Классификация автомобилей: Классификация автомобилей — это… Что такое Классификация автомобилей?

Содержание

Классификация автомобилей — это… Что такое Классификация автомобилей?

По назначению

Грузовые

  • По грузоподъёмности
    • Особо малой грузоподъёмности — до 1 тонны
    • Малой грузоподъёмности — 1-2 тонны
    • Средней грузоподъёмности — 2-5 тонны
    • Большой грузоподъёмности — свыше 5 тонн
    • Особо большой грузоподъёмности — свыше предела, установленного дорожными габаритами и весовыми ограничениями
  • По виду перевозимого груза
  • По типу кузова

Пассажирские

Автобусы (вместимость свыше 8 человек)
  • По габаритной длине
    • Особо малый (до 5м)
    • Малый (6 м — 7,5м)
    • Средний (8 м — 9,5м)
    • Большой (10,5 м — 12,0м)
    • Особо большой (14,5 м и более)
  • По назначению
    • Городские
    • Внутригородские
    • Пригородные
    • Местного сообщения (для сельских перевозок)
    • Междугородные
    • Туристические.
Легковые (вместимость до 8 человек)
  • По размеру [источник не указан 672 дня]
    • A-класс: малогабаритные городские автомобили. Типичные представители: Smart, Toyota iQ, Ford Ka, Hyundai i10, Renault Twingo, Chevrolet Spark, ЗАЗ, (Запорожец).
    • B-класс: малогабаритные автомобили особо малого класса, большинство из которых имеет кузов хетчбэк (3 или 5 дверей) и передний привод. Типичные представители: Chevrolet Aveo, Opel Corsa, Fiat Punto, Toyota Yaris, Kia Rio, Seat Ibiza, Hyundai Solaris
    • C-класс: средний класс (или Гольф-класс), большинство из которых имеет кузов хетчбэк (3 или 5 дверей). Типичные представители: Toyota Corolla, BMW 1, Renault 19, Toyota Auris, Volkswagen Golf, Seat Leon,Renault Megane, Opel Astra, Audi A3, KIA Ceed, Ford Focus, Chevrolet Cruze, Hyundai Elantra.
    • D-класс: средний класс. Типичные представители: Audi A4, BMW 3, Opel Vectra C, Mercedes-Benz C-класс, Toyota Avensis, Suzuki Kizashi, Mitsubishi Galant, Hyundai Sonata YF, Volkswagen Passat, Ford Mondeo.
    • E-класс: высший средний класс. Типичные представители: Audi A6, BMW 5, Mercedes-Benz E-класс, Toyota Avalon, Hyundai Genesis, Infiniti M, Lexus GS, Ford Scorpio, ГАЗ-31105.
    • F-класс: представительский класс. Типичные представители: Audi A8, BMW 7, Hyundai Equus, Mercedes-Benz S-класс, Jaguar XJ, Lexus LS, ЗИЛ-41047.
  • По типу кузова
  • По рабочему объёму цилиндров двигателя
    • Особо малый — до 1,2л
    • Малый — от 1,2л до 1,8л
    • Средний — от 1,8л до 3,5л
    • Большой — свыше 3,5л
    • Высший — не регламентируется

Грузопассажирские

  • На базе легковых
  • На базе грузовых

Специальные

  • Уборочные автомобили

По степени приспособления к работе в различных дорожных условиях

  • Дорожный (обычной проходимости) — предназначенный для работы по дорогам общей сети
  • Повышенной проходимости — для систематической работы по неблагоустроенным дорогам и в отдельных случаях по бездорожью.
  • Вездеходы

По общему числу колёс и числу ведущих колёс

Условно обозначают формулой, где первая цифра — число колёс автомобиля, а вторая — число ведущих колёс, при этом каждое из сдвоенных ведущих колёс считается за одно колесо.

  • 4х2 — двухосный автомобиль с одной ведущей осью (ГАЗ-53А, ЗИЛ-130)
  • 4х4 — двухосный автомобиль с обеими ведущими осями
  • 6х6 — трёхосный автомобиль со всеми ведущими осями (ЗИЛ-131)
  • 6х4 — трёхосный автомобиль с двумя ведущими осями (КАМАЗ 5320)
  • 2-x осные
  • 3-x осные
  • 4-x осные
  • 6-и осные

По составу

По типу двигателя

  • по способу преобразования тепловой энергии в механическую(внутреннего сгорания, с внешним подводом теплоты)
  • по способу осуществления рабочего цикла (четырёхтактные с наддувом и без наддува, двухтактные с наддувом и без наддува)
  • по способу воспламенения рабочей смеси(С искровым зажиганием, с воспламенением от сжатия, с воспламенением газового топлива от небольшой дозы дизельного топлива воспламеняющегося от сжатия, с форкамерно-факельным зажиганием)
  • По роду используемого топлива(лёгкие жидкие топлива нефтяного происхождения (бензин, керосин), тяжёлые жидкие топлива нефтяного происхождения (мазут, соляровое масло, дизельное топливо), газовое топливо (природный газ, сжиженный газ нефтяного происхождения, биогаз), альтернативные топлива (спирты, водород, органические масла))
  • по конструкции (поршневые тронковые, поршневые крейцкопфные, поршневые траверсные, поршневые барабанные, поршневые бесшатунные, роторно-поршневые, газотурбинные и др. )
  • по способу регулирования в зависимости от нагрузки (с количественным регулированием, с качественным регулированием, со смешанным регулированием)
  • по способу охлаждения (жидкостного и воздушного охлаждения)
  • Электродвигатели
  • Газотурбинные двигатели
  • Силовые агрегаты со свободно-поршневым генератором газа

По принадлежности

  • Гражданские
    • Личный автомобиль
    • Государственный автомобиль
    • Коммерческий автомобиль
  • Военные

По типу шасси

  • Колёсные
  • Гусеничные
  • Смешанное или комбинированное

По параметрам пробега

  • Новые автомобили
  • Автомобили с пробегом

См. также

Ссылки

Примечания

Классификация автомобилей по Размеру ― Автосалон Авто-Максимум Кострома

 

В наше время общепринятой классификацией легковых автомобилей считается, так называемая «европейская классификация», основывающаяся на габаритах транспортного средства.

Данная классификация применяется только к автомобилям в стандартных кузовах – седан, универсал, хэтчбэк, лимузин.

Существует 6 основных классов:

 

 

 

«A» — особо малый (длина до 3,6 м, ширина до 1,6 м) . В него входят малогабаритные автомобили. Комфорт и удобство принесены в жертву компактности и экономичности. Удобен для двух человек и малого количества груза. Представители – Ford Ka, Peugeot 106, Daewoo Matiz.

«B» -малый (длина 3,6-4,2 м, ширина 1,5-1,7 м). Набирающие популярность автомобили, большинство которых имеет кузов хетчбэк (3- или 5- дверный) и передний привод. Водителю и переднему пассажиру в них достаточно комфортно, но задние пассажиры всё ещё испытывают неудобства. Представители — Opel Corsa, Citroen C3, Skoda Fabia, Hyundai Getz, Mercedes-Benz A-klasse (Мерседес-Бенц A-класса), Audi A2, Kia Rio.

«C» — малый средний (длина 4,2-4,4 м, ширина 1,6-1,75м ). Иное название этого самого распространённого класса – гольф-класс, в честь модели Volkswagen Golf являющейся бессменным лидером и типичным представителем данного класса в течение нескольких десятилетий.

Включает в себя очень разные автомобили, как по динамическим и скоростным качествам так и по цене. В авто такого класса могут комфортно разместиться четыре человека или два человека с солидным багажом. Представители — Volvo S40, Ford Focus, Toyota Corolla, Volkswagen Golf, Peugeot 307, Citroen C4, Mazda 3, Mitsubishi Lancer.

«D» — средний (длина 4,4-4,6 м , ширина 1,7-1,8м ). Автомобили данного класса предоставляют равные условия комфорта и удобности. Ходовые качества и удобство – выше среднего. Стандартными кузовами являются универсал или седан. Представители — Audi A4, Opel Vectra, Volkswagen Passat, BMW 3-series (БМВ 3-й серии), Volvo V50, Volvo S60, Ford Mondeo, Toyota Avensis, Nissan Primera, Mazda 6, Subaru Legacy, Rover 75, Renault Laguna, Peugeot 407, Citroen C5, Hyundai Sonata, Honda Accord.

«E» — высший средний (длина 4,6-4,9 м, ширина более1,7 м). Основное предназначение класса – перевозка пассажиров с максимальным комфортом. Производятся в кузове седан и довольно редко в кузове типа хэтчбек. Представители — Mercedes-Benz E-klasse (Мерседес-Бенц E-класса), BMW 5-reihe (БМВ 5-й серии), Audi A6, Volvo V70, Volvo S80, Chrysler 300C, Toyota Camry, Nissan Maxima, Opel Omega, Peugeot 607, Hyundai XG.

«F» — высший (длина более 4,9 м, ширина более1,7 м). Представительский класс. Является наиболее престижным и обеспечивает наибольшее удобство и безопасность. Выполняется исключительно в кузове седан и лимузин. Представители — Cadillac STS, Lexus LS430, Mercedes-Benz S-klasse (Мерседес-Бенц S-класса), BMW 7-reihe (БМВ 7-й серии), Audi A8, Volkswagen Phaeton.

Дополнительная классификация легковых автомобилей

• G1 — класс купе;

• G2 — купе премиум;

• h2 — кабриолеты и родстеры;

• h3 — кабриолеты и родстеры премиум;

• I — универсалы повышенной проходимости;

• K1 — легкие внедорожники;

• K2 — средние внедорожники;

• K3 — тяжелые внедорожники;

• K4 — пикапы;

• L — минивэны;

• M — малые коммерческие (он же – «каблук»).

Дополнительная классификация для внедорожных автомобилей

Премиум-класс – представительские автомобили. Главную роль играет внешний вид и стоимость начиная от 100 000 долларов.

Кроссоверы – автомобили хорошо управляемые как на твёрдом покрытии, так и на грунтовой дороге и слабопересечённой местности. Отличается наличием подключаемого полного привода и независимой подвески всех колёс.

SUV(Sport Utility Vehicle) – внедорожники универсального применения. Как для трасс, так и для серьёзного бездорожья. Обладают полным приводом, независимой передней подвеской и понижающей передачей в раздаточной коробке.

Классические внедорожники – автомобили обладающие отличной проходимостью и прочностью. Обладают несущей рамой, понижающей передачей и неразрезными мостами.

Универсалы повышенной проходимости – отличаются от обычных универсалов увеличенным клиренсом.

Пикапы – отличаются наличием маленького кузова сзади.

Классификация автомобилей — Wikiwand

Эта страница требует существенной переработки. Возможно, её необходимо викифицировать, дополнить или переписать.Пояснение причин и обсуждение — на странице Википедия:К улучшению/25 октября 2019.

Возможно, эта статья содержит оригинальное исследование.Добавьте ссылки на источники, в противном случае она может быть выставлена на удаление.Дополнительные сведения могут быть на странице обсуждения. (19 апреля 2013)

Эта статья должна быть полностью переписана.На странице обсуждения могут быть пояснения. (19 апреля 2013)

Разработано много разных классификаций автомобилей по разнообразным характеристикам. Основными видами являются классификация по назначению, по типу двигателя, по числу колёс, и по степени приспособления к работе в различных дорожных условиях.

По общему числу колёс и числу ведущих колёс

Условно обозначают колёсной формулой, где первая цифра — число колёс автомобиля, а вторая — число ведущих колёс, при этом каждое из сдвоенных ведущих колёс считается за одно колесо.

  • 4х2 — двухосный автомобиль с одной ведущей осью (ЗИЛ-130, ГАЗон NEXT)
  • 4х4 — двухосный автомобиль с обеими ведущими осями (ВАЗ-2121, УАЗ Патриот)
  • 6х4 — трёхосный автомобиль с двумя ведущими осями (КамАЗ-5320, КамАЗ-65117)
  • 6х6 — трёхосный автомобиль со всеми ведущими осями (ЗИЛ-131, Урал NEXT)
  • 8х8 — четырёхосный автомобиль со всеми ведущими осями (КамАЗ-63501, МАЗ-537)
  • 16х16 — восьмиосный автомобиль со всеми ведущими осями (МЗКТ-79221)
  • 18х18 — девятиосный спецавтомобиль со всеми ведущими осями (Liebherr LTM 11200-9. 1)
  • 24х24 — двенадцатиосный спецавтомобиль со всеми ведущими осями (Zoomlion ZACB01)

По числу осей

  • 2-осные
  • 3-осные
  • 4-осные
  • 6-осные

Примечания

В статье не хватает ссылок на источники.Информация должна быть проверяема, иначе она может быть удалена. Вы можете отредактировать статью, добавив ссылки на авторитетные источники. Эта отметка установлена 19 апреля 2013 года.

Классификация автомобилей по классам

Автомобилестроение, как отдельная отрасль промышленности, насчитывает немногим более 100 лет. Изначально были построены заводы, к этому времени разработками, расчетами и конструированием стали заниматься не отдельные умельцы, а инженеры, конструкторы, дизайнеры. В серийное производство автомобили попадали только после соответствующих испытаний на соответствие определенным требованиям. Со временем они продолжаются становиться все выше.

По каким принципам классифицируют автомобили?

Автомобиль давно стал незаменимым помощником человека практически во всех жизненных ситуациях. Автотранспорт оказался настолько универсальным изобретением, что его можно проектировать для исполнения огромного количества потребностей.

Существует определенная классификация автомобилей по классам. Также их подразделяют по разным принципам.

1-й принцип

Первоначально практически все автомобили имели рамную конструкцию. Основу конструкции составляла довольно жесткая рама, на которой укреплялись все узлы и агрегаты, в том числе и кузов. Типичным представителем этого типа является УАЗ-469.

По мере развития автомобилей увеличивалась их мощность и скорость. На высоких скоростях проявился такой недостаток рамной конструкции, как довольно высокий центр тяжести, что приводило к неустойчивости в движении, особенно на поворотах.

Поэтому была создана принципиально иная конструкция – с несущим кузовом. При этом рама отсутствует, кузов выполняется более жестким, а все узлы и агрегаты крепятся непосредственно к кузову. Это позволило резко понизить центр тяжести автомобиля, а, следовательно, существенно повысить его устойчивость. Кроме того, несколько снизился вес автомобиля при тех же технических данных, что позволило несколько повысить топливную экономичность.

2-й принцип

Даже не стоит перечислять все типы кузовов автомобилей. Назовем лишь наиболее распространенные варианты.

Седан (двух или четырехдверный),; в этом случае пассажирский салон с несъемной крышей и отдельный от него багажник для небольших грузов.

Универсал — багажник не отделен от пассажирского салона, что позволяет при необходимости перевозить более габаритные грузы.

Ландо — практически это тот же седан, только с откидной крышей, что позволяет в жаркое время года наслаждаться свежим ветерком при движении.

Пикап — пассажирский салон сведен к минимуму (водитель и пассажир) и увеличенное багажное отделение. То есть это своего рода мини-грузовичок.

3-й принцип

Автомобили классифицируются на:

  • заднеприводные: ведущие колеса только задние, передние только управляемые;
  • переднеприводные: передние колеса и ведущие и управляемые, а задние свободно катятся и поддерживают заднюю часть автомобиля;
  • полноприводные: ведущими являются как передние, так и задние колеса, а передние еще и управляемые.

Лучшим по этой классификации является тот автомобиль, которые вы приобрели и к которому привыкли, так как в разных дорожных условиях они ведут себя по-разному.

4-й принцип

Практически все ныне выпускаемые серийные автомобили оснащаются двигателями внутреннего сгорания. В последние годы с целью улучшения экологии ведутся интенсивные работы по разработке электромобилей, оснащенных электродвигателями и аккумуляторными батареями большой емкости.

Также разрабатываются гибридные автомобили, на которых установлены и электродвигатели с аккумуляторами, и двигатель внутреннего сгорания.

Электромобили пока не имеют широкого распространения, так как нет еще легких, дешевых и обладающих большой емкостью аккумуляторов. Топливный бак из металла или пластмассы с запасом топлива на 350-400 км во много раз дешевле и легче аккумулятора, емкость которого обеспечила бы такой же пробег автомобиля. Кроме того, сети зарядных станций на дорогах еще нет. Что касается гибридных автомобилей, то электродвигателю нужно вести двигатель внутреннего сгорания или наоборот. И все это лишний груз, причем не малый.

5-й принцип

Поскольку автомобили с двигателями внутреннего сгорания остаются в строю и еще долго будут самыми распространенными, остановимся на их классификации более подробно. Различают:

  • бензиновые двигатели: работают на бензине;
  • дизельные двигатели: работают на дизтопливе;
  • двигатели, работающие на газе.

Наиболее экономичными по топливу при одинаковой мощности (имеется в виду в физических единицах – литрах) являются дизельные двигатели. Но они более тяжелые и несколько более шумные. Бензиновые двигатели при тех же технических параметрах уступают дизельным в расходе топлива, но гораздо легче, менее шумные и несколько дешевле.

В последние году стало популярным переводить бензиновые двигатели на газ. Это позволяет существенно снизить затраты на топливо в деньгах, так как газ дешевле бензина. Правда, при этом несколько снижается мощность двигателя. Нужно понести затраты на переоборудование. Кроме того, в мороз запустить двигатель на газе вряд ли удастся. Обычно запускают двигатель на бензине, а после прогрева переводят на газ. Затраты по переоборудованию, правда, достаточно быстро окупаются, да и автомобиль становится более экологичным. В газе нет этила, свинца и иных вредных примесей.

Видео:Классы легковых автомобилей, в зависимости от их габаритов

Всего оценок: 4 Комментариев: 2 Просмотров: 6240

Автор статьи: Владимир Крюков / Дата публикации: 16-08-2020

Поиск запроса «автомобили классифицируются по классам» по информационным материалам и форуму

Что такое классификация автомобилей? | WapCar

[WapCar] Автомобили классифицируются по типу кузова, размеру, назначению и многим другим характеристикам, чтобы классифицировать их и упростить сравнение.

Согласно законодательству о транспортных средствах и сегментам рынка в Малайзии, автомобили WapCar делятся на следующие сегменты: A-сегмент, B-сегмент, C-сегмент, D-сегмент, коммерческий, представительский, Grand Tourer, роскошный, спортивный автомобиль, суперкар. и Грузовик / 4X4.

A-сегмент Автомобили

A-сегмента — это самые маленькие автомобили, которые могут быть зарегистрированы как обычные автомобили.Как правило, у автомобилей A-сегмента колесная база короче 2450 мм, длина кузова короче 4000 мм, а рабочий объем двигателя должен составлять 1,0 л или около того. Этот сегмент также называют «городским автомобилем» или «мини-компактом» из-за их небольшого размера, топливной экономичности и разумной цены.

Типичные автомобили A-сегмента включают: Perodua Bezza, Suzuki Alto, Proton Saga и т. д.

B-сегмент

Автомобили

B-сегмента немного больше по размеру, чем автомобили A-сегмента. Этот сегмент также известен как «малолитражный». Колесная база автомобилей B-сегмента обычно составляет от 2350 мм до 2600 мм, а длина кузова — от 3650 мм до 4450 мм при объеме двигателя 1,0–1,5 л.

Типичные автомобили B-сегмента включают: Honda Jazz/Fit, Ford Fiesta, Volkswagen Polo, Audi A1, Proton Persona, Proton X50 и т. д.

C-сегмент

Автомобили

С-сегмента являются самыми большими в категории «маленькие автомобили». Этот сегмент также известен как «компактный».Колесная база автомобилей С-сегмента составляет от 2 500 мм до 2 750 мм, а длина кузова — от 4 100 мм до 4 700 мм при объеме двигателя 1,0–2,0 л.

Типичные автомобили C-сегмента включают: Proton X70, Mazda CX-5, Mercedes-Benz A-Class, Hyundai Elantra, Honda Civic, Ford Focus, Toyota Corolla Altis, Volkswagen Golf, Audi A3 и т. д.

D-сегмент

Автомобили

D-сегмента в основном относятся к семейным автомобилям среднего размера. Автомобиль D-сегмента обычно имеет колесную базу 2650-2920 мм, длину кузова 4530-5200 мм и рабочий объем двигателя 1.4-3,0 л.

Типичные автомобили D-сегмента включают: Toyota Camry, Ford Modeo/Fusion, Volkswagen Passat, Mazda 6 Sedan, Honda Odyssey, Kia K5 и т. д.

