单双向交通组织衔接交叉口段的可变车道利用

基于交叉口附近车道交通流不对称的状况,分析可变车道的设置方法,提出可变标志板延后起亮和提前关闭时刻的计算方法,并采用2次排队长度、通行能力、延误等指标,综合评估可变车道的利用效用.以上海东方路浦三路为例,调查了早高峰时期交通需求和存在的问题,提出浦三路南段西侧车道利用可变车道的可行性,研究了可变车道设计、相位相序及配时策略、可变标志板的启动和停止与主信号关系.对提出的方案进行评估的结果表明,利用可变车道可以提高单双向交通组织衔接交叉口的通行能力,减少2次排队,降低延误约30%.     

面向园区场景的车道线局部定位检测方法研究

面向校园驾驶场景,提出一种综合性能表现较好的通用车道线检测算法,即局部定位检测法。 首先,采用经典图形学与基于噪声容忍的递归神经网络的学习模型相结合的方法,完成车道线所在局部区域 的检测,对目标车道线的灰度图像进行霍夫变换和灰度拉伸,设计递归神经网络学习模型,以梯度数据作为引导,对算法模型训练学习,以排除梯度信息相似的干扰物,并识别几何属性相关的不完整车道线形态,进而完成补全工作,应用稀疏惩罚,设计具有噪声容忍的递归学习模型,最大效率地利用具有被污染数据标注的 自建车道线图像数据集,以此为基础,采用深度强化学习方法,通过6个标识点对目标车道线进行精确定位, 并基于6个准确的定位点,检测和绘制车道线。     

一种融合分割和消失点提取的车道线检测方法

针对路面干扰时车道线检测鲁棒性差和消失点检测误差大的问题,提出了一种基于融合分割和消失点提取的车道线检测方法.对获取视频帧图像进行灰度化和高斯滤波处理之后,利用Canny边缘检测算法对图像进行边缘提取.以边缘点最多的一行作为上界划分预处理图像的动态感兴趣区域(ROI),结合大津算法(OTSU)分割出预处理图像的车道线背景,提取车道线信息.采用直线段检测(LSD)算法对ROI区域内车道线标志进行提取,并结合改进的消失点检测方法快速提取车道线.实验结果表明:所提出的方法对多场景下离线照片的平均正检率为97.16％,识别速度为34 ms/帧,能够很好地对多场景下车道线进行快速检测.     

基于OpenCV的改进RANSAC车道线检测方法

车道线的检测技术是自动驾驶汽车中的重要技术。为了提高车道线的检测能力,提出了一种改进RANSAC的车道线识别方法。通过设置感兴趣区域提取路面图像并进行缩放;把彩色图像的RGB通道按5∶5∶0的权重转化成灰度图像;再用速度更快的积分图法对图像进行自适应二值化;接下来进行一系列的形态学处理来减小噪声;提取Harris角点作为拟合数据点;最后,运用改进了选择初始点和删除外点的RANSAC(random sample consensus)的方法,根据数据点估计车道线参数。实验结果表明,该算法适合多种道路环境下的车道线检测,具有较好的鲁棒性和实时性。     

二车道和三车道公路超车的概率算法

双向三连道运行模式与双向二车道运行模式相比，在通行能力、超车自由度，以及交通安全等方面，是否存在显著的优势，目前尚缺乏理论上的证明。本文试图利用概率计算的方法，就此问题做了初步探讨。     

基于语义分割的车辆行驶车道定位方法

提出一种基于语义分割的车辆行驶车道定位方法. 首先采用“编码器-解码器”网络架构实现多车道语义分割,通过最大池化计算的池化索引来进行非线性上采样,消除上采样的学习需要;然后结合目标检测YOLO v2算法,判断行驶车辆所属车道的位置,从而进行车道定位. 利用卡尔斯鲁厄理工学院和丰田美国技术研究院公布的数据集(KITTI)中城市道路(UM)的数据制作训练和测试数据库,并将其公开发布. 该算法可以实现端到端训练,网络结构简单、速度快、内存需求低,每帧图像的执行速度在60ms以内.     

基于车道集计交通流数据的事故风险评估分析

事故风险评估分析提取事故及对应非事故状况下的交通运行数据作为自变量,以事故发生与否作为0或1因变量,采用数理统计模型分析事故发生与交通流状态的关联性.为探索上海市城市快速路的车道集计交通流数据用于事故风险评估分析的可行性,基于条件Logistic回归,使用该数据与事故数据构建事故风险评估模型,并检验模型预测精度.结果表明低运行速度、车道间流量的差异性会增加事故发生的概率;上海市城市快速路的车道集计交通流数据可用于事故风险评估研究.     

非饱和条件下借道左转交叉口信号配时方法研究

通过对排队长度限制、借道左转车道清空时间限制等因素的考虑,在传统信号配时方法的基础上,针对非饱和条件下设置借道左转的信号交叉口,提出了一种新的主信号相位相序、配时方法以及预信号配时方法。该方法所得的配时方案能够有效协调预信号与主信号,并可以防止传统配时方法中直行排队阻碍左转车辆进入对向车道等待放行的现象出现。通过实例分析和基于VISSIM软件的仿真验证,将该方法与传统配时方法所得的配时方案在微观仿真模型中进行对比,仿真结果表明该配时方法能够更好地发挥借道左转交叉口的通行潜力。     

循环多特征信息融合法： 一种基于深度学习的车道线检测方法

车道线检测是辅助驾驶和自动驾驶的核心技术之一。为了进一步增强车道线特征的提取能力,提出一种基于深度学习的循环多特征信息融合车道线识别算法。针对模型计算效率问题,该算法将车道线检测问题视为基于行选择单元格的分类问题;针对图像中车道信息聚合问题,提出了一种新的循环多特征信息聚合(recurrent multi-feature information aggregator,RMFA)方法,并将该方法与残差神经网络(residual neural network,ResNet)相结合提出融合上下文及多通道信息的车道线识别网络ResNet-RMFA。将该网络模型在Tusimple和CULane公开数据集上进行了性能测试,实验结果表明该模型单帧图像的推理时间可达4.8 ms,在Tusimple数据集上的精确度为96.07%,在CULane数据集上的F1(IoU=0.5)评分为69.3%,达到了速度与精度的良好平衡。     

基于模型融合的低照度环境下车道线检测方法

针对低照度环境下车道线检测准确率低和稳定性差的问题,提出了一种基于模型融合的低照度车道线检测算法.采用基于ALTM(adaptive local tone mapping)算法改进的颜色平衡算法做数据增强处理,有利于车道线特征的提取;融合改进的Deeplabv3+模型和Unet模型,有效降低了过拟合现象;使用实例分割得...