安全性的相位最佳安全切换策略。结果表明:在不良天气和路面条件下,下坡车辆较上坡、平坡车辆遭遇困境区风险的概率更大,可以通过适当短时调整信号切换时机(时间为1~6 s),规避困境区内车辆通行的安全问题。

摘要：为实现城市道路交通管控的智能化,缓解交通拥堵,研究和设计了城市道路交通主动控制系统.系统由4个子系统构成,其中云-边-端支撑子系统是计算、通信和存储的基础,可视化软硬件在环子系统是指挥决策与演练的关键,实时控制子系统和实时仿真子系统是道路交通控制的核心,用以保障交通控制的实时性和先进性.系统采用基于时空资源分配的主动控制模型,将传统以周期、绿信比调节为核心的交叉口信号被动控制转变为车道可变、相位相序可调且具有链状连接特性的交叉口主动控制.实际数据仿真分析表明,系统的主动控制能够有效降低交叉口通行车辆的总行程时间和平均排队长度.