跟馳和換道行為是影響車輛運(yùn)行安全性的重要因素,也是目前駕駛行為和車輛主動(dòng)安全領(lǐng)域的研究熱點(diǎn)。跟馳行為的研究提出了刺激-反應(yīng)、安全距離等數(shù)學(xué)模型來揭示單行道上跟馳車輛之間的駕駛行為,在實(shí)際應(yīng)用中,由于駕駛環(huán)境復(fù)雜,跟馳模型在少數(shù)刺激源下并不能真實(shí)揭露駕駛員的實(shí)際駕駛特性,因此,不能得到廣泛推廣。本文以車輛間的縱向跟馳行為研究現(xiàn)狀與背景為基礎(chǔ),設(shè)計(jì)一種自學(xué)習(xí)深度跟馳網(wǎng)絡(luò),探索交通流中跟馳車及前導(dǎo)車的駕駛規(guī)律,最終以前導(dǎo)車速度、后導(dǎo)車速度、相對(duì)距離三個(gè)參數(shù)的變化趨勢(shì)反應(yīng)駕駛員的駕駛行為特性。主要研究?jī)?nèi)容如下:（1）深度跟馳網(wǎng)絡(luò)下的前導(dǎo)車檢測(cè)。借鑒CNN卷積網(wǎng)絡(luò)及YOLO系列圖像檢測(cè)原理,設(shè)計(jì)深度跟馳網(wǎng)絡(luò)目標(biāo)檢測(cè)算法,為保證數(shù)據(jù)在正反向傳播時(shí)數(shù)據(jù)分布的一致性,在網(wǎng)絡(luò)中引入批量歸一化算法與卷積層構(gòu)成基本組件,防止網(wǎng)絡(luò)在訓(xùn)練過程中的過擬合問題;大量使用層與層之間的跳層鏈接,使網(wǎng)絡(luò)檢測(cè)深度增強(qiáng),提高了對(duì)前導(dǎo)車檢測(cè)的準(zhǔn)確性;采用ROC曲線對(duì)YOLO以及深度跟馳網(wǎng)絡(luò)進(jìn)行分類效果評(píng)價(jià),測(cè)試結(jié)果顯示,深度跟馳網(wǎng)絡(luò)在不同光線環(huán)境下檢測(cè)性能均優(yōu)于YOLO網(wǎng)絡(luò)。（2）改進(jìn)RNN網(wǎng)絡(luò)下的駕駛行為分析。基于傳統(tǒng)RNN... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

歷年交通事故發(fā)生數(shù)量圖

1緒論11緒論1.1研究背景及意義1.1.1研究課題背景公路運(yùn)輸作為地面運(yùn)輸?shù)闹饕椒╗1]，其交通事故多發(fā)所帶來的隱患問題，影響及制約著社會(huì)經(jīng)濟(jì)的發(fā)展以及民生和諧。在汽車保有量以及駕駛員數(shù)量逐年增加的趨勢(shì)下，交通安全問題也日益嚴(yán)重，據(jù)統(tǒng)計(jì)[2]，全國(guó)僅小型載客車在2018年保有量較前年增長(zhǎng)了10.51%。汽車駕駛?cè)苏伎傫{駛?cè)藬?shù)的90.28%。在2018年期間，交通事故多達(dá)24萬(wàn)余起，以汽車及機(jī)動(dòng)車發(fā)生事故占主要比例,直接財(cái)產(chǎn)損失高達(dá)12.8億元，成為交通事故中主要經(jīng)濟(jì)影響因素，如下圖1.1、1.2所示。圖1.1歷年交通事故發(fā)生數(shù)量圖圖1.22018年事故統(tǒng)計(jì)分類情況交通事故多發(fā)一方面是由于控制及預(yù)防事故的科學(xué)方法仍不完善，另一方面駕駛員安全性駕駛的控制作用仍未發(fā)揮[3]，在車輛數(shù)以及駕駛員數(shù)量增長(zhǎng)趨勢(shì)不能避免下，如何提高行駛車輛的駕駛安全性是目前國(guó)內(nèi)外的研究熱點(diǎn)，由此誕生的安全輔助駕駛系統(tǒng)在多個(gè)方面降低了事故發(fā)生率。駕駛安全性能的影響不僅取決于環(huán)境因素，更由駕駛員的駕駛復(fù)雜性所主導(dǎo)。如何預(yù)測(cè)駕駛員在實(shí)車環(huán)境下的駕駛行為特性[4]成為研究者探索安全事故發(fā)生機(jī)理的主要方法。目前駕駛行為的研究方向主要分為單行車道中運(yùn)動(dòng)車輛間的縱向跟馳行為以及多行車道中車輛間的橫向超車行為[5]，在此背景下，誕生了基于分子學(xué)理論、腦電波理論、能量守恒理論下的跟馳模型和換道模型來推測(cè)駕駛車輛在未來時(shí)間段的駕駛行為特性。由于環(huán)境的多樣性及駕駛員駕駛習(xí)慣的復(fù)雜性，適應(yīng)于某種特定場(chǎng)合的數(shù)學(xué)模型并不能得到廣泛應(yīng)用[6]，隨著深度學(xué)習(xí)在圖像處理方面的應(yīng)用，許多研究者利用深度學(xué)習(xí)識(shí)別駕駛車輛類型、駕駛車牌號(hào)、道路行駛標(biāo)志、交通流預(yù)測(cè)軌跡等圖像中的內(nèi)在信息，為

