基于DenseNet的無人汽車制動意圖識別方法

(長安大學 信息工程學院，西安 710064)

0 引言

電子化操作性能的提高衍生出了無人汽車這一技術理念，然而無人汽車操作技術依舊處于萌芽階段，對于汽車的制動掌控技術研究較少[1]。無人汽車制動意圖內部數據由于識別深度增加，會出現過度膨脹現象，導致制動識別準確率下降，引發交通事故，為此，不少學者不斷強化對無人汽車制動意圖識別方法的研究力度[2]。

傳統無人汽車制動意圖識別方法選用較為先進的數據操作手段對數據進行集中化處理，不斷提升系統的操作精準度，同時監控系統的操作方向以及操作力度，并加快完善速率，控制系統操作處于研究允許范圍內，根據追蹤的數據進行圖像整合，增強系統數據操作的科學性[3]。但在研究過程中，忽視了對基礎數據的完整性收集，導致數據的處理效果較差，無法滿足系統的操作需求，且數據操作投入成本較高，不符合可持續發展的需要[4]。為此，針對上述問題，本文提出一種新式基于DenseNet的無人汽車制動意圖識別方法對以上問題進行分析與解決[5]。

本文識別方法首先獲取初始無人汽車制動意圖數據，提升系統內部數據的可操作能力，在系統數據追蹤的同時進行數據處理操作，增強數據的可操控性，優化系統內部結構，按照相應的結構參數進行數據查找，并集中存儲系統所需數據，以收集的數據為標準進行無人汽車制動意圖數據分析，研究數據間存在的基礎關系，并不斷加強關系數據的聯系，整合關聯數據，并將其進行分類操作，將屬于同一類別的關聯數據進行集合劃分，由此提高研究系統對數據的精準處理性能，最后，利用研究數據進行精確識別，根據不同的圖像狀態查找圖像存儲位置，同時簡便操作程序，獲取較為精簡的操作步驟，達到對無人汽車制動意圖識別的研究目的[6]。

該識別方法能夠在一定程度上實現對初始數據的精準處理，簡便操作步驟，縮減實驗所需時間，節約成本，具備較為廣闊的發展前景[7]。

1 無人汽車制動意圖內部數據獲取

圖1 內部數據交流圖

在實現數據間的交流后，對數據進行初步整合，將制動意圖數據進行初始采集操作，并過濾數據，將與數據信息不符的數據進行濾除操作，由此確保數據的純潔度，保證系統處理數據處于系統允許操作范圍內。加大對系統的檢測力度，對不符合系統發展需求的系統元件進行改良操作，直至元件符合系統運行原理[9]。對完成改造的元件進行二次調整，根據系統內部的結構與數據流動方向進行數據標準劃分，改進數據信息，并綜合數據傳導方式進行數據傳導，將收集的數據存儲至同一存儲空間中，對存儲空間外的結構進行組裝式處理[10]。

精簡空間結構，由此擴展數據流通同道，優化數據的流通方式，對數據進行參數標定處理，并研究標定數據與基礎數據間存在的差異，研究差異的大小，將差異過大的數據進行隔離，并分解出差異較小的參數進行數據混合操作，對于駕駛意圖的下坡輔助控制方式進行查找，并按照標準查找的顯示結果進行數據比對。結合電池保護模型對汽車運行過程的能耗進行分解，由此獲取相應的制動操作所需能耗數量，在制動過程中注重對駕駛方向的動態調整，并進行分配策略整合操作，在低能耗的條件下控制制動數據處于系統收集要求下，同時將制動意圖與理論意圖分離，操控下坡路段的制動意圖，設置數據操控如圖2所示。

圖2 數據操控圖

在實現對數據的初始操控后，完成對制動意圖數據的獲取，并進行下一步驟的研究操作[11]。

2 無人汽車制動意圖識別數據整合

以收集的初始數據為標準，進行無人汽車制動意圖識別數據分析，將整合的數據進行拆分，同時進一步完善系統對下坡路段的駕駛員心理分析性能，將分析的數據安裝至無人汽車自動系統中，提出數據內部處理機制，并按照相應的機制準則進行數據掌控與監測，對制動意圖進行能量管理，強化管理性能[12]。設計數據管理如圖3所示。

圖3 數據管理圖

在圖3中，加深系統對制動意圖數據的了解，并進行識別數據的分析操作。對制動過程中的舒適度與安全度進行考慮，并設置考慮公式如下：

(1)

