智能网联汽车驾驶行为识别与分析技术研究_刘飞宏.pdf

汽车维修技师2023年第8期100职教天地 CAREER EDUCATION摘要：汽车自动驾驶是智能交通的主要发展方向，而汽车自动驾驶技术的实现得益于智能车联网的应用。本文针对智能网联汽车驾驶行为识别问题展开深度研究，以深度学习算法为基础展开应用分析，并对其应用前景进行探讨，以期能够为我国汽车未来发展提供一定参考和有益借鉴。关键词：智能网联；汽车驾驶；行为识别引言科学技术与汽车行业的有机结合，给汽车今后的发展带来了无限可能。汽车无人驾驶技术正是集自动控制、人工智能等于一体的智能化时代产物，同时也是未来汽车行业发展的主要趋势。智能网联汽车已经成为当前领域发展的重点，而对于智能网联汽车而言，人机共驾则是关键所在。因此，要想实现人机共驾需要对驾驶行为识别技术进行有效应用，只有准确识别驾驶人员的操作意图，才能够实现自动驾驶的同时，确保车辆安全行驶。1 驾驶行为识别算法设计与实现1.1传统机器学习方法在驾驶行为识别中的应用传统机器学习方法已经被广泛应用于自动驾驶技术中，其中的电控单元的传感器数据处理能够有效提高机器学习效率，也存在一些潜在的应用。例如，通过利用不同内外部传感器的数据融合，能够评估驾驶人员的实际驾驶状况和驾驶场景分类等1。传统机器学习方法包括监督学习、非监督学习和增强学习。假定将自动驾驶行为划分成四个不同的子任务，依次是：探测对象、物体识别分类、物体定位以及运动预测。可以大致分为四种算法类型：回归算法、聚类算法、决策矩阵算法以及神经网络算法。（1）决策矩阵算法。决策矩阵算法是一个系统地分析、识别以及评价信智能网联汽车驾驶行为识别与分析技术研究浙江长征职业技术学院/刘飞宏 吕思嘉息集、值间的关联方法。其主要在决策流程中应用。车辆需不需要制动或转弯都是基于该算法进行操控。对目标下一步行动进行分类并预测其可信度，能够将多个独立学习判决模型相结合，从而形成一个矩阵判决算法。Ada Boosting是最常见的一种算法，如图1所示，被广泛应用于智能网联汽车驾驶行为识别技术中2。（2）聚类算法。有时候系统获取到的图像和信息比较模糊，从而导致对于物体难以进行准确的定位与识别。除此之外，聚类算法还存在检测物体丢失的情况，无法及时上报分类信息和报告至系统，一旦数据点不连接，就会导致生成的图片分辨率低，而聚类算法能够将数据分解成拥有最大相似性的簇，从而能够有效解决这一问题3。（3）神经网络算法。神经网络在汽车驾驶行为上的应用能够准确、快速地识别人脸、物品以及其他交通运输工具中的信号，从而能够给驾驶人员以及自动驾驶车辆提供智能化的视角，如图2所示。1.2深度学习方法在驾驶行为识别中的应用作者简介刘飞宏，1991年04月，男，汉，河南省商丘市，本科，高级技师，车辆工程吕思嘉，人工智能 图1 Ada Boosting算法示意图 图2 神经网络算法示意图源像素点卷积核新像素点单幅图像xy（01）（00）（01）+（-42）-8汽车维修技师2023年第8期101职教天地 CAREER EDUCATION由于传统机器学习计算能力较弱，并且在车辆自动驾驶行为识别应用中容易出现错误识别，导致系统准确率较低。为此，基于深度学习车辆驾驶行为识别系统能够解决这一问题。通过利用深度学习技术对车辆自动驾驶行为进行识别分析，再建立相应的深度学习模型，模型采用的是向前传播计算方式对整体的数据进行计算及分析，最后利用激活函数将输出结果进行非线性转换，得出车辆驾驶行为识别结果，然后选取7辆来自不同品牌的车辆作为实验对象，利用深度学习算法系统与传统机器学习算法系统对车辆驾驶行为进行识别，结果表明基于深度学习算法系统与传统机器学习算法相比，前者更具较高的识别精度。1.3驾驶行为识别算法设计和优化深度学习算法在图像识别以及分析技术方面均取得了优异成绩，其中具体表现为基于时间序列的视觉行为识别研究。