时间序列匹配技术广泛应用于车辆操纵一致性评价。针对某型教练车在协同驾驶过程中的动作匹配度评判问题,提出一种基于分段式动态时间弯曲距离的车辆油门操纵动作一致性评估方法。在有效解决教练车协同操控试验过程中样本数据点数量不...时间序列匹配技术广泛应用于车辆操纵一致性评价。针对某型教练车在协同驾驶过程中的动作匹配度评判问题,提出一种基于分段式动态时间弯曲距离的车辆油门操纵动作一致性评估方法。在有效解决教练车协同操控试验过程中样本数据点数量不一致问题的基础上,根据动态弯曲路径的斜率约束条件,将传统的动态时间弯曲距离(Dynamic Time Warping,DTW)矩形搜索区域通过改变路径搜索斜率方式转变为平行四边形搜索区域,以缩小搜索区域面积,从而极大程度地减小计算量。选取4组典型的油门动作曲线组进行50轮迭代实验进行验证,通过分段式DTW方法计算得到实车A、教练车B动作曲线之间的DTW距离矩阵,利用最小离差平方法对A、B两车动作进行聚类对象合并,从而完成油门动作数据的一致性评判。实验结果表明,改进后的动态时间弯曲算法在各油门动作的平均匹配精度可达89.2%,相较于单一的DTW算法提升约3.2%,平均匹配时间约为92.45 s,降低约12.6%,从而验证了分段式DTW算法在油门动作一致性评判的可行性和优越性。展开更多
针对装甲车辆运动状态复杂性、战场态势不确定性、战术迷惑和欺骗性导致装甲车辆集群运动轨迹难以准确预测的问题,提出一种基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和长短时记忆(L...针对装甲车辆运动状态复杂性、战场态势不确定性、战术迷惑和欺骗性导致装甲车辆集群运动轨迹难以准确预测的问题,提出一种基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和长短时记忆(Long Short Term Memory,LSTM)神经网络的装甲车辆集群轨迹预测方法。根据装甲车辆的斜坡上行驶、转向和车-车交互行驶状态,建立运动学模型。选取机动特征、环境特征和车-车交互特征等轨迹特征信息,基于双层LSTM网络预测单个装甲车辆的轨迹。基于DBSCAN算法将多条单装预测轨迹进行分段、相似度计算和聚类,获得集群代表轨迹作为装甲车辆集群的预测轨迹。仿真结果表明,所提方法能够有效预测装甲车辆集群轨迹,实现料敌于先、谋敌于前。展开更多
文摘时间序列匹配技术广泛应用于车辆操纵一致性评价。针对某型教练车在协同驾驶过程中的动作匹配度评判问题,提出一种基于分段式动态时间弯曲距离的车辆油门操纵动作一致性评估方法。在有效解决教练车协同操控试验过程中样本数据点数量不一致问题的基础上,根据动态弯曲路径的斜率约束条件,将传统的动态时间弯曲距离(Dynamic Time Warping,DTW)矩形搜索区域通过改变路径搜索斜率方式转变为平行四边形搜索区域,以缩小搜索区域面积,从而极大程度地减小计算量。选取4组典型的油门动作曲线组进行50轮迭代实验进行验证,通过分段式DTW方法计算得到实车A、教练车B动作曲线之间的DTW距离矩阵,利用最小离差平方法对A、B两车动作进行聚类对象合并,从而完成油门动作数据的一致性评判。实验结果表明,改进后的动态时间弯曲算法在各油门动作的平均匹配精度可达89.2%,相较于单一的DTW算法提升约3.2%,平均匹配时间约为92.45 s,降低约12.6%,从而验证了分段式DTW算法在油门动作一致性评判的可行性和优越性。
文摘针对装甲车辆运动状态复杂性、战场态势不确定性、战术迷惑和欺骗性导致装甲车辆集群运动轨迹难以准确预测的问题,提出一种基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和长短时记忆(Long Short Term Memory,LSTM)神经网络的装甲车辆集群轨迹预测方法。根据装甲车辆的斜坡上行驶、转向和车-车交互行驶状态,建立运动学模型。选取机动特征、环境特征和车-车交互特征等轨迹特征信息,基于双层LSTM网络预测单个装甲车辆的轨迹。基于DBSCAN算法将多条单装预测轨迹进行分段、相似度计算和聚类,获得集群代表轨迹作为装甲车辆集群的预测轨迹。仿真结果表明,所提方法能够有效预测装甲车辆集群轨迹,实现料敌于先、谋敌于前。
