积分商城

最新搜索： 8051 ip C8051F310 STM32Cube高效开发教程 基础篇 多旋翼 英飞凌 PROFET™ +简介 自动对焦程序
您现在的位置是：首页 > 技术资料 > 基于BP神经网络的纵向避撞安全辅助算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于BP神经网络的纵向避撞安全辅助算法

更新时间：2019-12-25 11:14:49 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：BP神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对复杂人-车-路交通环境下汽车前向防碰撞预警系统(FCWS)在实际工程应用中存在虚警漏警、可接受性差等问题,为提高FCWS对驾驶群体行为差异的适应性,提出了驾驶员行为特性自适应学习的纵向避撞安全辅助算法,建立了基于BP神经网络的闭环驾驶跟驰习惯模型。该网络模型以跟车车距、前车减速度、前车速度、自车速度、环境亮度、路面附着系数、紧急制动次数、本次驾驶时间为输入,采用动量梯度下降自适应学习率方法对网络模型进行训练,进而预测出自车待制动减速度。引入聚类算法思想,对训练样本集进行特征聚类,进一步改善了BP网络的预测性能,设计了激进、谨慎、新手3类典型驾驶群体,通过制动深度、期望碰撞时间倒数、应急反应时间来表征驾驶群体性特征,在稳态跟车过程中对不同驾驶群体的行为特性进行学习,建立起非线性输入输出映射关系知识库,进而预测出相应群体的待制动行为,实现差异化预警,可有效降低虚警或预警不及时现象。仿真结果表明,改进后的BP网络减小了训练过程中陷入局部极小的可能性,提高了网络收敛速度以及预测精度,激进群体与新手群体待制动曲线下降的趋势相对更陡,激进群体跟车距离相对偏近,新手群体采取制动措施时所需相对车距相对偏远,以补偿较长的反应距离,从而验证了该理论模型对不同驾驶群体的适应性。


部分文件列表

文件名 大小
基于BP神经网络的纵向避撞安全辅助算法.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
第
卷
第
期
７
５１  
西
安
交
通
大
学
学 报  
ꢀ
Ｖｏｌ．５１ Ｎｏ．７  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
’
ＪＯＵＲＮＡＬＯＦＸＩＡＮＪＩＡＯＴＯＮＧ ＵＮＩＶＥＲＳＩＴＹ  
ꢀ ꢀ  
年
月
２０１７  
７
Ｊｕｌ．２０１７  
ꢀ
ꢀ
：
／
ＤＯＩ １０．７６５２ｘｔｕｘｂ２０１７０７０２０  
ｊ
基于  
神经网络的纵向避撞安全辅助算法  
ＢＰ  
，，  
１２３  
，
１３  
１
，
，
陈大鹏  
章军辉  
李庆  
（
中国科学院微电子研究所  
１．  
，
，
； ， ，  
中国科学院大学  
２． １０００４９  
；
北京  
北京  
１０００２９  
，
，
）
江苏昆山  
中国科学院微电子研究所昆山分所  
３．  
２１５３４７  
：
摘要 针对复杂人－车－路交通环境下汽车前向防碰撞预警系统  
（ ）  
在实际工程应用中存在虚  
ＦＣＷＳ  
、 ，  
警漏警 可接受性差等问题 为提高  
，
对驾驶群体行为差异的适应性 提出了驾驶员行为特性  
ＦＣＷＳ  
，
自适应学习的纵向避撞安全辅助算法 建立了基于  
。
神经网络的闭环驾驶跟驰习惯模型 该网  
ＢＰ  
、 、 、 、 、 、 、  
络模型以跟车车距 前车减速度 前车速度 自车速度 环境亮度 路面附着系数 紧急制动次数 本  
， ，  
次驾驶时间为输入 采用动量梯度下降自适应学习率方法对网络模型进行训练 进而预测出自车待  
。 ， ，  
制动减速度 引入聚类算法思想 对训练样本集进行特征聚类 进一步改善了  
网络的预测性  
ＢＰ  
， 、 、 ， 、 、  
能 设计了激进 谨慎 新手 类典型驾驶群体 通过制动深度 期望碰撞时间倒数 应急反应时间来  
３
， ，  
表征驾驶群体性特征 在稳态跟车过程中对不同驾驶群体的行为特性进行学习 建立起非线性输入  
， ， ，  
输出映射关系知识库 进而预测出相应群体的待制动行为 实现差异化预警 可有效降低虚警或预  
。 ，  
警不及时现象 仿真结果表明 改进后的  
，
网络减小了训练过程中陷入局部极小的可能性 提高  
ＢＰ  
， ，  
了网络收敛速度以及预测精度 激进群体与新手群体待制动曲线下降的趋势相对更陡 激进群体跟  
， ， ，  
车距离相对偏近 新手群体采取制动措施时所需相对车距相对偏远 以补偿较长的反应距离 从而  
。
验证了该理论模型对不同驾驶群体的适应性  
：
关键词 主动安全  
；
ＢＰ  
； ；  
神经网络 纵向避撞 驾驶跟驰习惯模型  
：
：
Ａ
：
文章编号  
０２５３９８７Ｘ２０１７０７０１４００８  
ꢀ
（
）
中图分类号  
文献标志码  
Ｕ４６１．９１  
ꢀ
－
－
－
Ｓａｆｅｔ ＡｓｓｉｓｔａｎｃｅＡｌｏｒｉｔｈｍｆｏｒＬｏｎｉｔｕｄｉｎａｌＣｏｌｌｉｓｉｏｎＡｖｏｉｄａｎｃｅ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｇ
ｙ
ꢀ
ｇ
ＢａｓｅｄｏｎＢＰＮｅｕｒａｌＮｅｔｗｏｒｋ  
ꢀ ꢀ ꢀ ꢀ  
，，  
１２３  
，
１３  
１
，
，
ＣＨＥＮ Ｄａｅｎ  
ꢀ ｐ ｇ  
ＺＨＡＮＧＪｕｎｈｕｉ  
ꢀ
ＬＩＱｉｎ  
ꢀ
ｇ
ꢀ
（
，
，
１．ＩｎｓｔｉｔｕｔｅｏｆＭｉｃｒｏｅｌｅｃｔｒｏｎｉｃｓｏｆＣｈｉｎｅｓｅＡｃａｄｅｍ ｏｆＳｃｉｅｎｃｅｓ Ｂｅｉｉｎ １０００２９ Ｃｈｉｎａ ２．Ｕｎｉｖｅｒｓｉｔ ｏｆＣｈｉｎｅｓｅ  
ꢀ ꢀ ꢀ ꢀ ｊ ｇ  
；
ꢀ
ｙ
ꢀ
ꢀ
ｙ ꢀ  
ꢀ
ꢀ
，
，
；
，
Ａｃａｄｅｍ ｏｆＳｃｉｅｎｃｅｓ Ｂｅｉｉｎ １０００４９ Ｃｈｉｎａ ３．ＫｕｎｓｈａｎＤｅａｒｔｍｅｎｔ ＩｎｓｔｉｔｕｔｅｏｆＭｉｃｒｏｅｌｅｃｔｒｏｎｉｃｓ Ｃｈｉｎｅｓｅ  
ｊ ｇ ꢀ ｐ ꢀ ꢀ  
，
ｙ
ꢀ
ꢀ
ꢀ
，
，
，
）
Ａｃａｄｅｍ ｏｆＳｃｉｅｎｃｅｓ Ｋｕｎｓｈａｎ Ｊｉａｎｓｕ２１５３４７ Ｃｈｉｎａ  
ｇ ꢀ  
ｙ
ꢀ
ꢀ
：
（
）
Ａｂｓｔｒａｃｔ Ｔｈｅｆｏｒｗａｒｄｃｏｌｌｉｓｉｏｎ ｗａｒｎｉｎ ｓｓｔｅｍ ＦＣＷＳ ｈａｓｏｆｔｅｎｂｅｅｎｆａｃｉｎ ｓｕｃｈ ｒａｃｔｉｃａｌ  
ｇ ｙ  
ꢀｐ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
，
ｒｏｂｌｅｍｓａｓｆａｌｓｅｗａｒｎｉｎ ｏｒｗａｒｎｉｎ ｏｍｉｓｓｉｏｎａｎｄ ｏｏｒａｃｃｅｔａｎｃｅｂ ｄｒｉｖｅｒｓ ｓｏａｎａｄａｔｉｖｅ  
ꢀ ꢀ ꢀｐ ꢀｙ ꢀ ꢀ  
ｐ
ꢀ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｐ
ｐ
ꢀ
ｓａｆｅｔ ａｓｓｉｓｔａｎｃｅａｌｏｒｉｔｈｍｆｏｒｌｏｎｉｔｕｄｉｎａｌｃｏｌｌｉｓｉｏｎａｖｏｉｄａｎｃｅｉｓ ｒｅｓｅｎｔｅｄａｎｄａｄｒｉｖｅｒｆｏｌｌｏｗｉｎ  
ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀꢀ ꢀ  
ｇ ｇ  
ｙ
ꢀ
（
）
ｈａｂｉｔｃｈａｒａｃｔｅｒｉｓｔｉｃｍｏｄｅｌｂａｓｅｄｏｎｂａｃｋ ｒｏａａｔｉｏｎ ＢＰ ｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｅｓｔａｂｌｉｓｈｅｄｉｎｔｈｉｓ  
ꢀ ꢀ ꢀｐ ｐｇ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
，
ａｅｒ．Ｔｈｅｉｎ ｕｔｓｏｆｔｈｉｓｃｌｏｓｅｄｌｏｏ ｍｏｄｅｌｉｎｃｌｕｄｅｔｈｅｖｅｌｏｃｉｔ ａｎｄａｃｃｅｌｅｒａｔｉｏｎｏｆ ｒｅｃｅｄｉｎ ｃａｒ  
ꢀ ｐ ꢀꢀ ꢀ － ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ  
ｐｐ ｇ  
ꢀ
ｐ
ꢀ
ｙ
ꢀ
，
，
，
ｔｈｅｖｅｌｏｃｉｔ ｏｆｆｏｌｌｏｗｉｎ ｃａｒ ｔｈｅｅｎｖｉｒｏｎｍｅｎｔａｌｌｕｍｉｎａｎｃｅ ｔｈｅｔｉｒｅｒｏａｄｆｒｉｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ ａｎｄ  
ｙ ꢀ  
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ꢀ
ꢀ
，
ｔｈｅｅｍｅｒｅｎｃ ｂｒａｋｉｎ ｔｉｍｅｓ ａｎｄｕｓｉｎ ａｄａｔｉｖｅｌｅａｒｎｉｎ ｒａｔｅ ｍｅｔｈｏｄ ｂａｓｅｄｏｎ ｍｏｍｅｎｔｕｍ  
ꢀ
ꢀ
ｇ
ｙ
ꢀ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
ｐ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ ꢀ  
，
ｒａｄｉｅｎｔｄｅｓｃｅｎｔｔｏｔｒａｉｎｔｈｉｓｎｅｔｗｏｒｋ ｍｏｄｅｌ ｔｈｅｄｅｓｉｒｅｄａｃｃｅｌｅｒａｔｉｏｎｏｆｆｏｌｌｏｗｉｎ ｃａｒｃａｎｂｅ  
ꢀ
ｇ
ꢀ
ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ  
ｇ
ꢀ
ꢀ
ꢀ
：
。
：
作者简介 章军辉  
（
１９８５  
—）， ， 。  
