基于小波降噪的雷达时频信号互相关测速算法

为提高基于FMCW体制的双波束车流量雷达的测速精度,对其信号特征进行分析,结合Burg和广义互相关理论,提出基于小波降噪的时频信号互相关测速算法(CC-BWT)。首先,利用最大熵功率谱估计的Burg方法得到雷达回波的频谱信息,通过CFAR检测出目标车辆后提取车辆的时频信号;然后,对时频信号进行小波分解,以改进的阈值函数作为降噪依据进行信号重构,之后两路信号做互相关,估计出时延,从而测得车辆速度。结合仿真和实测数据,并与相位法和双谱法进行对比,验证了该算法的测速准确度达到96%以上且算法鲁棒性好。     

汉语语境下的车辆噪声听觉属性评价与分析

研究了等响度车辆噪声听觉属性的空间维度及其汉语表述。首先通过问卷调查确定评价车辆噪声听觉属性的汉语描述词,然后完成基于成对比较法和语义细分法的主观评价实验,获得听觉属性的不相似度矩阵及描述词的等级顺序。最后,利用多维尺度分析和主成分分析法得到独立的用中文表达的车辆噪声听觉属性,结果表明:对于等响度的车辆噪声,其听觉属性可以用三个维度表示,分别用“粗糙”、“刺耳”和“起伏”描述。     

基于简化车辆非完整约束辅助的低成本车载INS/GNSS 组合导航系统研究

针对采用低成本MEMS-IMU器件的INS/GNSS组合导航系统在GNSS信号中断时产生较大误差的问题,研究了一种基于车辆非完整约束辅助的低成本车载INS/GNSS组合导航系统,针对系统的低成本特性对车辆非完整约束进行了简化,并据此推导了滤波算法的模型.仿真分析以及车载测试的结果均表明,对于消费级MEMS-IMU和GNSS接收机构成的低成本INS/GNSS组合导航系统,加入简化车辆非完整约束的辅助后,在GNSS信号中断1min期间组合导航位置误差小于行驶距离的3%.该约束的应用可以显著提高低成本车载INS/GNSS组合导航系统的精度.     

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。     

分布式驱动电动汽车动力学建模仿真与验证

为研究分布式驱动电动车辆对车辆直驶稳定性的影响,通过车辆研究车辆动力学,建立比较精确的车辆动力学是前提。MATLAB/Simulink下建立14自由度的车辆动力学模型,包括6个车身自由度以及4个车轮的旋转和垂向运动自由度。仿真结果表明：在直线行驶的工况中的中,车辆的跟随效果较好,质心侧偏角和横摆角速度基本无变化,直线行驶能力较好。但是从整体性能上变化趋势上是一致的,可以满足车辆动力学的要求,可以用于后续车辆直驶稳定性控制策略的研究。     

基于改进YOLOv3-tiny的轻量级车辆检测网络

针对现有的车辆检测网络模型大、不易部署的问题,提出一种基于改进YOLOv3-tiny的轻量级车辆检测网络.改进YOLOv3-tiny的特征提取网络,提高车辆检测的速度和准确性,将空间金字塔池化(Spatial Pyramid Pooling,SPP)融合到网络中,进行特征的拼接,提高网络的学习能力,利用距离交并比(Di...     

基于C8051F310的高灵敏车辆检测算法

针对盘山路存在的转弯盲区,即在转弯时司机无法得知弯路对面是否有车辆通过,设计一种基于C8051F31C的山路转弯预防警示系统.该系统利用一阶滤波算法检测山路转弯时是否有车辆通过.运用该算法可增强系统检测的实时性,提高检测机动车辆的灵敏度,同时大大减少环境温度对检测的干扰.试验表明该系统能够正确指示出在山路转弯时是否有车辆通过,目前该系统已安装在盘山路上,可大大减少事故的发生率.     

基于深度学习的工业车辆驾驶行为识别

文章提出一种基于深度学习的工业车辆驾驶行为识别的方法。该方法对工业车辆在实际工厂环境中行驶的特点进行分析,将三轴加速度传感器和三轴角速度传感器采集到的数据进行预处理,根据处理结果将数据送入深度神经网络训练,完成对工业车辆驾驶行为的识别。系统先对样本数据使用数据插值、标准化处理等方法进行预处理,通过数据增强算法减少过拟合的影响,再基于长短期记忆网络(LSTM)处理时间序列数据,构建出CNN+LSTM的深度网络模型,用于驾驶行为的识别。测试结果表明,所提模型识别整体准确率可达96.51%,能够准确地识别出工业车辆行驶的状态。