船舶舱室内推进监控显控台界面布局优化设计

针对船舶舱室内推进监控显控台界面内控制元件操作不便、布局不符合视觉审美等问题,研究船舶舱室内推进监控显控台界面布局优化设计方法。从控制元件距离、色彩与视觉注意力等级3个角度分析影响船舶舱室内推进监控显控台界面内不同控制元件视觉注意力的影响因素,结合G1法确定显控台界面内不同控制元件的权重值,构建显控台界面布局优化模型,利用粒子群优化算法求解模型目标函数,获取界面布局优化结果。实验结果显示该方法能够有效实现船舶舱室内推进监控显控台界面布局优化,且优化结果更符合人类视觉审美标准。     

基于无损跨尺度特征融合的交通目标检测算法

针对复杂道路环境下交通目标与背景区分度低、交通小目标密集度高、部分遮挡严重、容易产生漏检、误检等问题，提出了一种融合注意力的无损跨尺度复合空洞残差网络的交通目标检测算法。通过改进SSD基础骨干网络和残差结构，加强网络提取强表征性的高级语义信息能力，解决信息传递损耗和丢失问题。在此基础上提出一种新的多视野聚合空洞残差单元，通过设置不同膨胀率的空洞卷积，获得不同大小感受野，聚合上下文信息实现大目标与小目标的兼顾。提出一种新的无损失跨尺度融合模块，通过该模块进行通道重组，结合通道维度信息填充像素，实现跨通道像素信息融合，进一步提升特征提取的能力。同时引入了坐标注意力机制，将轴向的空间坐标通道信息有效整合到生成注意力图中，构建出能够捕获跨通道信息且包含方向感知和位置敏感信息的注意力残差单元与多视野聚合空洞残差单元。此外，通过引入Soft-NMS降低与高置信度预测框重叠度较大的目标框的置信度，增加二次检测机会，提升了网络模型召回率。最后引入解耦检测头以加快模型收敛速度和提高检测精度。在VOC数据集07+12上的试验结果表明，算法平均精度提升了6.46%,证明了提出算法的准确性和鲁棒性。     

基于局部窗口交叉注意力的轻量型语义分割

在自动驾驶汽车环境感知任务中，采用环视相机在统一鸟瞰图（bird’s eye view,BEV）坐标系下对车道线、车辆等目标进行语义分割受到广泛关注。针对相机个数增加致使任务推理延迟线性上升、实时性难以完成语义分割任务的难题，本文提出一种基于局部窗口交叉注意力的轻量型语义分割方法。采用改进型EdgeNeXt骨干网络提取特征，通过构建BEV查询和图像特征之间的局部窗口交叉注意力，完成对跨相机透视图之间的特征查询，然后对融合后的BEV特征图通过上采样残差块对BEV特征解码，以得到BEV语义分割结果。在nuScenes公开数据集上的实验结果表明，该方法在BEV地图静态车道线分割任务中平均IoU达到35.1%，相较于表现较好的HDMapNet提高2.2%，推理速度相较于较快的GKT提高58.2%，帧率达到106 FPS。     

融合语义的时空相关多步乘车需求预测方法

为了准确预测乘车需求，提高车辆利用率，缓解供需不平衡和交通拥堵，提出一种融合语义的时空相关多步乘车需求预测方法。在空间相关性建模方面，计算区域历史需求数据的互信息以对空间历史需求模式相关性建模；同时考虑基于兴趣点的城市功能区对乘车需求的影响，利用反映城市功能特征的语义信息，借鉴词频-逆文档频率方法对区域兴趣点赋予权重，继而计算区域功能相似度并对空间功能相关性建模。在时间相关性建模方面，利用深度学习网络Transformer捕获数据中潜在的长时依赖性。最后，在真实数据集上验证所提方法的有效性。结果表明：单步预测时，与基线方法的均值相比，所提方法的均方根误差、平均绝对误差和平均绝对百分比误差3个指标分别降低了38.77%、38.79%和54.11%;多步预测时，所提方法的预测精度也有较大提升，在预测步长为6时，与基线方法的均值相比，所提方法的3个指标分别降低了21.35%、21.98%和15.72%。该方法能够更准确预测乘车需求时空分布，合理配置运力资源。     

基于脑电频域特征的高速铁路调度员监控工作注意水平识别方法

高速铁路调度员监控作业的注意力水平识别是全周期注意识别的重要组成部分。针对监控作业交互少、反馈弱以及视觉特征不显著的特点，设计基于信息感知密度的注意诱导实验作为客观评价参照，采集全头脑电并提取了57个通道的7项频段指标为识别特征。采用Pearson相关系数进行特征初筛，采用Logistic回归-预测变量重要性排序的包裹式方法对特征进行进一步降维并进行注意水平识别。实验结果表明：基于左额叶和双侧枕叶的17个脑电频段特征的多项Logistic回归模型对低注意水平有81%的识别准确率。脑电频段特征对应负责大脑思维功能和视觉加工处理的脑功能区，反映高铁调度员在监控工作中的注意水平变化对应的认知功能变化。     

