CN109455178B - 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 - Google Patents
一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 Download PDFInfo
- Publication number
- CN109455178B CN109455178B CN201811344894.0A CN201811344894A CN109455178B CN 109455178 B CN109455178 B CN 109455178B CN 201811344894 A CN201811344894 A CN 201811344894A CN 109455178 B CN109455178 B CN 109455178B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- binocular vision
- speed
- braking
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种基于双目视觉的道路交通车辆行驶主动控制系统，包括：检测模块，其用于检测车辆行驶信息和路况环境信息；预警模块，其用于接收所述检测模块的检测数据并作出预警判断；处理模块，其用于接收所述检测模块的检测数据并生成主动制动模式；辅助制动模块，其用于接收所述主动制动模式并辅助车辆制动。能够实时检测车辆行驶信息和路况环境信息，并对车辆进行辅助制动，提高行驶安全性。本发明还公开了一种基于双目视觉的道路交通车辆行驶主动控制方法，能够采集车辆行驶信息和路况环境信息，并基于BP神经网络确定车辆主动制动模式和报警状态。
Description
技术领域
本发明涉及汽车技术及交通设计技术领域，更具体的是，本发明涉及一种基于双目视觉的道路交通车辆行驶主动控制系统及方法。
背景技术
随着经济的稳定发展和人民生活水平的提高，我国汽车销量每年保持稳定增速，汽车保有量不断攀升。车辆本身的智能化越来越重要，由于驾驶人与道路交通信息的交互存在一定的盲点，每年由于驾驶人不遵守交通规则，对交通信息的误判等导致的交通事故的损失巨大。2016-2018年因超速所导致的事故数分别占比10.2％、13.2％、14.3％，面对超速行驶造成的事故数与日俱增，车速的主动智能控制是一个必然趋势。
北京万集科技股份有限公司发明“一种基于无线定位的车路协同辅助驾驶系统以及方法”(公开号CN 106355928A)，用安装在车辆上的车载装置，在车辆进入通信区域后向安装在车辆行驶道路的两侧的基站广播报文，与基站连接的服务器得到车辆路况信息，并推送至车辆，使车辆根据车辆路况信息执行相应操作，仅能对车况信息进行检测并传输给驾驶人，驾驶人根据播报的路况信息进行人工调整和控制，不能进行主动控制，而在人们处于疲劳状态或者没有注意收听播报的信息时，反而起不到关键的安全保护作用。
发明内容
本发明设计开发了一种基于双目视觉的道路交通车辆行驶主动控制系统，能够实时检测车辆行驶信息和路况环境信息，并对车辆进行辅助制动，提高行驶安全性。
本发明的另一个目的是设计开发了一种基于双目视觉的道路交通车辆行驶主动控制方法，能够采集车辆行驶信息和路况环境信息，并基于BP神经网络确定车辆主动制动模式和报警状态。
本发明在车辆需要辅助制动时，根据车辆行驶信息和路况环境信息精确控制了车辆制动加速度，更好的对车辆进行主动控制，提高行驶安全性。
本发明还设定了车辆和道路中行走对象的安全距离，低于安全距离时，控制车辆急停，提高安全系数。
本发明提供的技术方案为：
一种基于双目视觉的道路交通车辆行驶主动控制系统，包括：
检测模块，其用于检测车辆行驶信息和路况环境信息；
预警模块，其用于接收所述检测模块的检测数据并作出预警判断；
处理模块，其用于接收所述检测模块的检测数据并生成主动制动模式；
辅助制动模块，其用于接收所述主动制动模式并辅助车辆制动。
优选的是，所述检测模块采用双目视觉系统。
一种基于双目视觉的道路交通车辆行驶主动控制方法，采集车辆行驶信息和路况环境信息，并基于BP神经网络确定车辆主动制动模式和报警状态，具体包括如下步骤：
步骤一、按照采样周期，采集车辆的实时车速V，车辆与道路中行走对象的距离L，车辆与道路中行走对象的相对速度Vr，道路限定的最低车速Vmin、最高车速Vmax，与车辆前方距离最近信号灯的状态Ss以及车辆行驶方向上具有的车道数N；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6,x7}；其中，x1为车辆的实时车速V，x2为车辆与道路中行走对象的距离L，x3为车辆与道路中行走对象的相对速度Vr，x4为道路限定的最低车速Vmin，x5为道路限定的最高车速Vmax，x6为与车辆前方距离最近信号灯的状态Ss，x7为车辆行驶方向上具有的车道数N；
其中，x2＝x3＝0时，道路中无行走对象；x6＝1时，信号灯为绿灯，x6＝2时，信号灯为黄灯，x6＝3时，信号灯为红灯；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2,o3}；其中，o1为车辆制动状态，o2为车辆变道状态，o3为预警状态，所述输出层神经元值为当o1＝1时，车辆开始制动，当o1＝0时，车辆正常行驶；/>当o2＝1时，车辆变道，当o2＝0时，车辆正常行驶；/>当o3＝1时，车辆开始报警，当o3＝0时，车辆不报警。
