斜拉桥钢-混组合索塔锚固区节段模型试验研究

斜拉桥钢-混组合索塔锚固区构造和受力十分复杂,通过索塔锚固区的足尺模型试验,并进行空间的有限元仿真计算分析,给出仿真计算的主要成果及其与试验实测值的比较,得出一些重要结论。试验成果对杭州湾跨海大桥的建设起到了重要的指导作用。     

北京六环路水泥稳定碎石基层延迟试验研究

本文以北京六环路水泥稳定碎石基层为研究对象，通过混合料延迟试验，确定各相关因素对混合料延迟试验强度的影响，并提出具体的施工延迟控制时间，其结果可供同类型工程施工参考借鉴。     

微表处在沥青路面病害防治上的应用研究

结合高速公路沥青混凝土路面维修工程,介绍了微表处的技术特征和配合比设计过程;针对不同的路面病害,制定相应的维修方案,并着重介绍了微表处的施工和使用情况。使用结果表明,微表处有良好的抗滑性能、封水效果和较长的使用寿命,可以满足高速公路沥青混凝土路面维修养护的需要。     

通信卫星物流管理系统——OmniTRACS

通信卫星物流管理系统──ＯｍｎｉＴＲＡＣＳ黑龙江商学院李明俊译随着物流业的多用化、现代化的进展，竞争激烈的物流企业界也开始致力于信息系统的开发和应用。到目前为止所采用的信息系统，主要是物流ＶＡＮ所代表的以地面网络系统为中心的业务部与业务部之间的订购和...     

长治北站防治企业专用线货车超偏载的实践

介绍了长治北站企业专用线货车超偏载的基本状况,分析了企业专用线货车超偏载的原因,在此基础上通过实施强化专用线企业安全氛围、建立完善专用线企业装车基础管理、强化专用线企业运输员素质培训、严把专用线装车各环节等防治货车超偏载的措施,收到较好效果。     

基于模仿学习和强化学习的智能车辆换道行为决策

本文中提出了一种基于模仿学习和强化学习的智能车辆换道行为决策方法。其中宏观决策模块通过模仿学习构建极端梯度提升模型,根据输入信息在车道保持、左换道和右换道中选择宏观决策指令,以此确定所需求解的换道行为决策子问题;各细化决策子模块通过深度确定性策略梯度强化学习方法得到优化策略,求解相应换道行为决策子问题,以确定车辆运动目标位置并下发执行。仿真结果表明:本文中提出方法的策略学习速度比单纯强化学习方法快,且其综合性能优于有限状态机、行为克隆模仿学习和单纯强化学习等方法。     

连续梁桩基础沉降加固技术及实例

以具体的连续粱桩基础沉降加固技术为实例,从沉降原因分析、加固设计图纸和加固施工过程进行全面分析和介绍,为类似的加固工程提供一定的借鉴;     

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆（Long Short-term Memory,LSTM）网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆（被预测的车辆）与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场（Conditional Random Field,CRF）,采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明：所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机（SVM）、隐马尔可夫模型（HMM）和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory,LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity,CV)模型、交互多模型(Interacting Multiple Model,IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方法可提前0.56 s识别行人的转弯意图,可为智能车辆的决策模块提供有益线索;提出的方法能够有效降低行人意图转变过程中的轨迹预测误差,对减小车辆与行人碰撞事故,提高智能车辆行驶安全性具有重要意义。