汽车排气污染检测存在的问题及技术监管探究

为了使汽车排气得到有效控制,通过对汽车排气污染检测中所存问题的分析,建立一种技术监管信息化管理系统,该系统可提高检测的透明度,为汽车排气污染物检测的公开、公正、公平提供可靠的技术保证.     

基于道路线形的智能汽车事故多发路段预判模型

分析了道路线形对智能汽车行驶安全性的影响,分别使用数据驱动的机器学习方法和模型驱动的经典数学建模方法,建立了以道路线形技术指标为输入的神经网络模型和多元数学模型,预测事故多发路段;计算了各个道路线形技术指标与事故率之间的偏相关系数,从中挑选出与事故率相关程度较大的道路线形特征,使用T检验和F检验验证了道路线形特征组合和单个特征对事故率的影响。结果表明：基于机器学习的神经网络模型和基于数值逼近理论的多元数学模型预测正确率基本相近,大约为90%;2种模型对道路安全影响较大的道路线形相关不利因素组合相同,均为平曲线转角、横向力系数和纵坡坡度;各种不利因素组合中,平曲线转角、横向力系数和纵坡坡度出现的频率分别为100.0%、91.7%和83.3%,远远大于其他因素;事故多发路段道路线形因素不仅与平曲线转角、横向力系数和纵坡坡度有关,而且与其线形组合有密切关系,组合不当亦会导致事故增加;2种模型可相互验证,考虑计算速度及参数的可解释性,实际中应优先选择多元数学模型进行事故预判。     

汽车制动力曲线异常检测

研究了制动力曲线异常检测方法, 分析了回踩异常特性, 考虑了制动力检测工况和制动力曲线变化趋势, 基于余弦相似度与相对误差, 对制动力数据进行聚类, 建立了制动力曲线分段算法; 将制动力曲线分为阻滞段、上升段、持续段和释放段, 提取出相应的数据子集; 对3家检验机构的9 120条制动力曲线进行人工筛选和分析, 归纳了制动超前、回踩、增长滞后3种异常特征, 给出了相应异常检测算法; 对于较难识别的回踩异常, 根据动态规划思想, 找出上升段最长连续趋势下降子序列, 计算了该子序列占制动力曲线上升段的行程比, 并结合经验值来判定该子序列是否异常。研究结果表明: 对于维度不大于32的低维制动力数据, 通过余弦相似度可聚类制动力曲线的阻滞段、上升段、持续段和释放段; 对于维度大于32的高维数据, 因为维数较高, 行程比较小, 分界点对整个序列相似度影响较小, 在这种情况下, 必须在考虑相似度的情况下, 通过分界点的相对误差进一步约束聚类结果, 可以确定制动力曲线的阻滞段、上升段、持续段和释放段; 由于采集的回踩子序列占制动力曲线的行程比为9.8%, 大于行程比的经验阈值8.2%, 因此, 该制动力曲线具有回踩异常, 判断结果正确, 方法可靠。      

面向多元场景结合GLNet的车道线检测算法

各种复杂环境下路面车道线的高效精确检测是自动驾驶领域中车道偏离预警系统的关键性技术之一。由于车辆实际运行环境的复杂性和路面车道线的多样性，现有方法在车道线检测的准确性和鲁棒性上仍需不断增强。提出一种面向多元场景结合GLNet的车道线检测算法。首先采用改进Gamma校正对待检测路面图像预处理，消减光照不均匀、夜晚等环境干扰，增强车道线纹理。然后为增强数据集的多样性，在LaneNet网络的基础上引入对抗生成网络DCGAN，构建GLNet网络模型。该模型采用编码-解码的网络结构提取车道线特征（车道蒙板和像素点），通过DBSCAN聚类算法将不同车道线划分为不同的实体，使用H-Net网络学习的视觉转换矩阵优化并拟合输出车道线。最后基于已训练好的GLNet权重模型对车道线进行精确提取，并在Tusimple数据集和自制数据集上测试验证。试验结果表明：该方法的检测准确率可达97.4%，相较于基于LaneNet网络的车道线检测算法明显提高；DCGAN网络的加入丰富了数据集类型，并提高了该模型的表征及分类能力；DBSCAN聚类算法的平均聚类时间约为0.016 s，相较于Meanshift算法运行效率更高。所提出的方法考虑了不规范、环境复杂等多种道路类型的车道线检测任务，提升了对复杂噪声与多元场景的处理能力，在车辆辅助驾驶领域具有较好的鲁棒性和适用性。     

具有容错功能的全自动机动车捡测线测控系统

一、前言 近年来全自动机动车检测线因其使用简便、数据准确、自动化程度高等优点,已逐渐成为主流.然而,也正因为全自动检测线测控系统的技术含量高、专业性强、自动化程度高等特点,一旦检测线的测控系统出现故障,往往会直接影响到整条检测线的运行.如何增强系统的容错性、保证系统的高可靠运行已成为当前检测线测控系统研究所面临的一个重要课题.     

汽车排气污染检测存在的问题及技术监管探究

为了使汽车排气得到有效控制,通过对汽车排气污染检测中所存问题的分析,建立一种技术监管信息化管理系统,该系统可提高检测的透明度,为汽车排气污染物检测的公开、公正、公平提供可靠的技术保证。