Коммерческий

Коммерческие автомобили — это транспортные средства, предназначенные для коммерческих целей, в основном фургоны или минивэны в узком смысле слова «автомобили». Коммерческие автомобили могут относиться к автобусам, грузовикам и другим крупным транспортным средствам.

Исполнительный

Автомобили представительского класса — это автомобили премиум-класса, более роскошные, чем обычные семейные автомобили, но не такие роскошные, как автомобили сегмента Luxury.Автомобили представительского класса можно разделить на компактные представительские и обычные представительские по размеру кузова. Автомобиль представительского класса обычно имеет колесную базу 2800–3100 мм, длину кузова 4800–5200 мм, а объем двигателя должен быть больше 2,0 л.

Типичные компактные автомобили представительского класса включают: BMW 3 серии, Audi A4, Audi Q5, Mercedes-Benz C-Class, Mercedes-Benz GLC и т. д.

Типичные автомобили представительского класса включают: BMW 5 серии, Audi A6, Toyota Alphard, Mercedez-Benz E-Class, Volvo S90, Jaguar XF, Land Rover Discovery, Maserati Ghibli и т. д..

Гранд Турер

Grand Tourer, сокращенно GT, относится к автомобилю, предназначенному для скоростных поездок на дальние расстояния, который сочетает в себе производительность и роскошь. Большинство автомобилей GT представляют собой 2-дверные купе с передним расположением двигателя и задним приводом на 4 места. Некоторые автомобили GT, особенно 4-дверные, также могут быть классифицированы как автомобили класса люкс.

Типичные модели Grand Tourer включают: Mercedes-Benz AMG GT, BMW M6, Aston Martin Vantage и т. д.

Некоторые 4-дверные седаны также классифицируются как Grand Tourer из-за заявлений производителя и сочетания производительности и роскоши. К таким автомобилям относятся: BMW M3, BMW M5, Mercedes-Benz AMG E-Class, Porsche Taycan и др.

Люкс

Роскошные автомобили в основном полноразмерные, с ценой выше, чем представительский сегмент, и поставляются с историческим брендом. Эти автомобили обычно имеют длину более 5 м и оснащены мощным двигателем.

Типичные автомобили класса люкс включают: BMW 7 серии, Audi A8, Mercedes-Benz S-Class, Bentley Bentayga, Range Rover, Rolls Royce Phantom, Porsche Panamera и т. д.

Спортивный автомобиль

Спортивные автомобили предназначены для тех, кто любит водить машину и заинтересован в производительности.Спорткар может быть либо дорогим (но все же дешевле, чем суперкары), либо относительно разумным по цене. А тип кузова Спорткара может быть как седан, так и купе. Эти автомобили предназначены в основном для удовольствия от вождения и обладают лучшими характеристиками, но обычно менее комфортны, чем обычные автомобили.

Некоторые модели Grand Tourer также могут быть классифицированы как спортивные автомобили.

Типичные спортивные автомобили включают: Toyota 86, Lotus Evora, Jaguar F-Type, BMW Z4, Ford Mustang, Mazda MX-5, Mercedes-Benz AMG GT, Porsche 718 и т. д..

Суперкар

Суперкары даже спортивнее, чем Спорткары. Эти автомобили в основном полностью отказываются от повседневного комфорта, чтобы преследовать производительность. Большинство суперкаров славятся не только своей скоростью, но и своей ценой.

Типичные суперкары включают: Lamborghini Aventador, Porsche 911, Ferrari 488, McLaren 720S, Audi R8 и т. д.

Некоторые суперкары высшего класса также классифицируются как гиперкары в некоторых странах, к таким автомобилям относятся: Porsche 918, McLaren P1, McLaren Senna и т. д..

Грузовик / 4X4

Под сегментом Truck / 4X4 здесь понимаются пикапы или внедорожники, не предназначенные для коммерческого использования. Эти автомобили обычно имеют более высокий дорожный просвет, чем обычные семейные седаны или внедорожники, а некоторые из них оснащены жестким внедорожным или грузовым оборудованием.

Типичные грузовики / автомобили 4X4 включают: Toyota Hilux, Ford Ranger, Land Rover Defender, Ford F Series, Ram 1500 и т. д.Классификацию коммерческих автомобилей см. в разделе Классификация грузовиков .

Классификация автомобилей/классификация транспортных средств

Неточно сформулированный/народный Определено законом или постановлением Примеры Рыночный сегмент (американский английский) Рыночный сегмент (британский английский) Рыночный сегмент (австралийский английский) Размерный класс Агентства по охране окружающей среды США Структурная категория Euro NCAP Класс Euro NCAP (1997 — 2009) Сегмент рынка евро Микрокар Микроавтомобиль, Автомобиль-пузырь Н/Д Н/Д — Квадрицикл Мини-автомобили А-сегмента Bond Bug, Isetta, Mega City, Renault Twizy Малолитражный автомобиль
Автомобиль эконом-класса Городской автомобиль Микрокар Миникомпакт Легковой автомобиль Супермини Citroën C1, Fiat 500, Hyundai Eon, Mitsubishi i-MiEV, Renault Twingo Супермини Легкий автомобиль Малолитражный Малые автомобили сегмента B Форд Фиеста, Киа Рио, Опель Корса, Пежо 208, Фольксваген Поло Компактный автомобиль Маленький семейный автомобиль Маленький автомобиль Компактный Маленький семейный автомобиль Средние автомобили С-сегмента Honda Civic, Mazda3, Peugeot 308, Renault Mégane, Toyota Corolla Автомобиль среднего размера Большой семейный автомобиль Средний автомобиль Средний Большой семейный автомобиль Большие автомобили D-сегмента Шевроле Малибу, Форд Фьюжн, Пежо 508, Субару Наследие, Фольксваген Пассат Роскошный автомобиль начального уровня Компактный представительский автомобиль Средний автомобиль дороже 60 000 долларов США Н/Д Acura ILX, Alfa Romeo Giulia, Audi A4, Lexus ES, Mercedes-Benz C-класса Полноразмерный автомобиль Представительский автомобиль Большая машина Большой Исполнительный Представительские автомобили E-сегмента Chevrolet Impala, Ford Taurus, Mazda Xedos 9, Hyundai Grandeur, Holden Commodore, первое и второе поколение Роскошный автомобиль среднего размера Большой автомобиль дороже 70 000 долларов США Н/Д Audi A6, Cadillac CTS, Chrysler 300, Tesla Model S, Acura TLX Полноразмерный роскошный автомобиль Роскошный автомобиль Верхний большой автомобиль дороже 100 000 долларов Н/Д — Роскошные автомобили F-сегмента BMW 7 серии, Lincoln Town Car, Mercedes-Benz S-Class, Porsche Panamera, Audi A8 Большой турер Большой турер Спортивный автомобиль Н/Д — Спортивные купе S-сегмента Aston Martin DB9, Bentley Continental GT, Ferrari GTC4Lusso, Jaguar XK, Maserati GranTurismo Суперкар Суперкар Н/Д — Bugatti Veyron, LaFerrari, Lamborghini Aventador, Pagani Zonda, Porsche 918 Spyder Кабриолет Кабриолет Н/Д — БМВ 6 серии, Шевроле Камаро, Мерседес КЛК, Вольво С70, Фольксваген Эос Родстер Родстер Двухместный Спортивный родстер BMW Z4, Lotus Elise, Mazda MX-5, Porsche Boxster, Mercedes-Benz SLK — Минивэн Н/Д Минивэн Универсальный автомобиль Малый минивэн Многоцелевые автомобили М-сегмента Ситроен С3 Пикассо, Форд Б-Макс, Опель Мерива, Фиат 500л Минивэн Компактвэн Перевозчик людей Шевроле Орландо, Форд С-Макс, Опель Зафира, Рено Сценик, Фольксваген Туран Минивэн Большой минивэн Большой минивэн Chrysler Town and Country, Kia Carnival, Citroën C4 Grand Picasso, Renault Espace, Toyota Sienna Грузовой фургон Фургон Фургон Грузовой фургон — Chevrolet Express 1500 Cargo, Fiat Ducato/Ram ProMaster, Ford Transit, Renault Master, Volkswagen Transporter Пассажирский фургон Микроавтобус Перевозчик людей Пассажирский фургон — Пассажирский автомобиль Chevrolet Express 1500, Ford E350 Wagon, Mercedes-Benz Viano Мини внедорожник Мини 4×4 Маленький внедорожник Малый внедорожник Внедорожник Малый внедорожник 4×4 Спортивные внедорожники J-сегмента (включая внедорожники) Daihatsu Terios, Ford Ecosport, Jeep Renegade, Peugeot 2008, Suzuki Jimny Компактный внедорожник Компактный внедорожник Средний внедорожник Alfa Romeo Stelvio, Chevrolet Equinox, Ford Escape, Honda CR-V, Jeep Cherokee, Kia Sportage Среднеразмерный внедорожник Большой 4×4 Большой внедорожник Стандартный внедорожник Большой внедорожник 4×4 Ford Expedition, Hyundai Santa Fe, Jeep Grand Cherokee, Volkswagen Touareg, Volvo XC90 Полноразмерный внедорожник Верхний большой внедорожник Рендж Ровер, Кадиллак Эскалейд, Тойота Ленд Крузер Мини-пикап Пикап Уте Маленький пикап Пикап Пикап — Chevrolet Montana, Fiat Strada, Renault Duster Oroch, Volkswagen Saveiro Пикап среднего размера Рейнджер Форд, Шевроле Колорадо, Мицубиси Тритон/Л200, Ниссан Навара, Тойота Хайлюкс Полноразмерный пикап Пикап Стандартный пикап Dodge Ram, Ford F-150, GMC Sierra, Nissan Titan, Toyota Tundra Тяжелый пикап Chevrolet Silverado HD, Ram Heavy Duty, Ford Super Duty Автомобиль специального назначения — Лимузин Автомобиль специального назначения — — — Ливрея Lincoln MKT

Обзор классификации транспортных средств и потенциального использования интеллектуальных методов помощи транспортным средствам

Резюме

Классификация транспортных средств (VC) представляет собой базовый подход в интеллектуальной транспортной системе и широко используется в различных приложениях, таких как мониторинг транспортных потоков, автоматизированные парковочные системы и обеспечение безопасности. Существующие методы ВК, как правило, носят локальный характер и могут классифицировать транспортные средства, если целевое транспортное средство проходит через фиксированные датчики, проходит через зону наблюдения ближнего действия или гибрид этих методов. Использование глобальной системы позиционирования (GPS) может предоставить надежную глобальную информацию о кинематических характеристиках; однако в методах отсутствует информация о физических параметрах транспортных средств. Кроме того, в доступных исследованиях смартфоны или портативные устройства GPS используются в качестве источника кинематических характеристик эвакуационного транспортного средства, которые не являются надежными для отслеживания и классификации транспортных средств в режиме реального времени.Чтобы справиться с ограничениями доступных методов VC, исследуются потенциальные глобальные методы определения физических и кинематических характеристик в режимах реального времени. Транспортные специальные сети (VANET) — это сети интеллектуальных взаимосвязанных транспортных средств, которые могут предоставлять параметры трафика, такие как тип, скорость, направление и положение каждого транспортного средства в режиме реального времени. В этом исследовании VANET представлены для VC, а их возможности, которые можно использовать для вышеуказанной цели, представлены из доступной литературы.Насколько известно авторам, это первое исследование, в котором вводятся VANET для целей VC. Наконец, проводится сравнение, которое показывает, что VANET превосходят традиционные методы.

Ключевые слова: классификация транспортных средств, специальные автомобильные сети, вес в движении, глобальная система позиционирования, обнаружение света и дальность, ультразвук, радар, видеоизображения

1. Введение

параметры транспортных средств в их движущемся состоянии определяются термином классификации транспортных средств (VC).VC — это модуль, используемый для классификации транспортных средств по нескольким различным классам. В литературе имеются различные определения VC. представляет краткое изложение существующих определений для дальнейшего разъяснения явления. VC является фундаментальной частью интеллектуальных транспортных систем и широко используется в различных приложениях, таких как мониторинг транспортных потоков [1,2], автоматизированные системы парковки [3,4], обеспечение безопасности [5] и даже мониторинг состояния конструкций [6]. ,7,8,9,10]. В этих методах транспортные средства могут быть обнаружены путем прохождения через фиксированные датчики [11,12], прохождения через зоны мониторинга [13,14], глобального охвата [15,16] или гибрида этих методов [12,17].С помощью датчиков и детекторов можно извлечь широкий спектр информации, которая может включать количество транспортных средств, форму, т. е. высоту, ширину и длину [14, 18], скорость [19, 20], нагрузку на ось и расстояние между ними [21, 22]. , ускорение/замедление [23], марка и модель [24,25,26] и номерной знак [27,28].

Таблица 1

Краткое изложение существующих определений феномена классификации транспортных средств (VC).

Определение Ссылка
«Классификация транспортных средств — это процесс разделения транспортных средств по различным заранее определенным классам». [29,30]
«Классификация транспортных средств предназначена для классификации всех обнаруженных транспортных средств по их конкретным подклассам». [31]
«Классификация транспортных средств используется для классификации транспортных средств по категориям с целью предоставления информации о типах транспортных средств, которые проходят через зону мониторинга». [11]
«Классификация транспортных средств заключается в распределении обнаруженных транспортных средств по соответствующим типам». [32]
«Классификация транспортных средств — один из многих способов идентификации транспортного средства». [33]
«Классификация транспортных средств является важной частью интеллектуальных транспортных систем, позволяя собирать ценную информацию для различных приложений, таких как дорожное наблюдение и системное планирование». [34]
«Классификация транспортных средств осуществляется путем оценки размера или формы проезжающего транспортного средства». [35]
«Классификация транспортных средств — это классификация транспортных средств в одну из нескольких отдельных групп». [36]

Ручной подсчет — самый простой метод VC. Однако эти методы требуют много времени и подвержены ошибкам. Методы на основе машинного зрения являются наиболее широко изученными и используемыми подходами для мониторинга VC и трафика. Методы на основе зрения извлекают визуальные атрибуты, такие как цвет, линии и текстурные узоры, в качестве особенностей видео для обнаружения и отслеживания транспортных средств [37]. VC на основе Vision включает в себя несколько шагов, таких как сегментация изображения, извлечение признаков, обучение и распознавание образов.Основная цель сегментации изображения состоит в том, чтобы выделить интересующий объект из фона на основе некоторых полезных признаков, таких как цвет пикселя [38, 39], края, полученные из градиентов изображения [40], и интенсивность пикселя (уровень серого) [41]. ,42]. Данные обучения используются для этапов распознавания образов и классификации. Особую осторожность следует проявлять при использовании методов, основанных на зрении, чтобы уважать конфиденциальность и анонимность вовлеченных лиц [23]. Всесторонний обзор методов, основанных на зрении, был проведен Wang et al.[43].

Пневматические трубчатые детекторы для VC были впервые использованы в 1920 году и используются сегодня для краткосрочного сбора данных о транспортных средствах [44]. Пневматическая трубка может определять количество осей и расстояние между осями в движущемся транспортном средстве. Этот метод не подходит для высокоскоростных дорог с высокой интенсивностью движения. Детектор с магнитной петлей — это технология, которая использовалась для VC в последние десятилетия. Магнитную петлю можно использовать для VC, определяя длину транспортного средства [45,46]. Скорость транспортного средства может быть измерена напрямую с помощью двухконтурных детекторов [47,48].Детекторы мысленных циклов относительно недороги и выполняют автоматическую классификацию, но они плохо справляются с высокой загруженностью [23]. Пьезоэлектрические датчики используются для определения веса транспортного средства и конфигурации оси [19,49]. Пьезоэлектрические детекторы используются отдельно или в сочетании с системами Weight-In-Motion (WIM). Однако недостатком пьезоэлектрических датчиков является их чувствительность к скорости автомобиля и температуре дорожного покрытия. Радарные датчики являются популярным инструментом для получения классификации по размерам транспортного средства (длина, размер, высота и т. д.).) [50,51]. Хотя радарные датчики менее чувствительны к изменениям окружающей среды по сравнению с другими методами, они не подходят для плотных транспортных заторов [23]. Инфракрасные датчики измеряют отраженный инфракрасный свет каждым транспортным средством и сравнивают данные с базой данных, чтобы найти наиболее подходящий профиль [52,53,54]. Инфракрасные датчики чувствительны к факторам окружающей среды. Акустические датчики используют независимые от скорости акустические сигнатуры для определения классов транспортных средств [55].

WIM является важным источником для сбора данных о дорожном движении и классификации транспортных средств.Архитектура WIM состоит из двух частей: моделирования и оценки. Система WIM [56] была разработана для измерения данных о весе транспортных средств. WIM — это система, оснащенная различными датчиками, цифровыми камерами и компьютерами, которая устанавливается на конструкцию моста. WIM измеряет динамическую нагрузку на оси движущихся транспортных средств для получения данных о весе транспортного средства. Несколько методов обнаружения используются в WIM для точной классификации транспортных средств [57,58]. Однако WIM представляет собой стационарное устройство для измерения веса и измеряет вес оси только тогда, когда ее колеса проходят над датчиками.С другой стороны, система WIM дорога и непригодна для местных дорог.

Показано, что методы, основанные на датчиках фиксированного положения, могут предоставлять ценную информацию в сочетании с другими методами [59,60]. Методы, основанные на зрении, могут предоставить информацию о марке и марке транспортного средства, которую можно использовать для извлечения другой информации, такой как полная масса и свойства оси [61,62]. Помимо состояния мобильности транспортных средств, ускорение скорости и направление также могут быть получены в пределах зоны покрытия камеры [59,63].В исследованиях утверждается, что использование системы позиционирования на основе GPS является наиболее надежным способом извлечения информации о местоположении и движении; однако в методах отсутствует информация о физических параметрах транспортных средств. Кроме того, в доступных исследованиях смартфоны или портативные устройства GPS используются в качестве источника кинематических характеристик эвакуационного транспортного средства, которые не являются надежными для отслеживания и классификации транспортных средств в режиме реального времени. В целом можно сделать вывод, что доступные методы не являются надежным выбором для реального времени и глобального VC.Таким образом, исследование новой тенденции использования облачных или автомобильных сетей в качестве альтернативы традиционным приложениям VC является открытой областью исследований.

В последние десятилетия автономное вождение привлекло огромное внимание как научных кругов, так и промышленности, и были приложены огромные усилия для разработки транспортных средств, способных самостоятельно перемещаться по городским улицам [64,65,66,67,68]. В настоящее время автономные и автопилотируемые транспортные средства быстро перемещаются по дорогам, и ожидается, что они произведут беспрецедентную революцию в транспортной системе.Беспилотный автомобиль Google был первым автономным автомобилем, управляемым в городских условиях [69]. Концепция Daimler Smart EQ — еще один пример полностью автоматизированного автомобиля, в котором водитель больше не нужен [70]. Tesla Motors разработала полуавтономное транспортное средство, называемое автопилотом Tesla, с использованием искусственного интеллекта и аппаратных технологий с обновлениями вождения в реальном времени [71]. Такие автомобили оснащены датчиками, радарами, камерами и спутниковыми каналами для сбора, хранения и анализа огромного количества данных о дорожном движении [69].В этой статье термин «умное транспортное средство» используется для обозначения общего описания транспортного средства, от которого данные об окружающей среде автоматически собираются с помощью сенсорных устройств, а затем сохраняются в централизованном бортовом аппаратном блоке для дальнейшей обработки. В эту группу попадают все автономные или автопилотные транспортные средства.

«Умные» автомобили — это развивающееся приложение автомобильных технологий, способное воспринимать и контролировать свое окружение и мобилизовывать услуги по требованию. По данным Национальной администрации безопасности дорожного движения США (NHTSA), интеллектуальные транспортные средства можно разделить на пять стадий автономии, которые варьируются от отсутствия автоматизации (уровень 0) до полной автоматизации (уровень 5) [72].Пять этапов автономности интеллектуальных транспортных средств с указанием состояния автомобиля и роли водителя, а также с примерами для каждого этапа представлены в . Умные автомобили оснащены различными датчиками, такими как датчики обнаружения света и определения дальности (LiDAR), радар, камеры, тепловизионные камеры, ультразвуковые датчики, GPS-приемники и инерциальные измерительные блоки (IMU), которые генерируют большие объемы данных каждую секунду [73,74]. ].

