[01703152]基于深度学习的汽车行驶安全距离预警系统研究

本成果应用在汽车安全领域。本成果重点研究了利用红外测距技术实时准确探测前方车距时,处理器如何准确计算相对车速。特别是研究了在系统状态误差和测量误差普遍存在,要求计算模型不断更新、变化的条件下,如何保证算法的准确性和适应性; 本成果的研究方法及主要创新性如下： 1、为了消除系统状态误差和测量误差对车距信息数据精度的影响,根据车距信息和相对车速不会突变的特性研究并建立预测模型,基于此预测模型,应用Kalman滤波理论准确预测相对车速,并利用车距信息和相对车速计算安全距离报警阈值,以此作为实时预警系统的基础。 2、为适应不断更新的预测模型,采用深度学习的策略不断对预测模型参数进行学习训练,在大量学习样本（即实际识别数据）的训练下,使预测模型参数趋于稳健,即使有个别“错误”数据输入,也能准确识别目标,从而有效提高识别的鲁棒性和系统适应复杂环境的能力。 本成果取得的技术成果应用前景广泛,为红外测距技术中实时准确探测前方车距提供了创新的、实用的技术支持,本成果装备在汽车上,可有效地避免汽车高速行驶时由于驾驶员疏于判断前方车距或疲劳驾驶导致的追尾事故,大大提高了行车安全性。