论文部分内容阅读
自动驾驶目前已成为汽车领域的研究热点,而自动驾驶安全问题是制约自动驾驶技术的最关键因素之一。高效准确的防撞预警ADAS算法对于保障自动驾驶车辆和周边行人的安全具有重要作用。现有的防撞预警算法均基于传统的安全车距模型来判断是否发生碰撞,不具备任何预测功能。若ADAS防撞算法能在汽车行进过程中实时预测未来可能发生的碰撞事故和后果,减少驾驶员不当的驾驶行为,可有效避免车祸发生。本文基于碰撞仿真大数据和深度学习方法,提出了一种仿真数据驱动的有预知功能的防撞预警算法,该算法能够提前直接预测计算两车碰撞后的车辆和乘员的损伤程度,使得驾驶员在得知相应的危险程度后,提前做出规避动作,从而杜绝事故的发生。本论文主要研究内容如下:(1)基于PC-Crash建立了深度卷积神经网络需要的碰撞仿真大数据。首先,利用PC-Crash仿真软件建立了小汽车和大卡车车辆模型,对它们的各种碰撞工况进行了仿真,计算出在相应工况下两车碰撞后的损伤系数,从而获得深度学习神经网络所需要的仿真数据的数据集。其中,两车的质量,相对速度,相对角度,相对距离是深度学习神经网络的输入,两车碰撞后的车辆的损伤程度是神经网络的输出。其中,损伤程度是以两车的变形程度为依据的。(2)建立深度卷积神经网络,并对获得的仿真数据集进行训练和验证。依据训练好的神经网络模型可近乎实时预测车辆在未来短时间内发生的碰撞损伤程度。该过程的本质其实是使用深度学习算法对文本进行预测。本文选择使用迁移学习的方法,使用了波士顿房价预测的数据集训练出来的神经网络参数作为本文卷积神经网络的参数,并构造了深度卷积神经网络的结构。(3)结合单目深度学习算法,对上述算法进行实验验证。实验表明,该算法可依据当前车速,路上其他车辆车速,驾驶方向等参数准确预测出未来事故发生后车辆损伤程度。本文截取了一段视频,根据训练好的神经网络模型进行预测,预测准确率约83.3%。综上,本论文设计了一种仿真数据驱动的有预知功能的防撞预警算法,使用了深度学习算法对两车相撞后的损伤程度进行了预测,可较准确提前预测车祸发生后车辆的损伤程度,从而在车祸发生前提醒驾驶员提前做出相应的动作,从而避免或者减轻双方的损伤程度。这对于减少车祸发生,提升自动驾驶安全性具有重要的理论和应用价值。