基于深度跟馳網(wǎng)絡(luò)的駕駛行為預(yù)測(cè)原理圖

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)研究綜述[J]. 范麗麗,趙宏偉,趙浩宇,胡黃水,王振.  光學(xué)精密工程. 2020(05)
[2]基于網(wǎng)聯(lián)的交通沖突安全距離模型研究[J]. 田競(jìng),熊堅(jiān).  中國(guó)水運(yùn)(下半月). 2019(09)
[3]基于多前車信息融合的智能網(wǎng)聯(lián)車輛跟馳模型[J]. 紀(jì)藝,史昕,趙祥模.  計(jì)算機(jī)應(yīng)用. 2019(12)
[4]基于模糊綜合評(píng)價(jià)的駕駛安全性評(píng)價(jià)研究[J]. 許治琦,姚遠(yuǎn),周興社,楊剛.  計(jì)算機(jī)測(cè)量與控制. 2019(07)
[5]高級(jí)輔助駕駛系統(tǒng)實(shí)驗(yàn)平臺(tái)開發(fā)研究[J]. 張春洲,石晶.  農(nóng)業(yè)裝備與車輛工程. 2019(07)
[6]基于YOLOv3的自動(dòng)駕駛中運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 李云鵬,侯凌燕,王超.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(04)
[7]基于YOLO算法的多類目標(biāo)識(shí)別[J]. 于秀萍,呂淑平,陳志韜.  實(shí)驗(yàn)室研究與探索. 2019(03)
[8]不同車速多前導(dǎo)車對(duì)跟馳行駛特性的影響[J]. 楊海飛,粟海琪,胡歡,劉昶成,李睿,譙洋.  現(xiàn)代交通技術(shù). 2019(01)
[9]基于回歸與深度強(qiáng)化學(xué)習(xí)的目標(biāo)檢測(cè)算法[J]. 舒朗,郭春生.  軟件導(dǎo)刊. 2018(12)
[10]經(jīng)典跟馳模型的發(fā)展綜述[J]. 魏福祿,劉楊.  吉林建筑大學(xué)學(xué)報(bào). 2018(04)

博士論文
[1]面向駕駛輔助系統(tǒng)的車輛行駛安全預(yù)警模型研究[D]. 胡三根.華南理工大學(xué) 2016
[2]基于分子動(dòng)力學(xué)的車輛運(yùn)行安全特性研究[D]. 陳秀鋒.吉林大學(xué) 2013

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的高速車輛檢測(cè)的研究[D]. 蔡婉雪.南京郵電大學(xué) 2018
[2]面向短時(shí)交通流分析與預(yù)測(cè)的循環(huán)神經(jīng)網(wǎng)絡(luò)算法研究[D]. 趙慶.西安理工大學(xué) 2019
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的車輛檢測(cè)與測(cè)距[D]. 張玉鵬.北京郵電大學(xué) 2019
[4]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的腦電識(shí)別[D]. 魏暢.重慶郵電大學(xué) 2019
[5]基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)算法研究[D]. 莊瑞剛.西安電子科技大學(xué) 2019
[6]自編碼網(wǎng)絡(luò)優(yōu)化及其應(yīng)用[D]. 梅晨.深圳大學(xué) 2018
[7]基于車載攝像機(jī)的前方車輛測(cè)距測(cè)速方法研究[D]. 張亞男.大連海事大學(xué) 2018
[8]車路協(xié)同跟車輔助下的駕駛員跟馳行為研究[D]. 龔思遠(yuǎn).吉林大學(xué) 2013
[9]基于幀差法與圖像塊匹配方法的煙絲測(cè)速的研究[D]. 曾蕾.南華大學(xué) 2012
[10]道路交通安全事故成因及預(yù)測(cè)模型研究[D]. 夏青青.長(zhǎng)沙理工大學(xué) 2010



本文編號(hào)：2978247