CN108520155A - 基于神经网络的车辆行为模拟方法 - Google Patents
基于神经网络的车辆行为模拟方法 Download PDFInfo
- Publication number
- CN108520155A CN108520155A CN201810337442.3A CN201810337442A CN108520155A CN 108520155 A CN108520155 A CN 108520155A CN 201810337442 A CN201810337442 A CN 201810337442A CN 108520155 A CN108520155 A CN 108520155A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vehicle
- output
- training
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明属于神经网络算法与交通模拟技术领域,基于神经网络的车辆行为模拟方法。首先,提取每辆车个性化的真实交通轨迹,规格化处理把原始数据转化为神经网络可以识别的数据集;然后用神经网络从交通轨迹中为每辆车提供一个能够体现其驾驶特性的行为模型,和传统人为定义的数学交通模型不同,本文致力于用数据驱动的方法去描述车辆所面对的交通状态和车辆行为之间的关系。在本文模型中,车辆的行为主要受前车和后车的影响,这是一个回归问题。模型的输入是车辆所面对的交通状态,输出是车辆采取的行为。本发明与同类相比具有显著的特点,具体详细说明如下:(1)算法的自适应性强;(2)算法可处理多种输入输出映射。
Description
技术领域
本发明属于神经网络算法与交通模拟技术领域,提出了一种具有较强真实性的车辆行为的模拟方法。
背景技术
交通模拟在城乡规划、交通动画、电脑游戏和虚拟现实等领域有了广泛应用。在交通流模拟方面,现有的交通流模拟技术主要分为两大类:车辆单车道驾驶行为和多车道变道行为。这些方法经常关注于设置一些交通规则或机制去控制单个车辆的行为,这样模拟出来的交通流不能很好的体现真实交通流的多样性。
为了增强模拟交通的真实性和多样性,本文提出了基于神经网络的交通行为模型,并将学习出来的模型应用到虚实交通模拟系统中。首先,提取每辆车个性化的真实交通轨迹,然后用神经网络从交通轨迹中为每辆车选择一个能够体现其驾驶特性的行为模型,和传统人为定义的数学交通模型不同,本文致力于用数据驱动的方法去描述车辆所面对的交通状态和车辆行为之间的关系。在本文模型中,车辆的行为主要受前车和后车的影响,这是一个回归问题。模型的输入是车辆所面对的交通状态,输出是车辆采取的行为。最后,本文提出一个虚实交互系统。将真车数据引入到交通流模拟过程中去增强交通流的真实性。前提条件是真车的数据不能改变,用学习到的模型去控制虚拟车和真车的交互。
本文的方法模拟出的效果和现有传统的方法做了比较,结果显示本文方法模拟出的交通流能够体现车辆行为的不规则性。
发明内容
本发明提供了一种给予神经网络的,对真实交通情况中的行车数据进行学习,从而模拟车辆在交通环境中的行为的算法。
本发明的技术方案:
基于神经网络的车辆行为模拟方法,步骤如下:
首先,提取每辆车个性化的真实交通轨迹,规格化处理把原始数据转化为神经网络可以识别的数据集;然后用神经网络从交通轨迹中为每辆车提供一个能够体现其驾驶特性的行为模型,和传统人为定义的数学交通模型不同,本文致力于用数据驱动的方法去描述车辆所面对的交通状态和车辆行为之间的关系。在本文模型中,车辆的行为主要受前车和后车的影响,这是一个回归问题。模型的输入是车辆所面对的交通状态,输出是车辆采取的行为。以下是技术方案的详细介绍:
(1)算法的设置过程
①神经网络的工作原理
BP神经网络模型处理信息的基本原理是:输入信号Xi通过中间节点(又称隐含节点)作用于输出节点,经过非线形变换,产生输出信号Yk,网络训练的每个样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间的偏差,通过调整节点的联接强度Wij和中间节点与输出节点之间的联接强度Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
②数据的预处理过程
本算法给予神经网络,经过适当的设置可以处理复杂且格式多变的原始数据,但是处理不同的数据集时需要灵活地进行不同的预处理。仅作举例,本例中处理NGSIM组织提供的公开数据集中的美国101高速公路数据集(US 101数据集)。
下表是原始交通数据集的格式。原始的数据集每一行记录了一辆车一个时刻的状态,一共有18列。
原始交通数据集格式
