本科毕业设计（论文）
外文翻译
基于递归神经网络算法的风险评估
作者：Alejandro Chinea IEEE member, Michel Parent
国籍：美国
出处：OALib
中文译文：
摘要：高风险十字路口的情况评估最近被认为在汽车行业内的一个重要的研究课题。在本文将介绍一种新的采用高度非线性与强大的信息相结合，处理模型编码的风险计算方法函数。具体来说，就是有关在十字路口的静态或动态的场景编码采用有向定位无环标记图表的方式采集信息要素，然后将风险评估问题为由递归方法重新完成表述的归纳学习的术语神经网络。递归神经网络是连接主义者能够解决有监督和无监督问题的由有向有序非循环表示的学习问题图表模型，通过对预定义好的场景实验，证明了这种新方法的潜力。我们与他人相比的主要区别方法，是由事实来表达了解风险的结构。此外,一个结合了丰富信息的编码程序动态递归网络的广义模型向我们展示了这个复杂的处理是建设的未来先进十字路口安全系统的第一步。
关键词：有向图；神经网络；生产工程计算；风险分析
一、介绍
在过去的几年中，欧洲联盟作出了大量努力，致力于组织资源和制定可持续的交通事故预防方法。此外，有研究表明，交通事故不仅在欧洲，而且在全球范围内已成为造成人身伤亡的主要原因之一。此外，道路交叉口已被确定为发生交通事故的主要情况之一。最近，欧盟与汽车工业共同努力所产生的几项举措出现了[2][3]。在这条线路中，IP Prevent[6]项目的子项目Intersafe[4][5]的目标是通过向驾驶员提供适当的帮助来提高安全性，减少交叉口的致命碰撞。应警告驾驶员，防止其本人或其他道路使用者可能造成的道路通行权违规行为，包括未能在红灯和停车标志处停车，或在其他车辆的道路上转弯。这一目标是通过开发风险评估和数据来实现的。作为信息输入的融合算法从传感器组合中采集，用于检测车辆和现场的任何其他物体带有用于定位主车辆的传感器，即配备Intersafe技术的试验车。
道路交叉口的高风险情况是多种因素的组合，很难评估。时间变化和高度非线性的性质这个问题使得很难正确地模拟通过时间嵌入信息。在本文中，我们对以下问题提出不同的观点：计算风险函数。具体来说，我们解释风险作为嵌入时空的几何物体歧管。风险的几何结构是通过考虑到对象的组合动作和角色存在于道路交叉口（即车辆、行人，交通灯、树木、建筑物等）。为此，设计了一种新的信息编码方法提取这些对象之间的内在关系。具体来说，道路交叉口场景是通过使用有向有序位置无环标记图。这个图的节点按其包含的意义进行标记由数组表示的域变量集数字和分类特征。
此表示允许组合不同的源信息（即时间和先验知识交叉点）在紧凑的结构中，允许表达信息单元之间的复杂关系与基于特征的方法不同的是，大小。一旦信息已用标记图表示，风险评估问题用由递归神经执行的归纳学习任务网络。递归神经网络能够学习结构化的非线性自适应模型数据（即树或图形模式），即使这些数据有噪声或不完整。使用神经的主要动机网络反映了一个事实，即能够识别我们甚至无法定义的模式。这个属性被称为没有定义的识别，它使智能系统（如人类）能够通用化。也就是说，识别大量不可预见的事物的能力复杂的模式无法定义它们。在我们应用程序中，递归神经网络使用方便生成的模式集，其中每个模式对应于通过方式编码的道路交叉口场景有向有序无环标记图。
本文的其余部分组织如下：在下一节中，我们将在介绍欧洲研究项目的背景。在第二节和第三节，问题的正式描述和概述了所提出的方法。实验结果在第四节中有介绍。最后，第五节提供了本研究的概要和一些结论性评论。
二、问题陈述
欧洲研究项目Intersafe的目标是开发主动安全系统，以防止道路交叉口。为了确定最相关的交叉口交通事故情景事故分析采用法国、德国和英国。在法国和德国在十字路口发生的交通事故交通事故数据库的核心作用。另外，三个确定了事故场景。也就是说，事故左转时与迎面驶来的车辆相撞造成的（第一种情况）。交叉口碰撞事故转向直行交叉口时的交通（第二种情况）最后控制交通灯交叉口事故。尤其是红灯违规导致经常发生严重车祸，不取决于意外。作为一个重要的结果，研究表明事故情况是由人为错误造成的，如误解或注意力丧失。
从交通事故分析的结果来看重要的是要注意详细的交通知识环境是获得最佳驾驶员支持的前提条件主动安全系统。为此，Intersafe测试车辆（以下简称主车）配有两个激光扫描仪、一台摄像机和其他通信系统。摄像机用于处理交叉口车道标记的数据。此外，激光扫描器收集自然地标以及其他物体和道路使用者的数据。激光扫描仪和摄像机的融合数据与交叉口的详细地图一起用于主车在交叉口内的定位。基于在此信息上，高级安全功能必须旨在正确解释情况，避免可能发生碰撞。此外，驾驶员行为（例如人的反应时间）。开发风险评估算法。最终目标为驾驶员提供适当的警告以防止红灯或停车标志违规，转向时警告防止与行驶路径中的物体碰撞或有关时间和距离的侧面和最终警告交通灯。警告将通过以下方式呈现给驾驶员：一个简单的人机界面（HMI）声学和光学基于。然而，风险评估算法还不够已知，尚处于早期研究阶段【10】【11】。这个事实可以用固有的问题的复杂性。首先，风险评估算法必须能够在不确定性条件下运行，即例如，预期的缺陷或数据错误来自测量系统。其次，时间变化的性质这个问题使得很难正确捕获并通过时间模拟信息的嵌入。此外，潜在的风险情况是不完全知道的多种因素也很难评估。在以下小节中详细介绍了我们的方法，以及一些实验结果。
三、建议解决方案
各种各样的科学技术领域以信息模式出现为特征的就结构化对象而言。一般来说，大自然为我们提供有许多结构化对象的例子，也就是说，可以由更小的对象组成的对象也要有条理。可能的例子是化学结构，数学表达式或软件源代码。此外，道路交叉口可以看作是结构化的域，其中结构可以是静态的或充满活力。考虑到风险的时变性质以及它与道路交叉口的物体（即车辆，行人、交通灯、树木、建筑物等），我们对生成信息编码过程感兴趣尽可能丰富以捕捉内在的关系在这些实体之间。标记图是与基于特征的信息相比更丰富的信息表示，因为它们允许表达更复杂的内容变量和/或概念之间的关系。节点在图形中，它们包含一组域变量。让我们来表示一组域变量作为标签空间与标记图形的任何节点关联。标签空间中包含的变量可以是分类的或数字的。此外，存在标签图中两个节点之间的边表示这些节点中包含的变量在某种程度上是相关的。因此，一种自然的信息编码方法道路交叉口采用定向位置非循环交叉图形（以下简称DPAG）。更具体地说，我们对域变量和静态方面（即先验道路交叉口的相关知识）在图形的标签空间和动态方面整个图形结构中的场景。但是，编码过程必须在结合计算程序结构化信息的处理。重要的是要注意我们有兴趣从测量系统管理的可用信息在任何给定的瞬间。递归神经网络能够学习的统计模式识别系统用有向有序非循环表示的信息有标签的图表。它们是循环神经网络的一个扩展，适用于执行监督和数据结构的非监督学习申请[12][13][14]。在下一小节中，详细信息介绍了我们的方法。