优选的是，当车辆进行制动时，其制动加速度满足：
其中，a为车辆制动加速度，ψ为调整系数。
优选的是，
当车辆与道路中行走对象的距离时，辅助制动模块控制车辆急停；
其中，ξ为校正系数，α为降雨量，β为降雪量，G为紫外线强度，为道路附着系数，e为自然对数的底数。
优选的是，当车辆与道路中行走对象的相对速度达到Vr≥1.05V时，辅助制动模块控制车辆的行驶速度降至V≤4.05m/s。
优选的是，当车辆进行变道时，控制车辆的行驶速度降至V≤4.05m/s。
优选的是，所述隐层的神经元个数m满足：其中n为输入层节点个数，p为输出层节点个数。
优选的是，其特征在于，所述隐层的神经元个数m＝6。
优选的是，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
本发明所述的有益效果：
(1)本发明提供的基于双目视觉的道路交通车辆行驶主动控制系统，能够实时检测车辆行驶信息和路况环境信息，并对车辆进行辅助制动，提高行驶安全性。
(2)本发明提供的基于双目视觉的道路交通车辆行驶主动控制方法，能够采集车辆行驶信息和路况环境信息，并基于BP神经网络确定车辆主动制动模式和报警状态。并且在车辆需要辅助制动时，根据车辆行驶信息和路况环境信息精确控制了车辆制动加速度，更好的对车辆进行主动控制，提高行驶安全性。本发明还设定了车辆和道路中行走对象的安全距离，低于安全距离时，控制车辆急停，提高安全系数。
附图说明
图1为本发明所述基于双目视觉的道路交通车辆行驶主动控制系统的模块结构示意图。
图2为本发明所述基于双目视觉的道路交通车辆行驶主动控制方法的工作流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供一种基于双目视觉的道路交通车辆行驶主动控制系统，包括：检测模块，其用于检测车辆行驶信息和路况环境信息；预警模块，其用于接收所述检测模块的检测数据并作出预警判断；处理模块，其用于接收所述检测模块的检测数据并生成主动制动模式；辅助制动模块，其用于接收所述主动制动模式并辅助车辆制动。所述检测模块采用双目视觉系统。
本发明提供的基于双目视觉的道路交通车辆行驶主动控制系统，能够实时检测车辆行驶信息和路况环境信息，并对车辆进行辅助制动，提高行驶安全性。
如图2所示，本发明还提供一种基于双目视觉的道路交通车辆行驶主动控制方法，采集车辆行驶信息和路况环境信息，并基于BP神经网络确定车辆主动制动模式和报警状态，具体包括如下步骤：
步骤一、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示车辆和道路环境的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入向量：x＝(x1,x2,...,xn)T
中间层向量：y＝(y1,y2,...,ym)T
输出向量：o＝(o1,o2,...,op)T
本发明中，输入层节点数为n＝7，输出层节点数为p＝3，隐藏层节点数
输入层7个参数分别表示为：x1为车辆的实时车速V，x2为车辆与道路中行走对象的距离L，x3为车辆与道路中行走对象的相对速度Vr，x4为道路限定的最低车速Vmin，x5为道路限定的最高车速Vmax，x6为与车辆前方距离最近信号灯的状态Ss，x7为车辆行驶方向上具有的车道数N；
其中，x2＝x3＝0时，道路中无行走对象；x6＝1时，信号灯为绿灯，x6＝2时，信号灯为黄灯，x6＝3时，信号灯为红灯。
输出层3个参数分别表示为：o1为车辆制动状态，o2为车辆变道状态，o3为预警状态，所述输出层神经元值为当o1＝1时，车辆开始制动，当o1＝0时，车辆正常行驶；当o2＝1时，车辆变道，当o2＝0时，车辆正常行驶；/>当o3＝1时，车辆开始报警，当o3＝0时，车辆不报警。
步骤二、进行BP神经网络的训练。
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输入样本如表1所示，输出样本如表2所示。
表1网络训练用的输入样本
表2网络训练用的输出样本
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
式中，为第n次计算时l层的j单元信息加权和，/>为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，/>为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令/> 为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数，则
且
若神经元j属于第一隐层(l＝1)，则有
若神经元j属于输出层(l＝L)，则有
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
对隐单元
(c)修正权值：
η为学习速率。
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
Δω＝(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。
