面向智能网联汽车测试的关键场景提取与识别

来源 :重庆大学 | 被引量 : 0次 | 上传用户:n0131
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
数字孪生(Digital Twin,DT)技术从现实世界的驾驶数据中提取测试场景,被认为是智能网联汽车(Intelligent Connected Vehicle,ICV)道路测试的有效解决方案。如何从真实驾驶数据中提取并识别关键测试场景成为研究热点。本文以此问题展开研究,提出了新的DT测试场景选择方法。考虑了碰撞风险、交通因素,定义了三类典型应用场景——前向碰撞预警(Forwarding Collision Warning,FCW)、变道预警(Lane Change Warning,LCW)和十字路口碰撞预警(Intersection Collision Warning,ICW)的关键度评估因素,提出了基于数据增强的融合长短时记忆网络(Long Short-Term Memory,LSTM)、自编码网络(Autoencoder,AE)、注意力机制(Attention Model,AM)的LSTM-AE-AM深度学习模型识别关键场景。本文主要研究内容为:(1)分析了三类典型应用场景的碰撞风险和交通因素,定义了场景关键度评价因素,以支持关键场景识别的研究。(2)对重庆车辆检测研究院提供的实车驾驶数据集进行预处理,重构车辆轨迹解决原始数据集中车辆轨迹存在的漏帧、异常点、噪音问题。从原始数据集中提取三类典型应用场景形成新的场景数据集并进行聚类,为关键场景识别模型提供标签。(3)针对新构建的场景数据集样本不均衡的问题,根据场景数据的时空特性构建特征,利用深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)扩充关键场景样本,进行数据增强。(4)提出LSTM-AE-AM关键测试场景识别模型,模型通过基于LSTM的AE提取高维数据特征,进行预训练,进而结合注意力机制赋予重要特征更多权重,达到了挖掘关键测试场景的效果。(5)在数据集上进行对比实验,验证了预处理方法、数据增强模型和LSTM-AE-AM关键场景识别模型的有效性。最后介绍了基于本文研究和以往工作开发的基于DT的蜂窝车用无线通信(Cellular Vehicle-to-Everything,C-V2X)测试系统。
其他文献
国际疾病分类(International Classification of Diseases,ICD)是一种被广泛应用于疾病诊断编码工作的分类系统,其标准由世界卫生组织制定。在医疗实践中,人工ICD编码工作是易错且低效的,其中导致编码错误的最大原因之一就是合并编码情况没有被正确识别并处理。为了辅助编码人员进行编码工作,目前已经有不少关于ICD自动编码的研究涌现出来,但之前的研究都没有对合并编码给
学位
多旅行商问题(mTSP)是著名的旅行商问题(TSP)的延伸。多旅行商问题的目标是寻找一组哈密顿圈,其中每个旅行商都被派往一组城市而且保证每个城市只能访问一次。目前已经有一些致力于求解多旅行商问题的研究,但是大多数研究集中在如何最小化所有旅行商的旅行距离之和(即,minsum mTSP),只有很少的研究是专门针对以下两类复杂多旅行商问题:1.最小化所有旅行商的最大旅行距离(即,minmax mTSP
学位
膜计算是从活细胞的结构和功能中抽象出来的计算模型。该模型的进化规则执行具有不确定性和极大并行性。基于膜计算与进化计算相结合的膜进化算法将活细胞的生命活动抽象为进化算子,然后通过进化算子进化膜结构和膜内物质来求解优化问题。容量聚类问题(Capacitated clustering problem,简称CCP)是将无向图的顶点集划分为几个不相交的簇,使每个簇中的顶点权重之和满足容量限制,同时最大化同一
学位
由于Android系统的开放性,Android应用程序能够通过非官方渠道安装在Android设备上,这为智能系统带来了安全风险。因此,研究如何检测Android恶意软件是非常有必要的。目前,许多基于机器学习的Android恶意软件检测方法都以应用编程接口(API)为特征,具有检测效率高、准确率高等优点。然而,由于这些方法将API作为一个独立的整体特征,当API因Android系统的发展而发生变化时
学位
随着计算机视觉技术的发展,三维重建技术走入到人们生产生活中的方方面面。在众多三维重建的方法中,基于多视角图像深度估计的三维重建方法,是目前主流的三维重建方案之一。传统多视角图像方法使用图像的RGB信息来计算像素点的匹配代价,在弱纹理等RGB信息缺失的位置很难完成重建。随着近年来卷积神经网络在计算机视觉领域的发展,深度学习能够从图像中提取出更丰富的语义信息,将深度学习应用到三维重建领域逐渐成为了当前
学位
传统行人监控主要依赖视频分析、红外成像等方法,难以有效兼顾经济性、隐私性、可扩展性等诸多要求。近年来,因WiFi具备分布性广、信号普适性高、感知灵敏性强等特点,基于WiFi信道状态信息(WiFi-CSI)的无源感知方法逐渐受到学术界与企业界的广泛关注。然而,目前研究大多基于样本学习方法,往往存在以下两点不足:a)离线阶段样本采集开销大,b)跨场景条件下感知鲁棒性不高且可扩展性不强。鉴于此,本文深入
学位
视网膜是眼睛内部的重要组成结构,视网膜血管的异常变化与眼部疾病和部分全身性疾病息息相关。分析视网膜血管系统的特征不仅有利于疾病的诊断和治疗,而且对维护人体眼部健康和提高患者生活质量具有重要价值与意义。光学相干断层扫描血管造影(Optical Coherence Tomography Angiography,OCTA)是一种新型的、非侵入性的成像技术,在无需造影剂的情况下即可生成各个视网膜层和脉络膜
学位
自卷积神经网络提出以来,计算机视觉有了巨大的发展,各种深度学习网络被提出,广泛用于高效处理图像数据。应用深度神经网络分析点云,学习点云特征的方法自然出现了,但是直接使用处理二维图像数据的方法处理三维数据并不可行,通过多层感知器提取点云数据的有效特征便成为了一个常用的方法。然而这种方法并没能够充分利用点云的层次化特征。在点云的层次化的过程中,常常经过分组和采样的操作,使得点云可以按照全局和局部两种方
学位
三维点云的表面重建,指通过输入无序的三维点云数据,生成与之对应的、紧凑的、流形的、水密的网格模型。三维点云的表面重建,可应用于CAD/CAM,虚拟游戏人物、物体、场景等的快速建模,在智慧城市、游戏、电影、动画等领域有较高的应用价值。点云表面重建的主流方法有:基于构建点云表面隐式函数,根据隐式函数采用移动立方体(Marching Cubes)提取等值面,生成网格模型的表面重建算法;使用三角剖分,生成
学位
与图像这类具有规则形状的数据相比,点云这类不规则结构数据还没有一个基于深度学习公认有效的特征提取方式。点云内数据点的邻居选择对局部特征提取所造成的影响是一个值得讨论的问题,然而该问题却未被专门研究过。另外,点云数据中若存在噪声,则会在利用特征进行点云识别、分割、重建等任务时产生较大误差。基于自然语言处理领域中被广泛使用的注意力机制,结合自然邻居搜索算法,本文提出一种全新的点云特征提取网络模型。该网
学位