a.信息编码程序
让我们介绍一些定义和符号。图表如果在边上定义了总订单p，则称为已订购。从每个顶点离开。标记图的骨架是通过忽略所有标签获得的数据结构，但是保留图形的拓扑结构。的一般类在i度和最大出度o由符号#（i，o）表示。一次我们已经指定了标签空间У和骨架类（I，O）。我们可以定义标签在У中的数据结构空间。以及中的拓扑结构。这样一个空间用У#表示。
DOAGS是有向位置的类假设的非循环图（以下简称DPAG）对于每个顶点v，P:E→N是在从v离开的边缘是一个超级类的doags从这个意义上说，每个DOAG也是一个DPAG。有界dpags或k-dpags是通过将p的范围限制为有限集[1，k]isin;n来定义的。固定k。术语位置意味着每个孩子都有自己的在一个节点的子节点集中拥有自己的位置。给出了一个doag d和visin;vert（D），我们用ch[v]表示五岁的孩子和五岁的父母v是集合pa[v]和outdegree的基数[pa]v是集合ch[v]的基数。信息过程的表示和编码如下。首先，我们按照[15]中的建议对交叉口进行分区，但存在一些实质性差异。我们为每个区域分配一组来自6元组（黄色、橙色、红色、青色、蓝色和白色）的预定义颜色，这些颜色指示场景中出现的任何动态对象的状态。其次，根据动态对象的位置和方向向量定义其状态。此外，方向与交叉口的中心有关。更具体地说，对于着色方案，我们将交叉点的中心作为检查动态对象方向的参考点。此外，我们只考虑两个通用方向。也就是说，在两个连续采样点之间，动态对象可以增大或减小它们相对于交叉点中心的距离。但是，如果距离保持等于零（即，由于交通灯而使车辆停止），我们只考虑将颜色与当前状态相关联的前一状态。选择这种着色方案的原因是基于事故数据库统计。大多数事故发生在交叉口内或接近交叉口中心的区域。因此，编码方案不能忽略这一事实：热色（即黄色、橙色、红色）被分配给表示潜在危险可能性增加的状态，而冷色（即青色、蓝色）则正好相反。此外，代表类似概念的颜色更接近汉明距离的观点（见表一）。
表 1 对称细分的一般交集等效区域
用字母“A”表示的交叉点区域表示为进入交叉点区域，黄色为关联颜色，或离开交叉点区域，蓝色为关联颜色，这取决于动态对象相对于交叉点中心的距离是随时间分别减小还是增加。同样，区域II表示接近危险区，橙色为相关颜色，或根据动态对象的移动方向，将危险区保留为相关颜色青色。最后，图中阴影部分表示驶出驾驶区的概念，表示交叉口驶出道路的部分。该区域包括行人、自行车道、建筑物、树木等。
另一方面，标签空间被定义为作为一个特征数组附加到节点上的数字和分类信息。我们将这个向量分解为三个部分：运动空间、动态对象的状态空间，最后是知识空间。运动空间由一组变量组成，这些变量用于描述动态物体的运动。特别是，我们使用域变量：位置、速度和方向。重要的是要记住采样点主车恢复对用一组测量变量表示的环境。动态对象的状态空间是用于表示动态对象行为的状态
（车辆、行人、自行车等）。另外，在动态对象由6组颜色表示（请参见表1）。代表相似概念的颜色更接近汉明距离的视角。最后，知识空间代表限制或先验知识可以关联到每个图形节点。在我们的实验中只需考虑三个知识维度：速度限制
违章、车道违章和潜在的红绿灯违规。这些尺寸通过以下方式表示：三个二进制变量（见表二）。为了举例说明施工过程，请考虑图2所示的图表。图的根节点
（以符号表示）将始终对应于主车。另外，最大出度为图由传感器特性决定，尽管从实际出发，我们可以提前解决这个问题。减少图形复杂性的数量。子对象的位置表示对象的类型由主机车辆的传感器检测。在这一行中，a约定被定义为表示宿主车辆，具体来说，在我们的实验中，任何图形节点的最右边的子节点总是被分配来表示宿主车辆（参见图2）。在这个例子中，我们假设图的最大出度是3。也就是说，图中的每个节点最多可以有三个子节点，其中每个子节点对应于宿主车辆及其传感器检测到的动态对象。子对象的位置表示主车辆检测到的对象类型。此外，图中的顺序由附加到每个节点的数字的基数决定，这与事件的时间序列相关。在每个节点上都有一个信息标签，指示动态对象的类型（即车辆、行人、自行车等）。字母A、B、C表示任何儿童相对于其父母的位置。可以很容易地推断，上述编码过程在旋转和/或翻译方面是不变的，并且自然地包含符号和数字信息。此外，拟议的编码程序不依赖于具体的交通法规。例如，各国的驾驶方式可能不同。
b.递归神经网络递归神经网络是能够执行从一组标记图到一组实向量映射的计算模型。具体来说，它们基于以下递归状态空间表示：
这里v是一个通用节点标识符。与节点v关联的状态向量a（v）是与其子项a（ch[v]）关联的有序状态向量的函数，输入向量i（v）将附加到节点v的一组属性编码为标签。其基本思想是利用递归神经元对结构进行编码。也就是说，为了执行状态转换函数f，然后使用获得的表示来近似输出函数g，使用标准的前馈网络，如多层感知器。训练递归神经网络的标准算法是通过结构算法[16]的反向传播（以下简称BPTS）。然而，BPTS在任何梯度下降过程中都存在收敛缓慢的问题。在本节中，我们提出了一种准牛顿学习算法，以下简称“准牛顿通过结构”（QNTS）。首先，我们定义一个误差测量值e（.），它在参数空间Omega;f xOmega;g中定义，由模型参数wf、wg（状态转换函数f和输出函数g的参数）表示。此外，我们假设一组数据结构的训练集d=（u，y），u u，yУ。为归纳学习任务而建立的误差函数e:Ωf xΩg→r，在结构d的模式集合中积累了每个输入输出对的误差贡献。借用[17]的符号，
剩余内容已隐藏，支付完成后下载完整资料
Risk Assessment Algorithms Based on Recursive Neural Networks
Alejandro Chinea IEEE member, Michel Parent
