發(fā)布時間：2024-07-08 18:38

　　高級駕駛輔助系統(tǒng)是最近一項熱門課題。該系統(tǒng)利用安裝于車身和內(nèi)部的傳感器,收集駕車過程中的外部環(huán)境、車輛行駛過程中的數(shù)據(jù)和駕駛?cè)藸顟B(tài)來進(jìn)行駕駛情況預(yù)測。高級駕駛輔助系統(tǒng)的核心是基于傳感器對車內(nèi)外環(huán)境的感知,在深度學(xué)習(xí)的協(xié)助下輔助駕駛?cè)诉M(jìn)行安全駕駛、規(guī)避風(fēng)險,幫助駕駛?cè)损B(yǎng)成良好的駕車習(xí)慣。在短暫的彎道駕駛過程中包含了許多駕駛的細(xì)節(jié)操作,如減速時機(jī)、轉(zhuǎn)彎速度、轉(zhuǎn)彎幅度、加速時機(jī)等等,足夠體現(xiàn)一個駕駛者的行為習(xí)慣。通過深度學(xué)習(xí)網(wǎng)絡(luò)分析駕駛者在彎道的的駕駛數(shù)據(jù),來對其駕駛行為習(xí)慣進(jìn)行建模和識別。本文進(jìn)行提出適用于實驗數(shù)據(jù)的彎道駕駛行為識別模型,模型混合了卷積神經(jīng)網(wǎng)絡(luò)和雙向LSTM的深度學(xué)習(xí)。通過實驗研究,結(jié)果顯示本文模型的平均準(zhǔn)確率為81.9%,雙向LSTM在實驗數(shù)據(jù)集上僅為77.4%。(1)通過定義彎道駕駛的過程,在預(yù)處理階段精確取出實驗需要的數(shù)據(jù)。在多種降維方法中選擇多維標(biāo)度法進(jìn)行降維操作,并用Spearman相關(guān)系數(shù)作為實驗數(shù)據(jù)的距離測量方法實現(xiàn)特征提取,最終得到了較好的降維結(jié)果。在信息損失較小的情況下保留了較多的特征。(2)提出用Bi-LSTM來解決傳統(tǒng)CNN和LSTM對于時序信號處理過...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題研究背景及意義
        1.1.1 課題研究的背景
        1.1.2 課題研究的意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容及主要貢獻(xiàn)
        1.3.1 論文研究內(nèi)容
        1.3.2 論文主要貢獻(xiàn)
    1.4 論文的結(jié)構(gòu)
    1.5 本章小結(jié)
2 彎道行為識別的相關(guān)研究
    2.1 彎道行為概述
    2.2 駕駛數(shù)據(jù)的原理和特點
    2.3 駕駛行為相關(guān)的深度學(xué)習(xí)
        2.3.1 深度學(xué)習(xí)在輔助駕駛中的應(yīng)用
        2.3.2 LSTM算法
        2.3.2 Bi-LSTM算法
    2.4 本章小結(jié)
3 道路行為輔助系統(tǒng)設(shè)計
    3.1 道路行為輔助系統(tǒng)功能概述
    3.2 彎道駕駛?cè)俗R別系統(tǒng)結(jié)構(gòu)介紹
        3.2.1 云端和汽車端結(jié)構(gòu)
        3.2.2 彎道識別處理流程
        3.2.3 數(shù)據(jù)采集
    3.3 本章小結(jié)
4 基于Bi-LSTM神經(jīng)網(wǎng)絡(luò)的彎道行為識別模型
    4.1 數(shù)據(jù)預(yù)處理
    4.2 用改進(jìn)的多維標(biāo)度法進(jìn)行數(shù)據(jù)降維
        4.2.1 單因素方差和多維標(biāo)度法簡介
        4.2.2 改進(jìn)的多維標(biāo)度法的實現(xiàn)
        4.2.3 改進(jìn)前后多維標(biāo)度法的對比實驗
    4.3 Bi-LSTM算法存在的問題及改進(jìn)思路
    4.4 基于Bi-LSTM分類算法的改進(jìn)
        4.4.1 算法改進(jìn)的依據(jù)
        4.4.2 實驗預(yù)測模型的建立
    4.5 基于CBL算法的彎道駕駛?cè)诵袨樽R別結(jié)果
        4.5.1 實驗?zāi)Ｐ偷挠?xùn)練
        4.5.2 評估指標(biāo)
        4.5.3 駕駛?cè)祟A(yù)測
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的科研成果與參加的項目



本文編號：4003704