本文主要研究内容
作者梁军,徐鹏,蔡英凤,陈龙,华国栋（2019）在《面向混合交通流的智能网联车鸣笛意图识别模型》一文中研究指出：为使混合交通流(Mixed Traffic Stream,MTS)下智能网联车(Intelligent Connected Vehicle,ICV)实现鸣笛意图(Horn’s Intention,HI)识别,更好地遵循常规车辆(Manual Vehicle,MV)的驾驶意图,提出ICV对MV鸣笛声的"感知(Perception)—定位(Location)—识别(Recognition)"模型(简称HI-PLR),采用深度卷积—循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声;采用到达时差(Time Difference of Arrival, TDOA)算法定位HV;再基于运动时间窗(Motion Time Window,MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明,HI-PLR可使ICV对混流中车辆的鸣笛声感知准确率达90.4%,定位角度估计误差小于5°,HI识别率达82.5%,为ICV在MTS中的智能驾驶决策提供依据.
Abstract
wei shi hun ge jiao tong liu (Mixed Traffic Stream,MTS)xia zhi neng wang lian che (Intelligent Connected Vehicle,ICV)shi xian ming di yi tu (Horn’s Intention,HI)shi bie ,geng hao de zun xun chang gui che liang (Manual Vehicle,MV)de jia shi yi tu ,di chu ICVdui MVming di sheng de "gan zhi (Perception)—ding wei (Location)—shi bie (Recognition)"mo xing (jian chen HI-PLR),cai yong shen du juan ji —xun huan shen jing wang lao (Deep Convolution Recurrent Neural Network, DCRNN)suan fa gan zhi ming di che liang (Horning Vehicles, HV)de ming di sheng ;cai yong dao da shi cha (Time Difference of Arrival, TDOA)suan fa ding wei HV;zai ji yu yun dong shi jian chuang (Motion Time Window,MTW)de zhi chi xiang liang ji (Support Vector Machine, SVM)suan fa shi bie HI.shi yan jie guo biao ming ,HI-PLRke shi ICVdui hun liu zhong che liang de ming di sheng gan zhi zhun que lv da 90.4%,ding wei jiao du gu ji wu cha xiao yu 5°,HIshi bie lv da 82.5%,wei ICVzai MTSzhong de zhi neng jia shi jue ce di gong yi ju .
论文参考文献
论文详细介绍
论文作者分别是来自交通运输系统工程与信息的梁军,徐鹏,蔡英凤,陈龙,华国栋，发表于刊物交通运输系统工程与信息2019年04期论文，是一篇关于智能交通论文,鸣笛意图识别论文,模型论文,智能网联车论文,混合交通流论文,交通运输系统工程与信息2019年04期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自交通运输系统工程与信息2019年04期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：智能交通论文; 鸣笛意图识别论文; 模型论文; 智能网联车论文; 混合交通流论文; 交通运输系统工程与信息2019年04期论文;