Таблица 2

Пять стадий автономности умных автомобилей.

Автоматизированный водитель
Уровень Уровень автономии Роль человека-водителя Пример
0
Нет. Датчики могут подавать сигналы тревоги.
1 Помощь водителю Водитель управляет автомобилем, но доступны некоторые функции помощи водителю. Адаптивный круиз-контроль, помощь при парковке и поддержании полосы движения.
2 Частичная автоматизация Водитель должен оставаться задействованным для любого вмешательства по уведомлению. Контакт между руками водителя и рулем необходим. Адаптивный круиз-контроль с возможностью смены полосы движения.
3 Условная автоматизация Требуется водитель, автономная система доступна для периодического полного управления, такого как экстренное торможение, но водитель должен быть готов взять на себя управление. Пробка пилот.
4 Высокий уровень автоматизации Управление водителем не требуется. Это для определенных областей и обстоятельств, таких как пробки. Управление водителем не является обязательным. Автономное вождение в некоторых районах города.
5 Полная автоматизация Автомобиль может выполнять все функции в любых условиях. Ведущее колесо опционально.

Наличие смарт-фонда и общих инструментов для сбора и передачи данных, а также доступ к анонимной и сохраняющей конфиденциальность схеме обмена информацией и данными обеспечили уникальное сочетание свойств, делая умные автомобили привлекательным выбором для многих высокотехнологичных приложений.Венчурный капитал может извлечь выгоду из этих технологий в значительно большей степени.

Можно утверждать, что внедрение интеллектуальных технологий в проектирование и производство новых транспортных средств мотивировало разработку и внедрение интеллектуальных систем для идентификации и классификации транспортных средств. Существующие подходы ВК, за исключением методов на основе GPS, как правило, носят локальный характер и могут классифицировать транспортные средства, если целевое транспортное средство проходит через фиксированные датчики, проходит через зону мониторинга ближнего действия или гибрид этих методов.Сбор информации о трафике в режиме реального времени, а также предоставление глобального доступа к данным датчиков — два важнейших требования к надежному методу VC.

Параметры, представляющие интерес для методов VC, обычно включают количество, форму, т. е. высоту, ширину и длину, скорость, нагрузку на ось и расстояние между ними, ускорение/замедление. Настоящая статья предназначена для изучения доступной литературы по методам VC, чтобы обеспечить обзор темы. Было проведено исследование для изучения потенциальных методов, которые могли бы обнаруживать, идентифицировать и классифицировать транспортные средства в глобальном масштабе и в режиме реального времени.Выбранные методы были включены в краткий список, и наиболее подходящий из них был выбран для технико-экономического обоснования. Идея «умных транспортных средств» относится к транспортным средствам, которые частично или полностью управляются компьютерами, использующими преимущества различных сенсорных платформ и камер для сбора, хранения и обмена огромным объемом данных.

Автомобильные специализированные сети (VANET) являются новой частью интеллектуальной транспортной системы, которая в последнее десятилетие вызвала большой интерес во всем мире [75].VANET представляют собой сеть интеллектуальных взаимосвязанных транспортных средств и состоят из бортового устройства (OBU) и стационарной точки доступа, называемых придорожными устройствами (RSU) [76]. OBU — это устройство, устанавливаемое на каждое транспортное средство, которое в основном включает в себя память, блок обработки данных, GPS-приемник и антенну для подключения к Интернету ближнего действия [77]. OBU обеспечивает связь между транспортными средствами (V2V) или между транспортными средствами и инфраструктурой RSU (V2I) [78]. Все транзакционные данные во время поездки записываются в аппаратный модуль, называемый регистратором данных о событиях (EDR), который представляет собой форму черного ящика внутри транспортного средства [79].Каждое транспортное средство посылает периодические данные соседним транспортным средствам [80]. Сохранение конфиденциальности и обеспечение безопасности передаваемых данных являются наиболее важными проблемами при соответствующем применении сетевых систем [81]. В результате между доверенными объектами сети используется механизм безопасного анонимного распределения ключей. Каждое распространяемое сообщение содержит содержимое, подпись и сертификат. Сертификат полученного сообщения проверяется, и открытый ключ используется для расшифровки сертификата и личности отправителя [82].

Для описания явления ВК используются разные определения (см. ). В то время как некоторые исследователи считают, что методы VC предполагают систему мониторинга/подсчета и не могут получать точную информацию непосредственно от каждого транспортного средства [35], другие принимают все методы, которые могут классифицировать транспортные средства по их соответствующим типам в соответствии с термином VC [29,30]. Исследователи из первой группы, которые считают, что VC не может получать точные данные о транспортном средстве, считают, что системы связи, такие как VANET, не следует рассматривать как особый метод для VC, в то время как другие имеют менее жесткое определение этого явления и рассматривают возможность использования мобильных сетей, таких как VANET как особый класс методов VC.Для одновременного соблюдения обоих этих критериев методы, использующие точную информацию о транспортном средстве, также включены для потенциальных будущих применений.

VANET были способны предоставлять глобальную информацию о транспортных средствах в режиме реального времени. Предоставленной информацией могут быть параметры мобильности, а также физические параметры транспортного средства. Результаты технико-экономического обоснования показывают, что в системе VANET информация о мобильности, например, положение, полоса движения, скорость, ускорение и замедление, а также параметры физических характеристик транспортных средств, т.е.g., вес, высота и длина — используются для самых разных приложений, таких как управление парковкой, управление дорожным движением, безопасность и предотвращение несчастных случаев. показывает сводку обзоров литературы по VC.

Таблица 3

Обзор литературы по VC.

Эталонные Detection Medium
Зрение GPS Sound Магнитный Контакт Hybrid Вибрация Смарт Автомобиль
Шукла и Saini [83]
Yousaf et al.[84]
Jain et al. [85]
Daigavane et al. [86]
Buch et al. [63]
Абдулрахим и Салам [87]
Chandran и Raman [88]
и другие.[89]
Atiq et al.
Chandran и Raman [88]
Нар А Nagmode [92]
MismanИ awang [95]
Ahmed et al.[96]

Представленный обзор доступной литературы по VC показывает, что большая часть исследований на сегодняшний день в основном сосредоточена на методах, основанных на зрении. В этих обзорных документах не предпринималось никаких конкретных попыток рассмотреть потенциальное влияние интеллектуальных технологий в автомобильных сетях и средствах связи для повышения эффективности и действенности систем VC.Тем не менее, есть только один обзорный документ, в котором обсуждаются другие функции, помимо тех, которые используются для фиксации закономерностей сцены, и в нем основное внимание уделяется традиционным методам VC. В некоторых обзорных документах обсуждались VC с помощью транспортных средств, но они упоминали такие инструменты, как мобильные сенсорные устройства, такие как GPS-приемники и смартфоны, в расплывчатых выражениях. Кроме того, в этих обзорах обсуждались ограниченные аспекты каждого метода, а современные технологии автомобильного зондирования и связи игнорировались.В статье Jain et al. [85] изучали различные схемы мониторинга трафика. Были оценены уязвимости этих методов и обсуждено потенциальное неправомерное использование информации. В другом исследовании Боркар и Малик [97] рассмотрели применение акустических сигналов для оценки скорости, плотности и классификации транспортных средств. Исследование было сосредоточено только на интеллектуальных методах с использованием эффективных смартфонов, камер, дронов и роботизированных датчиков. В других исследованиях, таких как Shukla и Saini [83], Yousaf et al.[84] и Daigavane et al. [86], методы, основанные на зрении, были в центре внимания исследования.

В течение почти двух лет ряд университетских ученых и отраслевых партнеров работали над проектом по разработке «автономных электромобилей для перевозки товаров и грузов». В ходе работы авторы столкнулись с различными проблемами, связанными с поиском надежного метода извлечения параметров информации о мобильности, например, положения, полосы движения, скорости и ускорения/замедления, а также физических характеристик, т.е.g., вес, высота и длина — движущихся транспортных средств в режиме реального времени и в глобальном масштабе, как указано в этой рукописи. Однако по мере расширения исследования стало понятно, что не существует ни одного обзорного исследования, которое обеспечивало бы ту же широту и глубину знаний, которые мы привыкли ожидать для решения вышеупомянутых задач. В результате была проведена поэтапная процедура оценки эффективности существующих методов, используемых при характеристике, идентификации и классификации транспортных средств в условиях их нормальной эксплуатации, с одной стороны, и исследования новых потенциальных вариантов, которые могли бы обеспечить решения. с другой стороны, для классификации дорожных транспортных средств.Выводы показали, что доступные методы классификации транспортных средств не могут предоставить глобальные данные о физическом состоянии и подвижности в режиме реального времени для дорожных транспортных средств в их нормальном рабочем состоянии. Настоящий обзор охватывает литературу по этой теме и проливает свет на потенциальные инновационные идеи по оптимизации и повышению качества и надежности извлеченных данных о транспортных средствах. Насколько известно авторам, это первое исследование, которое предоставило эти знания в том виде, в котором мы их представили.Авторы твердо убеждены, что классификация транспортных средств дорожных систем в режиме реального времени с использованием облачных или автомобильных сетей станет новым направлением и открытой областью исследований для будущих исследований в качестве альтернативы нынешним традиционным подходам к классификации транспортных средств.

В следующих разделах обсуждаются традиционные методы VC. После этого исследуется возможность использования VANET для приложений VC. На следующем этапе в этом документе составляется дорожная карта, направленная на то, чтобы наметить, как это видение может быть разработано в качестве будущей работы, и, наконец, в разделе 5 дается заключение.

2. Традиционные методы классификации транспортных средств

Методы VC можно разделить в зависимости от среды обработки на три основные группы: интрузивные, неинтрузивные и внедорожные. В некоторых из доступных исследований используется комбинация вышеупомянутых методов, которая относится к категории множественного обнаружения. Группы и подгруппы каждого класса представлены в .

Неинтрузивные датчики обычно располагаются рядом с интересующей дорогой или над ней, а в некоторых случаях один датчик может использоваться для нескольких полос движения.Установка и обслуживание неинтрузивных датчиков проще, чем интрузивных датчиков, а качество дорожного покрытия не влияет на данные мониторинга [98]. Интрузивные датчики обычно устанавливаются в ямах на поверхности дороги, прокладывая туннели под дорожным покрытием или закрепляя их на поверхности дороги [99]. Как интрузивные, так и неинтрузивные датчики чувствительны к неблагоприятным условиям окружающей среды, их реализация требует больших капитальных затрат и требует дорогостоящего обслуживания [100]. Внедорожные датчики — это мобильные датчики, которые можно использовать с самолетов или спутников, или в транспортных средствах, оснащенных приемниками GPS [101].Более подробная информация о классификации датчиков будет приведена ниже.

2.1. Методы на основе зрения

Методы на основе зрения широко изучаются для VC, и наибольшее количество исследований фиксированного местоположения VC относится к обнаружению видеоизображения. Камеры, используемые для сбора данных, могут быть системами видео наблюдения, всенаправленными камерами [102], аэрофотоснимками [103, 104], системами видеонаблюдения (CCTV) [105, 106] или обычными камерами [107, 108]. Эти методы обычно используют методы обработки изображений для обнаружения, отслеживания и классификации транспортных средств.Обработка и классификация транспортных средств с использованием обнаружения видеоизображения включает в себя несколько этапов, которые обычно включают предварительную обработку, выделение и выбор признаков, а также классификацию. Предварительная обработка — это этап повышения качества изображений. Сегментация изображения, удаление теней и обработка окклюзии являются наиболее адаптированными методами для обнаружения видеоизображения.

Сегментация изображения — один из основных методов обработки изображений. Веласкес-Пупо и др. [14] представили высокопроизводительную систему машинного зрения с одной статической камерой.В этом подходе движущиеся объекты сначала сегментируются с помощью модели смеси Гаусса (GMM), а после выделения признаков отслеживание выполняется с помощью фильтра Калмана. Предлагаемая система может работать в режиме реального времени с F-мерой до 98,190% и F-мерой до 99,051% для автомобилей среднего размера. Чен и др. [109] использовали рекурсивно обновляемый GMM для сегментации. Многомерное преобразование сглаживания используется для улучшения производительности сегментации. Для классификации модели используется машина опорных векторов с ядром (SVM).Сингх и др. [110] представили веб-систему управления трафиком в режиме онлайн с использованием методов сегментации, анализа больших двоичных объектов и методов Motion History Image (MHI) на этапе обработки. Предлагаемая система отслеживает предполагаемую плотность транспортных средств в разных местах в разное время, чтобы помочь в выборе подходящего пути. Абиная и др. [111] предложил метод повышения производительности видеоконференцсвязи с использованием одной стандартной камеры. Надежная видеосистема для обнаружения, отслеживания, классификации и подсчета транспортных средств с использованием сегментации водосборных бассейнов, контролируемой маркерами, фильтра Габора и метода опорных векторов (SVM).Экспериментальные результаты показали значительно улучшенную производительность сегментации водосбора в отношении обнаружения транспортных средств. Одеберт и др. [103] представили основанный на глубоком обучении метод «сегмент перед обнаружением» для обработки больших данных VC, полученных в результате дистанционного зондирования. Была обучена глубокая, полностью сверточная сеть, и изученные семантические карты использовались для сегментации. Сверточная нейронная сеть (CNN) была обучена для VC. Чжан и др. [112] описал процесс улучшения изображения с использованием пороговой сегментации и устранения шума.Функции извлекаются с использованием извлечения Габора, затем для классификации используется SVM.

Удаление теней — это этап обработки изображения, направленный на повышение качества видео или изображения для компьютерных систем. Джехад и др. [113] разработали метод быстрого обнаружения и подсчета транспортных средств с использованием видеокамеры. Представлена ​​система извлечения данных о дорожном движении с помощью обработки видеоизображения с помощью вычитания фона, удаления теней и анализа пикселей. Результаты показывают, что алгоритм способен подсчитать 95% транспортных средств, даже в случае некоторой тряски в видеопотоке.Асаиди и др. [114] представили два подхода к совершенствованию автоматических систем наблюдения за дорожным движением. Предлагается контрастная модель для удаления динамических теней. Показано, что предлагаемый подход превосходит другие методы с точностью классификации 96,96 % и коэффициентом устранения теней 95–99 %. Ян и др. [115] предложили систему для оценки транспортного потока при разном внешнем освещении и отбрасываемых тенях. Предлагается система мониторинга трафика для улучшения качества изображения с использованием выделения переднего плана, распознавания теней и инвариантов цвета и краев.Ю и др. [116] предложил метод, основанный на длине, для классификации движущихся транспортных средств в режиме реального времени в видеорядах с многополосным движением. Алгоритмы вычитания фона, удаления теней на основе краев, алгоритмы пороговой сегментации сопровождаются горизонтальной проекцией для классификации транспортных средств. Экспериментальные результаты показывают, что точность классификации больших и малых транспортных средств составляет 97,1% и 96,7% соответственно. Мехер и др. [117] предложили метод повышения качества VC на основе зрения путем обнаружения и удаления движущихся теней.Возможности и превосходство метода сравнивались с существующими методами.

Обработка окклюзии — это этап обработки изображения для отслеживания транспортного средства, когда оно находится в частично закрытом положении. Мутакки и др. [118] представили подход, использующий отслеживание обработки окклюзии и классификацию SVM одного класса (OC-SVM). Веласкес-Пупо и др. [14] использовали систему видеонаблюдения в режиме реального времени для классификации и подсчета транспортных средств с использованием модели кодовой книги и обработки окклюзии.Гистограммы ориентированного градиента, за которыми следует SVM, используются для классификации транспортных средств по их типу.

На этапе извлечения признаков выбираются подходящие признаки для классификации транспортных средств. Особенности текстур и функции формы, в том числе масштабно-инвариантное преобразование признаков (SIFT) [119,120], ориентированное быстрое и вращающееся краткое описание (ORB) [121,122], ускоренные надежные функции (SURF) [123,124] и распознавание марки и модели автомобиля ( VMMR) [25,125], являются одними из наиболее распространенных функций, используемых для VC.Особенности текстуры используются для преодоления недостатков функций цвета и интенсивности. Джаядурга и др. [126] улучшили производительность классификаторов транспортных средств на сильно текстурированном фоне. Извлечение признаков гибридной текстуры, включая статистические и спектральные признаки текстуры, используется без предварительной обработки для классификации. Была достигнута точность классификации 90,1%, и результат сравнивался с различными методами из аналогичных работ в литературе. Чен и др. [105] применили рекурсивно обновленный алгоритм GMM для идентификации транспортных средств на основе их типа и цвета с использованием особенностей текстуры.Многомерное преобразование сглаживания используется для улучшения производительности сегментации. Хорошие показатели узнаваемости были достигнуты для прагматичных венчурных капиталистов. Неинвазивные функции SIFT обычно используются для обнаружения ключевых точек. Используемые характеристики в SIFT инвариантны к освещению, увеличению, перемещению и вращению изображений. Ханаа и др. [127] предложили SIFT и алгоритм консенсуса случайных выборок (RANSAC) для классификации дорожных транспортных средств и улучшения характеристик и подсчета. Амбардекар и др.[128] реализовали подход созвездия, используя плотное представление функций SIFT для надежного VC с высокой изменчивостью между классами с использованием видеонаблюдения. Рассматривались три класса: седаны, фургоны и такси. ORB — это дескриптор, который работает быстрее, чем SURF и SIFT, и на него меньше влияет шум изображения. Сонг и др. [129] предложили структуру кластеризации траекторий для анализа транспортных средств с использованием алгоритма ORB. Используется метод сопоставления, основанный на расстоянии Хэмминга. Наконец, для классификации транспортных средств предлагается метод кластеризации.Точность предлагаемого метода может достигать 95%. Кроме того, можно оценить тип транспортного средства для реализации VC. VMMR — это сложное приложение на основе машинного зрения, основанное на распознавании номерных знаков. Биглари и др. [28] предложили каскадную модель на основе частей для VMMR. Эта система использует линейную машину опорных векторов (LSVM) для извлечения признаков. Каскадная схема используется для ускорения обработки на основе достоверности и частоты. Предлагаемый подход достиг средней точности 97,01% на сложном наборе данных и средней точности 95.55% в наборе данных CompCars. Сиддики и др. [12] предложили и оценили неисследованные подходы к автоматизированному VMMR в реальном времени. Изображения транспортных средств спереди или сзади встраиваются в гистограммы на основе SURF (BOSURF), которые используются для обучения многоклассовых SVM для классификации. Результаты экспериментов доказывают превосходство предложенной работы как по скорости обработки, так и по точности.

VC — последний этап идентификации классов автомобилей. Методы опорных векторов (SVM) и нейронных сетей (NN) широко используются для классификации извлеченных признаков.В разделе представлены некоторые из наиболее распространенных методов мягких вычислений, используемых для распознавания образов, классификации, обучения или прогнозирования в VC.

Таблица 4

Некоторые из наиболее распространенных методов программных вычислений, используемых для распознавания образов, классификации, обучения или прогнозирования в GPS, видеоизображении, аэрофотоснимках, радаре, классификации транспортных средств на основе магнитных датчиков.

Тип алгоритмов Цель Цель Детали алгоритмов
Neural Networks Классификация, обучение, распознавание шаблон рецидивирующие нейронные сети [16], сверточные нейронные сети (CNN) [31,103 ], рекуррентные сверточные нейронные сети (R-CNN), глубокие нейронные сети [103], нейронная сеть с обратным распространением (BPN) [126,130], клеточная нейронная сеть с мягким радиальным базисом [131], случайные нейронные сети (RNN) [132] , быстрая нейронная сеть (FNN) [133], многослойная нейронная сеть персептрона [134], нейронная сеть радиальной базисной функции (RBF) [135], нейронные сети обратного распространения [126].
Адаптивная смешанная модель Гаусса (GMM) Сегментация Модель смеси Гаусса [136,137], рекурсивно обновленная GMM [105].
Метод опорных векторов (SVM) Многоклассовый SVM [138], SVM [118,139], линейный метод опорных векторов (LSVM) [28,112,140], нечеткий SVM [109], мультиклассовый SVM [12], multi SVM [141], C-SVM [142], SVM на основе ядра [109], двоичный SVM [143], индивидуальный SVM (ISVM) [144].

