無(wú)人車(chē)通常無(wú)法探測(cè)到人類(lèi)司機(jī)的分心行為,這將導(dǎo)致無(wú)人車(chē)延遲地采取緊急制動(dòng)來(lái)避免追尾。因此,本文致力于構(gòu)建無(wú)人車(chē)控制與人類(lèi)司機(jī)分心監(jiān)測(cè)之間的橋梁,來(lái)輔助無(wú)人車(chē)預(yù)測(cè)潛在風(fēng)險(xiǎn)并像有經(jīng)驗(yàn)的人類(lèi)司機(jī)一樣避讓處于分心的司機(jī),提高無(wú)人車(chē)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(cè)、車(chē)對(duì)車(chē)信息交換和無(wú)人車(chē)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(cè)實(shí)現(xiàn)。最后,基于模型預(yù)測(cè)控制策略,本文提出了一種考慮了司機(jī)分心行為的無(wú)人車(chē)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(yàn)證了本文工作的有效性。 

【文章來(lái)源】：信號(hào)處理. 2020,36(05)北大核心CSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

系統(tǒng)框架

如圖2所示,用于分心監(jiān)測(cè)的卷積神經(jīng)網(wǎng)絡(luò)模型包括一個(gè)稀疏自編碼器和一個(gè)包含三層的卷積神經(jīng)網(wǎng)絡(luò):一個(gè)卷積層標(biāo)注為C1,一個(gè)池化層標(biāo)注為P1和一個(gè)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(xiàn)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(gè)用于訓(xùn)練的圖片被分割成64個(gè)8×8維度的小圖片,然后它們被送進(jìn)稀疏線(xiàn)性編碼器中來(lái)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(gè)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(lèi)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(zhǎng)再下降。從圖3可以看出,在這段時(shí)間內(nèi)無(wú)人車(chē)適度地降低它的速度來(lái)預(yù)留更大的相對(duì)距離。然后,無(wú)人車(chē)漸漸加速。其他時(shí)刻小的正值加速度來(lái)自于ρ的激勵(lì)和充足的安全距離。仔細(xì)觀(guān)察圖4,無(wú)人車(chē)不僅在1.2 s減速,也在1.8 s左右以最小加速度剎車(chē)來(lái)避免碰撞。這種最壞的情況來(lái)自于前方人類(lèi)司機(jī)的猛烈剎車(chē)。圖4 在人類(lèi)司機(jī)以最小加速度剎車(chē)下無(wú)人車(chē)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(cè)中的研究[J]. 楊碩,丁建清,王磊,劉帥.  信號(hào)處理. 2019(04)
[2]利用卷積神經(jīng)網(wǎng)絡(luò)的車(chē)道線(xiàn)檢測(cè)方法[J]. 錢(qián)沄濤,胡忠闖,陳思宇.  信號(hào)處理. 2019(03)
[3]認(rèn)知分心對(duì)車(chē)輛跟馳過(guò)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(guó)公路學(xué)報(bào). 2018(05)



本文編號(hào)：3316266