文摘
预测相邻车辆的轨迹是必不可少的逃避或减轻碰撞与交通参与者。然而,由于先前的信息不足和不确定性在未来的驾驶动作,轨迹预测是一项艰巨的任务。最近,轨迹预测模型使用深度学习已经解决来解决这个问题。在这项研究中,一种早期预警的方法,提出利用模糊综合评价技术,全面评估目标的危险程度的分析目标的位置,水平和垂直距离,车辆的速度和时间的碰撞。因为误警率高的早期预警系统,建立早期预警的激活区域的系统,和目标状态判断模块触发只有当目标进入激活区。这种策略提高预警的准确性,减少了误警率,也提高预警系统的运行速度。提出系统可以向司机发出预警提示信息及时与准确性,避免碰撞事故高达96%。实验结果表明,提出的轨迹预测方法可以显著提高车辆网络碰撞检测和预警系统。
1。介绍
蓬勃发展的移动互联网技术、全球定位技术、物联网(物联网),和智能可穿戴设备的逐渐普及,大量的流动数据已经生成1]。移动数据包括交通轨迹数据,人体运动数据,动物迁移数据,和轨迹数据生成的其他可移动的对象。通常,轨迹数据时间的特点,数据采样频率和不均匀的质量。交通轨迹数据的分析和挖掘可以预测未来车辆的位置和区域分布,已成为一个活跃的正在进行的研究领域(2]。
自主车辆经历了非凡的增长在过去的十年里对安全和有效的流动。先进驾驶辅助系统(ADAS)的出现是车辆装备制造感兴趣的减少交通事故的数量。车辆自适应巡航控制系统和紧急刹车等ADAS系统现在已经在路上(3]。ADAS的碰撞预警系统(水煤浆)可以预测碰撞情况,提醒司机。碰撞预警系统探测到前方的车辆通过机器的视觉系统和警告后碰撞的风险时(4]。检测和预警系统的开发可以提醒司机随时可能的风险,减少道路交通事故造成受害人的财产损失,并促进工程领域的主要技术问题和相关研究。这意味着观察交通场景,预测的轨迹附近的车辆,和碰撞检测是重要的任务。然而,检测邻近车辆的轨迹是相对困难的工作,因为它取决于每个司机的特征和各种交通状况(5]。
车辆轨迹预测中扮演一个重要的角色在ADAS和自主车辆(6]。Likun et al。7)提出了一种车辆轨迹预测算法在穿越的场景。方法来获取车辆运动的特点,对数据标签和车辆定位回归了。使用分层的功能领域的讨论,构造模糊逻辑规则来描述不同的车辆状态和运动模型之间的转换。通过推导每个运动的概率模型,将卡尔曼滤波器(KF)被用来进一步预测车辆轨迹在接下来的1.5秒。然而,他们的错误被发现的过程中使用这种方法来预测,导致不准确的结果。柠檬et al。8)测试是否知觉学习训练可以提高车辆的碰撞检测性能。八大调查对象参加了实验,持续7天,每天进行1小时。在培训之前,三个观察者的碰撞检测阈值速度测量使用强制选择过程的两种选择。在这个过程中,参与者表示接近对象是否会导致碰撞或无冲突事件。在另一个实验中,参与者是训练方法的阈值在一个速度为5天。培训后,参与者的阈值进行了测量。然而,由于小数量的样品在实验中,有错误的结果。碰撞预警系统提出了基于单个美孚的眼睛在9),追尾碰撞车辆碰撞被认为是和时间计算(TTC)来生成一个警告。作者在10]采用十字路口场景的两辆汽车GPS接收器和通讯设备来检测轨迹。基于车辆追尾预警系统nonneural香等提出的网络。11),车辆使用GPS传感器和通信设备,应该是在同一车道上。Morzy [12)开发了一个混合模型使用频率模式树和前缀跨度算法预测的轨迹。同样,Monreale et al。13)设计了一笔模式树来确定发生的轨迹模式预测随后的位置。然而,这种方法需要大量的计算识别这样频繁轨迹模式。