Существуют некоторые другие классификаторы и обучающие машины, которые также используются для VC, такие как дерево леса [145], ближайший сосед [146,147,148], обучение дерева решений [149], машинный классификатор экстремального обучения [55], генетическая нечеткость классификатор, [150] классификатор основных компонентов ядра [151] и нелинейный классификатор ядра на основе гистограммы [38].В случаях, когда для обнаружения и классификации транспортных средств используется несколько датчиков, данные объединяются. Байесовские сети [105, 152, 153] являются распространенным методом объединения входных данных.

2.2. Методы дистанционного зондирования

Методы дистанционного зондирования относятся к наиболее быстро растущим тенденциям в ВК из-за глобального характера информации, представляемой этими методами. Радар широко используется для обнаружения движущихся объектов на земле, например, при мониторинге дорожного движения и ВК. Азиз и др.[154] практиковали пассивные радиолокационные системы прямого рассеяния для VC. Доплеровская сигнатура фиксируется, когда транспортное средство проходит через область рассеяния. Транспортные средства разделены на основе размерных категорий. Ли и др. [155] предложили радиолокационную систему с частотно-модулированной непрерывной волной (FMCW) для извлечения трех характерных характеристик сигнала из поперечных сечений транспортных средств. SVM использовался для классификации извлеченных признаков. По результатам полевых измерений была достигнута точность выше 90%.Абдулла и др. [50] исследовали автоматическую целевую классификацию (ATC) для извлечения признаков. Комбинация Z-показателя и NN адаптирована для классификации извлеченных признаков. Полученные результаты показывают, что повышенная производительность была достигнута за счет использования большого количества функций. Чен и др. [156] использовали радар с синтезированной апертурой (SAR) для отслеживания и классификации транспортных средств. Целевые эхо-сигналы разлагаются на множество внутренних функций моды (IMF) с использованием ансамблевой эмпирической декомпозиции мод (EEMD).Эксперимент показывает до 90% успеха классификации. Савиль и др. [146] исследовали широкополосные, широкоапертурные и поляриметрические радиолокационные данные для VC. Для проверки использовался эксперимент с 10-VC в алгоритме тестирования связанного изображения с разделенным спектром.

LiDAR — это технология дистанционного зондирования, которая может генерировать доплеровский сигнал для обнаружения распределенных или твердых целей. LiDAR передает и принимает электромагнитное излучение, а извлеченные характеристики транспортных средств анализируются после обработки данных [157,158].

Тепловые изображения отображают количество инфракрасной энергии, излучаемой, передаваемой и отражаемой транспортным средством. Большая часть тепловизионных изображений используется для обнаружения техники на поле боя. Ян и др. [52] предложили новый метод выделения признаков, основанный на контексте целевых признаков (TTC), чтобы улучшить недостатки тепловых изображений для VC. Результаты проверки показывают, что предлагаемая функция TTC превосходит предыдущие методы. Хамайсе и др. [53] предложили надежную основу для классификации людей и транспортных средств по инфракрасным изображениям.Наблюдения за дорожным движением из инфракрасной интеллектуальной системы наблюдения собираются Situational Awareness (SA). Результаты экспериментов доказывают эффективность предложенной схемы. Мэй и др. [54] ввел метод визуального отслеживания, представив отслеживание как задачу разреженной аппроксимации. Подход был проверен с помощью задачи отслеживания и классификации транспортных средств с использованием инфракрасных видеопоследовательностей на открытом воздухе.

Аэрофотоснимки являются популярным источником информации в области дистанционного зондирования.Аэрофотоснимки имеют высокое разрешение и могут охватывать большую область интереса. Несколько исследований были сосредоточены на использовании аэрофотоснимков для ВК. Ли и др. [104] использовали функции Regions with a Convolutional Neural Network (R-CNN) для распознавания небольших транспортных средств на аэрофотоснимках. Для повышения производительности использовались выбор карты признаков и построение двухчастной основной сети. Эффективность предлагаемого расширения сети была проверена путем сравнения его с прочными аналогами аналогичной формы.Одеберт и др. [103] представили основанный на глубоком обучении метод «сегмент перед обнаружением» для сегментации, обнаружения и классификации транспортных средств на аэрофотоснимках. Была обучена глубокая, полностью сверточная сеть, и изученные семантические карты используются для сегментации.

2.3. Магнитные датчики

Магнитные датчики могут обнаруживать искажения магнитного поля Земли, вызванные проезжающим транспортным средством [159]. Детекторы с магнитной петлей являются наиболее часто используемыми датчиками в VC и мониторинге трафика [160].Магнитные петли обычно устанавливаются в виде одноконтурных детекторов, двухконтурных детекторов и асимметричных форм, например прямоугольных петель. В нескольких исследованиях изучалось использование одноконтурных детекторов для VC.

Ламас-Секо и др. [20] смоделировали детектор с индуктивной петлей для изучения влияния важных характеристик транспортного средства на индуктивные сигнатуры. Полученные результаты как для прототипов, так и для симулятора индуктивного датчика показали схожие характеристики, подтверждающие правильность модели, использованной в их работе.Койфман и др. [161] усовершенствовали нетрадиционные методы оценки скорости с помощью одноконтурных детекторов. Результаты, полученные этим методом, сравнивались с результатами, полученными с помощью видеодетекторов и двухконтурных детекторов. Эта работа успешно использует существующие инвестиции, развернутые в счетных станциях с одноконтурным детектором. Мета и др. [46] представили метод VC, в котором используется сигнал, генерируемый одним индуктивным петлевым детектором. Представлен алгоритм VC, в котором используются преимущества дискретного преобразования Фурье (DFT), анализа основных компонентов (PCA) и классификаторов нейронной сети с обратным распространением (BPNN).Уровень распознавания составил 94,21% для VC.

Двухконтурные извещатели состоят из двух последовательных одноконтурных извещателей, расположенных на расстоянии нескольких метров друг от друга. Эти детекторы широко используются для получения информации о средней скорости, занятости и потоке в системах управления дорожным движением. Ву и др. В работе [47] представлен метод, учитывающий изменение ускорения в двухконтурном детекторе. Был определен новый параметр для ненаблюдаемого ускорения. Предложен метод уменьшения влияния изменения ускорения в двухконтурных детекторах.Аналитически было показано, что ошибки из-за ускорения не приведут к ошибкам в классе длины. Предлагаемый подход снизил частоту ошибок классификации из-за ускорения по крайней мере в четыре раза по сравнению с лучшим традиционным методом. Вэй и др. [162] представил гибридный метод определения фаз трафика с использованием переменных, полученных от двухконтурных индуктивных датчиков. Гибридный метод включает в себя подходы уровня обслуживания и методы кластеризации K-средних для улучшения уточнения фазы потока трафика.Результат показывает, что по сравнению с существующими моделями точность увеличивается с 42% до 92%. Ли и др. [163] исследовали статистические выводы относительно скорости и длины транспортного средства с использованием данных двухконтурного детектора. Статистический вывод для скорости и длины транспортного средства был исследован с помощью байесовского анализа, чтобы установить формулы для онлайн-оценки скорости и длины. Метод был представлен с использованием реальных данных трафика.

Индуктивные петли также могут иметь асимметричную форму.Мохоли-Сальседо и др. [45] подробно исследовали магнитное поле, создаваемое прямоугольными контурами в системах управления дорожным движением. Индуктивность численно рассчитанных магнитных контуров и результаты сравниваются с наиболее часто используемыми эмпирическими методами расчета индуктивности. Было достигнуто большое сходство между эмпирическими и численными результатами. Магнитная сигнатура индуктивной петли широко используется в качестве признака для обнаружения и классификации транспортных средств в индуктивных петлях [45,160,164].

Магнитные датчики менее дороги и сложны по сравнению с магнитными петлями и очень удобны для VC. Несколько исследователей изучали магнитные датчики для ВК в своих работах. Хай Моса и др. [131] представил алгоритм обнаружения грузовиков с использованием одного единственного датчика. Новая концепция на основе сотовой нейронной сети Soft Radial Basis (SRB-CNN) разработана, проверена и проверена с выбором лучших представителей текущих связанных концепций классификации. Предлагаемый метод удовлетворяет требованиям надежности, низкой стоимости, высокой скорости обработки, низкому потреблению памяти и производительности.Он и др. [165] предложили подход для преодоления недостатков традиционной агрегации данных по данным одноточечного датчика. Модель фильтр-фильтр-оболочка используется для оценки и определения неизбыточных подмножеств функций. Машины C-опорных векторов (C-SVM) были созданы параллельно с оптимизацией роя частиц (PSO) для VC. Результаты показали, что точность классификации составила более 99%. Шарчевич и др. [166] представил анализ магнитных датчиков, реализуемых в системе микроконтроллера.Разработан новый метод классификации для метода на основе одного магнитного датчика с использованием классификатора NN. Ли и др. [142] предложили онлайн-метод ВК с использованием магнитного датчика. Извлекаются восемь признаков, затем модель дерева решений обучается на основе алгоритма дерева классификации и регрессии (CART) с выборками минимального количества разделений (MNS). Наконец, обученная модель дерева решений сокращается с помощью правила сокращения минимальной ошибки (MEP). Результаты показывают, что предлагаемый метод позволяет классифицировать типы транспортных средств в режиме онлайн с преимуществами высокой точности классификации, надежности выборки и меньшего времени выполнения.Ян и Лей [167] разработали систему обнаружения транспортных средств с использованием недорогих трехосных анизотропных магниторезистивных датчиков. Предлагается новый алгоритм конечного автомата с фиксированным порогом, основанный на дисперсии сигнала. Результаты экспериментов показали, что точность обнаружения и средняя точность классификации могут достигать 99,05% и 93,66% соответственно. Тагваиян и др. [168] сосредоточились на разработке портативной системы придорожных магнитных датчиков для VC. Показано, что сенсорная система может подсчитывать количество поворотов направо на перекрестке с точностью до 95%.

2.4. Пневматические трубки и другие датчики

Пневматические трубки широко используются для временного учета трафика. Для сбора информации о скорости автомобиля и осях необходимо удлинить две или несколько трубок на соответствующем расстоянии друг от друга. Пневматические трубки легко переносятся и могут быть просто размещены на поверхности дороги поперек полос движения. Трубы фиксируются гвоздями или другими приспособлениями. Эти трубки имеются в продаже для классификации велосипедов и подсчета объемов.В двух исследованиях проводились исследования по адаптации пневматических трубок [169,170].

Пьезоэлектрические датчики изготовлены из материалов, преобразующих давление в электрические заряды в ответ на вибрации или механические удары. Пьезоэлектрические датчики встроены под поверхность тротуара на каждой полосе и покрыты эпоксидной смолой заподлицо для подсчета трафика и оценки расстояния между осями. Кроме того, скорость транспортного средства и межосевое расстояние могут быть определены, когда два пьезоэлектрических датчика активируются одним и тем же транспортным средством.Эти датчики могут работать отдельно или в системе WIM. Генерируемые сигналы от пьезоэлектрических датчиков собираются в распределительной коробке на обочине дороги. Пьезоэлектрические датчики чувствительны к температуре и состоянию поверхности из-за колебаний напряжения. Раджаб и др. [19] представили технологию VC с использованием одноэлементного пьезоэлектрического датчика, расположенного по диагонали на полосе движения. Диагонально расположенные пьезоэлектрические полосовые датчики и методы машинного обучения используются для точной классификации транспортных средств.Тестирование на нескольких участках шоссе показало точность классификации до 97%. Сантосо и др. [171] предложили систему пьезоэлектрических датчиков для измерения транспортного потока. Для измерения транспортного потока введена пьезоэлектрическая сенсорная система из пленки поливинилиденфторида (ПВДФ), обмазанная металлическими электродами, для сбора и передачи данных измерений. На выходе отображается количество и тип транспортных средств в виде цифрового кода.

Тензометрические датчики встроены в конструкцию для измерения деформации дорожного покрытия.Характер реакции на динамическую деформацию различен для разных транспортных средств; таким образом, используя методы распознавания образов и классификации, можно выделить правильную группу транспортных средств. Аль-Таравне и др. [172] разработали систему VC на основе новых датчиков на волоконно-оптических брэгговских решетках (ВБР), встроенных в дорожное покрытие. Изменение деформации отслеживалось с помощью встроенных трехмерных датчиков брэгговской решетки из армированного стекловолокном полимерного волокна (3-D GFRP-FBG). Система VC состояла из алгоритмов обучения SVM.Результаты полевых испытаний на реальных данных трафика показывают, что разработанная система может точно оценить VC с точностью 98,5%.

Сейсмические датчики используются для улавливания колебаний грунта, создаваемых движущимися транспортными средствами. Сети сейсмических датчиков используются для сбора данных для локализации и идентификации типов транспортных средств. Ду и др. [173] применили фрактальную размерность (FD) для выделения характеристик сейсмических сигналов для наземных целей. FD основан на методе морфологического покрытия (MC) для извлечения характеристик сейсмических сигналов для классификации наземных целей.Экспериментальные результаты показали, что предложенные методы достигают 90% точности для VC. Чжоу и др. [174] ввел функцию, извлекаемую из сейсмических сигналов, вызванных наземными транспортными средствами. Эта характеристика была извлечена из сейсмических сигналов с использованием кратковременной спектральной плотности мощности (STPSD) из различия колесных и гусеничных транспортных средств. Это было подтверждено с использованием смешанных наборов данных из полевых экспериментов и SensIT, которая является платформой для беспроводного обнаружения транспортных средств. показывает преимущества и недостатки каждого метода VC.

Таблица 5

Плюсы и минусы методов VC.

3 ✕ ✓
категории Метод Pros и Conss Count Speed ​​ Ускорение Направление Global Logus Вес Axle Confight Тип и модель Автоматический
На основе машинного зрения Обнаружение видеоизображения Чувствителен к условиям окружающей среды; автоматическая классификация, относительно низкие эксплуатационные и эксплуатационные расходы и высокие капитальные затраты; ненавязчивая, дорогостоящая вычислительная нагрузка, проблемы с конфиденциальностью.
Инфракрасные Низкое качество инфракрасных изображений; чувствительны к условиям окружающей среды; подходит для ночного видения и времени осадков; обычно используется для классификации боевых машин; дорого.
Радар Нечувствителен к ненастной погоду; как-то недорого; ненавязчивый; автоматическая классификация; как правило, не подходит для движения с частыми остановками.
Lidar Лидар менее дороги для производства, и приложение проще, чем радара. LiDAR не работает так же хорошо, как радар, в дождь и снег.
Аэрофотографические изображения Аэрофотографические изображения имеют высокое пространственное разрешение и более легкое приобретение данных.Обнаружение транспортных средств с аэрофотоснимков является сложной задачей из-за большого количества объектов.
GPS-методы Устройства GPS на основе автомобиля необходимо преодолеть институциональный, конфиденциальность и безопасность и технические проблемы; Скорости, ускорения можно получить путем обработки данных GPS.
Смартфон или сотовые телефоны смартфоны оснащены датчиками, такими как акселерометры; гироскопы и др.Смартфоны не изготавливаются по индивидуальному заказу и не крепятся к кузову транспортных средств, поэтому их относительная ориентация по отношению к эталонному кадру транспортного средства может все время меняться.
Ультразвуковые Ультразвуковые Ультразвуковые датчики легко установить, невосприимчивы к грязи и другие загрязняющие вещества, сравнительно менее дорогие, но чувствительные к погодным условиям и не могу определить ориентацию, тип или марку целевого транспортного средства.
акустические акустические датчики имеют низкую стоимость, простые и не навязчивые, но в то же время время, они требуют сложного алгоритма для извлечения полезной информации нет. Кроме того, они не подходят для движения с остановками.
Магнитное поле Магнитные датчики Магнитные датчики — это небольшой размер, относительно низкая стоимость, а также менее чувствителен к капризным погодным условиям, шумам и эффектам Доплера.Магнитные датчики не являются абсолютными, поэтому их необходимо калибровать.
Индуктивные петли Индуктивные петли — это недорогие решения, но им нужен длительный процесс установки, и установка датчика навязчива.
Контактные и вибрация Пневматические пневматические трубы черные, деформируются легко и имеют Низкопрофильный.Пневматические трубки обычно используются для временного подсчета трафика и имеют скромные возможности для VC.
пьезоэлектрический пьезоэлектрические датчики являются независимыми временем и скоростью. Пьезоэлектрические датчики чувствительны к изменениям температуры.
Волоконно-оптические датчики Волоконно-оптические датчики имеют небольшой размер, небольшой вес, большую полосу пропускания и невосприимчивы к электромагнитным интерфейсам.Волоконно-оптические датчики имеют ограниченный диапазон углов, которые они могут воспринимать.
Тензодатчик Тензорезисторы имеют проблемы с адгезией датчиков и компенсацией температурного дрейфа.
Сейсмические и вибрация Сейсмические и вибрационные датчики обеспечивают хороший диапазон обнаружения, но им нужно очень осторожно калибровка.
Руководство Ручное наблюдение Без проблем или неоднозначных чисел в Руководстве; однако это требует много времени и труда.
Многоопределение Wim Wim Systems безопасны, эффективны и обеспечивают непрерывный метод для сбора трафика.WIM дороги и обеспечивают низкую точность оценки веса.

3. Потенциальные интеллектуальные технологии встроенных автомобилей

встроенные датчики, бортовые аппаратные устройства, а также Интеллектуальные антенные системы, установленные на транспортном средстве для передачи и приема сигналов, обеспечивают уникальное сочетание свойств, что делает интеллектуальные транспортные средства привлекательным выбором для многих высокотехнологичных приложений.VC может извлечь большую выгоду из этих технологий. Целью и целью данного исследования является изучение возможностей различных методов с использованием транспортных средств для извлечения кинематических и физических характеристик транспортных средств в режиме реального времени и в глобальном масштабе. Эта информация может использоваться для самых разных приложений, таких как управление парковкой, управление дорожным движением, безопасность и предотвращение несчастных случаев [149].

Автомобильные сети — это новая технология для интеллектуальных транспортных систем, облегчающая связь между соседними транспортными средствами в городских условиях и на шоссе.VANET — это класс мобильных сенсорных сетей, в которых транспортные средства на дороге ведут себя как мобильные сенсорные узлы [175]. Применение VANET направлено на то, чтобы автомобили были оснащены бортовым устройством (OBU), чтобы они могли подключаться к глобальной сети транспортных средств, стимулируя сотрудничество друг с другом и с ближайшей беспроводной инфраструктурой для обмена данными [175]. Синергетические связи между двумя мирами VANET и интеллектуальных транспортных средств весьма многообещающи для достижения большей безопасности на дорогах и преимуществ для конечных пользователей [176].Интернет транспортных средств (IoV) — это типичное применение Интернета вещей (IoT) в области транспорта, которое достигается за счет расширения возможностей VANET.

3.1. Методы на основе VANET

VANET — это очень многообещающая технология, которая недавно появилась и использовалась для различных приложений на транспорте и организации дорожного движения [177]. VANET — это мобильная сетевая среда, которая обеспечивает связь между транспортными средствами и придорожными блоками (RSU) для обмена данными [175].Система информации о дорожном движении на основе VANET состоит из транспортных средств, RSU и центров сертификации (CA). Система обычно оснащена OBU, антенной, GPS и другими сенсорными устройствами [178]. Бортовой блок представляет собой небольшой компьютер, установленный на транспортном средстве для интеграции модулей вычислений, позиционирования, связи и интерфейса пользователя [179]. Бортовой блок может иметь другие интерфейсы, такие как универсальная последовательная шина (USB) и Bluetooth, для связи с вычислительными устройствами (например, ноутбуками, смартфонами и персональными цифровыми помощниками (КПК)).RSU — это инфраструктура, расположенная вдоль дороги для обеспечения подключения V2V [180]. Возможность подключения V2V позволяет транспортным средствам обмениваться информацией о дорожном движении посредством беспроводной связи ближнего действия [181]. Центры сертификации несут ответственность за выдачу сертификатов транспортным средствам, которые могут быть в форме электронных лицензий и пар анонимных ключей [182]. В системе VANET ЦС могут быть государственными транспортными органами или производителями транспортных средств [182]. На протяжении многих лет исследования VANET вызывали повышенный интерес как со стороны академических кругов, так и со стороны промышленности.С помощью VANET можно собирать большие объемы данных, которые более подробно обсуждаются ниже.

