详情

原文传递面向混行交通流的智能网联车辆灯语意图识别关键技术研究

论文题名：	面向混行交通流的智能网联车辆灯语意图识别关键技术研究
关键词：	智能网联车辆;自动驾驶系统;灯语意图识别;光数据处理算法;混行交通流
摘要：	近年来，人工智能技术的发展如火如荼，智能网联车辆（Connected and Automated Vehicles,CAV）应运而生，但是现阶段交通流中存在相当数量的人工驾驶车辆（Manual Vehicles,MV），CAV与MV混行的交通流逐渐形成。混行交通流环境下CAV与MV之间的交互问题已成为当前智能交通系统（Intelligent Transport System,ITS）领域的研究热点。而CAV如何快速且精准识别MV发出的灯语是ITS研究的难点，目前研究者对灯语意图识别缺少系统性的识别方法。而灯语意图的识别是CAV自动驾驶决策的重要依据，识别灯语意图能够使CAV自动驾驶系统正确选择行驶路径和正确控制车辆运行状态。因此针对混行交通流中的灯语信息，建立了CAV灯语意图识别模型。　　论文的主要研究工作如下：　　（1）针对混行交通环境下CAV对车灯的检测需求。首先基于暗通道先验原理的图像去光晕算法、基于ABT聚类和HSV空间的图像分割算法、基于边缘形状特征的灯对匹配算法对CAV获取的车灯图像进行预处理；其次基于梯度向量直方图（Histogram of Gradients,HOG）进行特征提取，基于卷积神经网络（Convolutional Neural Network,CNN）对车灯进行检测，基于角点跟踪算法（Kanade-Lucas-Tomasi,KLT）对发出灯语的MV进行跟踪；最后，车灯检测和灯对跟踪实验表明：车灯检测率平均达到96.4%，跟踪定位的角度误差小于1°，基本满足CAV对MV车灯的检测识别要求。　　（2）针对CAV如何处理接收的MV灯语引起的光辐射通量变化，提出了一种光数据处理算法。首先基于车灯投射模型和路面反射模型建立光辐射通量算法；其次，考虑了混行交通流中各种光噪声的影响，建立了LED车灯多输入多输出模型；最后灯语光辐射通量检测和灯语误码率实验表明：MV与CAV距离越近，算法对灯语的光辐射通量计算效果越好，且由于车车距离的增加，LED车灯的误码率越高，接受到的光噪声越多。在5种典型灯语场景下，CAV接收到的光辐射通量特征明显，符合在不同场景下的灯语规则，体现了较高的算法可行性和可靠性。　　（3）针对CAV如何充分利用上述数据识别MV灯语意图。首先提出了基于改进SVM的车灯分类算法，对识别出的LED车灯进行分类；其次基于双层隐马科夫模型（Hidden Markov Model,HMM）建立灯语意图识别模型，分为驾驶行为层HMM模型和灯语意图层HMM；最后以5种典型灯语实验验证了提示催行灯语意图、变道超车灯语意图、加速超车灯语意图、保持车距灯语意图、提示转向灯语意图的识别可行性，实现结果表明平均识别率达到94.8%，验证了灯语意图识别的准确性与适用性。　　综上所述，本文针对CAV灯语意图识别提出“车灯检测-光数据处理-灯语意图识别”三位一体的方法论，弥补了混行交通流中CAV与MV之间的通信缺陷，与V2V通信互为补充，进一步拓展了混行交通环境下的异构车辆交互技术。
作者：	钱晨阳
专业：	交通运输工程
导师：	梁军
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2021