最近,由于深度学习技术的高性能,研究人员已开始取代传统的机器学习技术,这些方法对轨迹预测。王等人。14]深上优于模型人体运动预测框架使用短期记忆(LSTM)网络。用户的历史轨迹被用来训练模型和原始模型LSTM的增强是一个多用户,region-oriented结构通过整合sequence-to-sequence建模。模型显示提高泛化能力。作者在15]应用递归神经网络(RNN)预测下一个目标的精确坐标的基础上,出租车司机的行为。在这项研究中,深入学习方法应用于预测车辆轨迹和建立一个车辆检测系统。此外,模糊综合评价技术是用来评估危险程度的目标通过分析目标的位置,水平和垂直距离,车辆的速度和时间的碰撞。一个早期预警系统中激活区域构造,和目标状态决定模块触发只有当目标进入激活区域,提高预警的准确性和减少误警率。
纸被组织成多个部分。节2,提出了车辆轨迹预测算法。节3,设置激活区域的不同策略进行了讨论。部分4结果,和部分中给出的结论是5。
2。车辆轨迹预测算法基于深度学习
2.1。深度学习
深度学习在解决问题做出重大改进,排斥研究者在人工智能社区的最佳努力好几年了。它已被证明是非常善于发现高维数据中复杂的结构,因此在许多科技领域应用。除了提供最高的性能在图像识别和语音识别,它有殴打其他机器学习技术在预测潜在的药物分子的活动,重建大脑回路,预测非编码DNA的突变对基因表达的影响和疾病。深入学习是一群算法出于人类大脑的结构和功能称为人工神经网络。深度学习使用大量的训练数据建立一个模型结构与几个隐藏层和底层特征结合形成更抽象的深层特征,从而提高最终的分类或预测的准确性。在深入学习算法,学习可以监督,semisupervised,或无监督,有多达5 - 10隐藏层。深度学习与传统神经网络有许多异同。采用分层结构,多层网络由输入层、隐藏层(多层),和一个输出层(16]。传统的人工神经网络(ANN)使用误差反向传播(BP)算法来调整参数和迭代更新重量和偏见来训练整个安。首先,随机设置参数的初始值,如重量和偏见,然后计算输出在当前安,和改变参数根据区别它和原始样本集的输出,所以,最终的输出结果达到收敛17]。整个过程是基于梯度下降的方法,它使用负梯度方向搜索方向。但是,当传统的安(即有太多层。,米ore than 7 layers), the residual error propagated to the front layer will become smaller. It is prone to gradient diffusion, and it is difficult to adjust the parameters of each layer. In addition, when the number of layers is too small (less than or equal to 3), the effect of the ANN is not optimal compared with other linear regression methods, and the training speed is still relatively slow.
改善缺点ANN模型训练的深度学习使用不同的培训机制。采用一层初始化培训机制和实现复杂函数的近似通过无监督学习的非线性网络结构。此外,样本数据的特征表示在原始空间转化为一个新功能空间。这个过程可以被视为一层功能转换。因此,当调整反馈,深度学习可以避免稀疏梯度(即。,the error correction signal is getting smaller and smaller from the top layer), and the convergence is likely to cause local minimum problems.
