تخمين خطر تصادف بر پايه رفتار راننده با استفاده از الگوريتم‌هاي يادگيري ماشين

دكتري

رفتار‌هاي غير عادي رانندگان از جمله مستي و خواب‌آلودگي احتمال تصادفات جاده‌اي را افزايش مي‌دهد. سيستم‌هاي تشخيص رفتار راننده عمدتا بر مبناي نظارت بر چهره و بدن راننده با ستفاده از دوربين و پردازش تصوير مي‌باشد. اين سيستم‌ها از مشكلاتي ازقبيل نقض محرمانگي سرنشينان خودرو، سربار پردازشي بالا، و حساس بودن به نور محيط رنج مي‌برند. ما يك سيستم تشخيص رفتار راننده غيرتهاجمي پيشنهاد داده ايم كه مي‌تواند پنج سبك رانندگي را تشخيص دهد: تهاجمي، بي‌دقت، مستي، خواب‌آلودگي، عادي. براي اين كار داده‌هاي غيردقيق را از راننده، خودرو و محيط اطراف جمع‌آوري كرده و با تكنيك‌هاي يادگيري ماشين رفتار راننده را ارزيابي كرديم. براي تشخيص رفتار راننده ما ابتدا از دسته بند ماشين بردار پشتيبان استفاده نموديم. با اين دسته بند رفتار راننده را با دقت 94.67% به پنج دسته تقسيم كرديم. براي رسيدن به دقت بالاتر ما از تكنيك‌هاي يادگيري عميق استفاده كرديم. براي استفاده از قدرت مدل‌هاي مبتني بر شبكه‌هاي عصبي پيچشي بر روي تصاوير در ‌طبقه‌بندي رفتارهاي راننده، ما پيشنهاد كرديم سيگنال‌هاي رانندگي با استفاده از تكنيك ترسيم بازگشتي به تصاوير تبديل شوند و سپس اين تصاوير به يك شبكه عصبي پيچشي براي دسته‌بندي رفتار راننده اعمال شود. با استفاده از اين تكنيك جديد، ما همچنين از وابستگي‌هاي مكاني تصاوير به جاي وابستگي‌هاي زماني سيگنال‌هاي رانندگي بهره مند شديم كه ما را به روشي با راندمان بالا هدايت مي‌كند دقت حاصل شده با اين روش 99.999% بود. همچنين با انجام آزمايش‌هاي مختلف و ايجاد تعادل بين دقت و بار محاسباتي، يك مدل مناسب كاربردهاي توكار كه علاوه بر دقت بالا سربار محاسباتي كمي را داشته باشد پيشنهاد شده است.

195663

دانشگاه علم و صنعت ايران

محمدسبكرو

كامپيوتر- معماري

محمود فتحي-رضا برنگي