经过测试,为了能使神经网络达到最好的训练效果,算法对“有效”的数据规定如下:
(1)目标车的前后方向都有车,且与目标车在一个车道
(2)前后车与目标车的距离小于120m
(3)前后车的速度小于20km/h
(4)目标车和前后车距离小于61m的时间不能少于30s
在US101数据集中提取的典型有效数据见附录中附图。
必须说明的是,交通轨迹中涉及的数据主要是加速度、速度和距离。在本文提取的数据中,加速度的值在范围[-11.2,11.2]之间,速度在[0,82.7]之间,车与车之间的距离也在一定范围内。可以看出这些数据明显不在相同的尺度范围内。这种有明显上下界的数据分布适合线性归一化。归一化函数方法如下定义:
其中,xmax是x所在范围内的最大值,xmin是x所在范围内的最小值。
③神经网络的学习函数确定
交通行为模型要解决的就是一个从交通状态到司机行为的映射问题,司机的驾驶行为受到交通状态的影响。交通状态由一些能够体现车辆动力学特征和周围环境的一组变量来表示。在现有的跟随模型中,一般用和前车的距离、相对速度和相对加速度来表示交通状态。
为了能更好的表示车辆面对的交通状态,本文采用了三车跟随模型,即使用前后车的信息来表示当前车所面对的交通状态。网络的输出是司机在当前时刻应该做出的决定,决策可以用加速度、速度或距离来表示,因此神经网络要学习的函数就可由下式确定:
v(t)=f(Δvfollower,Δsfllowere,,afollower,Δvleader,Δsleader,aleader,)
上式中,v(t)表示当前车驾驶方向t时刻的速度,是神经网络的输出;Δvfollower表示在驾驶方向于t时刻当前车和后车的速度差;Δsfollower表示在驾驶方向t时刻当前车与后车的相对距离;αfollower表示在驾驶方向上于t时刻时后车的加速度;Δvleader表示在驾驶方向于t时刻当前车和前车的速度差;Δsleader表示在驾驶方向t时刻当前车与前车的相对距离;aleader表示在驾驶方向上于t时刻前车的加速度。
④神经网络的结构层次
网络层数的选择现在没有一个成熟的理论的指导。目前层数的选择一般靠经验来确定。实验过程中,从单个中间层开始,逐渐加大隐藏层个数并减小隐藏层的节点数,发现加大中间层对网络性能的提升不太大,且训练时间加长,由此可知本文的映射是一个比较简单地映射,仅用单个中间层即可
在BP神经网络中,中间层节点数是导致过拟合的直接原因,对于建立神经网络性能的影响非常大,所以中间层节点数的选择显得尤其重要。究竟中间层神经元数目是多少为好,目前还没有一套被证明是正确的理论来计算。
在实际训练过程中,考虑到每辆车的数据集大小一般集中在400左右,输入节点数目是6,输出为1,所以隐藏层的节点数应控制在[5,50]。在训练中,从5开始,然后逐渐增大中间层节点数量,观察误差函数的变化,发现10以后网络性能提升幅度不大,且训练时间加长,所以中间层层节点数量最终确定为10。
⑤神经网络的激活函数
神经网络中,每个神经元计算加权和输出的过程其实就是矩阵相乘的过程,是线性变化。多个线性变化的结果仍然是线性变化。线性变化不能解决非线性问题,因为它表达能力有限。因此需要引入非线性的激活函数来增加非线性化,使神经网络具有非线性的映射能力。
常见的激活函数有sigmoid函数,Relu函数,Tanh函数,在本文中,为了加快神经网络的收敛速度和防止梯度弥散,本发明选用Relu作为激活函数,其定义如下:
f(x)=max(0,x)
⑥神经网络的损失函数
损失函数是神经网络中定义的一个函数,其常被用来衡量网络输出和期望输出的差异,并根据该损失函数进行网络优化。在分类问题中,经典的损失函数是交叉熵函数。回归问题解决的是对具体数值的预测。比如房价预测、销量预测等都是回归问题。本发明对车辆行为的预测也是回归问题。这些问题需要预测的不是一个事先定义好的类别,而是一个实数。本文神经网络的输出值就是预测的加速度。对于本算法,使用的损失函数是常用的均方误差函数(MSE,mean squared error)的类似行。定义如下所示:
上式中,N为一个数据块(batch)中的数据个数,为神经网络的第i个输出量,为相对应的真实值。本文中batch大小为10。
(2)算法的训练过程
一个典型的BP神经网络的工作流程是首先为神经网络选定合适的激活函数f(x)、学习函数v(t)、损失函数Ferror(vsim,vdata)和其他一些参数;然后从数据集中随机抽取输入信号vdata行经网络进行训练,得到神经网络输出信号vsim,计算损失误差函数Ferror(vsim,vdata),并且与设定好的误差范围相比较,小于该范围或训练次数到达上限便输出输出信号vsim并停机,反之则修正神经元的权值并增加训练次数,重新训练。