В системе VANET информация о мобильности, например положение, полоса движения, скорость, ускорение и замедление, а также параметры физических характеристик транспортных средств, например вес, высота и длина, используются для самых разных целей. приложения, такие как управление парковкой, управление дорожным движением, безопасность и предотвращение несчастных случаев [183]. В следующих разделах дополнительно обсуждается информация, извлеченная с помощью VANET.

3.1.1. Параметры мобильности транспортных средств

Приемники GPS широко используются в системах локализации VANET для извлечения информации о мобильности, включая положение, полосу движения [184], скорость, ускорение и замедление [23, 185, 186]. Падрон и др. [187] представили основанную на VANET совместную систему, оснащенную устройством GPS, часами реального времени и устройством беспроводной связи для передачи их кинематических параметров, таких как текущее местоположение, скорость и направление. Шао и др.[188] предложил совместную локализацию транспортных средств в сценариях шоссе с использованием кинематических параметров всех транспортных средств в кластере. Предлагаемый метод учитывает ускорение и замедление, а также другие кинематические параметры для получения более точных результатов. Наяк и др. [189] предложили основанный на местоположении алгоритм обнаружения высокоскоростных транспортных средств в VANET. Предлагаемый алгоритм определяет полосу движения транспортного средства и обнаруживает нарушения скорости на основе разрешенной скорости на этой полосе. Смена полосы движения транспортного средства также учитывается с помощью указателей поворота транспортного средства.VANET может предоставить данные о транспортном средстве и водителе безопасным и надежным способом.

Приемники GPS можно легко установить в транспортные средства. Однако приемники GPS в этих случаях не являются лучшим решением из-за их низкой дальности действия — до 20–30 м — и ограничений при работе в помещении или в условиях плотной городской застройки, где нет прямой видимости спутников. По этим причинам информация GPS, вероятно, будет сочетаться с другими методами локализации, такими как счисление пути [190, 191], сотовая локализация [192, 193] и локализация изображения/видео [194].Эта комбинация информации о локализации из разных источников может быть интегрирована с использованием методов объединения данных [195, 196, 197, 198]. В VANET транспортные средства периодически отправляют маяки, чтобы передать информацию о своей личности, скорости, ускорении и местоположении. Правильное расположение узлов необходимо для правильного применения. Боэйра и др. [199] разработали беспроводную схему пятого поколения для позиционирования узлов.

Транспортные средства в сети VANET, использующие сигналы GPS, могут столкнуться с ухудшением или полной потерей сигналов GPS из-за высокой скорости или заторов.Виситпонгфан и др. [200] разработали расширенный алгоритм самокорректирующейся локализации для повышения точности позиционирования и улучшения оценки локализации транспортных средств через VANET. В функцию вводится весовой коэффициент путем объединения мощности принятого сигнала с измеренным искажением процесса. Полученные результаты показывают, что новый алгоритм способствует более качественной и эффективной локализации.

Скорость автомобиля зависит от полосы движения и характеристик дороги.Однако на шоссе скорость может быть увеличена до 200 км/ч. Движение с высокой скоростью может повлиять на эффективность маршрутизации, быстро устарев информацию о местоположении. Таким образом, Алван и соавт. [201] предложили улучшить механизмы маршрутизации на основе местоположения за счет оценки местоположения транспортного средства в реальном времени и возможных изменений частоты обмена данными на основе извлеченного высокоточного местоположения. С другой стороны, заторы на дорогах являются чрезвычайно важной проблемой, которая может снизить эффективность базовой связи, вызывая проблемы широковещательного шторма [202].Проблемы с широковещательным штормом — это сценарии, в которых чрезмерное количество широковещательных пакетов вызывает коллизии на канальном уровне. Виситпонгфан и др. [200] количественно оценили влияние широковещательных штормов в сетях VANET с точки зрения задержек сообщений и скорости потери пакетов. Кроме того, предлагаются схемы, позволяющие снизить скорость потери пакетов до 70 % при сохранении задержек на приемлемом уровне.

3.1.2. Параметры физических характеристик

В литературе было предложено несколько схем VC для идентификации параметров физических характеристик транспортных средств.В настоящее время для обнаружения и отслеживания транспортных средств используются различные типы датчиков. Однако эти датчики могут быть разработаны для специальных маршрутов и могут охватывать только короткие расстояния, где точность собираемой информации ограничена [203]. VC на основе изображений — это еще один метод, использующий аэрофотоснимки со всенаправленных камер, CCTV или обычные камеры. На качество изображения могут повлиять осадки, изменение освещенности или наличие деревьев и других транспортных средств, блокирующих целевые транспортные средства. Изображения также могут быть низкого качества, и результаты могут быть недостаточно надежными для идентификации автомобиля [139].

Автоматическое распознавание номерных знаков — это система реального времени, которая используется для автоматического распознавания номерных знаков транспортных средств. Автоматическое распознавание номерных знаков — это метод, использующий оптическое распознавание символов для считывания номерных знаков транспортных средств. Методы автоматического распознавания номерных знаков имеют значительную частоту ошибок и высокую стоимость обработки транзакций [27,94]. Джейн и др. [204] представили новый алгоритм распознавания номерных знаков для наблюдения за дорожным движением. Для улучшения локализации и сегментации символов применялись математическая морфология и искусственная нейронная сеть (ИНС).Было указано, что алгоритм имеет точность классификации 97,06%, 95,10% и 94,12% для локализации номерного знака, сегментации и распознавания символов соответственно. Ду и др. [205] провел всесторонний обзор недавних преимуществ автоматического распознавания номерных знаков. Обзоры Puranic et al. [206] и Gaikwad и Borole [207] охватывают другие аспекты автоматического распознавания номерных знаков.

Идентификационный номер автомобиля (VIN) выступает в качестве уникального идентификатора, который отображает уникальные характеристики автомобиля, технические характеристики и производителя.С помощью VIN-кода можно определить модель, тип и марку целевого автомобиля [208]. Митра и Мондал [203] предложили две схемы для идентификации, аутентификации и отслеживания транспортных средств с использованием VIN в сети VANET. Некоторые модификации внесены для включения большего числа производителей транспортных средств. VIN включает 17 символов в трех полях: World Manufacturing Identification (WMI), раздел описания транспортного средства (VDS) и раздел идентификатора транспортного средства (VIS). Поле WMI содержит три символа, тогда как второе поле содержит шесть символов, а поле VIS содержит восемь символов.

Джалули и др. [209] предложил интеллектуальное рекомендательное ограничение скорости для шоссе с использованием VANET. Предлагаемая консультативная система ограничения скорости предоставляла эксклюзивные рекомендации по ограничениям скорости на основе характеристик транспортного средства, включая тип транспортного средства, размер и возможности безопасности, а также дорожные и погодные условия. Альхаммад и др. [210] предложили использовать VANET для резервирования парковочных мест на улице. Через бортовое устройство транспортного средства отправляется сообщение-запрос с необходимой информацией.Информация состоит из типа транспортного средства, размера и регистрационного номера, а также профиля водителя. Каждое транспортное средство имеет уникальный идентификационный номер, который служит отпечатком пальца автомобиля.

3.2. Методы на основе Интернета транспортных средств (IoV)

Недавние прогнозы, связанные с подключением устройств к Интернету, показали, что к 2020 году почти 25 миллиардов «вещей» будут связаны с Интернетом, из которых автомобили будут составлять значительную часть [ 203]. Интернет вещей (IoT) — это среда для подключения электронной подсистемы к существующей инфраструктуре Интернета.Интернет вещей объединяет все аспекты нашей повседневной жизни с помощью интеллектуальных гаджетов, которые связаны через Интернет. IoV — это особый аспект IoT, вызванный интеграцией VANET и IoT. В VANET транспортное средство, оснащенное OBU, может присоединиться к кластеру и обмениваться полезной информацией с окружающими транспортными средствами [211]. Транспортные средства в VANET в основном рассматриваются как узлы для распространения сообщений среди группы транспортных средств внутри интересующей области [203]. Однако в парадигме IoV транспортные средства рассматриваются как интеллектуальные устройства с мощными возможностями для вычислений, хранения и обучения, поддерживающие их коммуникационную функцию в постоянном режиме [212].Патак и др. [213] обсудили преимущества использования парадигмы IoV в интеллектуальной транспортной системе и исследовали препятствия для успешного внедрения IoT. Для управления сценариями доставки и обработки была предложена новая транспортная архитектура на основе IoV. Результаты сравнительного исследования показали, что стоимость предлагаемого способа на 50% меньше, чем у традиционных способов.

Интеллектуальные транспортные системы играют важную роль в повышении качества и интерактивности и могут значительно снизить затраты и потери, а также улучшить возможности управления движением в городской транспортной системе.Ван и др. [214] установили взвешенную модель для сетей датчиков IoV, используя набор данных реального мира такси GPS. Кроме того, для оптимальной передачи информации о дорожном движении предлагается архитектура локального сбора информации о дорожном движении с помощью IoV. Результаты моделирования и теоретический анализ показывают эффективность и реализуемость предложенных нами моделей. Гу и др. [215] обсудили алгоритм локализации IoV и предложили метод его улучшения с помощью методов оптимизации. Результаты показали значительное повышение точности и надежности традиционных методов.

Понимание кодов классификации автострахования

Рэйчел Бодин окончила колледж со степенью бакалавра английского языка. С тех пор она работала автором статей в страховой отрасли и получила глубокие знания о страховых законах и тарифах штата и страны. Ее исследования и письма сосредоточены на том, чтобы помочь читателям понять их страховое покрытие и как найти сбережения. Ее экспертные советы по страхованию были опубликованы на таких сайтах, как PhotoEnforced, All…

Полная биография →

Написано Рэйчел Бодин
Автор статей по страхованию

Лесли Касперович имеет степень бакалавра социальных наук Виннипегского университета. Она провела несколько лет в качестве менеджера по страхованию фермеров, получив четкое представление о страховых продуктах, включая страхование жилья, жизни, автомобилей и бизнеса, и работая напрямую со страховыми клиентами, чтобы понять их потребности.С тех пор она использовала эти знания за более чем десять лет своей писательской деятельности, в основном в сфере страхования…

Полная биография →

Рассмотрено Лесли Касперович
CSR для фермеров на 4 года

ОБНОВЛЕНО: 11 марта 2022 г.

Раскрытие информации рекламодателем

Все дело в тебе. Мы хотим помочь вам сделать правильный выбор покрытия.

Информация для рекламодателей. Мы стремимся помочь вам принимать уверенные решения по автострахованию.Сравнение покупок должно быть легким. Мы не связаны ни с одним поставщиком автострахования и не можем гарантировать котировки от какого-либо одного поставщика.

Наши партнерские отношения со страховой отраслью не влияют на наш контент. Наши мнения являются нашими собственными. Чтобы сравнить предложения от разных компаний, введите свой почтовый индекс на этой странице, чтобы использовать бесплатный инструмент для расчета котировок. Чем больше предложений вы сравните, тем больше шансов сэкономить.

Редакционные правила: Мы являемся бесплатным онлайн-ресурсом для всех, кто хочет узнать больше об автостраховании.Наша цель — быть объективным сторонним ресурсом по всем вопросам, связанным с автострахованием. Мы регулярно обновляем наш сайт, и весь контент проверяется экспертами по автострахованию.

Итак, вы покупаете новый или подержанный автомобиль, грузовик или внедорожник? Очевидно, вы захотите приобрести автомобиль, который действительно можете себе позволить. Если вы не платите за автомобиль сразу, вы захотите рассчитать, сколько вам придется платить каждый месяц, во сколько вам обойдется ваша процентная ставка и как долго вы будете платить за автомобиль. твоя новая поездка.

Чего вы, вероятно, не учли, как и многие люди, так это того, сколько вам будет стоить застраховать свой новый или подержанный автомобиль. Вы можете подумать: «Но сейчас я плачу XXX долларов, что тут знать?»

Тот факт, что вы платите определенную сумму за действующую автостраховку, не обязательно означает, что вы будете платить столько же за новую машину. На самом деле, это почти наверняка будет сильно отличаться — и это потому, что поставщики автострахования используют тысячи мелких факторов, чтобы определить, сколько вам придется заплатить за конкретную сумму покрытия.Эти факторы используются для объединения транспортных средств и людей, которые их водят, в группы автострахования.

Продолжайте читать ниже для получения дополнительной информации:

Группы автострахования по транспортным средствам

Большинство поставщиков автострахования относят транспортное средство к одной из трех групп: низкий риск, средний риск и высокий риск. Эти группы используются для оценки финансового риска, который конкретное транспортное средство представляет для поставщика автострахования.

Транспортные средства, получившие высокие баллы по безопасности дорожного движения Страхового института за их функции безопасности и способность защитить своих пассажиров, по понятным причинам будут помечены как автомобили с низким уровнем риска.Транспортные средства с умеренными характеристиками безопасности и результатами тестов будут отнесены к группе среднего риска. Спортивные автомобили и транспортные средства, лишенные базовых функций безопасности, скорее всего, будут помещены в группу повышенного риска.

Чтобы узнать, относится ли ваш автомобиль к автомобилям с высоким или низким уровнем риска, просмотрите списки самых дорогих и наименее дорогих автомобилей для страхования. Все автомобили, представленные как дорогие для страхования, относятся к группе «высокого риска», в то время как наименее дорогие автомобили, как правило, относятся к группе «низкого риска».

Сравните сразу более 200 автостраховых компаний!

 Защищено шифрованием SHA-256

Группы автострахования на человека (человека)

Транспортные средства — не единственное, что страховые компании объединяют в группы для определения риска.Классифицировать водителей немного сложнее, чем группировать транспортные средства, но здесь также используются группы низкого, среднего и высокого риска.

Мужчины в возрасте до 25 лет, например, будут платить намного больше, чем другие группы. В этом конкретном примере более высокие страховые взносы, взимаемые с этой группы, обусловлены рискованными привычками молодых людей за рулем. С другой стороны, женщины среднего возраста будут платить гораздо меньше.

Но они не просто слепо распределяют людей по группам.Стаж вождения играет огромную роль в расчете страховой премии автомобиля. Тот факт, что вы 35-летняя женщина, не означает, что вы можете попадать в аварию за аварией и при этом иметь низкий страховой взнос. На самом деле, если вы попадете в более чем одно столкновение, вы, скорее всего, автоматически попадете в группу высокого риска.

Определение того, к какой группе вы относитесь

Еще до того, как вы отправитесь в автосалон, вы захотите получить общее представление о том, сколько будет стоить ваш ежемесячный страховой взнос, чтобы вы могли учитывать это при принятии решения.

Если вы хотите узнать, к какой группе вы относитесь и сколько это будет вам стоить, все, что вам нужно сделать, это перейти в начало этой страницы и ввести свой почтовый индекс. Предоставьте немного информации о себе и своем водительском стаже, и вы получите лучшие предложения, которые может предложить индустрия автострахования.

Таблица классификации транспортных средств – Aichi Road Concession Co., Ltd.|ARC

Чита 4 Маршрута / Дорога Нагоя Сето

Следующая классификация транспортных средств применяется к улицам Читаханто-роуд, Минамичита-роуд, Сентрейр-Лайн и Нагоя-Сето-роуд.Обратите внимание, что некоторые транспортные средства не могут проехать.

См. Таблицу дорожных сборов «Читинских 4 маршрутов».
См. Таблицу платы за проезд по дороге Нагоя Сето.

Стандарт
  • Малый пассажирский автомобиль
  • Малогабаритный грузовой автомобиль
  • Пассажирский автомобиль стандартного размера
    (вместимость менее 10 человек)
  • Автопоезд
    (тягач малогабаритный, прицеп одноосный)
Средний
  • Грузовой автомобиль стандартного размера
    (общая масса транспортного средства менее 8 т или максимальная нагрузка менее 5 т, 3 оси или менее)
  • Легковой автомобиль [микроавтобус]
    (от 11 до 29 пассажиров, полная масса автомобиля менее 8т)
  • Автопоезд
    (трактор малогабаритный, буксируемый 2-осный и более)
    (тягач – стандартное транспортное средство, прицепное – одноосное)
Большой
  • Грузовой автомобиль стандартного размера
    (общая масса транспортного средства более 8 т или максимальная нагрузка более 5 т, 3 оси или менее)
  • Грузовой автомобиль стандартного размера
    (общая масса автомобиля менее 25 т, 4 оси или менее)
  • Легковой автомобиль [средний автобус]
    (вместимость менее 29 человек, общая масса транспортного средства более 8 т и длина транспортного средства менее 9 м)
  • Рейсовый автобус
    (вместимость более 30 человек, общая масса транспортного средства более 8 т и длина транспортного средства менее 9 м)
  • Автопоезд
    (тягач — стандартное транспортное средство, буксируемое транспортное средство — 2 оси и более)
    (тягач средний, буксируемый одноосный)
    (тягач крупногабаритный (2 оси) , прицеп 1 осный)
Очень большой
  • Грузовой автомобиль стандартного размера
    (4 оси или более, за исключением тех, которые относятся к обычным грузовым автомобилям, классифицируемым как крупногабаритные транспортные средства)
  • Большой специальный автомобиль
  • Легковой автомобиль [экскурсионный автобус]
    (вместимость более 30 человек)
    (максимальная нагрузка более 8т, длина автомобиля более 9м)
  • Автопоезд
    (тягач средний, буксируемый двухосный и более)
    (тягач — крупное транспортное средство и буксируемое транспортное средство, в общей сложности 4 оси или более)
    (тягач – особо крупное транспортное средство, прицепное транспортное средство – одноосное)
Компактный и т.д.
  • Компактный автомобиль
  • Мотоцикл
  • Малый специальный автомобиль
  • * Автомобиль для бездорожья
    Легковой автомобиль/мотоцикл (менее 125 см3)
  • * О езде вдвоём на мотоцикле (более 125 куб. мотоцикл или стандартный мотоцикл более 3 лет».

Туннель Кинуура / Зеленая улица Санаге

Следующая классификация транспортных средств применяется к туннелю Кинуура / зеленой дороге Санаге.

См. Таблицу платы за проезд по «Туннелю Кинуура / Зеленой дороге Санаге».

Стандарт
  • Малый пассажирский автомобиль
  • Малогабаритный грузовой автомобиль
  • Пассажирский автомобиль стандартного размера
    (вместимость менее 10 человек)
  • Автопоезд
    (тягач малогабаритный, прицеп одноосный)
Средний
  • Грузовой автомобиль стандартного размера
    (общая масса транспортного средства менее 8 т или максимальная нагрузка менее 5 т, 3 оси или менее)
  • Легковой автомобиль [микроавтобус]
    (от 11 до 29 пассажиров, полная масса автомобиля менее 8т)
  • Автопоезд
    (трактор малогабаритный, буксируемый 2-осный и более)
    (тягач — Стандартная машина, буксируемая машина — 1-осная)
Большой
  • Грузовой автомобиль стандартного размера
    (общая масса транспортного средства более 8 т или максимальная нагрузка более 5 т, 3 оси или менее)
  • Грузовой автомобиль стандартного размера
    (общая масса автомобиля менее 25 т, 4 оси или менее)
  • Легковой автомобиль [средний автобус]
    (вместимость менее 29 человек, общая масса транспортного средства более 8 т и длина транспортного средства менее 9 м)
  • Рейсовый автобус
    (вместимость более 30 человек, общая масса транспортного средства более 8 т и длина транспортного средства менее 9 м)
  • Автопоезд
    (тягач — стандартное транспортное средство, буксируемое транспортное средство — 2 оси и более)
    (тягач средний, буксируемый одноосный)
    (Трактор — крупногабаритное транспортное средство (2 оси), буксируемое транспортное средство — 1 ось)
Очень большой
  • Грузовой автомобиль стандартного размера
    (4 оси или более, за исключением тех, которые относятся к обычным грузовым автомобилям, классифицируемым как крупногабаритные транспортные средства)
  • Большой специальный автомобиль
  • Легковой автомобиль [экскурсионный автобус]
    (вместимость более 30 человек)
    (максимальная нагрузка более 8т, длина автомобиля более 9м)
  • Автопоезд
    (тягач средний, буксируемый двухосный и более)
    (тягач — крупное транспортное средство и буксируемое транспортное средство, в общей сложности 4 оси или более)
    (тягач является очень большим транспортным средством, буксируемое транспортное средство является 1-осным)
Компактный и т.д.
  • Компактный автомобиль
  • Мотоцикл
  • Малый специальный автомобиль
Свет и т. д.
  • Велосипед с мотором
  • Велосипед
  • Легковой автомобиль

*Велосипеды не взимают плату за проезд, потому что они проезжают только по тротуару (главная полоса непроходима).

