基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

船舶复合储能的混动系统能量管理策略研究

以并联复合储能的船舶柴电混合动力系统为研究对象,基于Matlab/Simulink对柴油机、可逆电机、动力电池、超级电容、电源转换器等建立仿真模型,在此基础上开发了基于逻辑规则的能量管理策略。针对港口拖轮工况波动频率高、幅度大等特点,分别研究在不同的动力电池初始电池荷电状态下,纯柴油机驱动、柴油机-电池混合驱动、柴油机-电池-电容复合储能驱动等动力系统架构的柴油机油耗、储能系统的等效油耗、系统的总油耗以及氮氧化物的排放。结果显示,在拖轮典型工况下,采用柴油机-电池-电容复合储能驱动的系统总油耗相比纯柴油机驱动形式的油耗平均低6.63%,比柴油机-电池混合驱动形式平均多降低11%的油耗,氮氧化物排放量减少8%。