值得说明的是,为了更好地设置神经网络以适应本算法,需要对神经网络的训练过程进行一些修改:
①损失函数
本发明中算法实际运行是的损失函数如下定义,区别与上文定义的损失函数,这是为了避免神经网络在训练时过拟合:
其中w是神经网络的权向量,wi是w的一个分量,λ是设定好的常数,设置为0.5。
②学习率的设置
在实际训练中,学斜率并不是一个固定的值,而是随着迭代次数增加而变化的动态值。这样做可以让模型在训练的前期快速接近较优解,又可以保证模型在训练后期不会有太大的波动,从而更加接近局部最优。其形式为:
l=l0*e-kt
l0为初始学习率,k为衰减指数,l为t时刻的学习速率。
本发明与同类相比具有显著的特点,具体详细说明如下:
①算法的自适应性强
神经网络的自适应性可以理解为在不同的数据输入下都有一定的效果,即神经网络具有调整自身突触权值以适应外界环境变化的固有能力。特别是,一个在特定运行环境下接受训练的神经网络,在环境变化不大的时候可以很容易地进行重新训练。而且,当它在一个不稳环境(即它的统计特性随时间变化)中运行时,可以设计神经网络使得其突触权值随时间实时变化。作为一般规则,在保证系统保持稳定时,一个系统的自适应性越好,它被要求在一个不稳定环境下运行时其性能就越具鲁棒性。
②算法可处理多种输入输出映射
在上文中算法主要用来学习US101数据集的行车数据,从训练结果来看学习函数的映射是一个简单映射,但是针对不同复杂程度的数据集,可以预见的是输入输出的映射函数有可能非常复杂,本发明提供了一种从复杂映射到简单映射都可以解决的技术方案。
附图说明
图1是基于神经网络的车辆行为模拟算法方案。
图2是神经网络训练流程图。
图3是神经网络使用车辆行驶模型示意图。
图4是典型的神经网络训练结果示意图。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
基于神经网络的车辆行为模拟方法,步骤如下:
①神经网络的工作原理
BP神经网络模型处理信息的基本原理是:输入信号Xi通过中间节点(又称隐含节点)作用于输出节点,经过非线形变换,产生输出信号Yk,网络训练的每个样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间的偏差,通过调整节点的联接强度Wij和中间节点与输出节点之间的联接强度Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
②数据的预处理过程
本算法给予神经网络,经过适当的设置可以处理复杂且格式多变的原始数据,但是处理不同的数据集时需要灵活地进行不同的预处理。仅作举例,本例中处理NGSIM组织提供的公开数据集中的美国101高速公路数据集(US 101数据集)。
下表是原始交通数据集的格式。原始的数据集每一行记录了一辆车一个时刻的状态,一共有18列。
原始交通数据集格式
经过测试,为了能使神经网络达到最好的训练效果,算法对“有效”的数据规定如下:
(1)目标车的前后方向都有车,且与目标车在一个车道
(2)前后车与目标车的距离小于120m
(3)前后车的速度小于20km/h
(4)目标车和前后车距离小于61m的时间不能少于30s
在US101数据集中提取的典型有效数据见附录中附图。
必须说明的是,交通轨迹中涉及的数据主要是加速度、速度和距离。在本文提取的数据中,加速度的值在范围[-11.2,11.2]之间,速度在[0,82.7]之间,车与车之间的距离也在一定范围内。可以看出这些数据明显不在相同的尺度范围内。这种有明显上下界的数据分布适合线性归一化。归一化函数方法如下定义:
其中,xmax是x所在范围内的最大值,xmin是x所在范围内的最小值。
③神经网络的学习函数确定
交通行为模型要解决的就是一个从交通状态到司机行为的映射问题,司机的驾驶行为受到交通状态的影响。交通状态由一些能够体现车辆动力学特征和周围环境的一组变量来表示。在现有的跟随模型中,一般用和前车的距离、相对速度和相对加速度来表示交通状态。
为了能更好的表示车辆面对的交通状态,本文采用了三车跟随模型,即使用前后车的信息来表示当前车所面对的交通状态。网络的输出是司机在当前时刻应该做出的决定,决策可以用加速度、速度或距离来表示,因此神经网络要学习的函数就可由下式确定:
v(t)=f(Δvfollower,Δsfollower,afollower,Δvlsader,Δslsader,alsader,)
上式中,v(t)表示当前车驾驶方向t时刻的速度,是神经网络的输出;Δvfollower表示在驾驶方向于t时刻当前车和后车的速度差;Δsfollower表示在驾驶方向t时刻当前车与后车的相对距离;αfollower表示在驾驶方向上于t时刻时后车的加速度;Δvleader表示在驾驶方向于t时刻当前车和前车的速度差;Δsleader表示在驾驶方向t时刻当前车与前车的相对距离;aleader表示在驾驶方向上于t时刻前车的加速度。
