隨著汽車行業(yè)的蓬勃發(fā)展,交通事故數(shù)量也在大幅上升。自動駕駛技術(shù)應(yīng)運而生,且日益興起。但是其最重要的安全性一直是個具有挑戰(zhàn)性的難題。因此自動駕駛技術(shù)大規(guī)模推廣應(yīng)用十分困難。輔助駕駛系統(tǒng)作為典型的信息物理融合系統(tǒng),能夠根據(jù)場景的變化輔助駕駛員進(jìn)行安全駕駛,具有很大的應(yīng)用前景。輔助駕駛系統(tǒng)的運行環(huán)境中存在著大量的不確定性,不僅包括車外駕駛場景的復(fù)雜多變,還包括車內(nèi)駕駛員自身的不確定性。環(huán)境的不確定性,會導(dǎo)致系統(tǒng)的行為具有不確定性,是影響系統(tǒng)安全性的重要因素之一。形式化方法能夠精確建模系統(tǒng)的行為,并支持使用模型檢測技術(shù)分析,驗證系統(tǒng)的行為正確性。如何使用形式化方法建模,分析輔助駕駛系統(tǒng)的不確定環(huán)境,是提高此類系統(tǒng)安全性所面臨的重要挑戰(zhàn)問題之一。因此本文從車內(nèi)駕駛員因素和車外的周邊場景因素著手,分別對車內(nèi)外場景進(jìn)行了建模及驗證研究。本文的研究內(nèi)容及成果主要有以下幾點:1.針對車內(nèi)的駕駛員的不確定性行為,本文提出了基于學(xué)習(xí)和模型檢測的駕駛員行為分析方法。使用攝像頭采集駕駛員數(shù)據(jù),構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（CNN）從圖像中提取駕駛員特征數(shù)據(jù),并使用樸素貝葉斯算法構(gòu)建駕駛員狀態(tài)預(yù)測模型。馬爾科夫決策過程（MD... 

【文章來源】：華東師范大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：121 頁

【學(xué)位級別】：碩士

【部分圖文】：

本文所提方法的總框架圖

第二章預(yù)備知識與概念華東師范大學(xué)碩士學(xué)位論文率。貝葉斯分類器學(xué)習(xí)階段完成，在預(yù)測階段，針對輸入的特征屬性集合，我們只需要挑選最大概率所屬的類別作為最終的分類結(jié)果。2.2卷積神經(jīng)網(wǎng)絡(luò)CNN卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork)是近年來發(fā)展起來的一種高效的識別方法[53][54][55]，受到了工業(yè)界和學(xué)術(shù)界廣泛的關(guān)注。在語音識別、人臉識別、通用目標(biāo)識別等領(lǐng)域取得了突破性進(jìn)展。這里我們簡單地回顧一下卷積神經(jīng)網(wǎng)絡(luò)的概念和應(yīng)用。圖2.1:一個簡單的三層前饋神經(jīng)網(wǎng)絡(luò)1)人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks，ANNs)是一種計算處理系統(tǒng)，最初是受到生物神經(jīng)系統(tǒng)運行工作的啟發(fā)而產(chǎn)生的。ANN由大量相互連接的神經(jīng)元組成，神經(jīng)元也就是計算節(jié)點。神經(jīng)元之間相互合作共同學(xué)習(xí)輸入，實現(xiàn)優(yōu)化最后的輸出。圖2.1就是一個ANN的簡單框架。從圖中可以看到，ANN由三層組成，分別是輸入層，隱藏層以及輸出層。這種結(jié)構(gòu)也是最常見的ANN基礎(chǔ)結(jié)構(gòu)，也是其他神經(jīng)網(wǎng)絡(luò)的基矗我們把輸入數(shù)據(jù)載入到網(wǎng)絡(luò)中，通常以多維向量的形式傳輸給輸入層，然后輸入層會把數(shù)據(jù)分發(fā)傳遞給隱藏層。隱藏層通過對前一層數(shù)據(jù)的輸入做出決策，還會在自身內(nèi)部進(jìn)行一個隨機(jī)的改變來優(yōu)化最終的輸出。這個過程被叫做學(xué)習(xí)過程，層層疊加的多個隱藏層通常被稱為深度學(xué)習(xí)。13

