-
公开(公告)号：CN116088530A
公开(公告)日：2023-05-09
申请号：CN202310176952.8
申请日：2023-02-28
申请人： 东南大学
IPC分类号： G05D1/02
摘要： 本发明公开了基于模型预测控制引导的强化学习自动驾驶车队控制方法，针对智能网联环境下非线性混合流的自动驾驶车队构建预测控制模型；基于状态过渡模型构建非自动驾驶车辆的状态集成参数ψ；基于多智能体通信拓扑结构及状态估计ψ′，对自动驾驶车队构建基于深度确定性策略梯度的强化学习控制模型；将第一加速度和第二加速度结合为融合控制律，根据融合控制律对强化学习控制模型进行训练，将训练后的强化学习控制模型作为自动驾驶车辆的控制策略。本发明将模型预测控制用于强化学习训练，针对智能网联混合流自动驾驶车队队列控制，降低模型预测控制中的在线控制算力需求，减少强化学习训练过程中的无意义数据，增强混合流场景下的控制鲁棒性。
-
公开(公告)号：CN115482510A
公开(公告)日：2022-12-16
申请号：CN202211032289.6
申请日：2022-08-26
申请人： 东南大学
发明人： 李志斌
摘要： 本发明提供了一种基于图像风格迁移的雨雾天气交通流数据集扩增方法，获取正常天气与雨雾天气的交通流数据集以及目标路段的交通流图像序列，构造生成式对抗网络将正常天气数据集的场景转化为雨雾天气，其中先分割数据集中背景域与目标域，再将目标域样本与整幅图像样本分别送入对抗网络中进行风格迁移学习，然后将背景域图像送入分类器获取特定场景标签，完成雨雾天气场景数据集扩增，最后将训练好的网络模型带入目标路段图像序列中，获取目标路段场景雨雾天气扩增后的数据集。本发明提升了现有风格迁移图像的成像质量，增加迁移图像中目标的清晰度与可辨识度，算法训练过程稳定，可移植性强，适用于各种不同交通场景的雨雾天气数据及扩增。
-
公开(公告)号：CN111931317B
公开(公告)日：2022-11-11
申请号：CN202010495328.0
申请日：2020-06-03
申请人： 东南大学
摘要： 本发明公开了一种基于车载GPS数据的区域拥堵路网边界控制方法，借助车载GPS数据和少量实测数据，构建区域路网微观仿真模型并得到对应的网络基本图(NFD)，在此基础上确定路网累计车辆数临界值范围，进而通过设置在路网边界上游的信号灯进行路网边界控制，使路网累计车辆数保持在目标车辆数附近，使路网的运行效率维持在最佳水平。本发明实现了基于车载GPS数据的区域路网建模及NFD的获取，通过将控制交叉口设置在路网边界交叉口上游解决了直接对路网边界交叉口控制造成的NFD不稳定的问题。基于车载GPS数据的区域拥堵路网边界控制方法在城市区域拥堵路网的建模与基于信号灯的边界控制中有实际工程应用价值。
-
公开(公告)号：CN115273497A
公开(公告)日：2022-11-01
申请号：CN202210924707.6
申请日：2022-08-02
申请人： 河北雄安荣乌高速公路有限公司 , 河北省交通规划设计研究院有限公司 , 东南大学
发明人： 杨祥 , 雷伟 , 杨阳 , 靳进钊 , 刘攀 , 李春杰 , 焦彦利 , 张超 , 王庆远 , 韩明敏 , 侯建华 , 金凤温 , 张泽云 , 李志斌 , 张龙 , 李红刚 , 孙闻鹏 , 韩雨 , 彭彬 , 季欣凯 , 冯海燕
摘要： 本发明实施例公开了一种高速公路交通协同控制方法、电子设备和存储介质。其中，方法包括：当高速公路上发生交通事故时，获取事故位置、所述事故位置上游受影响区域的起始位置，以及所述受影响区域内的入口匝道和出口匝道；分别预测所述起始位置处主线、所述入口匝道和出口匝道在未来第二设定时长内的第一交通流量；将所述第一交通流量作为边缘节点流量，构建所述受影响区域的路网仿真模型；基于模型预测控制方法多次运行所述路网仿真模型，迭代更新所述路网仿真模型中的交通控制参数；根据最终的交通控制参数，对所述主线、所述入口匝道和所述出口匝道进行协同交通控制。本实施例在事故发生时对道路主线和匝道协同进行交通控制。
-
公开(公告)号：CN110751099B
公开(公告)日：2022-05-10
申请号：CN201911004765.1
申请日：2019-10-22
申请人： 东南大学
IPC分类号： G06V10/774 , G06V20/17 , G06K9/62 , G06N3/08 , G06N20/00
摘要： 本发明公开了一种基于深度学习的无人机航拍视频车辆轨迹高精度提取方法，有如下步骤：首先利用神经网络和深度学习算法对所需提取目标的特征进行训练，同时训练YOLOv3和R‑CNN模型；采用YOLOv3和R‑CNN融合的方式进行目标检测，其中YOLOv3负责快速检测，R‑CNN负责局部复检校核，这样融合了YOLOv3的迅速和RCNN的位置准确性，使得算法鲁棒性得到保证；接下来利用单一车辆的速度位移关系，构建简单时间序列模型，对坐标关联算法进行轨迹提取；轨迹重构算法利用车辆行驶轨迹的位置连续、速度连续、加速度连续特性，对初步轨迹进行拼接、去噪、平滑等一系列处理；最后对轨迹进行整理提取速度、加速度、车头时距、车头间距、间隙等一系列交通流参数。由于深度学习针对特征进行提取，故目标在不同环境下算法的适应性同样很好，并且同类目标训练权重具有可移植性，使得轨迹提取的鲁棒性得到了较好的保证，而鲁棒丰富的高精度轨迹对当前交通流研究具有很大的意义。