④神经网络的结构层次
网络层数的选择现在没有一个成熟的理论的指导。目前层数的选择一般靠经验来确定。实验过程中,从单个中间层开始,逐渐加大隐藏层个数并减小隐藏层的节点数,发现加大中间层对网络性能的提升不太大,且训练时间加长,由此可知本文的映射是一个比较简单地映射,仅用单个中间层即可
在BP神经网络中,中间层节点数是导致过拟合的直接原因,对于建立神经网络性能的影响非常大,所以中间层节点数的选择显得尤其重要。究竟中间层神经元数目是多少为好,目前还没有一套被证明是正确的理论来计算。
在实际训练过程中,考虑到每辆车的数据集大小一般集中在400左右,输入节点数目是6,输出为1,所以隐藏层的节点数应控制在[5,50]。在训练中,从5开始,然后逐渐增大中间层节点数量,观察误差函数的变化,发现10以后网络性能提升幅度不大,且训练时间加长,所以中间层层节点数量最终确定为10。
⑤神经网络的激活函数
神经网络中,每个神经元计算加权和输出的过程其实就是矩阵相乘的过程,是线性变化。多个线性变化的结果仍然是线性变化。线性变化不能解决非线性问题,因为它表达能力有限。因此需要引入非线性的激活函数来增加非线性化,使神经网络具有非线性的映射能力。
常见的激活函数有sigmoid函数,Relu函数,Tanh函数,在本文中,为了加快神经网络的收敛速度和防止梯度弥散,本发明选用Relu作为激活函数,其定义如下:
f(x)=max(0,x)
⑥神经网络的损失函数
损失函数是神经网络中定义的一个函数,其常被用来衡量网络输出和期望输出的差异,并根据该损失函数进行网络优化。在分类问题中,经典的损失函数是交叉熵函数。回归问题解决的是对具体数值的预测。比如房价预测、销量预测等都是回归问题。本发明对车辆行为的预测也是回归问题。这些问题需要预测的不是一个事先定义好的类别,而是一个实数。本文神经网络的输出值就是预测的加速度。对于本算法,使用的损失函数是常用的均方误差函数(MSE,mean squared error)的类似行。定义如下所示:
上式中,N为一个数据块(batch)中的数据个数,为神经网络的第i个输出量,为相对应的真实值。本文中batch大小为10。
(3)算法的训练过程
一个典型的BP神经网络的工作流程是首先为神经网络选定合适的激活函数f(x)、学习函数v(t)、损失函数Ferror(vsim,vdata)和其他一些参数;然后从数据集中随机抽取输入信号vdata行经网络进行训练,得到神经网络输出信号vsim,计算损失误差函数Ferror(vsim,vdata),并且与设定好的误差范围相比较,小于该范围或训练次数到达上限便输出输出信号vsim并停机,反之则修正神经元的权值并增加训练次数,重新训练。
值得说明的是,为了更好地设置神经网络以适应本算法,需要对神经网络的训练过程进行一些修改:
①损失函数
本发明中算法实际运行是的损失函数如下定义,区别与上文定义的损失函数,这是为了避免神经网络在训练时过拟合:
其中w是神经网络的权向量,wi是w的一个分量,λ是设定好的常数,设置为0.5。
②学习率的设置
在实际训练中,学斜率并不是一个固定的值,而是随着迭代次数增加而变化的动态值。这样做可以让模型在训练的前期快速接近较优解,又可以保证模型在训练后期不会有太大的波动,从而更加接近局部最优。其形式为:
l=l0*e-kt
l0为初始学习率,k为衰减指数,l为t时刻的学习速率。
一种基于神经网络的车辆行为模拟算法,包括算法的设置和算法的训练两部分:1.对神经网络的数据进行预处理
在获取有效的行车数据集后(关于“有效”的定义见上文),对数据进行归一化。2.神经网络的训练
a)首先令w=w0,w0即为神经网络中的各个节点赋初始权值;
b)令训练次数n=0,设置误差接受范围ξ,最大训练次数nmax
c)为神经网络随机抽取输入信号vdata;
d)得到神经网络的输出信号vsim,计算损失函数
e)若且n≤nmax,进行(f),反之停机,输出vsim;
f)反向更新神经网络各节点权值wnew,使w=wnew,n=n+1,进行步骤c)。
Claims (1)
1.一种基于神经网络的车辆行为模拟方法,其特征在于,步骤如下:
(1)算法的设置过程
(1.1)神经网络的工作原理
BP神经网络模型处理信息:输入信号Xi通过中间节点作用于输出节点,经过非线形变换,产生输出信号Yk;网络训练的每个样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间的偏差,通过调整节点的联接强度Wij、中间节点与输出节点之间的联接强度Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数,训练即告停止;此时经过训练的神经网络即对输入信息自行处理,输出误差最小的经过非线形转换的信息;