基于深度强化学习与风险矫正的智能车辆决策研究

为实现高速公路环境下车辆的安全决策，提出一种结合深度强化学习和风险矫正方法的行为决策模型。构建决策模型所需的目标车辆及周围车辆的行驶信息，并引入自注意力安全机制，提高车辆在复杂高速场景下对周围潜在危险车辆的注意力，综合考虑行车效率、避障等因素以设计强化学习的奖励函数。此外，为解决强化学习在决策过程中缺乏安全性保障的问题，设计风险矫正模块对决策动作进行风险评估和矫正，避免危险决策的执行。在Highway-env仿真平台上对提出的决策模型进行训练和测试。试验结果表明，提出的决策模型有较高的行车安全率和鲁棒性，其驾驶效率也优于以规则、模仿学习和单纯深度强化学习为基础的决策方法。     

基于车辆响应的高速铁路轨道几何状态评估方法

轨道几何状态科学评估对保障高速铁路列车平稳、安全运行具有重要意义。基于高速综合检测列车多次检测数据，利用卷积神经网络、注意力模块和长短时记忆网络，分别学习数据的波形特征、注意力权值、长距离空间依赖关系特征，建立CBAM-CNN-LSTM车辆动态响应预测模型。该模型通过输入轨道几何、运行速度和车型预测不同工况下的车辆动态响应，进而利用预测的车辆动态响应评价轨道几何状态。研究结果表明，建立的模型能够有效预测车体振动响应，根据我国某高速铁路两种车型综合检测列车检测数据的验证结果，车体横向、垂向加速度的均方根预测误差分别为0.004g、0.009g,相关系数分别为0.608、0.793;利用预测的车辆动态响应评估轨道状态，能够有效识别引起车体振动加剧的轨道几何不利状态或隐形病害。此外，模型内部的注意力权值有助于分析挖掘导致轨道状态不良的轨道几何参数类型和位置信息。     

融合注意力机制的轨道入侵异物检测轻量级模型研究

基于智能视频分析的轨道线路环境入侵物自主识别是保障轨道交通运营安全的关键技术之一。然而基于神经网络的高精度目标检测模型严重依赖算力，部署成本高，很难普及运用。为此，提出一种改进yolov4-tiny的轻量级网络模型。在网络主干，通过融合跨阶段结构和通道混洗策略，提出CSPShuffleNet结构，加快网络推理；在网络颈部，引入多头注意力机制，增强网络目标定位能力；在网络头部，使用深度可分离卷积替换传统卷积，进一步压缩网络参数量。基于铁路异物数据集的实验结果表明：相比于原始yolov4-tiny,本模型的均值平均精度最大提高1.4%,参数量减少49.9%,模型容量减少55.4%。验证了本模型对于固定平台和移动平台检测系统的普适性，从而为铁路安全保障提供决策支持。     

智能网联汽车基础(九)--ADAS驾驶员疲劳监测系统

(接2022年第7期)一、驾驶员疲劳监测相关术语GB/T39263-2020《道路车辆先进驾驶辅助系统(ADAS)术语及定义》对驾驶员疲劳监测(DFM)和驾驶员注意力监测(DAM)都给出了定义。《驾驶员注意力监测系统性能要求及试验方法》中对驾驶员注意力监测系统及相关的表述和定义如下:1.注意力分散驾驶员在驾驶车辆时因疲劳驾驶、受外界环境干扰或从事与驾驶无关的动作,导致其无法专注执行驾驶任务的状态。     

基于多层时空融合网络的驾驶人注意力预测

类人驾驶是提升汽车智能化程度的重要途径之一，识别和定位驾驶人的感兴趣目标和区域，进而快速、精确地感知驾驶场景中潜在风险或提供决策所需关键信息，能够有效增强智能汽车的功能可理解性和鲁棒性。本文基于层次化编码器-解码器架构设计轻量化多层时空融合网络，建立轻量化驾驶人注意力预测模型。首先，以MobileNetV2作为编码器的骨干网络，提取当前帧4个尺度上的多层次空间特征，将其存入记忆模块并与在历史帧上提取的多层次特征在时间维度叠加，得到连续帧间的时空特征后传输至解码器。其次，基于层次化解码结构设计解码器，采用逆瓶颈3D卷积模块设计时空融合层，融合每个独立分支上的时空特征。最后，融合4个独立分支上捕获不同尺度信息的预测结果，获得驾驶人注意力预测值作为模型预测输出结果。结果表明：本文提出的驾驶人注意力预测模型，通过在多个特征尺度上的编码与解码，能够有效利用动态场景当前帧和历史帧间的时间、空间、尺度信息；在DADA-2000和TDV数据集上的测试实验表明，在多个指标上优于当前同类优秀模型；模型尺寸为19 MB，单帧运算速度为0.02 s，实现了优秀的模型轻量化与实时性效果。综上所述，本研究解决了当...