提出了一条全新的探索途径，并由此使行为识别与深度学习理论之间形成有机融合，从而形成了当前在智能网联车辆驾驶行为研究方面的研究重点。与此同时，对现有行为识别技术的一些研究成果也证明，深度学习技术相比于传统机器学习而言，在对具有高复杂性运行视频系统的辨识方面，前者能够表现出更加良好的应用效果。2 驾驶行为数据分析与评估2.1驾驶行为模式分析和分类在车辆行驶中，驾驶人员将利用视觉、听力等手段了解周边的道路信息、车辆等交通状况，而对这些信息通过大脑的分析判断后，将产生行车决定，继而再通过改变车辆的加速、转向等操作，控制车辆处于安全驾驶状态。车辆驾驶行为模式包括平均速度、引擎速度、急加速、急转弯、变道次数、转向灯、手机使用、疲劳行驶等。2.2驾驶行为异常检测和预警人体作为一种非刚体对象，其驾驶行为表现形式灵活多变，因此对于驾驶行为异常识别与检测具有一定难度，如何对驾驶行为异常检测的信息数据进行有效辨识并进行特征提取是一大难点。针对这一问题，本项目拟采用可变时序深度3D卷积与节点深度可分卷积相结合的方法，将多时序信息进行融合，并利用其密集连接性来最大限度地提升网络中的信息流，从而实现对驾驶行为信息的有效利用和准确识别。2.3驾驶行为评估指标和方法近年来，随着汽车数量日益增加，开车出行已成为人们首选出行方式，驾驶安全也是人们关心且重视的问题。因此，本研究提出一种驾驶行为评估方法，包括识别单次驾驶过程中驾驶人员出现的不良驾驶行为，然后根据驾驶行为类型、产生次数以及驾驶距离最后对本次驾驶行为进行评分。依据如下公式：S=100-NM（1+s1）+1log（D）其中，N代表基础分数，s1代表调节系数，M代表不良驾驶行为次数，1代表里程系数，D代表驾驶距离，S代表驾驶行为评分。3 智能网联汽车驾驶行为识别技术的应用前景随着人工智能及自动驾驶技术的进步和应用，驾驶识别技术也在不断优化更新，其识别精度决定了其应用范围，尤其是体现在以下几个方面：第一，除了针对驾驶人员行为检测外，还进行了定量识别。现阶段，定性识别技术应用较为广泛，但若是要在智能网联汽车中实现自主驾驶，还必须在汽车控制流程中对数据进行量化处理，才能够在汽车正确运行过程中实现定量识别，而这也是定量识别是成为汽车自动驾驶中驾驶行为识别技术发展的重要方向。第二，在今后发展过程中，对于汽车驾驶行为识别技术而言，智能网联数据也将构成驾驶识别检测特征输入参数的重要组成部分。随着汽车行业未来的发展，利用网络信息数据进行驾驶行为识别将变得越来越重要，届时如果能将该技术应用到模型构建中，将会使得识别技术的准确性得以有效提高，而这也对自动驾驶技术的普及有着重要推广意义。第三，当前正处于互联网+时代，大数据、物联网5G等技术将被应用于汽车自动驾驶中用以实现驾驶行为快速识别。由于驾驶行为快速识别过程极其复杂，通常情况下需要进行一系列运算操作，当前车载数据单元在该方面还存在一定技术缺陷。所以，今后发展中可以利用云计算技术实现汽车参数传输，并利用云计算功能获取更加精准的驾驶识别结果。结语综上所述，智能网联汽车已经成为当前领域发展的重点，而对于智能网联汽车而言，人机共驾则是关键所在。本文针对智能网联汽车驾驶行为识别问题展开深度研究，并以深度学习算法为主要方法展开详细应用分析，最后对该技术未来应用前景进行重点探讨，以期能够为我国汽车未来发展提供一定参考。参考文献1 马亚芳,王文杰,顾可,等.智能网联汽车自动驾驶功能测试分析J.时代汽车,2021(023):38-39+46.2 王思涵,李溳,杨陆峰.智能网联汽车信息安全技术风险识别分析和解决措施J.科技创新导报,2022,19(10):3.3 霍雷刚.人工智能技术在智能网联汽车上的应用现状J.新一代信息技术,2022,5(6):3.