In the last few years a substantial effort of the European Union has been devoted to the organization of resources and the development of a sustainable approach to the prevention of traffic accidents. Moreover, it has been shown [1] that traffic accidents have become one of the major causes of death and injury not only in Europe but also globally. In addition, road intersections have been identified as one of the principal scenarios where traffic accidents take place. Several initiatives resulting from a joint effort between the European Union and the automotive industry have recently emerged [2] [3]. In this line, the aim of INTERSAFE [4] [5], a subproject of the IP PReVENT [6] project is to improve safety and to reduce fatal collisions at intersections by providing appropriate assistance to the driver. The driver should be warned against potential right of way violations caused by himself or other road-users, including failing to stop at red lights and stop signs, or turning across the path of other traffic. This objective is achieved by the development of risk assessment and data fusion algorithms that use as inputs the informationcollected from a combination of sensors for detection ofvehicles and any other object present in the scene togetherwith sensors for localization of the host vehicle, namely thetest vehicle equipped with the INTERSAFE technology.Highly-risky situations at road intersections are acombination of multiple factors that are very difficult toevaluate. The time-varying and highly non-linear nature ofthe problem makes extremely difficult to properly model theembeddings of information through time. In this paper, wepropose a different point of view to the problem ofcomputing risk functions. Specifically, we interpret the riskas a geometrical object embedded into a space-timemanifold. The geometry of the risk is determined by takinginto account the combined actions and roles of the objectspresent at road intersections (i.e. vehicles, pedestrians,traffic lights, trees, buildings and so forth). To this end, anovel information encoding procedure was designed toextract the intrinsic relations between such objects.Specifically, road intersection scenes are encoded by usingdirected ordered positional acyclic labeled graphs. Thenodes of the graphs are labeled in the sense that they containsets of domain variables represented by an array ofnumerical and categorical features.This representation permits to combine disparate sourceof information (i.e. time and a priori knowledge about theintersection) in a compact structure that allows expressingcomplex relations between information units that can vary insize, as opposed to feature-based approaches. Once theinformation has been represented in terms of labeled graphs,the problem of risk assessment is expressed in terms of aninductive learning task performed by a recursive neuralnetwork. Recursive neural networks [7][8][9] are highlynon-linear adaptive models that are able to learn structureddata (i.e. trees or graphs patterns) even if such data is noisyor incomplete. The main motivation of using