Driving behavior classi cation for heavy-duty vehicles using LSTM networks
LSTM ağları kullanılarak ağır vasıtalar için sürücü davranışlarının sınıflandırılması
- Tez No: 556763
- Danışmanlar: PROF. DR. MUSTAFA ÜNEL
- Tez Türü: Belirtilmemiş.
- Konular: Belirtilmemiş.
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl:
- Dil:
- Üniversite: Sabancı Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Araçlarda hızla büyüyen otonom sürüş eğilimine rağmen, insan mevcut araç teknolojileri için hala oldukça önemli bir faktör. Sürücüler, araçların hem yakıt ekonomisi hem de sürüş güvenliği üzerinde oldukça büyük bir etkiye sahip. Bu nedenle, sürücü davranışlarının belirlenmesi ve değerlendirilmesi özellikle ağır vasıta araçlar için mevcut araç teknolojilerinin performans, güvenlik ve verimliliklerinin geliştiril-mesi açısından büyük önem taşıyor. Bu tez kapsamında, IPG'nin Truckmaker simulasyon ortamında gerçekçi bir araç modeli kullanılarak, ivmelenme ve araç takip karakteristikleri üzerinden çeşitli sürücü davranışları tasarlandı. Bu sürücü davranışlarının tanınabilmesi amacıyla bir Uzun Kısa Vadeli Hafıza Ağları (LSTM) sınıflandırıcısından yararlanıldı. İlk olarak, doğrusal, yanal ivmelenme limitleri üzerinden altı farklı sürücü tanımlandı. Sınıflandırıcı, sürücülerin araç modelinin 5 farklı yük ile yapay bir yolu takibinden toplanan sürüş sinyalleri ile eğitildi. Bahsedilen yol otobanlarda karşılaşılabilecek geometrileri kapsayacak şekilde tasarlandı. Model, gerçekçi bir yol üzerinden aynı yöntemle toplanan veriler ile test edildi. Sonrasında, araç takibindeki doğrusal ivmelenmeleri üzerinden üç sürücü (sakin, normal, agresif) tanımlandı ve bu sürücülerin farklı trafik senaryolarındaki sürüş sinyalleri ile sınıflandırıcının eğitimi ve testi gerçekleştirildi. Sınıflandırma sonuçları kullanılan LSTM tabanlı yapının, farklı sürüş davranışlarını içeren sürüş sinyallerinin dinamik ilişkilerini başarı ile yakalayabildiğini göstermiştir.
Özet (Çeviri)
Despite growing autonomous driving trend, human is still a major factor in the current vehicle technology. Drivers have a great impact on both fuel economy and accident prevention. Therefore, identification and evaluation of driving behaviors are crucial to improve the performance, safety and energy management of vehicle technologies, particularly for heavy-duty vehicles. In this thesis, several driving behaviors with different acceleration and car following characteristics are generated on a realistic truck model in IPG's TruckMaker simulation environment. A Long Short Term Memory (LSTM) classifier is then utilized to recognize driving behaviors. First, six drivers are defined based on their longitudinal and lateral acceleration limits. The classifier is trained using driving signals acquired from the simulated truck which follows an artificial training road with different trailer loads. The training road is designed to cover possible road curves that can be seen in highways. The model is tested with driving signals that are collected from a realistic road using the same method. Then, three drivers (calm, normal and aggressive) are defined based on their longitudinal acceleration profiles in car following and the classifier is trained and tested using driving signals of these drivers in different traffic scenarios. Results show that the proposed LSTM classifier is capable of successfully capturing the dynamic relations encoded in driving signals and recognizing different driving behaviors in small time samples.
Benzer Tezler
- İzmir deniz bostanlısı arazi ve laboratuvar ve yükleme deneyleri gözönüne alınarak kazıkların taşıma gücü tayini
The Determination of the bearing capacity of piles at Izmir Deniz bostanlısı considering the in-situ laboratory testing
SEMİH YENİŞAR
- Data efficient offline reinforcement learning & reinforcement learning with imitation learning applications to autonomous driving and robotics
Veri verimli çevrimdışı pekiştirmeli öğrenme & taklit öğrenmeyle pekiştirmeli öğrenme otonom sürüş ve robotik uygulamaları
FEYZA NUR EKSEN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Desteklenmiş derin kazılarda oluşan hareketlerin incelenmesi
An Investigation on deformation behavior of supported deep excavations
BÜLENT HATİPOĞLU
- Gemiler için kinematik bir stirling motorunun hareket mekanizmalarının incelenmesi
An investigation on driving mechanisms of the kinematic stirling engine for ships
SERDAR METE
Doktora
Türkçe
2023
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. SELMA ERGİN
- Bir raylı taşıt bogisinin sonlu elemanlar yöntemiyle yorulma analizi
Fatigue analysis of a railway vehicle's bogie with finite element method
SUAT SABIRLI
Yüksek Lisans
Türkçe
2012
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ZAHİT MECİTOĞLU