。。。

随着深度学习的研究热潮，近年来对车辆目标的检测逐步从机器学习方法转变为深度学习方法.目前，大多数深度学习方法对车辆目标的检测都存在不同程度的错检漏检问题.针对车辆目标检测中存在的小目标的错检漏检、截断式待检目标的漏检和重叠遮挡待检目标的漏检等问题，提出一种基于增量学习数据集的车辆目标检测方法，该方法与Faster R-CNN算法结合对车辆目标实现检测和分类.在实验的最后，分别从主观判断和客观检测数据两个方面，对比了车辆目标检测中未使用增量学习方法和使用增量学习方法对实验结果的影响.实验证明，使用基于增量学习和Faster R-CNN的车辆目标检测方法在主观判断方面对错检漏检的目标有明显地改善效果，从客观数据分析，使用该方法与未使用增量学习方法相比，VGG16网络mAP值提升了4%，ResNet101网络mAP值提升了6%.

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

无人驾驶车辆轨迹跟踪控制综述型参考英文文献！大家可以通过这篇文献对控制领域有一个大体的认知。 更多炸裂内容，详见公粽号 ：杰哥的无人驾驶便利店

无人驾驶车辆轨迹跟踪控制综述型参考英文文献！大家可以通过这篇文献对控制领域有一个大体的认知。 更多炸裂内容，详见公粽号 ：杰哥的无人驾驶便利店

原文地址： https://blog.csdn.net/qq_44776064/article/details/108313037 带时间窗的车辆路径规划问题(Vehicle Routing Problem with Time Window，VRPTW)是在VRP基础上添加配送时间约束条件产生的一个新问题。在这类问题中，给定车辆到达目的地的最早时间和最晚时间，要求车辆必须在规定的时间窗内到达，早于最早时间或晚于最晚时间都要产生额外的惩罚费用。此时，决策如何规划调度车辆使得配送的总费用最小化。

环境复杂度是无人地面车辆自主性评价三因素（即任务复杂度、环境复杂度、人机交互程度）的一个重要方面。在对美国陆军新版《作战纲要》中作战环境分析的基础上，定义无人地面车辆乡村典型工作环境，以该环境复杂度作为评价目标，分为道路环境、车道内障碍、路面覆盖、路面破损、光照与阴影、成像模糊六个评价方面，建立乡村典型工作环境复杂度评价指标体系。通过算法进行道路边界分割，实现定量评价，并给出典型场景中环境复杂度的参考值。

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。

随着智能交通的发展，自动驾驶、智能车载交互、安全预警等新型车载应用不断涌现，独立车辆依靠自身有限的计算资源难以运行这些种类繁多且具有大量计算需求和时延需求的应用。雾计算通过将计算任务分布在网络边缘的设备中，运用虚拟化、分布式计算和并行计算技术，使用户能够按需动态地获取计算能力、存储空间等服务。将雾计算架构应用于车联网能够有效缓解计算量大、低时延车载应用与车辆有限且不均的资源分布之间的矛盾。从分析车—车通信、车—基础设施通信以及车辆时延容忍网络通信的信道容量入手，建立车联网异构接入的多业务资源优化模型，通过联合调度各类车联雾资源，实现智能交通应用的高效处理。仿真结果表明，所提出的强化学习算法能够有效地应对异构车联雾架构下的资源优化。

solomn数据集是一个比较经典的用于研究VRP相关问题的数据集，其中 https://www.sintef.no/projectweb/top/vrptw/solomon-benchmark/ 给出了关于数据集的基本介绍