面向無(wú)人駕駛有軌電車的運(yùn)行安全評(píng)估
發(fā)布時(shí)間:2023-05-30 23:34
由于有軌電車具有成本低、能耗低、污染小等方面的諸多優(yōu)勢(shì),使得其發(fā)展迅速,成為重要的公共交通工具之一。又隨著人工智能的飛速發(fā)展,無(wú)人駕駛有軌電車逐漸成為研究熱點(diǎn)。但通過(guò)以往有軌電車的運(yùn)行情況而言,無(wú)人駕駛有軌電車在運(yùn)行過(guò)程中的安全問(wèn)題仍是研究人員關(guān)注的重點(diǎn)。如何能夠確保無(wú)人駕駛有軌電車在城市道路中安全有效行駛,在保證有軌電車穩(wěn)定行駛的同時(shí)確保電車的安全性能成為無(wú)人駕駛有軌電車研究的重點(diǎn)。本文在考慮無(wú)人駕駛有軌電車在運(yùn)行過(guò)程中的行駛特點(diǎn)以及周圍環(huán)境的變化,主要針對(duì)有軌電車運(yùn)行安全評(píng)估問(wèn)題展開(kāi)了如下研究工作:1、分析無(wú)人駕駛車輛安全評(píng)估方法與有軌電車之間的關(guān)系,當(dāng)有軌電車位于交通道路中,考慮到GPS數(shù)據(jù)包含一定的噪聲,對(duì)所獲取得到的車輛數(shù)據(jù)進(jìn)行預(yù)處理,保留有效數(shù)據(jù);針對(duì)周圍車輛軌跡預(yù)測(cè)的實(shí)時(shí)性與高精度要求,建立融合卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)特征的軌跡預(yù)測(cè)模型,針對(duì)預(yù)測(cè)模型的超參數(shù)對(duì)預(yù)測(cè)結(jié)果影響較大,采用網(wǎng)格搜索算法對(duì)不同超參數(shù)進(jìn)行尋優(yōu)。并通過(guò)真實(shí)數(shù)據(jù)集對(duì)該方法進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果表明該方法的可行性;2、考慮到無(wú)人駕駛有軌電車避障過(guò)程中電車運(yùn)行軌道固定特點(diǎn),以及無(wú)人駕駛有軌電車在交叉路口時(shí)的運(yùn)...
【文章頁(yè)數(shù)】:70 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 論文主要內(nèi)容
1.4 論文組織結(jié)構(gòu)
2 軌跡預(yù)測(cè)相關(guān)算法介紹
2.1 數(shù)據(jù)預(yù)處理
2.2 軌跡預(yù)測(cè)算法
2.3 本章小結(jié)
3 碰撞概率計(jì)算
3.1 問(wèn)題分析性描述
3.1.1 蒙特卡洛法
3.1.2 高斯擬合法
3.2 基于點(diǎn)域的風(fēng)險(xiǎn)估計(jì)
3.3 本章小結(jié)
4 基于CNN-LSTM軌跡預(yù)測(cè)方法
4.1 整體框架介紹
4.1.1 有軌電車運(yùn)行場(chǎng)景描述
4.1.2 交通場(chǎng)景多目標(biāo)軌跡預(yù)測(cè)問(wèn)題求解框架
4.2 CNN-LSTM序貫?zāi)P蛙壽E預(yù)測(cè)
4.2.1 車輛信息描述及篩選
4.2.2 異常值檢測(cè)
4.2.3 CNN-LSTM序貫?zāi)P?br> 4.3 網(wǎng)絡(luò)超參數(shù)尋優(yōu)
4.3.1 網(wǎng)絡(luò)優(yōu)化器
4.3.2 卷積核寬度
4.3.3 卷積核長(zhǎng)度
4.3.4 LSTM層神經(jīng)元個(gè)數(shù)
4.3.5 LSTM層數(shù)
4.3.6 全連接層神經(jīng)元個(gè)數(shù)
4.3.7 批次大小
4.3.8 權(quán)重初始化
4.4 實(shí)驗(yàn)結(jié)果及分析
4.4.1 軌跡預(yù)測(cè)結(jié)果
4.4.2 軌跡預(yù)測(cè)誤差
4.5 本章小結(jié)
5 有軌電車運(yùn)行安全風(fēng)險(xiǎn)分析
5.1 有軌電車軌跡生成
5.2 有軌電車碰撞時(shí)間
5.3 有軌電車安全評(píng)估結(jié)果
5.3.1 不同時(shí)速下的有軌電車碰撞時(shí)間分布
5.3.2 不同時(shí)速下的有軌電車安全指數(shù)
5.4 本章小結(jié)
6 結(jié)論與展望
6.1 論文總結(jié)
6.2 論文展望
致謝
參考文獻(xiàn)
攻讀碩士期間研究成果
本文編號(hào):3825251
【文章頁(yè)數(shù)】:70 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 論文主要內(nèi)容
1.4 論文組織結(jié)構(gòu)
2 軌跡預(yù)測(cè)相關(guān)算法介紹
2.1 數(shù)據(jù)預(yù)處理
2.2 軌跡預(yù)測(cè)算法
2.3 本章小結(jié)
3 碰撞概率計(jì)算
3.1 問(wèn)題分析性描述
3.1.1 蒙特卡洛法
3.1.2 高斯擬合法
3.2 基于點(diǎn)域的風(fēng)險(xiǎn)估計(jì)
3.3 本章小結(jié)
4 基于CNN-LSTM軌跡預(yù)測(cè)方法
4.1 整體框架介紹
4.1.1 有軌電車運(yùn)行場(chǎng)景描述
4.1.2 交通場(chǎng)景多目標(biāo)軌跡預(yù)測(cè)問(wèn)題求解框架
4.2 CNN-LSTM序貫?zāi)P蛙壽E預(yù)測(cè)
4.2.1 車輛信息描述及篩選
4.2.2 異常值檢測(cè)
4.2.3 CNN-LSTM序貫?zāi)P?br> 4.3 網(wǎng)絡(luò)超參數(shù)尋優(yōu)
4.3.1 網(wǎng)絡(luò)優(yōu)化器
4.3.2 卷積核寬度
4.3.3 卷積核長(zhǎng)度
4.3.4 LSTM層神經(jīng)元個(gè)數(shù)
4.3.5 LSTM層數(shù)
4.3.6 全連接層神經(jīng)元個(gè)數(shù)
4.3.7 批次大小
4.3.8 權(quán)重初始化
4.4 實(shí)驗(yàn)結(jié)果及分析
4.4.1 軌跡預(yù)測(cè)結(jié)果
4.4.2 軌跡預(yù)測(cè)誤差
4.5 本章小結(jié)
5 有軌電車運(yùn)行安全風(fēng)險(xiǎn)分析
5.1 有軌電車軌跡生成
5.2 有軌電車碰撞時(shí)間
5.3 有軌電車安全評(píng)估結(jié)果
5.3.1 不同時(shí)速下的有軌電車碰撞時(shí)間分布
5.3.2 不同時(shí)速下的有軌電車安全指數(shù)
5.4 本章小結(jié)
6 結(jié)論與展望
6.1 論文總結(jié)
6.2 論文展望
致謝
參考文獻(xiàn)
攻讀碩士期間研究成果
本文編號(hào):3825251
本文鏈接:http://sikaile.net/shoufeilunwen/boshibiyelunwen/3825251.html
最近更新
教材專著