2.2。深度学习的目标检测算法
深度学习试图模仿生物神经网络的结构和计算方法。它构建一个multihidden网络,火车在大量的数据样本,和学习样本数据的基本特征来实现强泛化能力。建立一个深度学习模型主要包括神经元类型的选择,拓扑结构和学习规则(18]。
通过增加电脑设备的力量和创造大量的教育数据集,深入学习了。在目标检测方面,目标检测的速度和准确性使伟大的发现。相比之下,YOLOv2略好,但它针对的是几十个检测目标。对象检测YOLO使用神经网络来提供实时的意思。这个算法是受欢迎的,因为它的速度和准确性。它已经被广泛应用于各种应用程序来检测人,交通信号,停车计时器,和动物。对象探测器,采用不同的模式学习的深层神经网络检测对象。YOLOv2使用单个神经网络预测边界框和类直接从完整的图像在一个概率推理。这段输入图像 网格。网格中的每个单元格预测l边框和信心的边界框,以及米类条件概率。更好地完成任务检测车辆碰撞、本研究提高YOLOv2网络并构建YOLO-R网络(19]。
整个检测过程分为整车检测和离线训练。在离线训练,收集培训组发送到YOLO-R网络培训,,最后,加权网络的信息提取。在整车检测首先,输入帧图像作为输入;YOLO-R网络训练后,它会创建输出目标位置和类别信心信息,然后使用矩形帧的匹配算法找出车辆匹配的车辆碰撞和合并的两个矩形框架来完成分类车辆。最后,根据检测到目标位置,使用卡尔曼滤波器预测目标在下一时刻的位置,和最优相似匹配执行与检测结果(20.]。卡尔曼滤波器是一种算法估计一些未知变量的测量观察。卡尔曼滤波器有相对简单的形式和要求小的计算能力。卡尔曼滤波是一种递归的过程,检测状态估计以及估计的不确定性,鉴于国家先前的知识和目前收集到的测量。卡尔曼滤波器降低测量噪声和计算错误相关的每个状态计算元素(21]。
2.3。轨迹预测算法
车辆轨迹预测是指车辆历史轨迹数据的使用。当目标是未知的,一定预测模型用于给车辆在下一时刻的精确位置(或多个连续的时刻22]和[23]。在车辆位置预测模型的发展,车辆的历史轨迹数据需要预处理。预处理过程分为四个步骤。
2.3.1。过滤
过滤的过程应用于过滤数据的误差跟踪点和重复跟踪点在车辆跟踪。在地理定位系统(GPS)轨迹数据的车辆,有明显的错误数据点。后获得的时间间隔和空间距离GPS轨迹点,GPS定位分明显错误删除。
2.3.2。Subtrajectory部门
根据时间间隔和空间距离,轨迹不发生连续驾驶期间划分,和轨迹数据与用户的关联多个驾驶行为。
2.3.3。车辆轨迹数据的索引
车辆subtrajectory数据的索引用于提供底层支持车辆轨迹数据的访问。
2.3.4。基于集群稀疏的轨迹完成
基于距离的K-Modes算法用于集群的历史subtrajectories车辆,和稀疏的轨迹点称赞轨迹基于聚类的结果。轨迹点轨迹的数量增加到提高轨迹数据的质量。经过预处理的车辆数据完成后,车辆历史轨迹数据作为输入用于培训和车辆轨迹预测模型来预测下一刻的车辆位置。
2.4。车辆检测算法
帧间差分法,也称为时间域不同,用于在连续的两个或三个帧提取视频图像;减法运算应用于获得一个不同的形象。运动变化区域检测到不同的图像。帧间差分法是行驶车辆的基本检测方法[24]。移动物体的位置是通过减去两个连续帧的车辆图像。使用帧间差分法的车辆检测方法是基于树和车道的道路环境和尺度视频帧环境采取的相机与一个固定的位置和角度。因为车辆的位置两帧之间的移动,有一个特定的车辆位置的像素值差异的两个框架和相应的其他帧的位置。这两个帧图像的像素值的视频流中减去获得移动车辆的位置信息。
当使用车辆检测视频帧之间的差异,两个相邻或关闭图像提取,然后采用不同功能相对应的像素值的像素位置,和操作的结果大于一定的限制,如1是确定的。其他值被定义为0,这是一个双重功能。因此,方程中定义的象形图(1)构成的轮廓(前景)移动车辆,和其他被认为是背景。帧间差分法可以表示如下: 在哪里 表明不同操作的执行tth帧获取绝对值, 显示位置的像素灰度值(x,y)提取图像的t框架,t我是t我th坐标系,我框架的区别。T的阈值估计背景或前景,然后呢一个(x,y)代表帧间差分操作的结果在相应的位置(x,y两张图片的)。
3所示。汽车碰撞预警系统网络
在自动驾驶汽车技术,追尾预警系统发挥核心作用。当使用在实际情况下,现有的预警系统正面临着严峻的挑战。一些方法未能发送警告,而其他人创建多个错误的警告。为了避免频繁的假警报,以下措施是建立在这项研究。
3.1。激活的早期预警系统
最大的挑战是设计一个早期预警系统车辆碰撞检测是如何有效地减少假警报,错过了警报[25]。假警报会分散司机频繁,在严重的情况下可能会导致交通事故。设计一个高精度的早期预警系统,本文首先设置一个预警激活区域前面的车辆。当目标进入预警激活区域,只有早期预警系统被激活。
