無人車通常無法探測到人類司機(jī)的分心行為,這將導(dǎo)致無人車延遲地采取緊急制動來避免追尾。因此,本文致力于構(gòu)建無人車控制與人類司機(jī)分心監(jiān)測之間的橋梁,來輔助無人車預(yù)測潛在風(fēng)險并像有經(jīng)驗的人類司機(jī)一樣避讓處于分心的司機(jī),提高無人車的智能化水平和交通系統(tǒng)的安全性。首先,本文提出了一種整合了司機(jī)分心監(jiān)測、車對車信息交換和無人車速度控制的可行系統(tǒng)框架。然后,基于卷積神經(jīng)網(wǎng)絡(luò),本文提供了一種司機(jī)分心監(jiān)測實現(xiàn)。最后,基于模型預(yù)測控制策略,本文提出了一種考慮了司機(jī)分心行為的無人車縱向速度控制方法,并給出持續(xù)可行性分析。仿真結(jié)果驗證了本文工作的有效性。 

【文章來源】：信號處理. 2020,36(05)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

系統(tǒng)框架

如圖2所示,用于分心監(jiān)測的卷積神經(jīng)網(wǎng)絡(luò)模型包括一個稀疏自編碼器和一個包含三層的卷積神經(jīng)網(wǎng)絡(luò):一個卷積層標(biāo)注為C1,一個池化層標(biāo)注為P1和一個輸出層。注意,相比于傳統(tǒng)的將卷積核和卷積層、池化層一起訓(xùn)練,這里先用稀疏線性編碼器提取特征(如卷積核),再在余下的網(wǎng)絡(luò)中使用訓(xùn)練好的卷積核。這種多階段的訓(xùn)練方式可以減少訓(xùn)練的復(fù)雜度。此外,事先訓(xùn)練學(xué)習(xí)好的低層次特征可以改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)高層次特征的有效性。首先,訓(xùn)練學(xué)習(xí)8×8維度的卷積核。詳細(xì)地,每個用于訓(xùn)練的圖片被分割成64個8×8維度的小圖片,然后它們被送進(jìn)稀疏線性編碼器中來獲得8×8維度卷積核的參數(shù)。這里,設(shè)定卷積核的數(shù)量為400,這將在C1層產(chǎn)生400個特征圖。

兩種情況的結(jié)果顯示在圖3和圖4。為了模擬人類司機(jī)的分心行為,設(shè)定ct·h在1.2 s到2.4 s之間以二次凹函數(shù)形式先增長再下降。從圖3可以看出,在這段時間內(nèi)無人車適度地降低它的速度來預(yù)留更大的相對距離。然后,無人車漸漸加速。其他時刻小的正值加速度來自于ρ的激勵和充足的安全距離。仔細(xì)觀察圖4,無人車不僅在1.2 s減速,也在1.8 s左右以最小加速度剎車來避免碰撞。這種最壞的情況來自于前方人類司機(jī)的猛烈剎車。圖4 在人類司機(jī)以最小加速度剎車下無人車速度控制

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在腦疲勞檢測中的研究[J]. 楊碩,丁建清,王磊,劉帥.  信號處理. 2019(04)
[2]利用卷積神經(jīng)網(wǎng)絡(luò)的車道線檢測方法[J]. 錢沄濤,胡忠闖,陳思宇.  信號處理. 2019(03)
[3]認(rèn)知分心對車輛跟馳過程操控安全性的影響[J]. 李鵬輝,廖呈瑋,鄭志曉,王穎,李一兵.  中國公路學(xué)報. 2018(05)



本文編號：3316266