(1.2)数据的预处理过程
为了使神经网络达到最好的训练效果,对“有效”的数据规定如下:
(a)目标车的前后方向都有车,且与目标车在一个车道;
(b)前后车与目标车的距离小于120m;
(c)前后车的速度均小于20km/h;
(d)目标车和前后车距离小于61m的时间不能少于30s;
交通轨迹中涉及的数据主要是加速度、速度和距离;
对提取到“有效”的数据进行归一化处理,归一化函数方法如下定义,以下表示一个对数据集x进行归一化处理的函数f(x):
其中,xmax是x所在范围内的最大值,xmin是x所在范围内的最小值;
(1.3)神经网络的学习函数确定
车辆面对的交通状态采用三车跟随模型,即使用前后车的信息来表示当前车所面对的交通状态;网络的输出是司机在当前时刻做出的决定,决策用加速度、速度或距离来表示,因此神经网络要学习的函数由下式确定:
v(t)=f(Δvfollower,Δsfollower,afollower,Δvleader,Δsleader,aleader,)
上式中,v(t)表示当前车驾驶方向t时刻的速度,作为神经网络的输出;Δvfollower表示在驾驶方向于t时刻当前车和后车的速度差;Δsfollower表示在驾驶方向t时刻当前车与后车的相对距离;afollower表示在驾驶方向上于t时刻时后车的加速度;Δvleader表示在驾驶方向于t时刻当前车和前车的速度差;Δsleader表示在驾驶方向t时刻当前车与前车的相对距离;aleader表示在驾驶方向上于t时刻前车的加速度;
(1.4)神经网络的结构层次
网络层数选用单个中间层即可,中间层层节点数量为10;
(1.5)神经网络的激活函数
神经网络中,每个神经元计算加权和输出的过程是矩阵相乘的过程,是线性变化;多个线性变化的结果仍然是线性变化;线性变化无法解决非线性问题,因为它表达能力有限;因此引入非线性的激活函数来增加非线性化,使神经网络具有非线性的映射能力;
为了加快神经网络的收敛速度和防止梯度弥散,本方法选用Relu函数作为激活函数,其定义如下:
f(x)=max(0,x)
(1.6)神经网络的损失函数
损失函数是神经网络中定义的一个函数,其被用来衡量网络输出和期望输出的差异,并根据损失函数进行网络优化;回归问题解决的是对具体数值的预测,本方法对车辆行为的预测也是回归问题;本方法神经网络的输出值就是预测的加速度;对于本方法,使用的损失函数是均方误差函数的类似行,定义如下所示:
上式中,N为一个数据块中的数据个数,为神经网络的第i个输出量,为相对应的真实值;
(2)算法的训练过程
BP神经网络的工作流程:首先为神经网络选定激活函数f(x)、学习函数v(t)、损失函数Ferror(vsim,vdata)和参数;然后从数据集中随机抽取输入信号vdata行经网络进行训练,得到神经网络输出信号vsim,计算损失误差函数Ferror(vsim,vdata),并且与设定好的误差范围相比较,小于该范围或训练次数到达上限便输出输出信号vsim并停机,反之则修正神经元的权值并增加训练次数,重新训练;
为了更好地设置神经网络以适应本方法,对神经网络的训练过程进行一些修改:
(2.1)损失函数
本方法实际运行的损失函数如下定义,区别与步骤(1.6)的损失函数,为了避免神经网络在训练时过拟合:
其中w是神经网络的权向量,wi是w的一个分量,λ是设定好的常数,确定方法是通过控制变量法在其他网络参数不变的情况下,改变λ的值,从而在神经网络收敛最快时确定,设置为0.5;
(2.2)学习率的设置
在神经网络的训练中,学习率决定了算法从初始解求得精确解的步长,同时侧面决定了神经网络的训练时间,一般来说学习率越高步长越大,训练时间越短,但是更容易忽略精确解,神经网络;在实际训练中,学习率不是一个固定的值,而是随着迭代次数增加而变化的动态值;学习率的设置形式为:
l=l0*e-kt
l0为初始学习率,k为衰减指数,l为t时刻的学习速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810337442.3A CN108520155B (zh) | 2018-04-11 | 2018-04-11 | 基于神经网络的车辆行为模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810337442.3A CN108520155B (zh) | 2018-04-11 | 2018-04-11 | 基于神经网络的车辆行为模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520155A true CN108520155A (zh) | 2018-09-11 |