式中，K為考慮參數，m為制動因素，n為整體數據數量，G為輔助參數，利用上述公式進行數據考慮，強化數據與系統內部功能間的聯系，進而提升系統操作速度，增強操作的可行性。將制動意圖分為常規制動意圖與滑行制動意圖倆類，按照制動特點進行標記，在實現整體標記后，依照制動的處理準則進行原則性劃分，同時對汽車車速以及制動踏板位移進行測量，在測量過程中注意不斷觀察測量數據間的聯系，對信號特征進行排除，加大對制動信號的管理力度，由此得到最佳的制動意圖識別數據[13]。

虛擬人體解剖系統采用3Dmax建立骨骼模型，通過Uni?ty3D融合，建立了完整清晰的模型，此模型將用于AR/VR和疾病查詢診斷功能。當啟用疾病查詢診斷時，通過疾病知識庫的過濾，返回用戶相關疾病的致病原因和治療方法等信息。虛擬人體解剖系統功能實現如圖1所示。

由于在實際汽車制動過程中，汽車輪胎會與地面產生一定的摩擦附著力，為此，在制動數據測量時需進行多次測量，以避免偶然性，同時加大對制動踏板位移距離的精準測量力度，減少位置誤差對實驗研究帶來的影響，根據制動踏板深度對無人汽車進行踏板力度預估，并將預估數據進行整合，設置整合公式：

(2)

式中，J代表整合參數，L代表預估值，P代表實際參數值，a表示內部操作系統整合參數[14]。在實現上述系統操作后，對制動意圖識別數據進行二次分析，如圖4所示。

圖4 數據二次分析圖

在經過對數據的二次分析后，得到最終的意圖分析數據。

3 基于DenseNet的無人汽車制動意圖識別

DenseNet(稠密卷積網絡)每個層直接訪問來自損失函數和原始輸入信號的梯度，帶來了隱式深度監控，引入了具有相同特征映射大小的任意兩個層之間的直接連接。為了改變特征映射大小的下采樣層，將網絡劃分為多個緊密連接的密集塊；將塊之間的層稱為過渡層，它執行卷積和合并。實驗中使用的過渡層由批量歸一化層和1×1卷積層以及2×2平均池化層組成。深度DenseNet結構如圖5所示。

圖5 DenseNet結構圖

假設輸入圖像x0，設網絡包括L層，每一層都實現了一個非線性變換Hi(·)，其中i表示第i層，Hi(·)表示一個組合操作，將第i層的輸出記作xi。

第i層得到了之間所有層的特征映射x0，x1,...,xi-1作為輸入：

xi=Hi([x0,x1,...,xi-1])

(3)

式中，[x0,x1,...,xi-1]表示特征映射的級聯。

在實現對無人汽車制動意圖識別數據的映射分析后，根據不同的數據處理類型進行識別方案選擇。在車輛行駛的過程中，由于無人汽車判斷性能較弱，需在操作過程中注重系統的整體安全性，并不斷查找安全參數進行綜合分析[15]。對于清晰度較差的位置數據進行模糊度推理，利用數學邊界算法優化系統結構，設置數據結構優化如圖6所示。

圖6 數據結構優化圖

在實現對數據結構的優化后，分別管理不同的制動信息，并保留系統中心信息，對數據輸入量以及輸入原因進行管理，同時查找其隸屬度函數，對隸屬度進行整理，查找隸屬度相關信息，由此獲取標準的處理參數數據。結合神經網絡進行數據操作，挖掘系統數據內部的關聯點，并設置數據點追蹤系統進行數據點的實時監控操作。

對數據間的隱含層進行網絡劃分，對于數據輸出量進行精準賦值操作，對數據間的非線性映射關系進行設置，同時排除干擾數據的存在，對意圖的特征參數進行標定，設置參數標定如圖7所示。

圖7 參數標定圖

在圖7中，強化內部數據標定力度，防止數據的泄露，對算法進行加強訓練操作，調控制動意圖的制動速度，并利用訓練后的算法參數對意圖進行識別，將識別后的對照關系進行調換，改變路面附著條件，優化系統操作環境，避免無關因素的影響。對人工客觀參數進行查找，分配不同的查找法則，定義制動意圖識別輸入量，并分析輸入量信息，在完善信息的基礎上實施比例劃分操作，由此提升整體系統的識別性能，確保數據的獨立操作，完成對無人汽車制動意圖的識別研究。

4 實驗與研究

4.1 實驗目的

為了檢測基于DenseNet的無人汽車制動意圖識別方法的識別效果，與傳統無人汽車制動意圖識別方法的識別效果進行對比，并分析實驗結果。

4.2 實驗參數設置

針對無人汽車制造的特殊性，以及制動意圖識別方法研究的操作復雜性，需對其進行實驗參數和環境的設置，實驗參數如表1所示。

表1 實驗參數

4.3 實驗結果與分析

根據上述實驗參數進行實驗對比，將基于DenseNet的無人汽車制動意圖識別方法的識別效果，與傳統的識別效果進行比較，得到的制動意圖數據收集完整度對比以及識別準確率對比分別如圖8和圖9所示。