華東師范大學(xué)碩士學(xué)位論文第二章預(yù)備知識與概念2)卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork，CNNs)與傳統(tǒng)的ANNs類似，也是由通過學(xué)習(xí)進(jìn)行自我優(yōu)化的神經(jīng)元組成的。每個神經(jīng)元會接收一個輸入并執(zhí)行一個操作——這是無數(shù)神經(jīng)網(wǎng)絡(luò)的基矗從輸入的原始圖像向量到最終輸出的類分?jǐn)?shù)，整個神經(jīng)網(wǎng)絡(luò)表現(xiàn)的就像一個單一的感知分?jǐn)?shù)函數(shù)。最后一層將包含與類別相關(guān)的損失函數(shù)，ANNs開發(fā)使用的所有規(guī)則，同樣仍然適用于CNNs。CNNs與傳統(tǒng)ANNs的主要區(qū)別是，CNNs主要被應(yīng)用于圖像模式識別領(lǐng)域。這就使得我們將特定于圖像的特征編碼到體系結(jié)構(gòu)中，使整個網(wǎng)絡(luò)更適用于以圖像為中心的任務(wù)，這也會減少設(shè)置模型時所需的參數(shù)。CNN是由各層的神經(jīng)元組織而成，同時這些神經(jīng)元又是由三個維度的神經(jīng)元組成，這三維即輸入的空間維度（高度和寬度）和深度。這里深度不是指神經(jīng)網(wǎng)絡(luò)的總層數(shù)，而是指激活量的第三維度。與標(biāo)準(zhǔn)的ANNs不同，任何給定層中的神經(jīng)元只會連接到它前一層的一小部分。圖2.2:包含五層的CNN架構(gòu)CNNs一般由三層組成，分別是卷積層，池化層和全連接層。當(dāng)這些層堆疊連接起來，一個CNN架構(gòu)就形成了。圖2.2顯示了MNIST分類的一個簡化CNN架構(gòu)。輸入層將保存圖像的像素值。卷積層通過計算神經(jīng)元的權(quán)值與連接到輸入體積的區(qū)域的標(biāo)量積，來確定連接到輸入局部區(qū)域的神經(jīng)元的輸出。經(jīng)過校正的線性單元(通常簡稱為ReLu)的目的是將“elementwise”激活函數(shù)(如sigmoid)應(yīng)用到前一層產(chǎn)生的激活輸出中。然后，池化層將沿著給定輸入的空間維度向下采樣，進(jìn)一14

【參考文獻(xiàn)】：
期刊論文
[1]基于高逼真駕駛模擬器霧霾天氣下跟馳行為分析[J]. 時恒,涂輝招,高坤.  同濟(jì)大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[2]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學(xué)報. 2016(09)
[3]公交駕駛員不良駕駛行為調(diào)查與特征分析——以成都為例[J]. 易恬.  黑龍江交通科技. 2015(10)
[4]面向智能駕駛行為的機(jī)器學(xué)習(xí)[J]. 陳雪梅,田賡,苗一松.  道路交通與安全. 2014(06)
[5]道路交通安全設(shè)施對交通安全的影響分析[J]. 李亞軍.  警察技術(shù). 2014(06)
[6]道路景觀對駕駛?cè)藛T的影響[J]. 蔡顥.  山西建筑. 2013(21)
[7]模型檢測中狀態(tài)爆炸問題研究綜述[J]. 侯剛,周寬久,勇嘉偉,任龍濤,王小龍.  計算機(jī)科學(xué). 2013(S1)
[8]駕駛員狀態(tài)模型研究[J]. 任曉明,薛青,鄭長偉,羅佳,高會波.  系統(tǒng)仿真學(xué)報. 2012(09)
[9]攻擊性駕駛行為選擇模型及影響因素敏感度分析[J]. 馮忠祥,劉靜,李陽陽,張衛(wèi)華.  中國公路學(xué)報. 2012(02)
[10]智能車輛安全輔助駕駛技術(shù)研究近況[J]. 王榮本,郭烈,金立生,顧柏園,余天洪.  公路交通科技. 2007(07)

碩士論文
[1]道路交通環(huán)境對駕駛?cè)宋ｋU感知的影響研究[D]. 楚彭子.長安大學(xué) 2018
[2]冰雪路面城市快速路跟馳模型研究[D]. 魏增超.哈爾濱工業(yè)大學(xué) 2012



本文編號：2994114