CN108520155B CN108520155B (zh) | 2020-04-28 |
Family
ID=63429349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810337442.3A Active CN108520155B (zh) | 2018-04-11 | 2018-04-11 | 基于神经网络的车辆行为模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520155B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
CN110481561A (zh) * | 2019-08-06 | 2019-11-22 | 北京三快在线科技有限公司 | 无人驾驶车辆自动控制信号生成方法和装置 |
CN110673636A (zh) * | 2019-09-30 | 2020-01-10 | 上海商汤临港智能科技有限公司 | 无人驾驶仿真测试系统及方法、存储介质 |
WO2020082910A1 (zh) * | 2018-10-24 | 2020-04-30 | 珠海格力电器股份有限公司 | 路面等级确定方法、装置、存储介质及汽车 |
CN111091581A (zh) * | 2018-10-24 | 2020-05-01 | 百度在线网络技术(北京)有限公司 | 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质 |
CN111443701A (zh) * | 2018-12-29 | 2020-07-24 | 南京理工大学 | 基于异构深度学习的无人驾驶车辆/机器人行为规划方法 |
CN112906882A (zh) * | 2019-12-03 | 2021-06-04 | 百度(美国)有限责任公司 | 利用模型预测控制的逆向强化学习 |
CN113243021A (zh) * | 2018-12-19 | 2021-08-10 | 罗伯特·博世有限公司 | 用于训练神经网络的方法 |
DE102021203520B3 (de) | 2021-04-09 | 2022-02-10 | Volkswagen Aktiengesellschaft | Verfahren zum Erzeugen eines Steuersignals für eine Querregeleinrichtung eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, sowie Assistenzsystem |
FR3117079A1 (fr) | 2020-12-07 | 2022-06-10 | Psa Automobiles Sa | Procédé et dispositif de prédiction de changement de voie de circulation d’un véhicule circulant sur une route |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070282772A1 (en) * | 2006-05-19 | 2007-12-06 | Inha-Industry Partnership Institute | Separate Learning System and Method Using Two-Layered Neural Network Having Target Values for Hidden Nodes |
CN104182771A (zh) * | 2014-07-30 | 2014-12-03 | 北京航空航天大学 | 基于带丢包自动编码技术的时间序列数据图形化分析方法 |
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN106469336A (zh) * | 2016-09-21 | 2017-03-01 | 广东工业大学 | 基于bp神经网络的二维码防伪预测装置和方法 |
CN107609633A (zh) * | 2017-05-03 | 2018-01-19 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