Кинуура Тойота Роуд

Следующая классификация транспортных средств применяется к Kinuura Toyota Road. Обратите внимание, что некоторые транспортные средства не могут проехать.

См. Таблицу дорожных сборов «Kinuura Toyota Road».

Стандарт
  • Малый пассажирский автомобиль
  • Малогабаритный грузовой автомобиль
  • Пассажирский автомобиль стандартного размера
    (вместимость менее 10 человек)
  • Автопоезд
    (тягач малогабаритный, прицеп одноосный)
Средний
  • Грузовой автомобиль стандартного размера
    (общая масса транспортного средства менее 8 т или максимальная нагрузка менее 5 т, 3 оси или менее)
  • Легковой автомобиль [микроавтобус]
    (вместимость более 11 и менее 29 человек, общая масса автомобиля менее 8 т)
  • Автопоезд
    (тягач малогабаритный, буксируемый 2-осный и более)
    (тягач – стандартное транспортное средство, прицепное – одноосное)
Большой
  • Грузовой автомобиль стандартного размера
    (общая масса транспортного средства более 8 т или максимальная нагрузка более 5 т, 3 оси или менее)
  • Грузовой автомобиль стандартного размера
    (общая масса автомобиля менее 25 т, 4 оси или менее)
  • Легковой автомобиль [средний автобус]
    (вместимость менее 29 человек, общая масса транспортного средства более 8 т и длина транспортного средства менее 9 м)
  • Рейсовый автобус
    (вместимость более 30 человек, общая масса транспортного средства более 8 т и длина транспортного средства менее 9 м)
  • Автопоезд
    (тягач — стандартное транспортное средство, буксируемое транспортное средство — 2 оси и более)
    (тягач средний, буксируемый одноосный)
    (тягач крупногабаритный (2 оси) , буксируемый автомобиль 1 ось)
Очень большой
  • Грузовой автомобиль стандартного размера
    (4 оси или более, за исключением тех, которые относятся к обычным грузовым автомобилям, классифицируемым как крупногабаритные транспортные средства)
  • Большой специальный автомобиль
  • Легковой автомобиль [экскурсионный автобус]
    (вместимость более 30 человек)
    (максимальная нагрузка более 8т, длина автомобиля более 9м)
  • Автопоезд
    (тягач средний, буксируемый двухосный и более)
    (трактор – это крупногабаритное транспортное средство и буксируемое транспортное средство, имеющее в общей сложности 4 оси и более)
    (тягач – особо крупное транспортное средство, прицепное транспортное средство – одноосное)
Компактный и т.д.
  • Компактный автомобиль
  • Мотоцикл (более 125 см3)
Свет и т. д.
  • Мотоцикл Type 2 (более 50 см3 и менее 125 см3)

*Непроходимое транспортное средство
Небольшой специальный автомобиль / мотоцикл (менее 50 см3) / легковой автомобиль / велосипед

Классификация транспортных средств на основе сверточных нейронных сетей в неблагоприятных условиях освещения для интеллектуальных транспортных систем

В соответствии с быстрым развитием компьютерного зрения классификация транспортных средств демонстрирует значительный потенциал для изменения интеллектуальных транспортных систем.В последние пару десятилетий системы классификации транспортных средств, основанные на обработке изображений и распознавании образов, использовались для повышения эффективности автоматизированных систем сбора платы за проезд по автомагистралям и систем мониторинга дорожного движения. Однако эти методы обучаются на ограниченных функциях, созданных вручную, извлеченных из небольших наборов данных, которые не учитывают условия дорожного движения в реальном времени. Были предложены системы классификации, основанные на глубоком обучении, для включения вышеупомянутых проблем в традиционные методы.Однако сверточные нейронные сети требуют большого количества данных, включая факторы шума, погоды и освещенности, чтобы обеспечить надежность в приложениях реального времени. Более того, нет доступного обобщенного набора данных для проверки эффективности систем классификации транспортных средств. Чтобы преодолеть эти проблемы, мы предлагаем систему классификации транспортных средств на основе сверточной нейронной сети, чтобы повысить надежность классификации транспортных средств в приложениях реального времени. Мы представляем набор данных о транспортных средствах, состоящий из 10 000 изображений, разделенных на шесть основных классов транспортных средств с учетом неблагоприятных условий освещения, чтобы обеспечить надежность систем классификации транспортных средств в реальном времени.Первоначально предварительно обученные AlexNet, GoogleNet, Inception-v3, VGG и ResNet настраиваются на самостоятельно созданном наборе данных о транспортных средствах, чтобы оценить их производительность с точки зрения точности и сходимости. Благодаря более высокой производительности архитектура ResNet дополнительно улучшена за счет добавления в сеть нового блока классификации. Чтобы обеспечить обобщение, мы настроили сеть на общедоступном наборе данных VeRi, содержащем 50 000 изображений, которые были разделены на шесть классов транспортных средств. Наконец, было проведено сравнительное исследование между предлагаемым и существующими методами классификации транспортных средств для оценки эффективности предлагаемой системы классификации транспортных средств.Следовательно, предложенная нами система достигла 99,68%, 99,65% и 99,56% точности, точности и оценки F1 в нашем самостоятельно созданном наборе данных.

1. Введение

При экспоненциальном росте производства транспортных средств по всему миру системы классификации транспортных средств могут сыграть значительную роль в развитии интеллектуальных транспортных систем, т. е. автоматизированного сбора платы за проезд по дорогам, восприятия беспилотных транспортных средств и управления дорожным движением. системы управления потоком. Ранее для классификации типов транспортных средств были предложены методы на основе лазерных и петлевых индукционных датчиков [1–4].Эти датчики были установлены под дорожным покрытием для сбора и анализа данных для извлечения соответствующей информации о транспортных средствах. Однако на точность и стабильность этих методик существенно влияют неблагоприятные погодные условия и повреждения дорожного покрытия [5]. По мере развития компьютерного зрения были предложены системы классификации транспортных средств на основе обработки изображений и распознавания образов [6, 7]. По сути, система классификации на основе компьютерного зрения представляет собой двухэтапную процедуру; на первом этапе используются ручные методы извлечения для получения визуальных характеристик из входного визуального кадра.На втором этапе классификаторы машинного обучения обучаются на извлеченных функциях для выполнения классификации данных на основе групп. Созданные вручную функции подразделяются на (i) глобальные и (ii) локальные функции для одновременного описания и представления данных изображения [8]. Эти функции объединяются при обучении традиционных классификаторов машинного обучения для распознавания объектов. Хотя эти системы хорошо работают в конкретной контролируемой среде и более удобны с точки зрения установки и обслуживания, чем существующие лазерные и индуктивные схемы, эти методы обучаются на ограниченных функциях, созданных вручную, извлеченных из небольших наборов данных, в то время как обширные предварительные знания необходимы. требуется для поддержания точности временной среды [9].

Недавно были внедрены методы извлечения признаков и классификации на основе глубокого обучения, которые продемонстрировали лучшую применимость и адаптируемость, чем традиционные системы классификации. Системы классификации на основе сверточных нейронных сетей (CNN) достигли значительной точности на крупномасштабных наборах данных изображений благодаря их сложной архитектуре [10–12]. Однако развитие графического процессора (GPU) значительно увеличило возможности вычислительных машин по обработке изображений.Но дело в том, что система классификации на основе CNN требует большого количества данных для поддержания точности и обеспечения обобщения. До недавнего времени, насколько нам известно, не существовало обобщенного эталонного набора данных для разработки и оценки систем классификации транспортных средств. Следовательно, доступные наборы данных классификации транспортных средств относительно невелики и основаны на ограниченных классах конкретных регионов, т. е. наборе данных CompCars [13] и Stanford cars [14]. Интеллектуальные транспортные системы этих регионов могут добиться значительных результатов с этими наборами данных; однако их производительность ухудшается из-за появления нерегиональных классов.Чтобы устранить вышеупомянутые ограничения в системах классификации транспортных средств, мы внесли следующие вклады. (i) Представлена ​​обобщенная архитектура классификации транспортных средств на основе сверточной нейронной сети (CNN) для повышения надежности систем классификации транспортных средств для интеллектуальных транспортных систем (ИТС). в неблагоприятных условиях освещения. (ii) Локальный набор данных, состоящий из 10 000 изображений, основанных на шести классах (например, автомобиль, фургон, грузовик, мотоцикл, рикша и мини-фургон), был собран из видео наблюдения за дорожным движением и вождения.Важно отметить, что эти классы уникальны по дизайну и форме, которые не охватываются существующими наборами данных о транспортных средствах. обобщение сети. (iv) Наконец, было проведено обширное сравнительное исследование между предлагаемым и существующими методами классификации транспортных средств, чтобы продемонстрировать эффективность предлагаемой сети классификации.

Остальная часть бумаги организована следующим образом.В разделе 2 кратко обсуждаются существующие методы извлечения признаков и классификации транспортных средств, созданные вручную и методом глубокого обучения. В разделе 3 была разработана сетевая архитектура, а также предварительная обработка и сбор наборов данных. Результаты и сравнительное исследование представлены в Разделе 4. Наконец, статья завершается в Разделе 5. важный элемент в модуле восприятия беспилотных транспортных средств.В существующей исследовательской работе [5] классификация транспортных средств на основе зрения подразделяется на две основные категории: (i) методологии, основанные на функциях ручной работы, и (ii) методологии, основанные на глубоких функциях.

В раннюю эру компьютерного зрения для интеллектуальных транспортных систем были предложены созданные вручную методы классификации транспортных средств на основе признаков. В связи с этим Нг и соавт. [15] предложили метод ручных функций на основе HOG-SVM для обучения классификатора SVM с использованием функций HOG с функцией ядра Гаусса.Предлагаемый классификатор был оценен на наборе данных из 2800 изображений видео наблюдения, которые классифицировали мотоциклы, автомобили и грузовики с точностью 92,3%. В другой исследовательской работе Chen et al. [16] представили метод классификации, который извлекает текстуру и особенности HOG и классифицирует транспортные средства с использованием нечеткого классификатора SVM. Представленный классификатор был оценен на наборе данных, состоящем из 2000 изображений, на которых предлагаемые системы классифицировали автомобили, фургоны и автобусы с 92.точность 6%. Матос и др. [17] предложили комбинированный метод на основе двух нейронных сетей, встраивающий признаки, т. е. высоту, ширину и ограничивающие границы транспортных средств. В результате предложенный классификатор достиг 69% на наборе данных из 100 изображений. Кроме того, Cui et al. [18] предложили дескрипторы Scale Invariant Feature Transform (SIFT) и комбинированную модель на основе Bad of Words (BoW) для извлечения признаков и использовали SVM для классификации набора данных, состоящего из 340 изображений автомобилей, микроавтобусов и грузовиков.В результатах показано, что предложенный классификатор достиг 90,2% точности на предоставленном наборе данных. Вен и др. [19] предложили классификатор транспортных средств с быстрым обучением на основе AdaBoost для разделения данных на классы транспортных средств и нетранспортных средств. Более того, авторы предложили алгоритм извлечения признаков, подобных Хаару, для быстрого обучения классификаторов. Представленный классификатор был оценен на общедоступном наборе данных Калифорнийского технологического института, в котором система достигла точности 92,89%.

Для преодоления проблем классификаторов, основанных на признаках, созданных вручную, были предложены системы на основе глубоких признаков.Донг и др. [20] представили метод полуконтролируемой классификации на основе CNN для классификации транспортных средств в реальном времени. Для извлечения информации об относительном транспортном средстве был разработан метод на основе фильтра разреженного Лапласа, а слой softmax был обучен вычислению вероятности класса принадлежащего транспортного средства. Представленный метод был оценен на наборе данных Bit-Vehicle и достиг точности 96,1% и 89,6% для дневных и ночных изображений соответственно. В другой исследовательской работе Wang et al. [21] представили метод классификации транспортных средств на основе Fast R–CNN для наблюдения за дорожным движением в режиме реального времени.Был собран набор перекрестных данных, состоящий из 60 000 изображений, которые были разделены на обучающие и тестовые данные, на которых предлагаемый метод достиг точности 80,051%. Цао и др. [22] предложили CNN и сквозную комбинированную архитектуру для классификации транспортных средств в условиях недержания мочи. Предлагаемая структура была оценена на наборе данных CompCars с поддержкой представлений, в котором предложенный классификатор достиг уровня точности 0,953. Чаухан и др. [23] предложили основу классификации транспортных средств на основе CNN для классификации и подсчета транспортных средств на автомобильных дорогах.Авторы утверждают, что предложенная структура достигла 75% MAP на собранном наборе данных из 5562 видеозаписей с камер видеонаблюдения о дорожном движении. Джо и др. [24] предложили платформу GoogLeNet, основанную на трансфертном обучении, для классификации транспортных средств в дорожном движении. Авторы показали, что представленный классификатор достиг уровня точности 0,983 при экспериментировании с набором данных ILSVRC-2012. Ким и др. [25] предложили комбинированный метод извлечения признаков на основе PCANeT-HOG-HU, который предоставляется SVM в качестве входных данных для обучения модели классификации.Кроме того, авторы собрали набор данных, состоящий из 13700 изображений транспортных средств с учетом шести категорий транспортных средств (т. е. мотоцикл, фургон, легковой автомобиль, грузовик, микроавтобус и большой автобус), извлеченных из видео наблюдения для обучения и тестирование предлагаемой сети классификации. Результаты показали, что предлагаемый облегченный классификатор достиг средней точности 98,34% на предоставленном наборе данных.

Хотя подходы, основанные на глубоких признаках, могут эффективно повысить точность классификации транспортных средств, этим методологиям требуется огромный объем данных для достижения значительной точности в приложениях ITS в реальном времени [26–29].В последнее время в этой области были проведены обширные исследования; однако доступные общедоступные наборы данных по беспилотным транспортным средствам/интеллектуальным транспортным системам включают современные типы транспортных средств, которые распространены в хорошо развитых странах. Следовательно, эти системы классификации неприменимы для интеллектуальных транспортных систем азиатских стран, т. е. Пакистана, Индии, Бангладеш и Китая. Вышеупомянутые проблемы указывают на необходимость новой системы классификации транспортных средств вместе с набором данных, который охватывает обычные транспортные средства, т.е.э., традиционные грузовики, автобусы, легковые автомобили, рикши и мотоциклы азиатских стран.

3. Предлагаемый метод

Для решения вышеупомянутых проблем мы представляем новый набор данных о транспортных средствах, состоящий из 10 000 изображений, имеющих шесть классов, основанных на обычных транспортных средствах, как показано на рисунке 1. Для повышения производительности предлагаемая классификация в приложениях ITS в реальном времени, изначально существующие предварительно обученные AlexNet [30], VGG [31], GoogleNet [32], Inception-v3 [33] и ResNet [34] настраиваются на самостоятельно созданном наборе данных. чтобы получить окончательную сеть.На основе производительности этих моделей выбирается наиболее производительная модель для точной настройки, чтобы повысить точность классификации сети. Чтобы обеспечить обобщение, предлагаемая сеть дополнительно настраивается на общедоступном наборе данных VeRi для надежной работы в интеллектуальной транспортной системе разных регионов. Весь процесс кратко описан ниже на рис. 1.


3.1. Набор данных

В системах классификации на основе глубокого обучения набор данных является ключевым входом, который помогает алгоритмам изучать функции для выполнения прогнозов на основе полученной информации.В настоящее время, насколько нам известно, не существует общедоступного общедоступного набора данных о транспортных средствах, который содержит изображения обычных транспортных средств для решения проблем классификации. Например, наборы данных автомобилей CompCars и Standford содержат только классы современных автомобилей определенных регионов, которые нельзя использовать в системах классификации в реальном времени других регионов. Кроме того, предлагаемый набор данных отличается от существующих наборов данных с точки зрения функций и представлений. Кроме того, существующие системы классификации транспортных средств обучаются на относительно небольших наборах данных, содержащих ограниченные классы, что не очень хорошо работает в приложениях интеллектуальных транспортных систем в реальном времени [35].Для решения этих проблем в разных регионах собираются видеозаписи с дорожных камер и видеозаписи вождения, чтобы извлечь изображения транспортных средств. На основе анализа определены шесть распространенных классов дорожных транспортных средств, а набор данных сформирован посредством ручной маркировки с помощью инструмента редактирования окон, как показано на рисунке 2. Набор данных содержит 10 000 изображений, которые были разделены на шесть классов (т. фургон, грузовик, мотоцикл и рикша), и каждый класс состоит из 1670 изображений.

3.2. Расширение данных

Увеличение данных уравнениями — это самый простой и наиболее распространенный метод уменьшения переобучения из сети путем искусственного расширения набора данных с помощью методов преобразования с сохранением меток [36].Чтобы увеличить разнообразие нашего набора данных, мы использовали четыре различных типа увеличения данных: (i) размытие по Гауссу, (ii) вращение, (iii) горизонтальное отражение и (iv) гауссов шум, как показано на рисунке 3.


Мы использовали размытие по Гауссу с ядром 5 × 5, чтобы уменьшить высокочастотные зашумленные пиксели при сохранении низкой пространственной частоты за счет свертки ядра Гаусса по изображению размером 224 × 224. Во втором типе увеличения данных, то есть вращении, мы использовали 10-градусный поворот изображений исходного набора данных, чтобы создать разнообразное представление исходного набора данных.Третий тип увеличения данных включает в себя генерацию набора данных путем горизонтального отражения исходного набора данных, тогда как мы использовали гауссовский шум в качестве четвертого типа увеличения данных, чтобы добавить в набор данных некоторый случайный фактор освещения. Здесь важно отметить, что горизонтальное отражение, размытие по Гауссу и вращение применяются к обучающему набору данных, тогда как гауссовский шум применяется к тестовому набору данных, как показано на рисунке 3. Основная цель применения аугментации данных на основе гауссовского шума к тестовому набору данных, чтобы проверить эффективность предложенной сети классификации на зашумленных данных.

3.3. Сверточная нейронная сеть (CNN), модель

CNN — это контролируемые сети с прямой связью, которые доказали значительную эффективность в крупномасштабных приложениях классификации объектов. Базовая структура CNN стимулируется ключевой зрительной корой головного мозга человека, которая наблюдает за обработкой зрительной информации [37]. При классификации изображений, по сравнению с традиционными методами извлечения признаков вручную, CNN могут автоматически извлекать обучаемые визуальные признаки из входных изображений крупномасштабного набора данных из классов для выполнения классификации.Одно из основных преимуществ CNN по сравнению с традиционными методами классификации заключается в том, что в CNN представление признаков и классификатор используются в одной и той же сети для устранения их зависимостей. Архитектура CNN в основном включает три типа уровней: (i) уровни свертки, (ii) уровни объединения и (iii) соединительные уровни, которые кратко обсуждаются ниже.

3.4. Сверточные слои

Сверточные слои считаются одним из наиболее важных слоев в CNN, которые состоят из определенного набора обучаемых фильтров.Фильтры пространственно меньше размера ввода, который скользит по входным данным изображения во время прямого прохода для создания двумерной карты активации. Карта активации указывает местоположение вместе с силой обнаруженных визуальных признаков во входном изображении. Вычисление признаков сверточных слоев выполняется с использованием где n th карта признаков l-слоя, C-ядро, извлечение признаков из слоя-l и характерные шаблоны, связанные с слоем-l. .

3.5. Слои объединения

Слой объединения обычно используется между последовательными слоями свертки структуры CNN, чтобы постепенно минимизировать размер пространственного представления, чтобы уменьшить вычисления, сохраняя при этом полезную информацию, которая помогает контролировать переоснащение в процессе обучения. Важно отметить, что в существующих современных CNN используются два типа слоев объединения, т. е. слой объединения, имеющий размер фильтра = 2 вместе с шагом = 3, что называется объединением с перекрытием; другой объединяющий слой с размером фильтра  = 2 имеет шаг 2.Кроме того, в существующих CNN также использовались некоторые другие типы объединения, т. е. объединение по норме L2 и функции объединения по среднему значению. Функцию пула можно выполнить, используя значение, извлеченное из l — 1 объектов свертки, вес карты и значение смещения.

3.6. Drop-Out Layer

В CNN регуляризация является распространенным способом избежать эффектов переобучения путем добавления значительного штрафа к используемой функции потерь. В связи с этим в нижней части предлагаемой сети добавляется выпадающий слой, чтобы система не изучала взаимозависимые веса признаков.