另外：
(1)当车辆进行制动时，其制动加速度满足：
其中，a为车辆制动加速度，ψ为调整系数。
(2)当车辆与道路中行走对象的距离时，辅助制动模块控制车辆急停；
其中，ξ为校正系数，α为降雨量，β为降雪量，G为紫外线强度，为道路附着系数，e为自然对数的底数。
(3)当车辆与道路中行走对象的相对速度达到Vr≥1.05V时，辅助制动模块控制车辆的行驶速度降至V≤4.05m/s。
(4)当车辆进行变道时，控制车辆的行驶速度降至V≤4.05m/s。
下面结合具体的实施例进一步的对本发明提供的基于双目视觉的道路交通车辆行驶主动控制方法进行说明。选取10组不同的车辆行驶信息和道路环境进行试验，具体试验条件如表3所示。
表3试验条件
| 序号 | V | L | Vr | Vmin | Vmax | Ss | N |
| 1 | 10.2 | 10 | 9.8 | 3.5 | 16.2 | 红 | 2 |
| 2 | 9.7 | 0 | 0 | 3.5 | 16.2 | 黄 | 3 |
| 3 | 8.6 | 5 | 8.9 | 3.5 | 16.2 | 绿 | 2 |
| 4 | 11.2 | 6 | 11.6 | 3.5 | 16.2 | 红 | 3 |
| 5 | 10.9 | 2 | 9.8 | 3.5 | 16.2 | 黄 | 4 |
| 6 | 11.3 | 3 | 11.3 | 3.5 | 16.2 | 绿 | 3 |
| 7 | 12.8 | 6 | 12.5 | 3.5 | 16.2 | 红 | 4 |
| 8 | 14.6 | 8 | 14.6 | 3.5 | 16.2 | 黄 | 2 |
| 9 | 15.3 | 9 | 15.8 | 3.5 | 16.2 | 绿 | 3 |
| 10 | 13.8 | 7 | 14.1 | 3.5 | 16.2 | 绿 | 3 |
根据前述建立的神经网络模型，得出输出结果，结果如表4所示。
表4输出结果
结合模拟的路况信息，并输出上述结果时，道路车辆均能够正常行驶，且没有出现任何交通事故的可能。因此上述建立的神经网络模型，确定车辆主动制动模式和报警状态是合理的。
本发明提供的基于双目视觉的道路交通车辆行驶主动控制方法，能够采集车辆行驶信息和路况环境信息，并基于BP神经网络确定车辆主动制动模式和报警状态。并且在车辆需要辅助制动时，根据车辆行驶信息和路况环境信息精确控制了车辆制动加速度，更好的对车辆进行主动控制，提高行驶安全性。本发明还设定了车辆和道路中行走对象的安全距离，低于安全距离时，控制车辆急停，提高安全系数。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (7)
1.一种基于双目视觉的道路交通车辆行驶主动控制方法，使用基于双目视觉的道路交通车辆行驶主动控制系统，其特征在于，采集车辆行驶信息和路况环境信息，并基于BP神经网络确定车辆主动制动模式和报警状态，具体包括如下步骤：
步骤一、按照采样周期，采集车辆的实时车速V，车辆与道路中行走对象的距离L，车辆与道路中行走对象的相对速度Vr，道路限定的最低车速Vmin、最高车速Vmax，与车辆前方距离最近信号灯的状态Ss以及车辆行驶方向上具有的车道数N；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6,x7}；其中，x1为车辆的实时车速V，x2为车辆与道路中行走对象的距离L，x3为车辆与道路中行走对象的相对速度Vr，x4为道路限定的最低车速Vmin，x5为道路限定的最高车速Vmax，x6为与车辆前方距离最近信号灯的状态Ss，x7为车辆行驶方向上具有的车道数N；
其中，x2＝x3＝0时，道路中无行走对象；x6＝1时，信号灯为绿灯，x6＝2时，信号灯为黄灯，x6＝3时，信号灯为红灯；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2,o3}；其中，o1为车辆制动状态，o2为车辆变道状态，o3为预警状态，所述输出层神经元值为当o1＝1时，车辆开始制动，当o1＝0时，车辆正常行驶；/>当o2＝1时，车辆变道，当o2＝0时，车辆正常行驶；/>当o3＝1时，车辆开始报警，当o3＝0时，车辆不报警；
当车辆进行制动时，其制动加速度满足：
其中，a为车辆制动加速度，ψ为调整系数；
所述基于双目视觉的道路交通车辆行驶主动控制系统包括：
检测模块，其用于检测车辆行驶信息和路况环境信息；
预警模块，其用于接收所述检测模块的检测数据并作出预警判断；
处理模块，其用于接收所述检测模块的检测数据并生成主动制动模式；
辅助制动模块，其用于接收所述主动制动模式并辅助车辆制动。
2.如权利要求1所述的基于双目视觉的道路交通车辆行驶主动控制方法，其特征在于，
当车辆与道路中行走对象的距离时，辅助制动模块控制车辆急停；
其中，ξ为校正系数，α为降雨量，β为降雪量，G为紫外线强度，为道路附着系数，e为自然对数的底数。
3.如权利要求1所述的基于双目视觉的道路交通车辆行驶主动控制方法，其特征在于，当车辆与道路中行走对象的相对速度达到Vr≥1.05V时，辅助制动模块控制车辆的行驶速度降至V≤4.05m/s。
4.如权利要求1所述的基于双目视觉的道路交通车辆行驶主动控制方法，其特征在于，当车辆进行变道时，控制车辆的行驶速度降至V≤4.05m/s。