圖8 制動意圖數據收集完整度對比圖

圖9 識別準確率對比圖

對比圖9可知，在相同的參數條件下，本文識別方法的識別準確率較高，傳統識別方法的識別準確率較低，造成此種差異的主要原因在于，本文識別方法在操作過程中進行無人汽車制動意圖數據獲取，獲得較為完整的初始操作數據，并在數據操作的同時對數據的內部關系進行查找與分析，主動建立與數據相關的數據關聯點，并分析內部關聯點的屬性，將屬于同一屬性的數據點進行點集劃分，并存儲至相同的數據集合中，按照內部調節機制進行系統調節，探索中間參數的存在條件，并構造相應的數據連接線，進行數據中心的實時連接操作，防止數據的外泄，保證數據處于較為安全的系統操作狀態中。完善系統操作準則，并規定較為標準的數據處理模式法則對數據進行集中管控，保持數據流通的一致性，不斷優化中心處理機制，在實現對數據的標準處理的前提下進行數據篩選，由此將無關數據過濾，保持操作數據的純潔度，達到對初始數據處理的目的，進而增強數據的處理效果，獲取完整度較高的制動意圖數據。

對比圖9可知，在實驗時間為10 d時，本文基于DenseNet的無人汽車制動意圖識別方法的識別準確率為0.4，傳統無人汽車制動意圖識別方法的識別準確率為0.2，在實驗時間為20 d時，本文基于DenseNet的無人汽車制動意圖識別方法的識別準確率為0.48，傳統無人汽車制動意圖識別方法的識別準確率為0.38。

由于本文對無人汽車制動意圖識別數據進行精準分析，掌握內部數據結構，并根據結構進行數據調整，集中強化對標準數據的操作力度，選取操作性較強的數據進行系統操作，減少不必要的操作浪費，縮減操作所需時間，加強系統理論性功能，用實時較為精確的數據追蹤方法進行數據向量查找，為數據的內部操作提供良好的數據基礎，并在規定的操作時間內提高系統運行效率，增強內部識別的有效率，并輔助系統自主維護性能，提高系統的自我修復力度，完成對數據的基礎識別操作，提升主系統識別能力，進而獲得較高的識別準確率，而傳統研究方法缺少此步驟的研究，對于收集數據的初始處理效果較差，得到的識別準確率較低。

隨著實驗時間的不斷增加，本文基于DenseNet的無人汽車制動意圖識別方法的識別準確率也不斷提升，且一直位于傳統識別方法之上。除以上原因外，本文選用不同的操作模式對過濾后的數據進行識別，按照數據點識別順序進行排序，優化操作步驟，簡便操作方式，降低系統的操作困難程度，由此提高系統操作的效率，并為后續操作提供較為完整的操作方案，在調節系統操作的同時整合識別信息，破除了外界因素的影響，識別的結果較為完整，促使識別的準確率較高。

經過以上對比分析可知，本文基于DenseNet的無人汽車制動意圖識別方法的制動意圖數據收集完整度以及識別準確率均高于傳統識別方法，能夠更好地提升系統的操作性能，為后續研究的開展打下夯實的基礎，更好地為使用者所使用。

5 結束語

本文在傳統識別方法的基礎上提出了一種新式基于DenseNet的無人汽車制動意圖識別方法，該識別方法的識別效果明顯優于傳統識別方法。

本文對無人汽車制動意圖的識別分為3個步驟進行，首先對無人汽車制動意圖內部數據進行獲取，隨機控制數據的流轉方向，并在數據監測同時進行數據管理，不斷控制數據的內部存儲方式，確保數據的存儲安全，以此獲取較為完整的收集數據，在收集的數據的基礎上進行識別數據分析，按照不同的識別數據進行數據點對照組合操作，不斷優化數據點間的操作聯系，在獲得較為良好的數據內部連接信息的過程中對數據位置進行系統固定操作，時刻監控數據的流動位置，防止內部數據過度膨脹，最后，選取相應的識別方案對數據進行最終識別，不斷提升系統的操作力度，加強理論操作，實現對無人汽車制動意圖的識別。

相較于傳統識別方法，本文基于DenseNet的無人汽車制動意圖識別方法能夠在較高程度上優化系統信息，不斷更新系統數據，保持系統內部的先進性，獲取準確率較高的操作數據，具備較佳的研究空間。