3.7. Полносвязный слой

В последнем разделе структуры CNN нейроны полносвязного слоя связаны со всеми активациями предыдущего слоя, чтобы минимизировать размеры признаков. Последний слой пула CNN выравнивает сверточный слой, который перенаправляется на полностью подключенные узлы сети. На следующем этапе применяется матричное умножение для вычисления этих активаций с последующим смещением коэффициента смещения. Полносвязные нейроны можно вычислить с помощью функции where is No.нейронов выходного слоя – м характеристических паттернов слоя l-1, а – связанные веса.

3.8. Выбор модели CNN

При обучении с учителем сети на основе CNN продемонстрировали выдающуюся эффективность классификации крупномасштабных наборов данных [38–41]. Чтобы выбрать подходящую модель CNN, мы изначально настроили существующие современные модели AlexNet, Inception-v3, GoogleNet, VGG и ResNet в соответствии с классами собранного набора данных.На следующем этапе к этим моделям применяется трансферное обучение для оценки набора данных о транспортных средствах, созданных самостоятельно. В результате ResNet продемонстрировала лучшую применимость с точки зрения сходимости, времени отклика и точности, чем конкурирующие сети (кратко обсуждается в разделе 4). Следовательно, сетевая архитектура ResNet со 152 уровнями улучшена и используется в предлагаемой системе классификации транспортных средств.

4. Архитектура

В предлагаемой системе мы использовали архитектуру ResNet для выполнения классификации транспортных средств, одну из самых новаторских архитектур CNN, предложенную He et al.[34], который продемонстрировал выдающиеся результаты в распознавании и классификации объектов, заняв первое место в ILSVRC-15 с коэффициентом ошибок 3,57% [34]. В предыдущих сетях глубокого обучения увеличение сетевых слоев могло вызвать проблему исчезающего градиента, из-за которой модель не могла сходиться в лучшем виде. В сетевой архитектуре ResNet был введен новый метод, основанный на пропуске соединения, при котором каждый ввод с предыдущего уровня накапливается для вывода следующего уровня. Поскольку сеть идет глубже, был также принят дизайн узкого места, чтобы уменьшить временную сложность этой архитектуры CNN.Мы использовали метод обучения с переносом, при котором модель, обученная для какой-то конкретной задачи, может быть настроена для выполнения другой задачи путем простого изучения новых весов. Этот подход может быть эффективен, если у нас меньше данных, которых недостаточно для обучения с нуля.

В этой работе мы развернули предварительно обученную сеть ResNet-152 для классификации транспортных средств, как показано в таблице 1. Эта сеть имеет глубину 152 слоя, что было достигнуто путем замены каждого 2-слойного блока в исходной ResNet на Трехслойный блок узкого места [34].Входной слой этой сети принимает цветное изображение RGB размером 224×224 пикселя. В таблице 1 можно заметить, что структура представленного метода использует 64 ядра свертки 7 × 7 с шагом 2 в первом слое, а слой максимального объединения 3 × 3 с шагом 2 используется для первый конвенционный слой. Далее сверточные блоки, т. е. 2–5, организованы в виде трехслойных узких мест, имеющих несколько фильтров до 128, 256, 1024 и 2048, за которыми следует адаптивно-усредненный объединяющий слой соответственно.Для выполнения трансферного обучения из сети был удален последний полносвязный слой, который был предварительно обучен для выполнения классификации 1000 естественных категорий. Кроме того, мы добавляем новый классификационный блок, состоящий из полностью связанного слоя, имеющего вектор признаков из 1024 нейронов, замененный слоем объединения средних значений, и слоем ReLU для изучения новых визуальных признаков из обучающего набора данных. В нижней части сети находится выпадающий слой для решения проблемы исчезающего градиента. На основе блока классификации вставляется новый полносвязный слой для выполнения шести типов классификации транспортных средств, где каждая единица в последнем слое связана с выходной вероятностью шести классов с использованием функции softmax.Чтобы гарантировать, что эти новые слои изучают визуальные функции более высокого уровня из набора данных, мы увеличили скорость обучения этих слоев по сравнению с предыдущими слоями, скорость обучения которых остается неизменной. Мы установили размер пакета и общее количество эпох на 64 и 100 соответственно. Обучение сети проводилось на мощной вычислительной машине, оснащенной RTX 2080TI, графическим процессором DDR5 11 ГБ, процессором Core i9 — 9900k и оперативной памятью 32 ГБ, на выполнение которого ушло 8 часов.



1

Размер слоя Размер выхода слоев

CONV 1 112 × 112 Размер ядра = 7 × 7, количество ядров = 7 × 7, количество ядер = 64, Stride = 2
Пул 56 × 56 Kernel Size = 3 × 3, Stride = 2
CORV 2 56 × 56 × 3
COV 3 28 × 28 × 3 × 3
COV 4 14 × 14 × 3
COV 5 7 × 7 × 3
Пул 1 × 1 Adaptive -average-Poowing 2D
Предлагаемый классификационный блок FC1: In-Hapers = 2048, OUT-функция = 1024
RELU (на месте)
выпадают (0.5)
FC2: In-Happy = 1024, OUT-Характеристики = 6
Softmax ()
Классификационный выход (Крест энтропия)

5. Эксперименты и результаты

Предлагаемый метод классификации транспортных средств оценивается на платформе, основанной на наборе данных. Эксперименты проводились на тяжелой вычислительной машине, оснащенной RTX 2080TI, 11 ГБ графического процессора DDR5, процессором Core i9 — 9900k, а также 32 ГБ оперативной памяти с 64-битной операционной системой Windows 10.

5.1. Обучение предлагаемой системе классификации

Весь процесс обучения разбит на три этапа: (i) предварительная обработка данных, (ii) обучение и (iii) оценка. На первом этапе изображения набора данных распределяются по обучающим, проверочным и тестовым данным, нормализованным до размера 224 × 224 в соответствии со стандартным входным размером архитектуры CNN. Обучающие и тестовые изображения случайным образом разбиваются на 80–20% от общего числа изображений набора данных, а проверочный набор формируется путем случайного выбора 20% изображений из обучающего набора.Библиотека Pytorch 1.4.0 и MATLAB 2019a используются для реализации (т. е. предварительной обработки и организации данных, обучения, оценки и модификации сети) предлагаемой системы классификации. Эксперименты были разделены на три типа: (i) оценка сетей без точной настройки, (ii) оценка точной модели на основе набора данных о транспортных средствах, созданных самостоятельно, и (iii) оценка точной модели на общедоступном наборе данных VeRi. набор данных, которые кратко обсуждаются ниже.

5.2. Оценка современных CNN без тонкой настройки

Для оценки CNN AlexNet, Inception-v3, GoogleNet, VGG и ResNet загружаются из ресурсов Pytorch. Обучение этих сетей выполняется с использованием фреймворка Pytorch; оптимизатор стохастического градиентного спуска (SGD) используется для обучения параметров с импульсом, скоростью обучения и размером партии 0,9, 0,001 и 128 соответственно. Кросс-энтропия, обычно используемая функция потерь, используется для накопления потерь в течение всего процесса, а проверка выполняется после каждой эпохи для оценки обучения при обучении сети.Сравнительная точность этих сетей показана на рисунке 4.


Обсуждение: Из рисунка 4 видно, что ResNet со 152 слоями продемонстрировал лучшую точность, чем 19-слойный VGG, 22-слойный GoogLeNet, AlexNet с 25 слоями. слоев и Inception-v3 со средней разницей в 1,7%. Следовательно, можно предположить, что ResNet может достичь большей точности после тонкой настройки архитектуры.

5.3. Оценка модифицированной сети на основе самостоятельно созданного набора данных о транспортных средствах

На основе производительности сетей, рассмотренных в предыдущем разделе, архитектура ResNet улучшена за счет добавления нового блока классификации в основу сети.Новый классификационный блок состоит из полносвязных слоев, за которыми следуют слои среднего пула и Relu соответственно. Однако, чтобы найти наиболее подходящие векторы признаков полностью связанных слоев, ResNet со 152 слоями была оценена на самостоятельно сконструированном наборе данных с несколькими комбинациями векторов признаков полностью связанных слоев в блоке классификации для повышения надежности сети.

Чтобы применить трансферное обучение, извлечение признаков настраивается на недавно добавленный блок классификации для изучения оптимальных весов и смещений из входного набора данных.Оптимизатор SGD вместе с теми же параметрами, то есть скоростью обучения и импульсом, используется при обучении и оценке предлагаемой системы классификации. Из таблицы 2 видно, что предложенная сеть с двумя полностью связанными, содержащими более высокие векторы признаков, достигла значительно более высокой точности среди других слоев FC с низкими векторами признаков. Полносвязный слой-1 передает 2048 признаков вниз по блоку классификации. Одновременно с этим к классификационному блоку сети был добавлен другой слой FC с более высокими векторами признаков.

9223 9 9951%


№ FCS FC1 OUT FC2 AUT-HOUCE FC2 OUT FC2 OUT Точность

1 6 95.14% 1536 9 1536 6 99,74% 99,74%
2 1024 1024 6 9029 99.68%
2 768 768 768 768 6 99,51%

На следующем шаге предлагаемая сеть с различными глубинными слоями, т. Е. 34, 50, 101 и 152, и производительность этих сетей с точки зрения точности показана в таблице 3. Общая точность Bus автомобиль Motorbike Rickshaw Truck Van


18 95.89 99,68 97,77 92,82 97,37 95,56 96,52 34 97,83 98,17 98,66 95,39 97,13 96,92 97,35 50 97.31 98.93 97.95 945 94.57 97.04 97.04 98.70 97.33 97.33 101 98.51 99.02 98,34 96,51 98,93 97,27 98,10 152 99,48 99,68 99,08 100 100 99,65 99,65

Обсуждение: В таблице 3 показано влияние глубины сети на производительность с точки зрения точности самостоятельно созданного набора данных о транспортных средствах.Видно, что производительность ResNet увеличивается с увеличением глубины сети. Следовательно, ResNet со 152 слоями обеспечивает более высокую точность общих классов набора данных по сравнению с ResNet со слоями меньшей глубины. Подробные матрицы производительности редакции с 152 слоями показаны в таблице 4.


99,3072 99,6816 99.93 99.65

Точность Ошибка Специфичность Precision Recall F1 Оценка

Автобус 99.48 0,52 99,90 99,4852 99,13
автомобилей 99,68 0,32 99,94 99,6832 99,68
Мотоциклетные 99,08 0,92 99.82 99.82 99.0832 99.0832 99.08 99.0816129 99.0816
Rickshaw 100,0 0.00 100,0 100.000 99,83 99,9149
Грузовик 100,0 0,00 100,0 100000 99,48 99,7393
Ван 99,65 0,35 99,94 99,6525 99.65 99.6512 99.6512
Всего: 99.65 0.35 99.93 99.65 99.5.4. Оценка модифицированной CNN на наборе данных VeRi

На основе производительности точно настроенных сетей, показанных в таблице 4, предложенная классификационная сеть была точно настроена на общедоступном наборе данных VeRi [42, 43] для обеспечения обобщения. Набор данных, включающий 50 000 изображений, был разделен на шесть классов, т. е. автобус, минивэн, пикап, седан, грузовик и фургон, распределенных по тестовым и железнодорожным наборам в соотношении 80 : 20.Важно отметить, что эти классы выбираются на основе различий в данных. Матрицы эффективности, показанные в Таблице 5, раскрывают эффективность представленной системы классификации.

Сравнение с существующими современными методами классификации транспортных средств

Эффективность представленного метода классификации сравнивается с традиционными методами классификации транспортных средств, чтобы доказать применимость предложенной системы с точки зрения классовой и средней точности, как показано в таблице 6. Существующие системы классификации [11, 44–46] были реализованы в MATLAB 2019a, который был обучен и оценен на наборе данных о транспортных средствах, созданных самостоятельно.

95,51192


класс Точность Ошибка Speciality Precision Recall F1 Оценка

Bus 100.0 0,00 100,0 100000 98,60 99,29507
MPV 94.19 5,86 99,82 94,1914 96,87
Самовывоз 92.76 7.24 99.53 99.53 92.7637 99.04 99.04 95.79916 99 95.79916
Sedan 99.59 99.59 99.91 99.91 99.5971 91,52 95,38787
Грузовик 96,01 3,99 99,18 96,0118 93,64 94,81107
Van 93,79 6,21 98,73 93,7947 98,35 96.01835 96.01835
Всего: 96.06 395 3,95 99.53 96.06 96,34 96,14

5,13
99.68


Метод (ы) Точность (в процентах) Всего
шины автомобиль Motorbike Rickshaw Truck VAN

Zhuo et al. [44] 95.76 94.70 96.70 96.67 95.11 95.11 95.45 92.25 95.49 95.49
Gao et al.[45] 91.78 95.28 97.03 97.03 98.77 93.35 93.35 91.43 92.61 92.61
Shivai et et al. [46] 88.17 90.42 91.78 83.37 83.37 89.71 89.11 89.11 88.96
Zakria et al. [11] 90.55 91.26 97.73 93.36 93.36 94.76 88.99 92.77 92.77
Предлагаемый метод 99.48 99.68 99.68 99.08 100,0 100.0 99.65 99.65 99.65 99.68

Обсуждение. Предложенную систему классификации сравнили с существующими системами классификации транспортных средств [11, 44–46], чтобы подтвердить эффективность предлагаемой сети. Существующие сети были воспроизведены на предлагаемом наборе данных. Чжо и др. [44] представили метод классификации транспортных средств на основе архитектуры GoogleNet с 22-уровневой глубинной сетью.С другой стороны, Gao et al. [45] представили систему классификации транспортных средств на основе AlexNet, содержащую 5 сверточных и 3 полносвязных слоя в сети. Шиваи и др. [46] представили самостоятельную систему классификации транспортных средств на основе CNN, имеющую 13 сверточных слоев и один полностью связанный слой, за которым следуют уровни максимального объединения и отсева, тогда как Zakria et al. [11] представили начальную систему классификации на основе архитектуры. Хотя эти системы продемонстрировали хорошую производительность на своих наборах данных, одна из основных причин разницы в точности заключается в том, что эти существующие системы [11, 44–46] состоят из сетей малой глубины, которые не сходятся на крупномасштабных наборах данных. .Кроме того, существующие системы [11, 44–46] обучаются на ограниченных классах, не охватывающих обычные транспортные средства дорожного движения. В результате эти системы плохо работают в приложениях классификации в реальном времени. Кроме того, здесь важно упомянуть, что эти методы были обучены на несбалансированных наборах данных, что также является влиятельным фактором в работе систем классификации транспортных средств в реальном времени. Следовательно, производительность этих существующих систем искажается при оценке предлагаемого нами самостоятельно созданного сбалансированного набора данных, тогда как, с другой стороны, предлагаемая система классификации транспортных средств обучается на самостоятельно созданном наборе данных о транспортных средствах, состоящем из 10 000 изображений, которые охватывают общие классы дорожного движения и дальнейшую доработку в общедоступном наборе данных VeRi, который содержит 50 000 изображений, чтобы обеспечить обобщение предлагаемой системы классификации.Следовательно, предложенная нами система классификации достигла более высокой точности, чем существующие системы классификации транспортных средств.

6. Заключение

В этой статье предлагается система классификации транспортных средств на основе CNN для повышения эффективности интеллектуальных транспортных систем. Новый набор данных, содержащий 10 000 изображений шести классов, создан для обучения системы классификации. Первоначально пять современных CNN, то есть AlexNet, Inception-v3, GoogleNet, VGG и ResNet, обучаются на собранном наборе данных для проверки производительности.Основываясь на эффективности, ResNet со 152 уровнями улучшен за счет добавления нового блока классификации в исходную сеть посредством обучения с передачей. Чтобы обеспечить обобщение, предлагаемая система классификации точно настроена на общедоступном наборе данных VeRi. Результаты показывают, что предложенная система классификации достигла более высокой точности, т. е. 99,68% и 97,66%, соответственно для самостоятельно созданного набора данных и набора данных VeRi, что значительно выше, чем у существующих современных систем классификации.В будущем мы стремимся расширить нашу работу по разработке системы мелкозернистой классификации для повышения эффективности предлагаемого метода в интеллектуальных транспортных системах.

Доступность данных

Все данные, использованные для подтверждения результатов исследования, доступны в рукописи.

Раскрытие информации

Мухаммад Атиф Батт и Асад Масуд Хаттак являются первыми авторами этой работы.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Вклад авторов

Концептуализация и методология исследования были выполнены Мухаммадом Атифом Баттом, Асадом Масудом Хаттаком и Сармадом Шафиком. Техническую и теоретическую основу подготовили Сармад Шафик и Сайма Абид. Технический обзор и улучшение были выполнены Ахташамом Саджидом, Мухаммадом Вакасом Аюбом, Баширом Хайатом и Аваисом Аднаном. Общую техническую поддержку, руководство и администрирование проекта осуществляли Мухаммад Атиф Батт, Асад Масуд Хаттак, Сайма Абид и Ки-Ил Ким.

Благодарности

Эта исследовательская работа была поддержана Фондом поощрения исследований Университета Зайда #R19096.

Wikizero — Классификация автомобилей

Классификация автомобилей в соответствии с правилами транспортных средств или сегментами рынка

Эта статья посвящена классификации автомобилей в соответствии с правилами транспортных средств или сегментами рынка. Типы кузова (например, седан, купе, хэтчбек) см. в разделе Тип кузова автомобиля.

Правительства и частные организации разработали схемы классификации автомобилей , которые используются для различных целей, включая регулирование, описание и классификацию автомобилей.

Международный стандарт ISO 3833-1977 Дорожные транспортные средства. Типы. Термины и определения также определяет термины для классификации автомобилей. [1]

Краткое изложение классификаций[править]

В следующей таблице приведены наиболее часто используемые термины сегментов рынка и юридических классификаций.

— —
8
Евро Автомобильный сегмент [2] EURO NCAP Class US EPA
Размер класса [3]
Другие распространенные
Условия сегмента
Примеры
квадроцикл MicroCar
Bubble Car
Bond Bond Bull, Smart Fortwo, Isetta,
Mega City, Renault Twizy
A-сегмент Mini Cars Supermini MiniCompact City Car
Kei Car ( JP )
Chevrolet Spark, Fiat 500, Kia Picanto,
Suzuki Alto, Renault Twingo
B-сегментные маленькие автомобили Subcompact Ford Fiesta, Kia Rio, Opel Corsa,
Peugeot 208 , Volkswagen Polo
Средние автомобили C-сегмента Малый семейный автомобиль Компактный Hon da Civic, Hyundai Elantra, Ford Focus,
Toyota Corolla, Volkswagen Golf
Малолитражка представительского класса Acura ILX, Audi A3, BMW 1 Series,
Lexus CT, Mercedes-Benz A-Class
D-сегмент большие автомобили Большой семейный автомобиль Среднеразмерный Ford Mondeo, Toyota Camry, Peugeot 508,
Mazda6, Volkswagen Passat
Компактный представительский (U.K.)
Люкс начального уровня (США)
Alfa Romeo Giulia, Audi A4, BMW 3 серии,
Lexus IS, Mercedes-Benz C-Class
Автомобили представительского класса E Представительский Большой Полноразмерный автомобиль (США) Chevrolet Impala, Chrysler 300, Ford Taurus,
Holden Caprice, Toyota Avalon
Среднеразмерный люкс (США) Audi A6, BMW 5 серии, Cadillac CT5,
Mercedes -Benz E-Class, Tesla Model S
Автомобили класса люкс F-сегмента Полноразмерные автомобили класса люкс (U.S.)
Люксовый седан (Великобритания)
Audi A8, BMW 7 серии, Jaguar XJ,
Mercedes-Benz S-класса, Porsche Panamera
Спортивные купе S-сегмента 9 9 Суперкар 9 Bugatti Chiron, Laferrari, Lamborghini Aventador,
Pagani Huayra, Porsche 918 Spyder
Chevrolet Charolet Chevrolet Camaro, Mercedes-Benz CLK,
Volvo C70, Volkswagen EOS, OPEL Cascada
Родстер спортивный Двухместный Родстер
Спорткар
BMW Z4, Lotus Elise, Mazda MX-5,
Porsche Boxster, Mercedes-Benz SLK
Многоцелевые автомобили M-сегмента 7 09 Минивэн Минивэн Citroën C3 Picasso, Kia Venga, Ford B-Max,
Opel Meriva, Fiat 500L
Компактвэн Chevrolet Orlando, Ford C -Max, Suzuki Ertiga,
Renault Scénic, Volkswagen Touran
Большой минивэн Перевозчик ( AU ) Chrysler Pacifica (RU), Kia Carnival, Renault 9010 Grand Sino Espace,
Citroë2 Toyota Grand Sino Espace,
Citroë2
Внедорожники J-сегмента Малый внедорожник 4×4 Малый внедорожник Mini 4×4 (U.K.)
Мини-внедорожник (США)
Daihatsu Terios, Ford EcoSport, Jeep Renegade,
Peugeot 2008, Suzuki Jimny
Компактный внедорожник 4×4 (Великобритания)
Компактный внедорожник
Toyota RAV4, Ford Escape ,
Peugeot 3008, Kia Sportage
Большой внедорожник 4×4 Стандартный внедорожник Большой 4×4 (Великобритания, AU )
Среднеразмерный внедорожник (США) Hyundai Santa Jeep, Grand Edge 901 Cherokee,
Volkswagen Touareg, Volvo XC90
Полноразмерный внедорожник (U.S.)
Большой 4×4 (Великобритания)
Верхний большой внедорожник ( AU )
Lincoln Navigator, Range Rover, Chevrolet Suburban,
Toyota Land Cruiser, Mercedes-Benz GLS

Сегменты рынка[править]

8 Микроавтомобиль / кей-кар [4]

Микроавтомобили находятся на границе между автомобилем и мотоциклом и часто подпадают под действие отдельных правил по сравнению с обычными автомобилями, что приводит к смягчению требований к регистрации и лицензированию.Объем двигателя часто составляет 700 куб. см (43 куб. Дюйма) или меньше, а микроавтомобили имеют три или четыре колеса.