5.如权利要求1-4中任意一项所述的基于双目视觉的道路交通车辆行驶主动控制方法，其特征在于，所述隐层的神经元个数m满足：其中n为输入层节点个数，p为输出层节点个数。
6.如权利要求5中任意一项所述的基于双目视觉的道路交通车辆行驶主动控制方法，其特征在于，所述隐层的神经元个数m＝6。
7.如权利要求6中任意一项所述的基于双目视觉的道路交通车辆行驶主动控制方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811344894.0A CN109455178B (zh) | 2018-11-13 | 2018-11-13 | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811344894.0A CN109455178B (zh) | 2018-11-13 | 2018-11-13 | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109455178A CN109455178A (zh) | 2019-03-12 |
| CN109455178B true CN109455178B (zh) | 2023-11-17 |
Family
ID=65610213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811344894.0A Active CN109455178B (zh) | 2018-11-13 | 2018-11-13 | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109455178B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110231820B (zh) * | 2019-05-31 | 2022-08-05 | 江苏亿科达科技发展有限公司 | 一种基于物联网的车辆行驶控制方法 |
| CN110203190B (zh) * | 2019-06-19 | 2020-07-21 | 辽宁工业大学 | 一种用于电控车辆的防溜车系统及其控制方法 |
| CN110379339B (zh) | 2019-07-30 | 2021-07-20 | 中信戴卡股份有限公司 | 一种车轮旋转成像设备的显示方法、电子设备和存储介质 |
| CN110816531B (zh) * | 2019-11-22 | 2020-12-04 | 辽宁工业大学 | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 |
| CN113379711B (zh) * | 2021-06-21 | 2022-07-08 | 吉林大学 | 一种基于图像的城市道路路面附着系数获取方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07277041A (ja) * | 1994-04-15 | 1995-10-24 | Honda Motor Co Ltd | 車両用走行支援装置 |
| CN102745194A (zh) * | 2012-06-19 | 2012-10-24 | 东南大学 | 一种高速公路汽车防追尾前车的自适应报警方法 |
| CN105678316A (zh) * | 2015-12-29 | 2016-06-15 | 大连楼兰科技股份有限公司 | 基于多信息融合的主动驾驶方法 |
| CN106933146A (zh) * | 2017-03-14 | 2017-07-07 | 吉林大学 | 电动轿车行人警示音设计方法、警示音控制系统及方法 |
| CN107133568A (zh) * | 2017-03-31 | 2017-09-05 | 浙江零跑科技有限公司 | 一种基于车载前视相机的限速提示及超速告警方法 |
| 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 |
| CN107944375A (zh) * | 2017-11-20 | 2018-04-20 | 北京奇虎科技有限公司 | 基于场景分割的自动驾驶处理方法及装置、计算设备 |
| CN108545082A (zh) * | 2018-04-28 | 2018-09-18 | 辽宁工业大学 | 一种汽车变道预警方法 |
| CN108657189A (zh) * | 2018-06-22 | 2018-10-16 | 南京航空航天大学 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法 |
-
2018
- 2018-11-13 CN CN201811344894.0A patent/CN109455178B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07277041A (ja) * | 1994-04-15 | 1995-10-24 | Honda Motor Co Ltd | 車両用走行支援装置 |
| CN102745194A (zh) * | 2012-06-19 | 2012-10-24 | 东南大学 | 一种高速公路汽车防追尾前车的自适应报警方法 |
