基于混合深度學習的彎道行為識別研究
發布時間:2024-07-08 18:38
高級駕駛輔助系統是最近一項熱門課題。該系統利用安裝于車身和內部的傳感器,收集駕車過程中的外部環境、車輛行駛過程中的數據和駕駛人狀態來進行駕駛情況預測。高級駕駛輔助系統的核心是基于傳感器對車內外環境的感知,在深度學習的協助下輔助駕駛人進行安全駕駛、規避風險,幫助駕駛人養成良好的駕車習慣。在短暫的彎道駕駛過程中包含了許多駕駛的細節操作,如減速時機、轉彎速度、轉彎幅度、加速時機等等,足夠體現一個駕駛者的行為習慣。通過深度學習網絡分析駕駛者在彎道的的駕駛數據,來對其駕駛行為習慣進行建模和識別。本文進行提出適用于實驗數據的彎道駕駛行為識別模型,模型混合了卷積神經網絡和雙向LSTM的深度學習。通過實驗研究,結果顯示本文模型的平均準確率為81.9%,雙向LSTM在實驗數據集上僅為77.4%。(1)通過定義彎道駕駛的過程,在預處理階段精確取出實驗需要的數據。在多種降維方法中選擇多維標度法進行降維操作,并用Spearman相關系數作為實驗數據的距離測量方法實現特征提取,最終得到了較好的降維結果。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CNN和LSTM對于時序信號處理過...
【文章頁數】:57 頁
【學位級別】: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 國內外研究現狀
1.3 論文研究內容及主要貢獻
1.3.1 論文研究內容
1.3.2 論文主要貢獻
1.4 論文的結構
1.5 本章小結
2 彎道行為識別的相關研究
2.1 彎道行為概述
2.2 駕駛數據的原理和特點
2.3 駕駛行為相關的深度學習
2.3.1 深度學習在輔助駕駛中的應用
2.3.2 LSTM算法
2.3.2 Bi-LSTM算法
2.4 本章小結
3 道路行為輔助系統設計
3.1 道路行為輔助系統功能概述
3.2 彎道駕駛人識別系統結構介紹
3.2.1 云端和汽車端結構
3.2.2 彎道識別處理流程
3.2.3 數據采集
3.3 本章小結
4 基于Bi-LSTM神經網絡的彎道行為識別模型
4.1 數據預處理
4.2 用改進的多維標度法進行數據降維
4.2.1 單因素方差和多維標度法簡介
4.2.2 改進的多維標度法的實現
4.2.3 改進前后多維標度法的對比實驗
4.3 Bi-LSTM算法存在的問題及改進思路
4.4 基于Bi-LSTM分類算法的改進
4.4.1 算法改進的依據
4.4.2 實驗預測模型的建立
4.5 基于CBL算法的彎道駕駛人行為識別結果
4.5.1 實驗模型的訓練
4.5.2 評估指標
4.5.3 駕駛人預測
4.6 本章小結
5 總結與展望
5.1 總結
5.2 展望
參考文獻
致謝
攻讀學位期間的科研成果與參加的項目
本文編號:4003704
【文章頁數】:57 頁
【學位級別】: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 國內外研究現狀
1.3 論文研究內容及主要貢獻
1.3.1 論文研究內容
1.3.2 論文主要貢獻
1.4 論文的結構
1.5 本章小結
2 彎道行為識別的相關研究
2.1 彎道行為概述
2.2 駕駛數據的原理和特點
2.3 駕駛行為相關的深度學習
2.3.1 深度學習在輔助駕駛中的應用
2.3.2 LSTM算法
2.3.2 Bi-LSTM算法
2.4 本章小結
3 道路行為輔助系統設計
3.1 道路行為輔助系統功能概述
3.2 彎道駕駛人識別系統結構介紹
3.2.1 云端和汽車端結構
3.2.2 彎道識別處理流程
3.2.3 數據采集
3.3 本章小結
4 基于Bi-LSTM神經網絡的彎道行為識別模型
4.1 數據預處理
4.2 用改進的多維標度法進行數據降維
4.2.1 單因素方差和多維標度法簡介
4.2.2 改進的多維標度法的實現
4.2.3 改進前后多維標度法的對比實驗
4.3 Bi-LSTM算法存在的問題及改進思路
4.4 基于Bi-LSTM分類算法的改進
4.4.1 算法改進的依據
4.4.2 實驗預測模型的建立
4.5 基于CBL算法的彎道駕駛人行為識別結果
4.5.1 實驗模型的訓練
4.5.2 評估指標
4.5.3 駕駛人預測
4.6 本章小結
5 總結與展望
5.1 總結
5.2 展望
參考文獻
致謝
攻讀學位期間的科研成果與參加的項目
本文編號:4003704
本文鏈接:http://www.malleg.cn/kejilunwen/zidonghuakongzhilunwen/4003704.html