Микроавтомобили наиболее популярны в Европе, где они появились после Второй мировой войны. Предшественниками микроавтомобилей были вуатюретки и веломобили. Кей-кары используются в Японии с 1949 года.

Примеры микрокаров и кей-каров:

A-сегмент / Городской автомобиль / Minicompact [править]

Наименьшая категория транспортных средств, зарегистрированных как обычные автомобили, называется A-сегментом. в Европе или «городской автомобиль» в Европе и США.Агентство по охране окружающей среды США определяет эту категорию как «миникомпактный». Однако этот термин не получил широкого распространения.

Аналоги автомобилей А-сегмента производятся с начала 1920-х годов. Однако популярность этой категории возросла в конце 1950-х годов, когда были выпущены оригинальные Fiat 500 и BMC Mini.

Примеры сегмента A / городских автомобилей / миникомпактных автомобилей:

сегмента B / супермини / малолитражных автомобилей Соединенные Штаты.

Размер малолитражного автомобиля определяется Агентством по охране окружающей среды США (EPA) как имеющий общий объем салона и грузового отсека от 85 до 99 кубических футов (2410–2800 л). [5] Поскольку меньшая категория мини-компактов EPA не так широко используется широкой публикой, автомобили A-сегмента иногда называют малолитражными в Соединенных Штатах. В Европе и Великобритании категории B-сегмента и супермини не имеют формальных определений, основанных на размере.

Первые супермини-автомобили в Великобритании включают Ford Fiesta 1977 года и Vauxhall Chevette.

В Соединенных Штатах первыми малолитражными автомобилями местного производства были AMC Gremlin 1970 года, Chevrolet Vega и Ford Pinto. [6]

Примеры автомобилей B-сегмента / супермини / малолитражных автомобилей:

C-сегмента / малого семейства / компактных автомобилей автомобиль

в Европе и компактный автомобиль в США.

Размер компактного автомобиля определяется Агентством по охране окружающей среды США (EPA) как совокупный объем салона и грузового отсека 100–109 куб. футов (2,8–3,1 м 3 ). [5]

Примеры C-сегмента / компактных / малых семейных автомобилей:

D-сегмента / большой семьи / среднего размера[править]

В Европе третья по величине категория легковых автомобилей называется D-сегмент или большой семейный автомобиль .

В Соединенных Штатах эквивалентным термином является автомобиля среднего размера или автомобиля среднего размера .Агентство по охране окружающей среды США (EPA) определяет автомобиль среднего размера как имеющий общий пассажирский и грузовой объем 110–119 кубических футов (3,1–3,4 м 3 ).

Примеры автомобилей сегмента D/больших семей/автомобилей среднего размера:

Сегмент E/автомобили представительского класса/полноразмерные , которые обычно являются роскошными автомобилями.

В других странах эквивалентными терминами являются полноразмерный автомобиль или большой автомобиль , которые также используются для относительно доступных больших автомобилей, которые не считаются роскошными автомобилями.

Примеры нероскошных полноразмерных автомобилей:

F-сегмент / Роскошный седан / Полноразмерный люкс

См. раздел Роскошный седан / полноразмерный люкс ниже.

Минивэны/MPV[править]

Минивэн — американская классификация автомобилей для транспортных средств, которые предназначены для перевозки пассажиров на задних рядах сидений, имеют реконфигурируемые сиденья в два или три ряда. Эквивалентными терминами в британском английском являются многоцелевое транспортное средство (MPV), пассажирский транспорт и пассажирский транспорт.Минивэны часто имеют конфигурацию кузова «один ящик» или «два ящика», высокие крыши, плоские полы, раздвижные двери для задних пассажиров и сиденья с высокой точкой Н.

Минивэн[править]

Минивэн — это минивэн наименьшего размера, и автомобили часто строятся на платформах моделей хэтчбеков B-сегмента.

Примеры минивэнов:

Компактвэн[править]

Компактвэн — это минивэн среднего размера. Класс компактных минивэнов находится между классами минивэнов и больших минивэнов (минивэнов).

Компактные минивэны остаются преимущественно европейским явлением, хотя они также производятся и продаются на многих рынках Латинской Америки и Азии.

Примеры компактных минивэнов:

Большой минивэн[править]

Минивэны самого большого размера также называются «большим минивэном» и стали популярными после появления в 1984 году Renault Espace и Dodge Caravan. С 1990-х годов также стали популярными минивэны меньшего размера компактные минивэны и минивэны. Если термин «минивэн» используется без указания размера, он обычно относится к большому минивэну.

Примеры больших минивэнов:

Автомобили класса люкс[править]

Компактный премиум-класс[править]

Компактный премиум-класс (также называемый малолитражным представительским) — это самая маленькая категория роскошных автомобилей. Он стал популярным в середине 2000-х годов, когда европейские производители, такие как Audi, BMW и Mercedes-Benz, представили новые модели начального уровня, которые были меньше и дешевле своих компактных представительских моделей. [8]

Примеры компактных автомобилей премиум-класса:

Компактный представительский / роскошный компактный автомобиль представительский автомобиль

.Компактные автомобили представительского класса по размеру эквивалентны автомобилям среднего размера и относятся к сегменту D в европейской классификации автомобилей.

В терминах Северной Америки близкими эквивалентами являются «роскошный компактный» [9] [10] [11] [12] и «роскошный автомобиль начального уровня», [13] [ 14] [15] , хотя последний также используется для компактных автомобилей премиум-класса меньшего размера . [16] [17]

Примеры компактных автомобилей представительского класса:

Представительский / среднеразмерный люкс [править]

Автомобиль представительского класса — это автомобиль премиум-класса больше, чем компактный представительский , но меньше, чем полноразмерный автомобиль класса люкс .Автомобили представительского класса классифицируются как автомобили E-сегмента в европейской классификации автомобилей.

В США и некоторых других странах эквивалентными категориями являются полноразмерные автомобили (не путать с европейской категорией «полноразмерные автомобили класса люкс») или автомобили класса люкс среднего размера .

Примеры автомобилей представительского класса:

Роскошный седан / полноразмерный роскошный автомобиль Соединенные Штаты.Эти автомобили классифицируются как автомобили F-сегмента в европейской классификации автомобилей.

Транспортные средства этой категории часто являются флагманскими моделями марок автомобилей класса люкс. [18]

Примеры роскошных седанов:

Спортивные / спортивные автомобили Однако термин «спортивный автомобиль» также иногда используется специально для легких двухместных автомобилей. Спортивные / спортивные автомобили могут быть построены на уникальных платформах или быть модернизированными версиями обычных автомобилей.

Общие категории спортивных/мощных автомобилей:

Определения этих категорий часто размыты, и автомобиль может относиться к нескольким категориям.

Спортивный автомобиль[править]

Спортивные автомобили созданы для того, чтобы подчеркнуть управляемость, производительность или удовольствие от вождения. Спортивные автомобили появились в Европе в начале 1900-х годов, и одно из первых зарегистрированных случаев использования термина «спортивный автомобиль» было в газете The Times в Соединенном Королевстве в 1919 году. [19] Спортивные автомобили стали популярными в 1920-х годах. [20] Первоначально этот термин использовался для обозначения двухместных родстеров (автомобили без фиксированной крыши). Однако с 1970-х годов этот термин также использовался для автомобилей с фиксированной крышей (которые ранее считались гранд-туристами). [21]

Примеры спортивных автомобилей:

Спортивный седан / спортивный седан разработан, чтобы иметь спортивные характеристики или характеристики управляемости.

Примеры спортивных седанов:

Суперкар / гиперкар[править]

Суперкар, также называемый экзотическим автомобилем, — это нечеткое определение некоторых высокопроизводительных спортивных автомобилей. С 1990-х или 2000-х годов термин «гиперкар» стал использоваться для обозначения самых мощных суперкаров.

Примеры суперкаров:

Внедорожники / внедорожникиМежду этими категориями нет общепринятых границ, и использование терминов варьируется в зависимости от страны.

Внедорожник[править]

Самый ранний тип легкового автомобиля называется «внедорожник», «четыре на четыре» или «полный привод». Внедорожники обычно больше ориентированы на бездорожье, чем внедорожники и кроссоверы (часто ставя под угрозу их ходовые качества или управляемость). [22] Общими чертами внедорожников являются полный привод, высокий дорожный просвет, рамная конструкция (отдельное шасси) и понижающая передача.

Примеры внедорожников:

Внедорожник[править]

Внедорожник (SUV) сочетает в себе элементы дорожных легковых автомобилей с чертами внедорожников, такими как увеличенный клиренс и четыре колеса. колесный привод.

Общепринятого определения внедорожника не существует, и его использование зависит от страны. Некоторые определения утверждают, что внедорожник должен быть построен на шасси легкого грузовика. Однако более широкое определение рассматривает любое транспортное средство с внедорожными конструктивными особенностями как внедорожник.В некоторых странах, например в США, внедорожники были классифицированы как «легкие грузовики», что привело к более мягким правилам по сравнению с легковыми автомобилями.

Предшественниками внедорожников являются военные и малосерийные модели конца 1930-х годов, а также полноприводные универсалы/кроссовки, которые начали выпускаться в 1949 году. Jeep Cherokee (XJ) 1984 года считается самым первый внедорожник в современном стиле. Большинство производимых сегодня внедорожников имеют цельную конструкцию (как у легковых автомобилей).Однако в прошлом многие внедорожники использовали конструкцию кузова на раме.

Примеры внедорожников:

Кроссовер SUV[править]

Кроссовер SUV, также называемый кроссовером или CUV, — это тип внедорожника, в котором используется цельная конструкция. Кроссоверы часто основаны на платформе, общей с легковым автомобилем, в результате они, как правило, имеют лучший комфорт и экономию топлива, но меньшую проходимость по бездорожью (многие кроссоверы продаются без полного привода), чем внедорожники на базе грузовика. больше, чем легковых автомобилей.

Существуют различные несоответствия в отношении того, считаются ли транспортные средства кроссоверами или внедорожниками, поэтому термин «внедорожник» часто используется как универсальный как для кроссоверов, так и для внедорожников.

Примеры кроссоверов-внедорожников:

Государственные методы классификации

[23]

Государственные ведомства часто создают схемы классификации для целей налогообложения или регулирования использования транспортных средств (например,грамм. транспортные средства, требующие специальной лицензии или ограниченные движением по определенным дорогам). В некоторых юрисдикциях налог на транспортное средство может определяться на основе экологических принципов, таких как принцип «платит пользователь». [24]

Австралия[править]

В Австралии Федеральная палата автомобильной промышленности публикует свои собственные классификации. [25]

Канада [править]

Аналогичный набор классов используется Агентством по охране окружающей среды Канады. [26] Канадская национальная база данных столкновений (NCDB) определяет «легковой автомобиль» как уникальный класс, но также выделяет две другие категории, включающие пассажирские транспортные средства — «пассажирский фургон» и «легкий грузовой автомобиль» — и эти категории непоследовательно обрабатываются по всей стране с границы между транспортными средствами все более размытыми. [27]

Соединенное Королевство[править]

В Соединенном Королевстве транспортное средство облагается налогом в зависимости от конструкции транспортного средства, двигателя, веса, типа топлива и выбросов, а также цели, для которой оно используется. [28]

США .

[29]

США Определение Определение
Регулярные две двери Двухверные седаны и хэтчбеки
Регулярные четырехверные Четырехдверные седаны и хэтчбеки
Вагоны станции четыре двери, задний люк, и четыре колонны
Minivans фургоны с раздвижными задними дверями
Sports Две метеры и автомобили со значительными функциями высокого качества
Люкс Относительно дорогие автомобили, не классифицируемые как спортивные (цена в долларах США при снаряженной массе в фунтах более 9.0 в 2010 г.) (маленькие автомобили дороже 27 000 долларов США, автомобили среднего размера дороже 31 500 долларов США, большие автомобили дороже 36 000 долларов США и т. д.)
9012
Страховой институт дорожной безопасности США | Highway Loss Data Institute «Руководство по размерным группам автомобилей» (включая минивэны) [30]
Shadow (в квадратных футах внешняя длина × ширина)
Снаряженная масса 6,5–7,4 м 2 ) 81–90 кв. футов (7.5-8.4 м 2 ) 91-100 кв. ФТ (8.5-9.3 м 2 ) 101 до 110 кв. ФТ (9.4-10,2 м 2 ) > 110 кв. Фт (10,2 м 2 )
2,001 до 2500 фунтов (900-1250 кг) Mini маленький маленький Small Midsize
2,501 до 3000 фунтов (1 1550-1350 кг) Small Small Midsize в среднем 70129 70129
3,001-300129 Small Small Midsize Midsize Bard Bard
3,501 до 4000 фунтов (1600 -1,800 кг) Small Midsize Большой Большой Очень большой
> 4000 фунтов (1 800 кг) Midsize Midsize Большой 901 29 очень большой очень большой
9 )

3

США IIHS | HLDI Руководство по внедорожнику группы [31]
бордюр
Mini <= 3000 фунтов 1350 кг) и тень <80 кв. футов (7.4 м 2 )
Маленький 3,001 до 3750 фунтов (1,350-1700 кг)
70130
70129 3 751 до 4750 фунтов (1 700-2,150 кг)
Большие 4,751 до 5,750 LB (2150-2600 кг)
Очень большой > 5,750 фунтов (2,600 кг) или тени> 115 кв. Фт (10,7 м 2 )

Национальная администрация безопасности дорожного движения США (NHTSA ) разделяет автомобили на классы по снаряженной массе автомобиля со стандартным оборудованием, включая максимальный запас топлива, масла, охлаждающей жидкости и кондиционера, если таковой имеется. [32]

US NHTSA классификация код бордюр
легковых автомобилей: MINI PC / MI 1500 до 1 999 фунтов (700-900 кг)
пассажир Автомобили: Light PC / L 200100-2499 LB (900-1150 кг)
Пассажирские машины: Compact PC / C 2500 до 2999 фунтов (1150-1350 кг)
Пассажир Автомобили: Medium PC / ME 3000 до 3,499 фунтов на 3000-3499 фунтов (1350-1600 кг)
легковые автомобили: тяжелые PC / H 3500 фунтов (1600 кг) и более
спортивные коммунальные услуги внедорожников
PU
Vans Van

Соединенные Штаты Администрация разработала классификационную схему, используемую для автоматического расчета платы за пользование дорогами.Есть две широкие категории в зависимости от того, перевозит ли транспортное средство пассажиров или товары. Транспортные средства, перевозящие товары, далее подразделяются по количеству осей и количеству агрегатов, включая как силовые агрегаты, так и прицепы. [33]

Агентство по охране окружающей среды США (US EPA) разработало классификационную схему, используемую для сравнения экономии топлива среди аналогичных транспортных средств. Пассажирские транспортные средства классифицируются на основе общего внутреннего пассажирского и грузового объема транспортного средства.Грузовики классифицируются на основе их полной массы транспортного средства (GVWR). Большегрузные автомобили не включены в схему EPA. [5]

US EPA Car Cars Общий объем пассажирского и груза (CU. FT.)
Двухместный Любой (предназначен для сиденья только двух взрослых)
Minicompatt менее 85 CU FT (2,400 л)
Subcompact 85-99 CU FT (2 400-2800 L)
Компактный 100-109 CU FT (2,850-3,100 л)
Средний размер 110-119 CU FT (3,100-3350 л)
большой 120 CU FT (3 400 л) или более
вагоны небольших станций менее 130 CU FT (3700 л )
станции среднего размера вагонов 130-159 CU FT (3700-4 500 л)
большие вагоны станции 160 CU FT (4,550 л) или более

определенные города в Соединенные Штаты Америки в 1920-х гг. e исключить автомобили с электроприводом, поскольку официальные лица считали, что эти автомобили не вызывают «значительного износа тротуаров». [34]

Рыночные сегменты Северной Америки[править]

Несколько других описаний сегментов, перечисленных ниже, используются в Северной Америке. Автомобили из этих сегментов также могут продаваться в других странах. Однако использование этих терминов в основном характерно для Северной Америки.

Muscle car[править]

Muscle car — американский термин, обозначающий высокопроизводительные автомобили, обычно с задним приводом и оснащенные большим и мощным двигателем V8. Этот термин возник для специальных выпусков серийных автомобилей 1960-х и начала 1970-х годов, которые были разработаны для дрэг-рейсинга.

Примеры маслкаров:

Пони-кар[править]

Пони-кар — американский класс автомобилей, созданный на основе Ford Mustang в 1964 году. Он побил все рекорды продаж автомобилей после Второй мировой войны, «создав ‘ увлечение пони-карами вскоре переняли конкуренты». Этот термин описывает доступный, компактный, стильный автомобиль со спортивным или ориентированным на производительность имиджем.

Примеры пони-каров:

Личный роскошный автомобиль кабриолет выпускался с 1952 по 2007 год.В этих двухдверных автомобилях приоритет отдавался комфорту, стилю и высокому уровню внутреннего оснащения.

[37] Без приоритета максимального внутреннего пространства, внутренние объемы эквивалентны размерам автомобилей среднего размера и относятся к сегменту D в европейской классификации автомобилей, а внешние размеры могут превышать F-сегмент.

Сегмент стал популярным после успеха Ford Thunderbird 1958-60 годов, который был продан тиражом 200 000 единиц. [38] Личные роскошные автомобили от General Motors и Chrysler соответственно включают Buick Riviera и Chrysler Cordoba. [39]

Примеры личных роскошных автомобилей:

Спортивный компакт[править]

Спортивная версия доступного компактного автомобиля или малолитражного автомобиля. Точного определения нет, и описание применяется в маркетинговых целях к самым разным моделям.

Автомобили начали продаваться как спортивные компакты в середине 1980-х годов, когда он использовался для пакетов опций на купе американского производства. С тех пор он также используется для автономных моделей спортивных автомобилей и автомобилей, импортируемых из Европы и Азии.

Европейский аналог — хот-хэтч. Однако спортивные компакты не ограничиваются только кузовом хэтчбек.

Примеры спортивных компактных автомобилей:

Сегменты европейского рынка[править]

Несколько других описаний сегментов, перечисленных ниже, используются в Европе. Автомобили из этих сегментов также могут продаваться в других странах. Однако использование терминов в основном характерно для Европы.

Гранд-турер[править]

Гранд-турер (GT) — это автомобиль, предназначенный для скоростных поездок на дальние расстояния благодаря сочетанию характеристик и роскоши.Наиболее распространенным форматом является двухдверное купе с передним расположением двигателя и задним приводом либо с двухместной компоновкой, либо с компоновкой 2+2.

Оставить ответ