neuralnetworks is reflected by the fact of being models that areable to recognize patterns we cannot even define. Thisproperty is called recognition without definition and itenables intelligent systems (i.e. like humans) to generalize.Namely, the ability to recognize multitudes of unforeseencomplex patterns without any ability to define them. In ourapplication, the recursive neural network is trained using aconveniently generated pattern set where each patterncorresponds to a road intersection scene encoded by meansof directed ordered acyclic labeled graphs.The rest of this paper is organized as follows: In the next section, the problem we address is presented within thecontext of the INTERSAFE European research project. Insections II and III, a formal description of the problem andthe proposed approach is sketched. The experimental resultsare covered in section IV. Finally, section V provides asummary of the present study and some concluding remarks.
II. PROBLEM STATEMENT
The European research project INTERSAFE is aimed to thedevelopment of active safety systems to prevent accidents atroad intersections. In order to identify the most relevantscenarios of traffic accidents at intersections, a detailedaccident analysis was performed by using statistics ofFrance, Germany and Great Britain. It was found that inFrance and Germany accidents at intersections plays acentral role in traffic accident databases. In addition, threeaccident scenarios were identified. Namely, accidentscaused by collisions with oncoming traffic while turning left(first scenario). Accidents caused by collisions with crossingtraffic while turning into straight crossing an intersection(second scenario) and finally traffic light controlledintersection accidents. In particular, red light violation leadsoften to serious crashes not depending on the type ofaccident. As an important result, it was shown that most ofthe accident situations are caused by human errors likemisinterpretation or loss of attention.From the results obtained from traffic accident analysis, itis important to note that a detailed knowledge of the trafficsituation is a precondition for an optimal driver-supportingactive safety system. To this end, the INTERSAFE testvehicle (hereafter the host vehicle) is equipped with twolaser-scanners, one video camera and additionalcommunication systems. The video camera is used toprocess data about lane markings at the intersection.Furthermore, the laser-scanners collects data of naturallandmarks as well as data about other objects and road users.The fused data of the laser-scanner and the video cameratogether with a detailed map of the intersection are used forlocalization of the host vehicle within the
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[272324]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
