论文部分内容阅读
跟驰和换道行为是影响车辆运行安全性的重要因素,也是目前驾驶行为和车辆主动安全领域的研究热点。跟驰行为的研究提出了刺激-反应、安全距离等数学模型来揭示单行道上跟驰车辆之间的驾驶行为,在实际应用中,由于驾驶环境复杂,跟驰模型在少数刺激源下并不能真实揭露驾驶员的实际驾驶特性,因此,不能得到广泛推广。本文以车辆间的纵向跟驰行为研究现状与背景为基础,设计一种自学习深度跟驰网络,探索交通流中跟驰车及前导车的驾驶规律,最终以前导车速度、后导车速度、相对距离三个参数的变化趋势反应驾驶员的驾驶行为特性。主要研究内容如下:(1)深度跟驰网络下的前导车检测。借鉴CNN卷积网络及YOLO系列图像检测原理,设计深度跟驰网络目标检测算法,为保证数据在正反向传播时数据分布的一致性,在网络中引入批量归一化算法与卷积层构成基本组件,防止网络在训练过程中的过拟合问题;大量使用层与层之间的跳层链接,使网络检测深度增强,提高了对前导车检测的准确性;采用ROC曲线对YOLO以及深度跟驰网络进行分类效果评价,测试结果显示,深度跟驰网络在不同光线环境下检测性能均优于YOLO网络。(2)改进RNN网络下的驾驶行为分析。基于传统RNN对于序列化数据预测机理,设计能够预测驾驶行为表征参数序列化数据的分析网络,网络将输出层信息返回到隐藏层,并进行双向融合处理,使测试结果取决于输入及输出两个方向的信息特征,提高了序列化数据特征预测的准确性;对双向改进RNN进行最佳参数选取实验以及预测效果对比实验,实验结果表明,双向改进RNN对于驾驶行为的预测准确度优于传统RNN网络。(3)深度跟驰网络下的驾驶行为预测。将深度跟驰网络目标检测算法、双向改进RNN序列化数据预测算法、测速测距算法在Keras下进行融合构建深度跟驰网络驾驶行为分析算法,实现行车记录仪下的图像信息预测;搭建实验环境,对深度跟驰网络进行前导车不同行驶状态激励下的驾驶行为预测效果进行评估,实验结果表明,深度跟驰网络能够实现对驾驶员驾驶行为的预测。