-
公开(公告)号：CN114021254A
公开(公告)日：2022-02-08
申请号：CN202111301508.1
申请日：2021-11-04
申请人： 东南大学
摘要： 本发明公开了一种基于多车道元胞传输模型的基本路段交通仿真方法，包括以下步骤：根据现实中道路拓扑结构，建立仿真路网的道路元胞节点表和道路元胞连接表；计算道路元胞之间的传递流量；根据多车道流量分配算法对道路元胞之间的传递流量在各车道元胞间进行分配，获得各车道之间的传递流量，并确定车道元胞的输入和输出流量；根据各车道元胞的输入流量和输出流量，结合车道的基本图模型，计算车道元胞和道路元胞的密度、流量和速度；根据不同时刻道路元胞的密度、流量和速度，绘制时空变化热度图。本发明步骤简明，计算高效，对实现道路基本路段的交通仿真具有重要的现实意义，为交通管理系统的交通仿真提供方法支撑。
-
公开(公告)号：CN107845259B
公开(公告)日：2021-02-09
申请号：CN201710997514.2
申请日：2017-10-24
申请人： 东南大学
摘要： 本发明公开了一种公交运行情况实时反馈系统及公交实时运行数据处理方法，基于Wi‑Fi检测子系统、GPS检测子系统和数据处理子系统；利用Wi‑Fi检测设备以既定频率实时检测公交车附近检测距离范围内的打开Wi‑Fi功能的电子设备的MAC地址；在公交车辆上安装GPS设备以既定频率记录公交车运行过程中的GPS位置数据；数据处理子系统通过核心算法对Wi‑Fi数据和GPS数据进行匹配、噪声数据清洗，从而获得公交车辆的实时载客人数信息预测及到站时间预测；本发明提供了一种在R软件和ArcGIS数据处理平台上开发的新型公交实时到站及载客情况预测方案，可为公交系统中车辆组织调配、发车频率优化、到站时刻提醒、车辆上客流量实时检测、车辆上拥挤程度信息发布等提供关键信息参考与技术支持。
-
公开(公告)号：CN111931317A
公开(公告)日：2020-11-13
申请号：CN202010495328.0
申请日：2020-06-03
申请人： 东南大学
摘要： 本发明公开了一种基于车载GPS数据的区域拥堵路网边界控制方法，借助车载GPS数据和少量实测数据，构建区域路网微观仿真模型并得到对应的网络基本图(NFD)，在此基础上确定路网累计车辆数临界值范围，进而通过设置在路网边界上游的信号灯进行路网边界控制，使路网累计车辆数保持在目标车辆数附近，使路网的运行效率维持在最佳水平。本发明实现了基于车载GPS数据的区域路网建模及NFD的获取，通过将控制交叉口设置在路网边界交叉口上游解决了直接对路网边界交叉口控制造成的NFD不稳定的问题。基于车载GPS数据的区域拥堵路网边界控制方法在城市区域拥堵路网的建模与基于信号灯的边界控制中有实际工程应用价值。
-
公开(公告)号：CN107564292B
公开(公告)日：2020-03-31
申请号：CN201710997621.5
申请日：2017-10-24
申请人： 东南大学
IPC分类号： G08G1/01
摘要： 本发明提供一种基于站点WiFi和车载移动终端的乘客等车时间规律估计方法，通过在站点布设Wi‑Fi检测设备，检测站点附近设备检测范围内移动终端的MAC地址数据；在公交车上布设移动终端，根据站点Wi‑Fi检测到车载移动终端MAC信号的时间确定各线路公交车的进站和出站时间。通过信号持续时间、公交车进出站时间与站点用户MAC地址被检测到的时间的相近关系筛选出等车乘客的有效MAC数据，区分不同公交线路的乘客；对不同线路，不同时间段公交车乘客的等车时间进行统计分析，找到乘客等车时间的时空分布规律，为交管部门合理调度公交班次，减少公交乘客等车时间，提高公共交通系统的效率提供了技术支持和科学依据。
-
公开(公告)号：CN110751099A
公开(公告)日：2020-02-04
申请号：CN201911004765.1
申请日：2019-10-22
申请人： 东南大学
摘要： 本发明公开了一种基于深度学习的无人机航拍视频车辆轨迹高精度提取方法，有如下步骤：首先利用神经网络和深度学习算法对所需提取目标的特征进行训练，同时训练YOLOv3和R-CNN模型；采用YOLOv3和R-CNN融合的方式进行目标检测，其中YOLOv3负责快速检测，R-CNN负责局部复检校核，这样融合了YOLOv3的迅速和RCNN的位置准确性，使得算法鲁棒性得到保证；接下来利用单一车辆的速度位移关系，构建简单时间序列模型，对坐标关联算法进行轨迹提取；轨迹重构算法利用车辆行驶轨迹的位置连续、速度连续、加速度连续特性，对初步轨迹进行拼接、去噪、平滑等一系列处理；最后对轨迹进行整理提取速度、加速度、车头时距、车头间距、间隙等一系列交通流参数。由于深度学习针对特征进行提取，故目标在不同环境下算法的适应性同样很好，并且同类目标训练权重具有可移植性，使得轨迹提取的鲁棒性得到了较好的保证，而鲁棒丰富的高精度轨迹对当前交通流研究具有很大的意义。
-
-
-
-
-
-
-
-
-
搜索结果
166 条记录 (耗时 0.077 秒)