3.2。早期预警激活区域设置
本文设置警报激活区域的形状为梯形。设置一个梯形的合理性在于,一方面,车辆有限范围的可操作性,和车辆形成一个三角形与原方向后改变方向。另一方面,当目标非常接近的车辆,全制动不能避免事故,所以车辆的前面有一些地区被排除在外。
3.3。模糊预警算法
模糊预警算法指的是使用模糊综合评价方法来评价危险程度的目标面前,抽象的目标状态是用于分析目标的位置,水平和垂直距离,车辆的速度,TTC信息[26]。这些数据合并的模糊综合评价方法,最后,当前风险水平的目标。模糊综合评价方法运用模糊数学理论量化定性评价问题。的基本思想是建立索引设置和评论为评估对象,然后设置指标权重集和评估对象的参与程度指数将获得每个元素的模棱两可的关系表。最后,模糊综合评价是用来编译指数总重量和模糊关系表得到模糊综合评价结果。
3.4。车辆轨迹预测模型
为监督学习机器学习算法都是基于假设输入数据是均匀分布的,独立的。然而,计算车辆的轨迹,输入时间序列数据作为输入值。这表明输入数据是相关的。因此,我们使用RNN发展轨迹预测模型和顺序使用结构化数据作为输入。然而,它的缺点是梯度消失。为了解决这个问题,长期短期记忆(LSTM)模型用于预测车辆在下一时刻的位置[23]。领域的车辆轨迹预测,神经网络模型是一个常用的结构,包括BP模型和RNN模型。BP神经网络模型处理输入数据除以输入层、隐藏层和输出层。神经网络的权重是通过反馈调解不断更新和优化。输出数据是实际值近似任意精度达到预测的目的。 The problem that the BP neural network faces in the field of vehicle trajectory prediction is that the number of input features is fixed, and historical trajectory data cannot be used. The LSTM is also called the sequence-to-sequence model, and it transforms an input data sequence into an output data sequence. This model is widely applied in text summarization, machine translation, and image processing [47, 48]. The fundamental idea behind the LSTM model is a memory cell, which can preserve its state over time, and nonlinear gating units, which adjust the information flow into and out of the memory cell. Most recent studies have included many enhancements that have been made to the LSTM architecture since its original structure. However, LSTMs are now used in many machine learning problems, which differ significantly in scale and nature from the problems that these improvements were initially tested on. The trajectory prediction model of the vehicle also estimates a new trajectory sequence by training input sequence. The present LSTM model is based on the RNN model and is segmented into an encoder and a decoder part. It receives input from the encoder part and generates a vector containing the information of the input value. This vector is used by the decoder to recursively generate an output value.