CN107657106A (zh) * | 2017-09-21 | 2018-02-02 | 大连理工大学 | 基于遗传算法的交通流模拟方法 |
CN108829763A (zh) * | 2018-05-28 | 2018-11-16 | 电子科技大学 | 一种基于深度神经网络的影评网站用户的属性预测方法 |
-
2018
- 2018-04-11 CN CN201810337442.3A patent/CN108520155B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070282772A1 (en) * | 2006-05-19 | 2007-12-06 | Inha-Industry Partnership Institute | Separate Learning System and Method Using Two-Layered Neural Network Having Target Values for Hidden Nodes |
CN104182771A (zh) * | 2014-07-30 | 2014-12-03 | 北京航空航天大学 | 基于带丢包自动编码技术的时间序列数据图形化分析方法 |
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN106469336A (zh) * | 2016-09-21 | 2017-03-01 | 广东工业大学 | 基于bp神经网络的二维码防伪预测装置和方法 |
CN107609633A (zh) * | 2017-05-03 | 2018-01-19 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
CN107657106A (zh) * | 2017-09-21 | 2018-02-02 | 大连理工大学 | 基于遗传算法的交通流模拟方法 |
CN108829763A (zh) * | 2018-05-28 | 2018-11-16 | 电子科技大学 | 一种基于深度神经网络的影评网站用户的属性预测方法 |
Non-Patent Citations (1)
Title |
---|
尹璐: "基于神经网络的人工鱼行为模拟", 《中国优秀硕士学位论文全文数据库.信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020082910A1 (zh) * | 2018-10-24 | 2020-04-30 | 珠海格力电器股份有限公司 | 路面等级确定方法、装置、存储介质及汽车 |
CN111091581A (zh) * | 2018-10-24 | 2020-05-01 | 百度在线网络技术(北京)有限公司 | 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质 |
CN113243021A (zh) * | 2018-12-19 | 2021-08-10 | 罗伯特·博世有限公司 | 用于训练神经网络的方法 |
CN111443701A (zh) * | 2018-12-29 | 2020-07-24 | 南京理工大学 | 基于异构深度学习的无人驾驶车辆/机器人行为规划方法 |
CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
CN110481561A (zh) * | 2019-08-06 | 2019-11-22 | 北京三快在线科技有限公司 | 无人驾驶车辆自动控制信号生成方法和装置 |
CN110673636A (zh) * | 2019-09-30 | 2020-01-10 | 上海商汤临港智能科技有限公司 | 无人驾驶仿真测试系统及方法、存储介质 |
CN112906882A (zh) * | 2019-12-03 | 2021-06-04 | 百度(美国)有限责任公司 | 利用模型预测控制的逆向强化学习 |
CN112906882B (zh) * | 2019-12-03 | 2024-01-16 | 百度(美国)有限责任公司 | 利用模型预测控制的逆向强化学习 |
FR3117079A1 (fr) | 2020-12-07 | 2022-06-10 | Psa Automobiles Sa | Procédé et dispositif de prédiction de changement de voie de circulation d’un véhicule circulant sur une route |
