研究背景与问题:

在当前快速发展的智能交通领域，无人公交车的示范运营逐步向公开交通线路延伸，这一变化使得城市公交系统向更加智能、高效的阶段迈进。然而，伴随着无人公交车的推广，复杂城市场景下的安全运行问题成为研究的重点。尤其是在站台区域，障碍物风险的识别对于确保车辆与乘客安全至关重要。现有技术中，概率模型与模型驱动方法在应对复杂交通行为时显得力不从心。此外，深度学习模型虽然在识别方面表现出色，但因其黑盒特性和不确定性，难以满足公交站台场景的需求。针对这些问题，本论文旨在提出一种适用于公交站台场景的双支路协同无人公交进出站高风险目标识别方法。

研究方法:

针对上述问题，本研究提出了一个双支路协同的高风险目标识别框架。首先，设计了基于图像特征的识别模型，结合颜色、纹理等特征进行障碍物的初步筛选。接着，通过构建动态背景模型对场景中的非静止障碍物进行动态追踪，有效去除非实时目标，从而提高识别的准确率。在此基础上，引入深度学习模型，实现对复杂交通场景下目标的精准识别。为了进一步提升模型在公交站台场景中的适用性，我们对深度学习模型进行了定制化优化，以减少黑盒特性与不确定性，同时引入注意力机制以突出重点区域。最后，通过实时仿真实验验证了所提出方法的有效性。

核心结果:

本论文的核心结果表明，所提出的方法在处理复杂城市场景下的公交站台高风险目标识别问题中具有较高的识别率和稳定性。仿真实验中，与其他方法相比，所提出方法在识别准确率、响应速度及实时性方面均有显著优势。尤其在处理复杂交通状况和遮挡问题时，该方法展现出较强的鲁棒性。同时，该方法在实际公交站台场景中具有较好的通用性和可移植性。

结论与意义:

本研究提出的双支路协同无人公交进出站高风险目标识别方法为解决城市公交场景下的安全问题提供了有效途径。该方法不仅能提高公交车的安全性能，还为无人公交车在更广泛的城市场景中的应用奠定了基础。同时，该方法的研究成果有助于推动无人公交领域的理论发展和技术创新，对提升城市交通智能化水平具有重要意义。