为提高快速路匝道区域合流冲突的识别精度,并缓解合流冲突提供决策依据,提出一种V2X(vehicle to everything)环境下基于圆风险域的交通冲突识别模型.通过V2X技术实时获取车辆位置和速度,以冲突风险时间为关键参数,分析主线车辆和匝道车...为提高快速路匝道区域合流冲突的识别精度,并缓解合流冲突提供决策依据,提出一种V2X(vehicle to everything)环境下基于圆风险域的交通冲突识别模型.通过V2X技术实时获取车辆位置和速度,以冲突风险时间为关键参数,分析主线车辆和匝道车辆的不同运动状态特性;引入风险域概念,结合车辆运动学,构建基于圆风险域冲突识别模型,进而通过两圆的位置关系表征两车之间的运动关系,实现交通冲突的识别;为细化冲突风险程度,采用累计频率曲线法判定冲突风险程度等级.仿真结果表明,采用冲突识别模型的识别率相比未采用时提高25.81%,说明该模型能有效识别匝道合流冲突,提高通行效率,并可为V2X环境下匝道合流车辆提供安全预警.展开更多
针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny...针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny,增加小目标检测层;其次,引入SimAM(A Simple,Parameter-Free Attention Module for Convolutional Neural Networks)无参注意力机制模块,优化训练损失函数,并对其目标车辆进行轨迹跟踪及预测,通过改进的多目标跟踪算法StrongSORT(Strong Simple Online and Realtime Tracking)的短期预测不断矫正LSTM(Long Short Term Memory)的长期预测,即建立SS-LSTM模型,并将预测的超车轨迹与智能网联车自身轨迹在同一时间纬度下进行拟合,得到传统车辆切入时的风险预判模型。实验结果表明,本文的自动驾驶风险预判方法有效预判了传统车辆切入时的风险。仿真实验表明,改进YOLOV7-Tiny相比于原有算法mAP(mean Average Precision)提高了2.3个百分点,FPS(Frames Per Second)为61.35 Hz,模型大小为12.6 MB,模型满足车载端轻量化的需求。实车实验表明,根据SS-LSTM模型所得到的风险预判准确率为90.3%。展开更多
文摘为提高快速路匝道区域合流冲突的识别精度,并缓解合流冲突提供决策依据,提出一种V2X(vehicle to everything)环境下基于圆风险域的交通冲突识别模型.通过V2X技术实时获取车辆位置和速度,以冲突风险时间为关键参数,分析主线车辆和匝道车辆的不同运动状态特性;引入风险域概念,结合车辆运动学,构建基于圆风险域冲突识别模型,进而通过两圆的位置关系表征两车之间的运动关系,实现交通冲突的识别;为细化冲突风险程度,采用累计频率曲线法判定冲突风险程度等级.仿真结果表明,采用冲突识别模型的识别率相比未采用时提高25.81%,说明该模型能有效识别匝道合流冲突,提高通行效率,并可为V2X环境下匝道合流车辆提供安全预警.
文摘针对传统车辆切入过近导致自动驾驶产生脱离的问题,本文提出一种YOLOV7-Tiny(You Only Look Once Version 7 Tiny)和SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先,模型改进了视觉目标检测模型YOLOV7-Tiny,增加小目标检测层;其次,引入SimAM(A Simple,Parameter-Free Attention Module for Convolutional Neural Networks)无参注意力机制模块,优化训练损失函数,并对其目标车辆进行轨迹跟踪及预测,通过改进的多目标跟踪算法StrongSORT(Strong Simple Online and Realtime Tracking)的短期预测不断矫正LSTM(Long Short Term Memory)的长期预测,即建立SS-LSTM模型,并将预测的超车轨迹与智能网联车自身轨迹在同一时间纬度下进行拟合,得到传统车辆切入时的风险预判模型。实验结果表明,本文的自动驾驶风险预判方法有效预判了传统车辆切入时的风险。仿真实验表明,改进YOLOV7-Tiny相比于原有算法mAP(mean Average Precision)提高了2.3个百分点,FPS(Frames Per Second)为61.35 Hz,模型大小为12.6 MB,模型满足车载端轻量化的需求。实车实验表明,根据SS-LSTM模型所得到的风险预判准确率为90.3%。