4所示。车辆碰撞检测和预警分析
4.1。车辆检测算法的整体性能
验证的总体性能提出了车辆检测算法,包含一个序列的视频记录的收集1200张图片指南,用于检测和监测工具。在这个视频中,汽车总是出现正前方的主要汽车,不时加速和减速,其中汽车B和C通过左、右车道和消失。提出了车辆检测和跟踪算法的结果如图所示1。图中的曲线描述的位置探测和跟踪车辆的视频图像序列。每一帧记录探测和跟踪车辆的外切矩形中心x和y方向的图像平面和提供关于每一帧的处理时间统计,如图2。
从数据分析在图1可以看出,汽车总是出现在图像的中间,然后汽车检测到B和C的左右部分图像,这也表明他们正在加速。有许多逆转在汽车的跟踪曲线,表明汽车的速度正在改变,这与实际情况是一致的。图中给出的信息2表明,每帧的平均检测时间是45女士,平均追踪时间每帧是52女士,满足实时要求的前端车辆碰撞预警系统。
4.2。防撞预警结果
一个早期预警系统将在一定程度上减少交通事故。这是一个创新的驾驶员辅助系统,以避免或减少车辆碰撞的严重程度。一个防撞预警系统监测车辆的速度,前面的车的速度,和两辆车之间的距离,以便通知司机如果车辆靠太近,帮助避免碰撞。来验证提出的早期预警系统的有效性,本研究收集100套交通场景包含行人和骑自行车的人作为测试数据。每组场景包含四个连续帧的图像,和车辆速度和相机校正信息保存到便于早期预警指标的计算。在实验中,20个有经验的司机被邀请作为观察员将这100组数据,并把他们分为三个级别:安全,关注,和危险。采用投票的方法,具有最高的票数被选为标签的测试数据。表1和图3显示没有预警的预警结果与和激活的区域。准确性代表警告级别的数量正确的比例确定的系统测试数据的总数。精确的分数相关的实例中检索实例。还记得,也称为敏感性,是所有相关实例中检索实例的一部分。
通过分析表中的数据1后,就可以得出结论,将预警激活区域添加到车辆预警系统,精度,精度,和召回率已经增长了15.25%,30%,和19%,分别和早期预警系统的性能大大提高了精度91%,精度91%,分别和召回率92%。此外,预警激活区域不包括一些安全目标,减少系统的数量计算,大约增加一倍的操作速度。表2提供各种警告级别的检测结果。
它可以观察到,危险状态的准确性最高,达到95%,并注意状态的准确性(80%),最低的有两种类型的错误检测和两种类型的错过了20组数据检测和40组数据处于安全状态。四组被误检测为国家的重视。7中错误的检测和错失检测的例子,4的安全状态被误检测为关注状态,因为目标是在前面的车辆。虽然车辆的速度是快和目标的水平和垂直距离短,观察者发现车辆有一个方向,右转的趋势,所以判断实例作为安全状态;危险状态的一个场景了,有8个行人车辆和行人的面前跑过马路。这一幕被标记为一个危险的状态,但只有20公里/小时的速度和危险的可能性相对较小。在另一个实例的值和危险状态的关注年代向量相似,导致系统误判关注国家的危险;其余的都是复杂的场景,观察者的标签并不统一。
通过以上分析,可以得出结论,提出预警系统比观察者的观察更客观。它综合考虑了运动目标的纵向方向的车辆和车辆的速度信息,可以更好地满足远期防撞预警系统的要求。
5。结论
车辆碰撞预测获得了越来越多的关注在智能城市安全改进。它是设计有效的车辆碰撞预警方法的关键是交通事故的主要原因之一。本文概述了主流视频预测算法,提出了一种基于深度学习的车辆轨迹预测算法预测车辆轨迹,这样可能可以检测出车辆的位置提前,和潜在的碰撞车辆可以警告。此外,基于互联网的车辆的车辆碰撞预警方法体系,可有效避免风险在开车,提醒司机集中注意力,大大降低了潜在的安全隐患在开车。提出系统可以向司机发出预警提示信息及时与准确性,避免碰撞事故高达96%。实验结果表明,基于深度学习的轨迹预测算法可以显著提高车辆网络碰撞检测和预警系统。
数据可用性
在这项研究中给出的数据的结果包括在手稿中。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的重点自然科学研究项目获得焦点的新一代信息技术领域2020年广东省普通高校“交通安全预警系统的研究和应用基于5 g网络工具”(项目号2020 zdzx3096)从广州南洋理工学院”,研究网络的安全机制和关键技术应用工具”(项目号纽约- 2020 kyyb - 08)从广州南洋理工大学,学校创新和强大的研究团队项目“大数据和智能计算创新研究团队”(ny - 2019 cqtd - 02)从广州南洋理工大学,和“车辆碰撞预警研究方法基于轨迹预测互联网的工具”(项目号纽约- 2020 cq1tspy - 04)从广州南洋理工大学。作者深入承认塔伊夫大学支持本研究通过塔伊夫大学的研究人员支持项目。塔伊夫大学TURSP-2020/150塔伊夫,沙特阿拉伯。