| CN105678316A (zh) * | 2015-12-29 | 2016-06-15 | 大连楼兰科技股份有限公司 | 基于多信息融合的主动驾驶方法 |
| CN106933146A (zh) * | 2017-03-14 | 2017-07-07 | 吉林大学 | 电动轿车行人警示音设计方法、警示音控制系统及方法 |
| CN107133568A (zh) * | 2017-03-31 | 2017-09-05 | 浙江零跑科技有限公司 | 一种基于车载前视相机的限速提示及超速告警方法 |
| 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 |
| CN107944375A (zh) * | 2017-11-20 | 2018-04-20 | 北京奇虎科技有限公司 | 基于场景分割的自动驾驶处理方法及装置、计算设备 |
| CN108545082A (zh) * | 2018-04-28 | 2018-09-18 | 辽宁工业大学 | 一种汽车变道预警方法 |
| CN108657189A (zh) * | 2018-06-22 | 2018-10-16 | 南京航空航天大学 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘道旭东.基于神经网络PID控制器的汽车自适应巡航控制系统研究.中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑.2017,全文. * |
| 刘鑫伟.基于模糊神经网络的汽车辅助制动控制系统的研究.汽车工程.2010,全文. * |
| 陈燕虹.电动轿车警示声设计方法研究.汽车工程.2018,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109455178A (zh) | 2019-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109455178B (zh) | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 | |
| CN100581119C (zh) | 无线传感器网络分布式融合识别方法 | |
| CN109263654B (zh) | 一种汽车过减速带自适应调速系统及调速方法 | |
| CN109552289B (zh) | 一种汽车自适应辅助制动系统及其控制方法 | |
| CN105034986B (zh) | 一种驾驶员转向特性在线辨识方法及装置 | |
| CN108482481B (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
| CN110111573B (zh) | 一种基于物联网的拥堵车辆综合调度方法 | |
| CN111081067B (zh) | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 | |
| CN110682903B (zh) | 一种基于视觉感知的安全超车预警系统及方法 | |
| CN112542049A (zh) | 智慧交通综合管控平台 | |
| CN109910865B (zh) | 一种基于物联网的车辆预警刹车方法 | |
| CN109712424B (zh) | 一种基于物联网的车辆导航方法 | |
| CN110816531B (zh) | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 | |
| CN108647832A (zh) | 一种基于神经网络的地铁运行间隔时间控制算法 | |
| CN117391300A (zh) | 基于大数据的智慧城市交通规划系统及方法 | |
| CN116092297B (zh) | 一种低渗透率分布式差分信号控制的边缘计算方法及系统 | |
| CN110154893B (zh) | 一种基于驾驶员特性的汽车安全驾驶预警方法 | |
| CN110203190B (zh) | 一种用于电控车辆的防溜车系统及其控制方法 | |
| CN115963840A (zh) | 通信拓扑切换下基于深度强化学习的智能车编队控制方法 | |
| CN112528568B (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 | |
| CN118397844B (zh) | 一种融合机器学习算法的智能管控服务器及终端 | |
| CN110231820B (zh) | 一种基于物联网的车辆行驶控制方法 | |
| CN111983460B (zh) | 一种混动汽车用锂离子电池工作健康状态检测方法 | |
| CN109934252A (zh) | 一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法 | |
| CN115339449B (zh) | 一种多人驾车切入混合车群的协同控制方法 |
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 |