详情

原文传递面向自动驾驶汽车的交通声学环境感知方法研究

论文题名：	面向自动驾驶汽车的交通声学环境感知方法研究
关键词：	自动驾驶;交通环境;声学事件识别;特征参数;小波包去噪;支持向量机
摘要：	环境感知是汽车实现自动驾驶的基础。随着自动驾驶汽车技术的不断发展，对环境感知的技术要求越来越高，多传感器融合已经是实现自动驾驶环境感知的必然趋势。本文通过交通环境声学事件的识别达到对声学环境的部分感知，弥补传统感知系统的感知死角。在交通环境中，行车安全对交通环境声学事件的基础识别率和鲁棒性都有很高的要求。本文依托某研究中心的实验条件，完成对110警笛声、120警笛声、119警笛声和尖叫声四种交通环境声学事件的采集和识别，主要研究内容如下：　　第一，搭建基于梅尔频率倒谱系数（MFCC）和支持向量机（SVM）模型的交通环境声学事件识别基线系统，通过实验验证基线系统对交通环境声学事件有较高的识别率，但也发现鲁棒性不理想。　　第二，为了进一步提高交通环境声学事件识别基线系统的基础识别率，通过分析四种声音信号的时频域特性和规律，提出3维时频域特征提取方法；其次利用增减分量法对MFCC分析，剔除MFCC参数中的干扰项；最后提出一种基于经验模态分解（EMD）的特征参数优化方法，使特征参数在提取过程中有滤波效果。通过特征参数优化方法提取的特征记为EMD-MFCC优化组合参数，实验证明，EMD-MFCC优化组合参数有更好的抗噪效果和更高的基础识别率。　　第三，为了进一步提高交通环境声学事件识别系统的抗噪性，提出基于小波包变换的交通环境声学事件去噪方法。从理论和实验两方面分析对比常用阈值准则和阈值函数，提出多阈值准则和一种改进的阈值函数，达到更优的去噪效果，实现了阈值函数对噪声的自适应性。同时，分析常用小波包基函数和小波包分解层数对识别性能的影响，对小波包基函数和分解层数进行优选。最后实验验证本文对基于小波包变换的交通环境声学信号去噪方法的优化，能大幅度提高识别系统对低信噪比含噪声音的识别率，使交通环境声学事件识别系统具备适应复杂交通环境的能力。　　第四，通过对SVM分类器的理论分析，找出对识别性能产生影响的因素：核函数以及核函数参数。首先通过实验对比SVM模型中常用核函数对识别性能的影响，其次，对比不同寻优算法对惩罚因子和核参数的影响。实验结果表明，高斯核函数具有较高的识别率和最短的训练时间；采用粒子群算法进行参数寻优所用时间更短，而且所得参数对噪声有更好的适应性。最后仿真验证在行驶工况下交通环境声学事件识别系统的有效性。　　研究结果表明，本文通过特征参数优化、去噪算法优化和SVM模型优化三方面，将交通环境声学事件识别系统对无噪声污染的交通环境声学事件的基础识别率提升至99.17%，对含噪20dB以上的交通环境声学事件的识别率可以达到87.08%，对0-10dB的低信噪比含噪交通环境声学事件的识别率平均提高52.66%，提高了交通环境声学事件识别系统的基础识别率和鲁棒性。最后通过仿真验证了行驶工况下交通环境声学事件识别系统可行性。
作者：	李仁仁
专业：	车辆工程
导师：	王若平
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2020
正文语种：	中文