泛在交通信息服务系统的概念、架构与关键技术

分析了现有交通信息服务系统存在的感知能力有限、服务方式单一和动态信息更新不及时的问题,围绕当前交通工程和信息技术领域的研究发展趋势,提出了一种泛在交通信息服务系统（U-TISS）的架构,将先进的协同感知、泛在网络、云计算、大数据等技术综合运用于交通信息服务领域,实现交通信息服务系统与交通物理系统的深度融合。U-TISS 架构包括感知、网络、计算和服务4层次。感知层主要通过传感器、射频标签、识读器、摄像头、全球定位系统、车载智能终端设备等,实现对人、车、路、环境的全面感知;网络层是以ZigBee、蓝牙、DSRC 等短程通信为主的末梢节点通信与以3G/4G或有线通信链路为主的承载网络通信,通过车路短程通信和自组织网络、路侧与感知中心的承载网络实时采集和传输各种交通信息,构建交通要素信息的精准获取与发布体系;计算层利用云计算技术实现有效的交通富信息挖掘与提取,提升交通信息服务质量;服务层构建基于泛在网络和云计算的交通信息服务平台,通过移动智能终端、车载终端、资讯广播、可变信号板等信息发布方式,为交通参与者提供实时动态的交通信息服务和丰富全面的辅助决策支持,实现交通信息服务的智能化与个性化。基于U-TISS架构,分析了实现U-TISS的关键技术,包括智能终端的普适感知与交互、车辆精确定姿与定位、交通信息路侧协同感知、车车/车路短程通信与组网、车载移动互联、交通信息云管理、交通大数据分析与挖掘、信息安全与隐私保护。分析结果表明：U-TISS具有泛在感知、开放互联、实时传输、深度挖掘与优质服务的特点,能够从安全性、高效性、便捷性和环保性4方面改进与提升现有交通信息服务系统的服务水平。在安全性方面,基于DSRC的车车/车路通信与组网技术使驾驶人可以获取超越视距、超车载感知能力范围与多时空尺度的交通信息,增强车车/车路间的协同能力;在高效性方面,借助泛在感知的海量路网运行信息和云计算平台提供的大数据分析技术,通过精细化的管理实现交通系统的高效运行;在便捷性方面,通过智能终端能够为公众出行路线、方式和出发时间的个性化定制提供支持;在环保性方面,通过对车辆控制系统提供更多的行车环境信息实现车辆控制的优化,通过大数据或社交网络提高驾驶人对环保驾驶的认知,实现绿色出行。U-TISS 关键技术的深入研究、推广与应用,及相关行业标准与规范的出台,将引起交通信息服务类应用商业模式的创新与变革,最终实现协作式智慧交通。     

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

基于边缘计算的危险品运输车辆跟踪预警方法

边缘计算作为一种新兴的分布式计算模型,可提升信息系统的响应速度、节省网络带宽资源.将边缘计算应用于危险品运输车辆的跟踪预警,提出一种边缘智能路侧节点的协作式跟踪算法,在保障实时性的前提下解决了GNSS失锁导致轨迹缺失问题;针对车辆跟踪时的异常状态预警问题,将智能路侧感知的多源信息与车辆运行状态相结合,基于机器学习提出一种融合自车、周围车辆、道路和自然环境等特征因素的预警算法,有效提升了异常检测精度.使用SUMO交通仿真器分析了跟踪算法的性能,结果表明,边缘计算较传统云计算方式时延平均降低了90%,带宽消耗平均减少了68%.基于美国交通部网联车开放数据,通过参数调优分别建立了基于SVM,KNN,Adaboost的单车动力学变量与多因素变量的6种异常检测模型,实验表明,多因素变量检测模型优于单车动力学变量模型.基于SVM的多因素变量模型性能最优,其准确率为0.972,召回率为0.98,AUC为0.974.      

基于动态概率网格和贝叶斯决策网络的车辆变道辅助驾驶决策方法

提出了一种车辆变道辅助决策方法, 向驾驶人提供变道行为决策; 构建了由车载GPS、相机传感器和雷达组成的行车环境信息传感装置, 利用非采样B样条曲线模型对车道线建模, 通过控制点位置求解与搜索策略实现车道线的检测、跟踪与类型识别; 根据车道线信息确立有效行车区域, 并建立了一种动态概率网格的行车环境几何模型, 对有效行车区域进行紧凑型表征; 考虑了车辆对行车环境表征结果可靠性的影响, 根据高斯分布将车辆位置信息映射到动态概率网格中, 计算了每个行车单元的占用概率; 将车道线信息与网格单元占用概率作为初始节点状态参数, 输入贝叶斯决策网络, 估计概率网格单元的占用状态, 量化输出当前行车环境表征结果以及不变道、向左变道、向右变道3种变道决策的期望效用值, 通过计算各决策的期望效用值比率确定最优变道决策。试验结果表明: 在场景1中“向左变道”决策的期望效用值最大, 为0.70, 视为最优决策, 在其动态概率网格中, 右侧车道线“实线”状态参数为100.00%, 因此, “向右变道”决策效用期望值最小, 决策系统输出的最优决策“不变道”符合中国交通法规, 也表明检测车道线类型的必要性; 场景2的“不变道”和“向右变道”决策期望效用值分别为0.43和0.44, 比率接近1, 无法判断最优决策, 驾驶人可根据经验决定是否变道。      

实时监测无线传感器网络改进方法

结合危险品运输监测应用,搭建了基于无线传感器网络的实时监测系统,并对其MAC层协议和物理层无线数据发送时序进行了改进和优化。改进了MAC层中的原始BEB算法,引入了支持优先级的GDCF算法。对MAC层中的RTS/CTS方式进行了有效性分析,并出于节能考虑,引入了睡眠技术。在物理层数据无线发送过程中,为缩短发送时间,减少碰撞可能性,对其时序进行了优化。在工程车辆上安装基于IRIS无线传感器的节点平台进行实际测试。测试结果表明:改进后的退避算法节点丢包率随网络节点数目增加变化不明显;去除RTS/CTS机制后,在采样间隔时间为50ms时,网络丢包率由20%左右下降到了6%以内;一个工作周期内节省能量达到95%;无线数据发送时序优化达到了设计要求,满足了实际应用中对实时监测无线传感网络的性能要求。     

船舶舵系换新修理方案

文章针对某船舵叶丢失后换新过程中出现的问题,通过实船勘验及各部分数据测量,制定合理可行的修理工艺,解决了舵叶无法正确安装的问题,为今后同类工程施工提供参考。