英文文章
变道行为（LCB）预测是高级驾驶辅助系统和自动驾驶车辆的关键功能。预测考虑中的自车（ego vehicle）驾驶员是否会在不久的将来变道，在提高道路安全和交通效率方面起着重要作用。理解驾驶员行为背后的意图是提高辅助和监控系统有效性的重要因素。机器学习（ML）算法已被广泛用于通过分析与考虑中的自车相关的交通和驾驶数据集来预测这种行为。然而，这项技术尚未在商业产品中得到广泛采用。为了提高算法的鲁棒性和可靠性，需要进一步改进这些算法。在某些领域，通常使用接收者操作特征曲线和精确度-召回曲线来评估ML算法，而不考虑评估过程中参数的影响，尽管可能需要根据这些参数来评估这些算法的性能。本文提出了使用深度自编码器从数据集中提取多级特征，然后可以用于训练一系列分类器。这允许利用深度学习模型的高特征提取能力，并使用集成学习技术改进最终结果。检测概率的概念与这里使用的网络结合使用，以评估哪些分类器在统计意义上更好地检测正确的LCB。从驾驶模拟器获取的数据的应用表明，所提出的方法可以被采用以提高分类器的可靠性，并且在预测事件本身发生前3秒以上的动态环境中即将发生的人类行为方面，集成ANNs表现最佳。
猜您喜欢
推荐内容
开源项目推荐 更多
热门活动
热门器件
用户搜过
随便看看
热门下载
京公网安备 11010802033920号
Copyright © 2005-2026 EEWORLD.com.cn, Inc. All rights reserved
评论