DE102021203520B3 (de) | 2021-04-09 | 2022-02-10 | Volkswagen Aktiengesellschaft | Verfahren zum Erzeugen eines Steuersignals für eine Querregeleinrichtung eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, sowie Assistenzsystem |
WO2022214452A1 (de) | 2021-04-09 | 2022-10-13 | Volkswagen Aktiengesellschaft | Verfahren zum erzeugen eines steuersignals für eine querregeleinrichtung eines zumindest teilweise assistiert betriebenen kraftfahrzeugs, sowie assistenzsystem |
Also Published As
Publication number | Publication date |
---|---|
CN108520155B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520155A (zh) | 基于神经网络的车辆行为模拟方法 | |
CN111061277B (zh) | 一种无人车全局路径规划方法和装置 | |
CN107132516B (zh) | 一种基于深度置信网络的雷达一维距离像目标识别方法 | |
Han et al. | A new method for image segmentation based on BP neural network and gravitational search algorithm enhanced by cat chaotic mapping | |
CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
CN109829541A (zh) | 基于学习自动机的深度神经网络增量式训练方法及系统 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
CN106844947B (zh) | 一种基于高阶相关学习的机车节能优化自动驾驶方法 | |
CN110097145A (zh) | 一种基于cnn和特征金字塔的交通违禁品识别方法 | |
CN105913450A (zh) | 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统 | |
CN110286586A (zh) | 一种磁流变阻尼器混合建模方法 | |
CN107274029A (zh) | 一种利用动态场景内交互作用介质的未来预测方法 | |
WO2019053052A1 (en) | METHOD FOR (RE-) TRAINING MACHINE LEARNING COMPONENT | |
CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
Levine | Exploring deep and recurrent architectures for optimal control | |
CN109740695A (zh) | 基于自适应全卷积注意力网络的图像识别方法 | |
CN107609634A (zh) | 一种基于增强极速学习的卷积神经网络训练方法 | |
CN105678381A (zh) | 一种性别分类网络训练方法、性别分类方法及相关装置 | |
CN108446676A (zh) | 基于有序编码及多层随机投影的人脸图像年龄判别方法 | |
CN107563430A (zh) | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 | |
CN103093247B (zh) | 一种植物图片的自动分类方法 | |
CN107862329A (zh) | 一种基于深度置信网络的雷达一维距离像真假目标识别方法 | |
CN109754057A (zh) | 一种结合速度扰动机制混沌蝗虫算法的减速器自重设计方法 | |
CN106647279B (zh) | 一种基于模糊规则的机车智能操纵优化计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |