一、雨天驾驶车辆的技巧(论文文献综述)
王茂林[1](2021)在《极端天气中的车辆安全驾驶技巧分析》文中提出随着经济快速发展,大众生活质量大幅提升,车辆使用频率逐渐增高,导致目前中国交通压力过大,安全隐患问题频发,尤其是在极端天气如暴雨、冰雪天气下,交通安全事故发生频率较高,这主要是因为目前中国大多数驾驶者进行车辆驾驶时长期处于较为平稳状态下(如城市道路),缺乏极端天气下安全驾驶技巧,导致一旦出现极端天气,驾驶人员无法及时作出正确反应。在驾驶过程中一旦出现安全隐患问题,不仅对驾驶人员人身财产造成威胁,还会在一定程度上导致中国交通运行出现状况。以极端天气为背景,对车辆安全驾驶技巧进行深入研究,目的是提高驾驶人员在极端天气下的车辆驾驶技巧,降低交通事故发生率,为社会稳定发展提供保障。
庄明辉,周章泉,刘闽华[2](2021)在《论山区高速雨天事故预防》文中研究表明随着高速通车里程的增加,高速公路的事故量也随之增大,笔者以泉南高速公路泉州段、沙厦高速公路德化段为例,联系实际地阐述雨天事故多发的原因及预防措施。
赵文博[3](2021)在《智能汽车行人避撞系统相机在环测试方法研究》文中研究指明智能汽车行人避撞系统是一种基于智能传感信息的旨在避免或减轻车辆对于行人伤害的高级驾驶辅助系统(Advanced Driving Assistance System,ADAS)。传统道路测试对于复杂工况难以复现,相机在环测试可以通过嵌入真实的相机硬件和构建虚拟场景弥补这种不足。因此搭建相机在环测试平台对相机成像影响因素进行深入研究,并以此为基础构建虚拟测试场景,探寻加速测试方法,对基于视觉信息的智能汽车行人避撞系统进行自动化测试,是未来智能汽车测试领域的重要研究内容,也是实现自动驾驶汽车落地的基础。本文依托国家重点研发计划“自动驾驶电动汽车硬件在环测试环境构建与模拟测试技术研究”(编号:2018YFB0105103),开展相机在环测试方法研究。建立一套相机在环测试平台,通过实车数据采集和产品级智能相机对该平台有效性和置信度进行验证;基于卷积神经网络,设计智能汽车行人避撞系统;基于对相机成像影响因素的分析,构建面向行人避撞系统的虚拟测试场景,基于组合测试理论,设计加速测试场景生成方法;最后在测试平台上进行自动化测试与实验结果分析。本文主要研究内容包括以下四部分:(1)相机在环测试平台构建设计相机在环测试平台方案,基于虚拟场景投屏的方式,选用显示器,车载相机、视频暗箱、Prescan、Matlab/Simulink等软硬件构建相机在环测试平台。将Mobileye相机经过标定计算后固定在测试平台上,通过黑盒测试来验证实验台的功能性;通过实车和测试平台对比测试,验证测试平台置信度。为提高测试效率,提出基于本测试平台的自动化测试流程。(2)智能汽车行人避撞系统设计提出智能汽车行人避撞系统架构,分别构建基于Yolo-v3和Yolo-v4检测网络的单目视觉智能汽车行人避撞系统。选用公开数据集COCO和Caltech建立联合训练集,分别对两种检测网络进行训练,根据单目测距原理计算人车纵向距离。设计基于最小安全距离模型的主动避撞模块,通过用户数据报协议(User Datagram Protocol,UDP)完成行人检测模块与主动避撞模块间通信,并在测试平台上完成行人避撞功能验证。(3)面向行人避撞系统的测试场景生成方法研究根据相机在环测试功能需求,通过相机模组结构分析光线、雨、雪、雾和运动对相机成像的影响,进行测试场景参数设计,选择本车速度、光线、天气类别、行人穿着颜色及路旁树木阴影作为场景参数,并按照测试需求进行离散取值,完成了测试场景生成。由于遍历测试用例数量会随着场景参数个数及具体取值的增加而呈现指数上升,为解决此类问题,本文提出基于贪心算法的组合测试用例生成方法。(4)测试实验与评价方法研究。基于相机在环测试平台对行人避撞系统、目标检测算法以及测试场景生成方法进行了自动测试与分析。使用卡方和双因素方差法对行人避撞系统测试结果进行分析。对于目标检测算法,提出了算法动态性能指标——首次检测距离和最小安全距离检测精度,联合目标检测常用指标平均准确率(mean Average Precision,m AP)与每秒传输帧数(Frames Per Second,FPS)进行联合评价。对于场景生成方法,较于遍历测试,基于贪心算法的组合测试提升测试速度近12倍;同时各场景参数取值频数所占比例与遍历测试大致相同,对基于组合测试的实验结果进行双因素方法分析,分析结论与遍历测试基本一致;两种测试用例生成方法得到的实验结果FPS和首次检测距离均呈现正态性,且分布状况一致。
李威[4](2021)在《面向智能驾驶的交通场景理解方法研究》文中提出智能驾驶作为战略性新兴产业的重要组成部分,是互联网时代向人工智能时代发展的过程中,世界新一轮经济与科技发展的战略制高点之一,是未来解决交通拥堵的重要枝术,能够大大提升生产效率和交通效率。发展智能驾驶,对于促进国家科技、经济、社会、生活、安全及综合国力有着重大的意义。本文以面向智能驾驶的交通场景理解方法为研究对象,围绕交通标志识别、行人检测和交通场景语义理解在实际应用中存在的问题进行了深入研究,主要分为以下四部分内容。(1)针对交通标志检测效果易受光线、天气和运动模糊影响的问题,提出一种基于颜色概率模型的交通标志检测方法。该方法根据交通标志中特有的颜色建立颜色概率模型,提高了交通标志与其背景的对比度,通过最大稳定极值区域方法对交通标志感兴趣区域进行提取,使用图像分类方法对交通标志感兴趣区域进行判定,确定交通标志所在区域。该方法在德国GTSDB通用数据集上进行了实验验证,因减少了交通标志感兴趣区域数量,缩减了搜索空间,从而能够提高检测效率和性能。(2)针对真实场景中提取的交通标志图像清晰度和拍摄角度存在多样性的特点,提出一种基于融合特征的交通标志分类方法,将基于注意力的Fish Net深度特征与改进的颜色直方图特征相融合,充分利用了交通标志颜色鲜明的特征,以及Fish Net网络特征泛化能力强的特点,采用自编码网络对交通标志进行分类。该方法在德国GTSRB通用数据集上进行了实验验证,并与经典方法进行了比较,本文方法的分类性能有明显提升。(3)针对行人因为距离观察点远近不同导致的尺度差异,以及行人在直立行走状态下宽高比具有特殊性的特点,提出了基于YOLOv3的多尺度行人检测模型YV3-PD,该模型对三种尺度行人目标分别进行检测,通过特征重组实现图像的长方形网格划分,从而改变图像网格的宽高比,进而提高了行人检测的性能。YV3-PD方法分别在INRIA Person数据集和Caltech Pedestrian数据集上进行了实验验证,实验结果表明,本文方法在不提高漏检率的前提下,检测性能明显提高。(4)针对现有交通领域目标检测方法所能检测的目标类别单一的问题,本文提出了基于图像描述生成技术的交通场景语义理解方法。该方法首次将图像描述生成技术用于交通场景理解中,创建了基于La RA数据集的交通场景描述数据集,提出了基于网络特征组合优化的语义理解编码器-解码器模型,不仅能够描述场景中存在的交通目标,还能够给出直接的驾驶决策和建议。在标准数据集Flickr30k和MSCOCO上的实验定量比较了该方法与其他经典方法的性能。在自建的交通场景描述数据集上的实验定性对比了本文方法与传统方法的区别,展示了本文方法的优势。
周润发[5](2021)在《融合动态场景信息和DDPG算法的智能车决策规划方法研究与应用》文中研究表明自动驾驶汽车中使用的决策规划模块的目标是配合其他模块一起,让车辆可以在安全、舒适且遵守交通规则的情况下进行自动驾驶。决策规划模块通常是由两个子模块来进行实现:决策模块用于生成高层决策,来给出车辆的行为动作;规划模块生成平滑、可行驶的车辆轨迹。虽然决策和规划的研究工作已取得了很多巨大的进展,但是这些模块通常是单独开发的,适用场景较为简单。造成的结果就是,使用现有公开的决策规划方法,在动态障碍物多、道路复杂、天气环境多变的场景下就会很容易失效,出现无法输出安全、稳定的行为轨迹的情况。为了解决这个问题,本文结合当前网络学习算法学习适应能力强和传统方法可解释性好、能保证结果平滑的特点,提出了一种以动态环境为场景的智能车决策规划算法,侧重于车辆在直线行驶、转弯和动态交通下的决策规划任务,并且以通行效率和驾驶安全为目标。与大多数现有的仅解决决策问题或规划问题,又或者只考虑静态场景或单个障碍物移动的场景的设计思路不同,本文从决策和规划两个角度出发,分别提出在动态场景下的决策、规划解决方案,并在最后将决策方法与规划方法进行联合,在动态场景下进行决策规划算法的共同测试。本文的主要研究如下:(1)使用融合动态场景信息的深度强化学习方法代替传统的决策方法。本文使用免模型、可以自学习的深度确定性策略梯度(DDPG)算法作为框架,融合图像、障碍物感知结果、全局路径规划结果和车辆实时状态四种动态信息,来实现智能汽车的行为决策任务。(2)结合动态场景的特点对传统规划算法进行优化改进。本文使用基于多项式曲线的运动规划算法实现智能汽车的轨迹规划任务,并结合动态场景下自身车辆和障碍物的运动特点对轨迹的评价函数进行重新优化设计。(3)使用仿真环境和实车平台对决策规划系统进行测试验证并对实验结果进行分析。首先让第三章提出的决策算法的结果在Frenet坐标空间中进行了表示,接着利用Frenet坐标系下的决策结果作为第四章规划算法的约束,来生成Frenet坐标系下车辆的行驶轨迹。然后使用Carla仿真器生成高仿真的模拟环境以及实车平台对本文的决策规划系统进行测试验证。
孙振华[6](2021)在《高速公路风险识别及主动管控技术 ——以杭绍台智慧高速公路为例》文中提出高速公路交通事故及人员伤亡是全球性的社会安全问题。风险识别和管控是解决这一问题的前提。本文在应用风险管理基本理论的基础上,从国内外具有代表性的研究成果入手,阐明交通系统中人、车、路和环境各要素及其相互作用对交通安全的影响,提出高速公路风险因素识别和风险评估方法。结合杭绍台智慧高速公路建设特点,分别提出驾驶员、车辆、道路和环境风险管控措施。全面剖析了高速公路风险因素,从驾驶员、车辆、道路及环境等四个方面,进行风险识别,分析发现,新手驾驶员、特殊运输车辆、道路要素(半径、纵坡、视距、车道数、路肩宽度、立交和隧道)、执法和不良天气是影响高速公路安全的主要风险要素。结合文献分析和理论模型,分别提出了各风险要素的修正系数。引入暴露量和名义风险概率因子,构建了高速公路风险评估模型,并以杭绍台高速为基础对该模型进行验证应用。针对驾驶员风险特征,提出了以车路协同技术为核心的驾驶员风险管控方案。该方案应用杭绍台智慧高速公路车路协同系统,辅助驾驶员完成复杂的信息处理,诱导驾驶,有利于从源头上降低因信息不当带来的风险;创新性地提出了驾驶员速度感知和距离感知增强设施;隧道入口和立交出入口标志信息优化设置技术;提出了危险品运输车辆监测-跟踪-诱导-控制技术;提出了综合采用减能-稳能-消能相结合的长大下坡路段载重车风险控制措施;针对不良天气对行车环境的影响,提出了车道可见和隐患消除等主动风险管控技术。本文研究成果对于促进交通安全管理由传统的交通事故“黑点”改善治理向安全风险因素防控转变,工作方式由被动向主动转变,具有一定的参考价值。
张圣根[7](2021)在《极端天气下的安全驾驶技巧研究》文中研究说明众所周知,我国目前交通压力过大,在极端天气的影响下,交通事故频繁发生,这主要是由于驾驶者对于极端天气下的安全驾驶技巧过于生疏。基于此种情况,本文将主要围绕极端天气下的安全驾驶技巧进行研究,分别探讨有关冰雪天、雨天的安全驾驶技巧,以此为驾驶者提供参考,旨在降低交通事故的发生率。
杰斯·巴特沃斯,约翰-亨利·巴特沃斯,贾森·凯勒,曹宇光[8](2020)在《极速车王》文中指出外景法国勒芒萨尔特赛道1959年夜晚杜特雷钟显示:凌晨3:18。大看台上:零星的几个观众,有人还精神着,有人手抱头,有人横躺在座椅上睡觉。一个胡子拉碴的男人在排行榜上调整数字牌,每个牌代表着赛车的当前排位。这时几辆车从下面呼啸而过。排行榜上的数字显示目前领先的是5号赛车。
朱兴林,高超,艾力·斯木吐拉[9](2020)在《高原公路不同天气状况对驾驶人工作负荷的影响》文中研究表明为研究高原公路不同天气状况对驾驶人工作负荷的影响,共选定了32名被试驾驶人,包括7名外地驾驶员和25名本地驾驶员,在选定的试验路线上进行了实车试验。在晴天、雨天、雪天、雪天+大雾(能见度5 m)的4种不同天气状况下,选取心率变异性时域指标:相邻心跳间期之差的均方根值(root-mean-square of difference-value of adjacent R-R interval, RMSSD)、全部窦性心博R-R间期的标准差(standard deviation of R-R interval, SDNN)、相邻NN间期差值>50 ms的百分数(percentage of R-R intervals at least 50 ms different from the previous interval, PNN50)和心率增长率作为驾驶人工作负荷表征指标,研究在高原公路不同天气状况下被试驾驶人工作负荷变化规律。研究结果表明:高原公路不同天气状况对驾驶人的工作负荷有显着的影响,驾驶人工作负荷因天气条件的恶劣程度和海拔高度而增加,道路的天气状况、能见度及海拔高度的共同作用对驾驶员工作负荷影响最大。
张锦思[10](2020)在《实训型驾驶模拟器训练驾驶行为评价设计与视景仿真评价探究》文中研究说明实训型驾驶模拟器的推广和使用,对驾驶操作的规范、实车培训效率的提高以及驾驶安全意识培养具有重大意义。为进一步提升和优化实训型驾驶模拟器的培训效果,本文就驾驶操作行为进行评价设计,实现驾驶训练的有效反馈,培养驾驶安全意识,提高驾驶训练效率和质量。并通过驾驶体验对模拟器的驾驶视景进行评价,实现视景建模与仿真的改进,提升模拟器驾驶的真实程度,增强驾驶人员与驾驶模拟器的交互感。本文选取Multigen Creator和Vega prime联合仿真,实现了驾驶训练及驾驶体验所需要驾驶道路、环境、车辆模型的建立,在Visual Studio 2010集成开发环境的MFC应用程序框架下,调用Vega prime的API函数库及自定义程序,实现了视景的动态驱动与控制。分析选取了 Vega prime中的Tripod地形检测算法,对驾驶场景进行地形检测,实现车辆在虚拟场景中随地形变化的正常驾驶。对驾驶操作基于串口传递信息与自定义检测算法检测信息的多源信息采集融合,建立了驾驶操作行为的判定模型,依托驾驶考试标准,对驾驶存在的问题扣除分数按失误程度分为5分、10分、100分,分别建立了 25条驾驶行为评价指标。对评价指标逻辑化、模块化处理,设置对驾驶失误的语音响应,生成最终结果,驾龄越高在训练场景中扣分越少,说明驾驶模拟器的驾驶训练对驾驶操作行为评价可实现良好的培训效果;男女在不同驾龄段的表现处于同一等级,表明性别对驾驶操作行为影响不大。在视景仿真中,选择城市、高速、山区以及加入干扰因子道路场景模型要素分析,界面仿真设计、交互体验感评价等六个方面,建立6个一级指标,21个二级指标的分层级仿真视景的评价指标体系,应用基于群决策理论的层次分析法确定指标权重,通过驾驶人员的驾驶体验,83.3%的人认为驾驶场景很好或良好,女性较男性对驾驶场景模型评分偏低,对环境完整度、协调度等方面的要求较高。恶劣天气下的仿真得分较其他指标评价偏低,该场景中的仿真效果仍需进一步改善。
二、雨天驾驶车辆的技巧(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、雨天驾驶车辆的技巧(论文提纲范文)
(1)极端天气中的车辆安全驾驶技巧分析(论文提纲范文)
1 暴雨天气下的驾驶技巧 |
1.1 进行防雾灯和雨刮器检查工作 |
1.2 降低行驶速度 |
1.3 正确应用远近灯光 |
1.4 判断路面积水 |
1.5 驾驶舱进水以后的处理方式 |
2 风沙天气下的驾驶技巧 |
3 雾霾天气下的驾驶技巧 |
4 结束语 |
(2)论山区高速雨天事故预防(论文提纲范文)
1 辖区天气事故情况 |
2 雨天事故多发原因 |
2.1 驾驶人方面 |
2.1.1 驾驶人自身麻痹大意,安全意识不足 |
2.1.2 驾驶人操作技术问题 |
2.2 车辆方面 |
2.2.1 非营运车驾驶人依赖车辆系统 |
2.2.2 营运车驾驶人减少成本 |
2.2.3 道路方面 |
2.2.4 管理方面 |
3 雨天事故预防措施 |
3.1 加大对雨天安全行车日常教育宣传 |
3.2 做好辖区路面雨天事故易发路段的重点提醒 |
3.3 做好路面隐患排查 |
4 雨天路面管理 |
4.1 注重雨天路面宣传的时效性 |
4.1.1 雨天及时向社会公布提示信息 |
4.1.2 给各中队配备“预警精灵” |
4.2 加强雨天的路面管控 |
4.2.1 强化科技巡逻 |
4.2.2 提高路面能见度 |
4.2.3 设置纵向减速标线及便携式变道抓拍系统 |
4.2.4 设置LED弯道导向标 |
4.3 减少二次事故 |
5 结论与建议 |
5.1 加快对驾考和培训模式的升级 |
5.2 加大立法 |
5.3 加强高速公路基础设施建设 |
(3)智能汽车行人避撞系统相机在环测试方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外发展现状 |
1.2.1 相机在环测试发展概述 |
1.2.2 测试场景设计发展概述 |
1.2.3 行人避撞系统发展概述 |
1.3 本文主要研究内容与方法 |
第2章 相机在环测试平台构建 |
2.1 相机在环测试平台方案 |
2.2 相机在环测试平台软硬件系统 |
2.2.1 软件系统 |
2.2.2 硬件系统 |
2.3 相机在环测试平台验证实验 |
2.3.1 相机在环测试平台功能验证 |
2.3.2 相机在环测试平台置信度验证 |
2.4 相机在环测试平台自动化测试方法 |
2.5 本章小结 |
第3章 智能汽车行人避撞系统设计 |
3.1 智能汽车行人避撞系统架构 |
3.2 行人检测模块设计 |
3.2.1 卷积神经网络概述 |
3.2.2 基于Yolo-v3的行人检测模块构建 |
3.2.3 基于Yolo-v4的行人检测模块构建 |
3.3 主动避撞模块设计 |
3.4 本章小结 |
第4章 面向行人避撞系统的测试场景生成研究 |
4.1 相机在环测试功能需求 |
4.2 车载相机成像影响因素分析 |
4.2.1 光线对成像的影响 |
4.2.2 复杂天气对成像的影响 |
4.2.3 车辆运动对成像的影响 |
4.3 测试场景参数设计 |
4.4 基于组合测试的测试用例生成方法研究 |
4.4.1 组合测试概述 |
4.4.2 组合测试模型 |
4.4.3 基于贪心算法的组合测试用例生成方法 |
4.5 本章小结 |
第5章 测试实验与评价方法研究 |
5.1 行人避撞系统测试通过性分析 |
5.1.1 单一场景因素对系统性能的影响 |
5.1.2 复杂天气多因素交互对系统性能的影响 |
5.2 目标检测算法性能评价 |
5.2.1 目标检测算法静态评价指标 |
5.2.2 目标检测算法动态评价指标 |
5.3 组合测试实验结果分析 |
5.4 本章小结 |
第6章 全文总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(4)面向智能驾驶的交通场景理解方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 依托项目 |
1.2 研究背景与意义 |
1.3 研究现状 |
1.3.1 交通标志识别 |
1.3.2 行人检测 |
1.3.3 场景语义理解 |
1.3.4 现状分析 |
1.4 技术路线及章节组织 |
1.4.1 技术路线 |
1.4.2 章节组织 |
1.5 本章小结 |
第2章 基于颜色概率模型的交通标志检测 |
2.1 概述 |
2.2 基于颜色空间阈值的交通标志感兴趣区域提取方法 |
2.3 级联方式的候选感兴趣区域提取 |
2.3.1 颜色概率模型 |
2.3.2 基于最大稳定极值区域的候选感兴趣区域提取 |
2.4 基于HOG-SIFT特征的交通标志感兴趣区域识别 |
2.4.1 交通标志感兴趣区域HOG特征提取 |
2.4.2 交通标志感兴趣区域SIFT特征提取 |
2.4.3 基于SVM的感兴趣区域识别 |
2.5 实验分析 |
2.5.1 交通标志检测数据集 |
2.5.2 交通标志检测评价方法 |
2.5.3 实验结果与分析 |
2.6 本章小结 |
第3章 基于注意力的Fish Net深度特征的交通标志分类 |
3.1 概述 |
3.2 交通标志分类方法框架设计 |
3.3 交通标志特征提取 |
3.3.1 Fish Net深度网络结构 |
3.3.2 基于深度特征的注意力机制 |
3.3.3 基于改进的颜色直方图特征提取 |
3.3.4 基于深度特征与颜色直方图的特征融合 |
3.4 基于自编码网络的交通标志分类 |
3.4.1 自编码网络模型 |
3.4.2 基于自编码网络的交通标志分类 |
3.5 实验分析 |
3.5.1 交通标志分类数据集 |
3.5.2 模型相关参数设置 |
3.5.3 实验结果与分析 |
3.6 本章小节 |
第4章 基于YOLOv3网络的多尺度行人检测 |
4.1 概述 |
4.2 基于YOLOv3的行人检测网络模型 |
4.2.1 YOLO网络模型 |
4.2.2 YV3-PD网络模型结构 |
4.3 实验分析 |
4.3.1 行人数据集 |
4.3.2 评测指标 |
4.3.3 实验结果与分析 |
4.4 本章小结 |
第5章 基于图像描述生成的交通场景语义理解 |
5.1 概述 |
5.2 交通场景语义理解网络模型构建 |
5.3 编码器-解码器网络 |
5.3.1 网络架构 |
5.3.2 编码器结构 |
5.3.3 解码器结构 |
5.4 基于编码器-解码器的交通场景语义理解 |
5.4.1 基于网络特征组合优化的编码器 |
5.4.2 基于LSTM的解码器 |
5.5 实验分析 |
5.5.1 数据准备及预处理 |
5.5.2 训练与测试细节 |
5.5.3 评价标准 |
5.5.4 实验结果与分析 |
5.6 本章小结 |
第6章 结论与展望 |
6.1 工作总结 |
6.2 主要创新点 |
6.3 研究展望 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(5)融合动态场景信息和DDPG算法的智能车决策规划方法研究与应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 智能汽车决策规划算法的国内外研究现状 |
1.2.1 国外智能汽车的决策规划研究现状 |
1.2.2 国内智能汽车的决策规划研究现状 |
1.3 强化学习算法的研究现状 |
1.4 研究内容 |
1.5 章节安排 |
第二章 智能汽车决策规划算法综述 |
2.1 引言 |
2.2 智能汽车的决策规划模块 |
2.3 智能汽车的决策方法 |
2.3.1 基于规则的智能车决策 |
2.3.2 基于学习的智能车决策 |
2.4 智能汽车的轨迹规划方法 |
2.4.1 基于采样插值的运动规划 |
2.4.2 基于模型优化的运动规划 |
2.5 本章小结 |
第三章 融合动态场景信息的DDPG智能车决策算法研究 |
3.1 决策算法网络框架结构 |
3.2 DDPG算法框架 |
3.2.1 算法基础 |
3.2.2 网络结构 |
3.2.3 网络更新 |
3.2.4 探索策略 |
3.3 融合动态场景信息的DDPG智能车决策方法 |
3.3.1 模型整体框架与输入信息 |
3.3.2 动态信息特征提取模块设计 |
3.3.3 Actor-Critic网络设计 |
3.3.4 奖励函数设计 |
3.4 仿真实验与分析 |
3.4.1 实验环境及任务 |
3.4.2 实验过程 |
3.4.3 实验结果分析与结论 |
3.5 本章小结 |
第四章 面向动态场景的规划算法研究 |
4.1 面向动态场景的规划框架 |
4.2 Frenet坐标系与车辆模型 |
4.2.1 Frenet坐标系简述 |
4.2.2 车辆动力学模型 |
4.3 Frenet坐标系下横纵向运动轨迹生成 |
4.3.1 Frenet坐标系下轨迹解耦 |
4.3.2 横向轨迹生成 |
4.3.3 纵向轨迹生成 |
4.4 轨迹评价函数的设计 |
4.4.1 基本参数评估 |
4.4.2 碰撞评估 |
4.4.3 舒适性与时效性评估 |
4.5 纯追踪算法 |
4.6 仿真实验与分析 |
4.6.1 实验环境 |
4.6.2 实验过程 |
4.6.3 实验结果与分析 |
4.7 本章小结 |
第五章 智能车的决策规划算法的系统验证 |
5.1 引言 |
5.2 决策模块与规划模块的联合 |
5.3 仿真平台搭建 |
5.3.1 仿真平台的选择 |
5.3.2 仿真实验环境配置 |
5.3.3 实验方案设计 |
5.4 仿真实验结果与分析 |
5.4.1 仿真测试结果 |
5.4.2 定量与定性分析 |
5.5 实车实验 |
5.5.1 实车测试平台 |
5.5.2 实车自动驾驶系统 |
5.5.3 实车测试 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 未来工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(6)高速公路风险识别及主动管控技术 ——以杭绍台智慧高速公路为例(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.3 国内外研究现状 |
1.3.1 风险识别国内外研究现状 |
1.3.2 主动管控技术国内外研究现状 |
1.3.3 国内外研究现状分析 |
1.4 研究内容和技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
第二章 高速公路风险因素分析及风险评估方法 |
2.1 高速公路的风险要素及其相互关系分析 |
2.1.1 相关概念 |
2.1.2 高速公路风险要素相互关系 |
2.2 驾驶员、车辆、道路及环境风险因素识别 |
2.2.1 驾驶员风险因素识别 |
2.2.2 道路特征风险因素识别 |
2.2.3 车辆风险因素识别 |
2.2.4 环境风险因素识别 |
2.3 高速公路风险评估 |
2.3.1 高速公路风险概率 |
2.3.2 暴露量的确定 |
2.3.3 高速公路风险评估模型 |
2.4 案例分析(以杭绍台智慧高速公路为例) |
2.4.1 评估路段概况 |
2.4.2 评估路段风险概率 |
2.4.3 评估路段暴露量 |
2.4.4 评估路段风险分布 |
2.5 本章小结 |
第三章 驾驶员风险主动管控技术 |
3.1 驾驶员信息处理特性 |
3.1.1 视觉信息的感知与接收 |
3.1.2 视觉信息的处理过程 |
3.2 基于驾驶失误的风险致因 |
3.2.1 由于信息原因而产生的驾驶失误 |
3.2.2 由于环境要求引起的驾驶失误 |
3.2.3 由于驾驶员感知能力偏差引起的驾驶失误 |
3.2.4 由于驾驶员驾驶经验引起的驾驶失误 |
3.3 基于驾驶员失误的风险管控技术 |
3.3.1 基于车路协同的驾驶员辅助信息处理技术 |
3.3.2 基于驾驶员感知失误的风险控制技术 |
3.3.3 隧道入口及立交出入口标志设置技术 |
3.4 本章小结 |
第四章 车辆、道路和环境风险主动管控技术 |
4.1 特殊路段风险控制技术 |
4.1.1 曲线路段视线诱导及速度控制技术 |
4.1.2 长下坡路段风险综合防控技术 |
4.1.3 隧道路段风险防控技术 |
4.2 不良天气风险控制技术 |
4.2.1 风险防控需求分析 |
4.2.2 全天候风险管控实施方案 |
4.3 特殊运输车辆风险控制技术 |
4.3.1 危险品运输车辆监测-跟踪-诱导-控制技术 |
4.3.2 超限车辆安全风险管控 |
4.4 本章小结 |
第五章 结论与展望 |
5.1 主要成果和结论 |
5.2 研究展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(7)极端天气下的安全驾驶技巧研究(论文提纲范文)
1 引言 |
2 冰雪天安全驾驶技巧 |
3 雨天安全驾驶技巧 |
3.1 完善防雾及雨刷检查工作 |
3.2 科学使用灯光 |
4 结语 |
(9)高原公路不同天气状况对驾驶人工作负荷的影响(论文提纲范文)
1 试验 |
1.1 试验道路 |
1.2 试验仪器 |
1.3 试验人员 |
1.4 试验环境 |
2 心电指标 |
3 不同海拔高度下驾驶人工作负荷的差异 |
3.1 心率增长率和PNN50在不同海拔高度下的变化 |
3.2 RMSSD和SDNN在不同海拔高度下的变化 |
3.3 本地与外地驾驶人驾驶负荷对比 |
4 不同天气状况对驾驶人工作负荷的影响 |
5 结论 |
(10)实训型驾驶模拟器训练驾驶行为评价设计与视景仿真评价探究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题背景 |
1.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 研究内容 |
1.5 技术路线 |
第二章 驾驶视景仿真模型的建立与驱动 |
2.1 驾驶视景仿真平台的选择 |
2.2 驾驶模拟器的总体设计 |
2.3 驾驶视景仿真模型的建立 |
2.3.1 整体建模过程分析 |
2.3.2 道路模型的建立 |
2.3.3 场景环境模型的建立 |
2.3.4 车辆模型的建立 |
2.4 驾驶视景仿真模型的动态驱动与控制 |
2.4.1 驾驶视景联合仿真的实现 |
2.4.2 驾驶视景文件格式的优化 |
2.4.3 驾驶视景动态加载的实现 |
2.4.4 驾驶视景仿真模型的控制实现 |
2.5 本章小结 |
第三章 多源信息融合的驾驶操作行为判定模型的建立 |
3.1 场景地形检测的实现 |
3.2 多源信息融合的驾驶行为判定分析 |
3.3 基于传递信息的驾驶行为判定 |
3.3.1 数据信息的获取 |
3.3.2 数据信息的优化 |
3.3.3 数据信息的传输 |
3.4 基于检测信息的驾驶行为判定 |
3.4.1 自定义检测方式的确定 |
3.4.2 自定义检测算法的实现 |
3.4.3 自定义检测下驾驶行为判定的实现 |
3.5 本章小结 |
第四章 驾驶行为与仿真视景评价指标体系的建立 |
4.1 驾驶操作行为评价指标体系的建立 |
4.1.1 科目二培训场景驾驶操作行为评价指标的建立 |
4.1.2 科目三训练场景驾驶操作行为评价指标的建立 |
4.2 驾驶场景评价指标的选取 |
4.2.1 视景仿真评价要素分析 |
4.2.2 城市道路场景评价指标分析 |
4.2.3 高速道路场景评价要素分析 |
4.2.4 山区道路场景评价要素分析 |
4.2.5 干扰因子下的道路场景评价要素分析 |
4.2.6 场景界面的仿真设计评价要素分析 |
4.2.7 人机交互体验感评价要素分析 |
4.3 驾驶场景的评价指标体系的建立 |
4.4 本章小结 |
第五章 实训型驾驶模拟器驾驶行为与仿真视景评价 |
5.1 驾驶操作行为评价方式分析 |
5.1.1 驾驶行为评价执行方式的实现 |
5.1.2 基于驾驶行为判定的行为评价实现 |
5.1.3 驾驶行为的结果响应 |
5.1.4 驾驶行为评价的等级划分 |
5.2 视景仿真评价指标权重确定 |
5.2.1 阶层结构的建立 |
5.2.2 比较判断矩阵的构建 |
5.2.3 计算层次单排序 |
5.2.4 一致性检验 |
5.2.5 计算层次总排序 |
5.3 视景仿真评价方式分析 |
5.3.1 场景等级划分 |
5.3.2 确定分数表 |
5.4 驾驶行为与视景仿真的评价过程 |
5.4.1 实验方案设计 |
5.4.2 驾驶实验结果统计与分析 |
5.4.3 视景仿真实验结果与分析 |
5.5 本章小结 |
结论与展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
四、雨天驾驶车辆的技巧(论文参考文献)
- [1]极端天气中的车辆安全驾驶技巧分析[J]. 王茂林. 科技与创新, 2021(21)
- [2]论山区高速雨天事故预防[J]. 庄明辉,周章泉,刘闽华. 汽车与安全, 2021(08)
- [3]智能汽车行人避撞系统相机在环测试方法研究[D]. 赵文博. 吉林大学, 2021(01)
- [4]面向智能驾驶的交通场景理解方法研究[D]. 李威. 吉林大学, 2021(01)
- [5]融合动态场景信息和DDPG算法的智能车决策规划方法研究与应用[D]. 周润发. 电子科技大学, 2021(01)
- [6]高速公路风险识别及主动管控技术 ——以杭绍台智慧高速公路为例[D]. 孙振华. 长安大学, 2021
- [7]极端天气下的安全驾驶技巧研究[J]. 张圣根. 时代汽车, 2021(03)
- [8]极速车王[J]. 杰斯·巴特沃斯,约翰-亨利·巴特沃斯,贾森·凯勒,曹宇光. 世界电影, 2020(06)
- [9]高原公路不同天气状况对驾驶人工作负荷的影响[J]. 朱兴林,高超,艾力·斯木吐拉. 科学技术与工程, 2020(20)
- [10]实训型驾驶模拟器训练驾驶行为评价设计与视景仿真评价探究[D]. 张锦思. 长安大学, 2020(06)