男 博士生 陈大鹏 通信作者 男 研究员 博士生导师  
ꢀ
；
（
）， ，  
，
收稿日期  
基金项  
２０１６１１２１  
－ －  
ꢀ
：
（ ）。  
移动物联网关键技术与应用资助项目  
Ｘ Ｄ Ａ０６０４０３００  
目
：
：
：
ｐ ∥  
／ ／ ／  
ｗｗｗ．ｃｎｋｉ．ｎｅｔｋｃｍｓｄｅｔａｉｌ６１ ．１０６９ ．Ｔ ．２０１７０４１８ ．１１１９ ．００８ ．ｈｔｍｌ  
网络出版时间  
网络出版地址  
２０１７０４１８  
－ － ꢀ  
ｈｔｔ  
：
ｐ ∥  
：
ｚｋｘｂ．ｘｔｕ．ｅｄｕ．ｃｎ  
ｐ ∥ ｊ  
ꢀ
ｈｔｔ  
ｗｗｗ．ｄｘｂ．ｃｎ ｈｔｔ  
ꢀ
ｊ
ꢀ
，
等
：
基于  
１４１  
第
期
章军辉  
神经网络的纵向避撞安全辅助算法  
ＢＰ  
７
ꢀ
ｒｅｄｉｃｔｅｄ．Ｔｈｅ ｒｅｄｉｃｔｉｖｅ ｅｒｆｏｒｍａｎｃｅｏｆｔｈｉｓＢＰｎｅｔｗｏｒｋｍｏｄｅｌｉｓｉｍ ｒｏｖｅｄｂ ｉｎｔｒｏｄｕｃｉｎ ｔｈｅ  
ꢀｐ ꢀｐ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｐ ꢀｙ  
ｇ
ꢀ
ｐ
ꢀ
，
，
ｉｄｅａｏｆｆｅａｔｕｒｅｃｌｕｓｔｅｒｉｎ ａｌｏｒｉｔｈｍ．Ｍｅａｎｗｈｉｌｅ ｔｈｒｅｅｔ ｉｃａｌｄｒｉｖｉｎ ｒｏｕｓ ｍａｉｎｌ ｃｏｍ ｏｓｅｄ  
ｇ ｇ ｇｇ  
ꢀ ꢀ ꢀｙｐ  
ꢀ
ꢀ
ｐ
ｙ
ꢀ
ｐ
ꢀ
ꢀ
，
，
，
ｏｆｒａｄｉｃａｌ ｃａｕｔｉｏｕｓ ａｎｄｎｏｖｉｃｅ ｒｏｕｓ ａｒｅｄｅｓｉｎｅｄ ｗｈｏｓｅｂｅｈａｖｉｏｒｉｓｃｈａｒａｃｔｅｒｉｚｅｄｂ ｂｒａｋｉｎ  
ꢀｇ ꢀ ꢀ ꢀｙ  
ｇ
，
ꢀ
ꢀ
ｐ
ꢀ
ｇ
ꢀ
ꢀ
，
ｄｅｔｈ ｄｅｓｉｒｅｄｒｅｃｉｒｏｃａｌｏｆＴＴＣａｎｄｅｍｅｒｅｎｃ ｒｅｓｏｎｓｅｔｉｍｅ．Ｂ ｍｅａｎｓｏｆｌｅａｒｎｉｎ ｔｈｅｄｒｉｖｉｎ  
ꢀ ꢀ ꢀꢀ  
ｇ
ｐ
ꢀ
ｐ
ꢀ
ꢀ
ｇ
ｙ
ꢀ
ｐ
ꢀ
ｙ
ꢀ
ｇ
ꢀ
ꢀ
，
ｂｅｈａｖｉｏｒｏｆ ｄｉｆｆｅｒｅｎｔ ｒｏｕｓｉｎ ｔｈｅ ｒｏｃｅｓｓ ｏｆｓｔｅａｄ ｃａｒｆｏｌｌｏｗｉｎ ａ ｎｏｎｌｉｎｅａｒ ｍａ ｉｎ  
ꢀ ꢀ ꢀｇ ｐꢀ ꢀ ꢀｐ ꢀ ꢀ  
ｐｐ ｇ  
ｙ
ꢀ
－
ｇ
ꢀ
ꢀ
，
ｒｅｌａｔｉｏｎｓｈｉ ｏｆ ｋｎｏｗｌｅｄｅ ｂａｓｅ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ ｗｈｉｃｈ ｍａｋｅｓ ｉｔ ｏｓｓｉｂｌｅ ｔｏ ｒｅｄｉｃｔ ｔｈｅ  
ｇꢀ  
ꢀ ꢀ ꢀ ꢀｐ ꢀｐ  
ｐ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｃｏｒｒｅｓｏｎｄｉｎ ｂｒａｋｉｎ ｂｅｈａｖｉｏｒｓ ａｎｄａｃｃｏｒｄｉｎｌ ｔｈｅｄｉｆｆｅｒｅｎｔｉａｌ ｒｅｗａｒｎｉｎ ｃａｎｂｅｒｅａｌｉｚｅｄ  
ｇｙ  
ꢀｐ ꢀ ꢀ  
，
ｐ
ｇ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
－
ｇ
ꢀ
ꢀ
ｗｈｉｃｈｗｉｌｌｅｆｆｅｃｔｉｖｅｌ ｒｅｄｕｃｅｔｈｅ ｒｏｂａｂｉｌｉｔ ｏｆｆａｌｓｅｏｒｎｏｔｔｉｍｅｌ ｗａｒｎｉｎ ．Ｄｅｔａｉｌｅｄｓｉｍｕｌａｔｉｏｎｓ  
ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ ꢀ ꢀ  
ｙ ꢀ ｇ  
ｙ
ꢀ
ｙ
ꢀ
ꢀ
，
ｓｈｏｗｔｈａｔｔｈｅｉｍ ｒｏｖｅｄＢＰｎｅｔｗｏｒｋｃａｎｒｅｄｕｃｅｔｈｅ ｏｓｓｉｂｉｌｉｔ ｏｆｌｏｃａｌｏｔｉｍｕｍ ａｎｄｉｔａｌｓｏ  
ꢀ ｐ ꢀ ꢀ ꢀｐ ꢀｐ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
’
，
ｉｍ ｒｏｖｅｓｔｈｅｎｅｔｗｏｒｋｓｃｏｎｖｅｒｅｎｃｅｒａｔｅａｎｄｔｈｅａｃｃｕｒａｃ ｏｆ ｒｅｄｉｃｔｉｏｎ．Ｆｕｒｔｈｅｒ ｔｈｅｄｏｗｎｗａｒｄ  
ｙ ꢀｐ  
ｐ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｔｒｅｎｄｏｆｂｒａｋｉｎ ｃｕｒｖｅｏｆｒａｄｉｃａｌａｎｄｎｏｖｉｃｅ ｒｏｕｓｉｓｓｔｅｅｅｒｔｈａｎｔｈａｔｏｆｃａｕｔｉｏｕｓ ｒｏｕｓ ａｎｄｉｎ  
ꢀ ꢀ ꢀ ꢀ ꢀｇ ｐꢀ ꢀ ｐ ꢀ ꢀ ꢀ ꢀｇ  
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
，
，
ａｄｄｉｔｉｏｎ ｔｈｅｃａｒｆｏｌｌｏｗｉｎ ｄｉｓｔａｎｃｅｏｆｒａｄｉｃａｌ ｒｏｕｓｉｓｒｅｌａｔｉｖｅｌ ｓｈｏｒｔｅｒ ｗｈｉｌｅｆｏｒｔｈｅｎｏｖｉｃｅ  
ꢀ ꢀ ꢀｇ ｐꢀ ꢀ ꢀ ꢀ  
ꢀ
－
ｇ
ꢀ
ｙ
ꢀ
ꢀ
ｒｏｕｓｉｔｉｓｒｅｌａｔｉｖｅｌ ｌｏｎｅｒｔｏｃｏｍ ｅｎｓａｔｅｆｏｒｔｈｅｌｏｎｅｒｒｅｓｏｎｓｅｄｉｓｔａｎｃｅ．Ｆｒｏｍｔｈｅｓｉｍｕｌａｔｉｏｎ  
ｇ ｐꢀꢀ ꢀ ｙ ｇ ꢀ ꢀ ｐ  
ꢀ ꢀ ꢀ ｇ ꢀ ｐ ꢀ ꢀ ꢀ  
ꢀ
，
，
ｒｅｓｕｌｔｓ ｉｔｓｈｏｗｓｔｈａｔｆｏｒｄｉｆｆｅｒｅｎｔｄｒｉｖｉｎ ｒｏｕｓ ｔｈｅ ｒｏｏｓｅｄｍｏｄｅｌｓｈｏｗｓ ｏｏｄａｄａｔａｂｉｌｉｔ ．  
ｇｇ  
ꢀ ꢀ ꢀｐ ｐ ꢀｇ  
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
ｐ
ｙ
ꢀ
： ； ； ；  
Ｋｅｗｏｒｄｓ ａｃｔｉｖｅｓａｆｅｔ ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ ｌｏｎｉｔｕｄｉｎａｌｃｏｌｌｉｓｉｏｎａｖｏｉｄａｎｃｅ ｄｒｉｖｅｒｂｅｈａｖｉｏｒ  
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ｙ
ｈａｂｉｔｓｍｏｄｅｌ  
ꢀ
，
随着城市交通规模的快速增长 跟车行驶已成  
，
策略 使得  
，
更具实用性和适应性 在确保行  
ＦＣＷＳ  
ꢀꢀ  
，
为道路交通环境中最主要的工况 直接表现为同一  
。
车安全的同时也能够提升驾驶的舒适性  
［］  
１
。
车道上相邻车辆间的相互影响  
对公路交通事故  
纵向避撞安全辅助系统设计  
１
ꢀ
，
８０％  
的研究表明  
以上的交通事故是由于驾驶员反  
，
应不及时所引起的 超过  
。
国
的是由追尾而致  
、
驾驶员个体特征的差异性主要体现在年龄 性  
６５％  
，
外奔驰公司对此的研究表明 若提前  
使驾驶员  
１ｓ  
、 、 、 、  
别 驾驶技能 生理及心理状况 反应强度 疲劳程度  
［
］
４６  
，
－
，
意识到有事故发生危险并能够采取相应措施 则绝  
、 、 、  
诸如车内外亮度 视野 路况 车况等驾  
等方面  
［］  
２
。
大多数交通事故是可以避免的  
汽车前向防碰撞  
驶环境以及驾驶员个体特征是干扰或影响驾驶员驾  
（ ） 、  
通过雷达 摄像头等传感器实时  
ＦＣＷＳ  
预警系统  
。
驶行为的主要因素 在实际道路交通环境中需充分  
，
采集道路交通环境信息 辅助驾驶员识别与判断交  
，
考虑到驾驶员的驾驶特性 学习并能预测出驾驶员  
，
通环境中存在的潜在危险 对于改善道路交通安全  
，
的驾驶行为 使避撞预警系统满足不同驾驶群体的  
。
具有实际意义  
，
由于驾驶群体的差异性与复杂性 驾驶跟驰习  
， 、  
驾驶需求 从而有效降低虚警概率 误警概率  
。
本文给出的纵向避撞安全辅助系统设计如图  
１
，
惯也不一样 表现在激进点的驾驶员跟车距离相对  
。
所示  
， ，  
近些 紧急制动次数相对多些 保守点的驾驶员跟车  
，
距离相对远些 即不同的驾驶员对危险的主观感受  
关键模型及算法  
２
ꢀ
［］  
３
。
，
度不同 进而会产生不同的驾驶行为  
预
ＦＣＷＳ  
数据预处理  
２．１  
ꢀ
，
警策略未将驾驶员的驾驶行为习惯考虑进去 对驾  
经毫米波雷达传过来的目标物相对距离和相对  
，
驶经验老练的群体来说虚警概率偏高 而对驾驶技  
，
速度这些信号中含有随机误差 在输入到安全车距  
，
能欠佳的群体来说可能会预警不及时 不能满足不  
。
模型前需要对原始数据进行实时处理 卡尔曼滤波  
。
同驾驶群体的差异化预警需求  
，
器是一种实时滤波器 可确保系统数据处理的实时  
，
基于此 本文提出驾驶员行为特性自适应学习  
。
，
给出了卡尔曼滤波算法的具体流程 其基  
２
性
图
，
的闭环驾驶跟驰习惯模型 借助  
神经网络优秀  
ＢＰ  
，
本思想是 以  
，
为准 预测  
ｘ
ｋ－１  
时刻的最优估计  
ｋ－１  
、
的非线性映射能力 学习与自适应能力以及良好的  
，
时刻的状 态 变 量  
同 时 又 对 该 状 态 进 行 观  
ｋ
ｘ
ｋｋ－１  
｜
，
容错能力 对干扰驾驶员感知与决策的影响因素背  
，
测 得到观察变量  
，
再通过观测量对预测量进行  
ｚ
ｋ
，
后所隐含的内在非线性规律进行挖掘与深度学习  
，
修正 从而得到 时刻的最有效的状态估计  
ｋ
。
ｘ
ｋ
，
预测出驾驶员待制动行为 进而制定出相应的预警  
：
ｐ ∥  
：
ｚｋｘｂ．ｘｔｕ．ｅｄｕ．ｃｎ  
ｐ ∥ ｊ  
ꢀ
ｈｔｔ  
ｗｗｗ．ｄｘｂ．ｃｎ ｈｔｔ  
ꢀ
ｊ
ꢀ

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号