【摘 要】
：
自动驾驶肩负着改善道路交通安全的责任，同时也提供给人们一种新的出行理念。感知是实现自动驾驶的关键，然而大多数配备于车辆上的感知系统都只能检测到视距内的物体，这使得车辆很难在非视距条件下避免交通事故。 针对行驶在盲区的车辆，本文提出了一种基于声散射的非视距车辆噪声定位方法，该方法可定位自建数据库中已有噪声特征的车辆，从而避免事故的发生。论文的主要工作包含以下几个方面： 1）根据汽车振动声学理论，
论文部分内容阅读
自动驾驶肩负着改善道路交通安全的责任，同时也提供给人们一种新的出行理念。感知是实现自动驾驶的关键，然而大多数配备于车辆上的感知系统都只能检测到视距内的物体，这使得车辆很难在非视距条件下避免交通事故。
针对行驶在盲区的车辆，本文提出了一种基于声散射的非视距车辆噪声定位方法，该方法可定位自建数据库中已有噪声特征的车辆，从而避免事故的发生。论文的主要工作包含以下几个方面：
1）根据汽车振动声学理论，确定车辆噪声的主要来源，并分析噪声的频谱特征，基于自建数据库实现车辆噪声的识别。以公路工程技术标准为基础，结合数据库中车辆噪声的特性，间接确定车辆的行驶状态，为车辆的非视距声源定位提供数据支撑。
2）通过统计声信号在不同条件下的传播特性，获得信号的增益与时延信息。根据提取的相对特征值，选择最优的分类器，以实现非视距声信号的识别，降低其他类型的声信号对定位的干扰与影响。
3）基于声波绕射与多普勒频移的特性，使用三角定位法及几何关系对转角及汽车的位置进行定位，并使用多传感器融合算法对定位误差进行相应校正，从而实现非视距下匀速沿直线行驶车辆的单声源定位与追踪。
在基于有限元分析的仿真实验中，采用了4个传声器对非视距条件下具有车辆声信号特征的运动声源进行定位，实验结果表明定位误差小于刹车距离的5%，证明了该方法的有效性，为解决此类问题提供了一种新的思路。
其他文献
近年来,随着公共领域安全事故频发,不法分子利用可燃液体危害社会,因此对于可燃液体的检测问题具有重要意义。拉曼光谱作为一种分子“指纹”图谱,能够根据物质分子间的振动来对需要检测的物质进行定性分析,广泛应用在物理、化学、材料等领域。拉曼光谱可应用于便携式监测系统,在保证操作安全性的同时,对物质进行准确分类,但其数据量偏大,如果不对其数据处理会大大增加后续的分析时间,影响自动识别的速度。本文运用拉曼光谱
调频连续波(FMCW)雷达具有距离分辨率高、结构简单、功耗低等优点,被广泛应用于军事及民用领域。雷达探测及跟踪是雷达信号及数据处理的核心任务。雷达接收到反射信号后,需要对接收信号进行处理,从而检测并提取出目标的距离、速度、角度等信息,再经过滤波、数据关联等处理,实现对目标的跟踪。在实际中,由于噪声、杂波及目标间的相互影响,研究如何利用已有的先验信息实现杂波环境下的多目标数据关联,进而实现多目标的跟
自适应滤波器具有无需预知输入信号的先验信息便可自适应调节滤波器权系数的特点,因而被广泛应用到系统辨识、干扰抵消和逆系统等领域中。自适应滤波算法在自适应滤波器中占据关键地位,会对自适应滤波器效果的好坏产生直接影响。因此本文针对自适应滤波算法在快速收敛和低稳态误差间的矛盾问题重点展开研究,在仿射投影(Affine Projection,AP)算法的基础上,从动量项技术和自适应组合两个角度,对现有算法进
森林火灾破坏性大,严重威胁森林的安全。传统的森林火灾检测方法主要是通过各种传感器对区域内温度、光谱、烟雾颗粒、可燃气体含量等指标进行检测,然而,这些感应设备存在信息量损失大、稳定性较差和实时信息无法存储等缺陷。而基于图像处理技术的森林火灾探测技术可以有效弥补传统探测方式的弊端,实现对森林火灾的实时监测。本文针对森林火灾图像识别问题,在深入研究林火图像特点的基础上,采用脉冲耦合神经网络(PCNN)与
机动车保有量逐年增加,给道路交通带来了巨大的压力。道路交通的压力增大使得对智能交通监控系统的需求越来越迫切,而机动车辆车速测量是智能交通监控系统中非常重要的一个环节。原有基于双目立体视觉的车辆测速系统具有成本低、不受测量场地限制、测量精度高等优点;但是由于仅面向车牌检测,也存在对涉牌违章车辆不能测速的问题。本文就是针对这个问题,面向车辆多特性检测的双目立体视觉车速测量的优化展开研究,主要研究内容包
经济的发展和社会的进步使得汽车成为更多人出行时的代步工具,随之而来的是道路交通压力的增加,同时对智能交通网络的需求更为迫切。车辆运动速度的测量是智能交通网络中基础且重要的一部分。基于双目立体视觉车辆的车辆测速系统,能够克服传统测速方法中安装成本高、施工复杂、测量限制等缺点。该测速系统由目标检测、图像匹配、双目相机标定及测速四个部分组成,本文的研究内容是该系统中的图像匹配模块。图像匹配是计算机视觉领
由于织物表面纹理模式繁杂、纹理特征复杂,基于机器视觉的织物疵点自动检测是一项具有挑战性的任务,一直受到相关研究人员的广泛关注。近年来,低秩表示模型(Low Rank Representation Model,LRR)已被证明适用于织物疵点检测,可以将织物图像分别表示为稀疏目标和冗余背景。然而,基于低秩表示的方法其检测性能受到织物图像的有效表征和模型的有效性的限制,因此,本文对纹理表征方法和低秩模型
织物疵点检测在纺织品生产质量控制中起着重要作用。由于织物图像纹理复杂、疵点类型多样,导致现有基于机器视觉的检测方法适应性差且精度不高。深度学习技术在目标检测中取得了显著的进展,为织物疵点快速准确检测提供了一种解决思路,然而检测性能依赖大规模的带像素级标签织物训练集。在实际生产中,为每种类型织物构建大规模带有像素级标签的训练集是一件非常繁重的工作。弱监督学习技术仅依靠图像级标签,可以实现像素级的疵点
信道状态信息(Channel State Information,CSI)对通信系统中的均衡、相干信号检测以及混合预编码的设计至关重要。对于通信系统的信道,传统的信道估计算法或没有考虑信道的稀疏性,或对稀疏性的约束不够强,导致信道估计的性能下降,进一步影响通信的质量。因此,本文着重对信道估计的稀疏特性进行研究。主要可以分为以下几个方面。提出了基于对数和约束最小均方(Least Mean Squar
交通信号灯检测是目标检测的一个重要分支，快速准确的识别交通信号灯对于辅助驾驶和无人驾驶都有着重要的作用，可以为人们的安全提供保障，并减少交通事故的发生。车载相机生成的图像通常受到光照的影响较大，而传统目标检测算法检测速度较慢。因此，如何减小背景干扰和加快检测速度成为了研究的重点和难点。 针对交通信号灯的主要特征，本文运用了HSV颜色分割和交通信号灯几何特征过滤进行了图像的预处理，减小了光照对图像