基于深度学习的破碎带盾构施工沉降预测分析

为进一步提高复杂地层条件下盾构沉降预测的准确性,以广州地铁7号线1期工程谢村站-钟村站区间盾构工程为依托,针对破碎带盾构隧道沉降控制难题,提出基于深度学习的人工智能预测模型。通过分析开挖面破碎带分布规律,确定将破碎带面积比作为地层特性参数。采用相关系数矩阵分析不同施工参数与破碎带面积比的相关性,确定采用刀盘转矩代表破碎带面积比实时描述地层分布特性。以刀盘转矩、盾尾间隙与注浆量作为输入值,地面沉降作为输出值训练深度学习模型,并利用训练后的深度学习模型进行沉降预测分析。通过分析预测结果与沉降实测值的对比验证预测模型的有效性。     

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

基于改进粒子群优化算法的多目标自适应巡航控制

跟驰过程中,在保证安全性的前提下为了提升自适应巡航控制(ACC)系统的舒适性和燃油经济性,研究了多目标自适应巡航控制算法.在建立车间纵向运动学模型的基础上,根据模型预测控制理论,设计综合考虑安全性、舒适性、燃油经济性以及车辆自身限制等因素的目标函数和约束条件,并引入松弛因子向量软化硬约束边界解决无可行解问题.进一步在滚...     

基于双估计强化学习结合前向预测控制的自动驾驶运动控制研究

运动控制研究是实现自动驾驶目标的重要组成部分,针对传统强化学习算法在求解中因单步决策局限而导致控制序列次优的问题,提出了一种基于双估计强化学习算法及前向预测控制方法结合的运动控制框架（DEQL-FPC）。在该框架中引入双估计器以解决传统强化学习方法动作值过估计问题并提高训练优化的速度,设计前向预测多步决策方法替代传统强化学习的单步决策,以有效提高全局控制策略的性能。通过虚拟驾驶环境仿真,证明了该控制框架应用在自动驾驶汽车的路径跟踪以及安全避障的优越性,保证了运动控制中的精确性、安全性、快速性以及舒适性。     

基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

基于多目标粒子群算法的智慧城市信号灯配时优化控制

为了顺应智慧城市建设需求,缓解城市道路的拥堵,提高车辆在城市路口的通行效率,本文基于多目标粒子群算法,以车辆实时延迟时间最小、城市路口通行能力最大为优化目标,建立智慧城市路口的多目标优化模型。通过优化计算得到Pareto最优解集,以多属性决策算法得到最优配时方案,并通过更新信号灯参数,实现了信号灯的动态优化。通过SUMO交通仿真平台搭建了城市路口仿真模型,结合粒子群算法进行仿真验证。仿真结果表明,经粒子群算法优化的城市路口配时,路口的通行性能显著提升,平均通行能力提升约3.69%,平均车辆延迟时间降低约21.35%。     

机场群共用航路点的航班排序模型及算法

机场群上空空域资源共享、运行耦合复杂,拥堵往往发生在共用航路点。为缓解空域拥堵和航班延误问题,开展了机场群共用航路点的优化排序研究。针对共用航路点的运行特征,引入惩罚因子并以总延误时间成本最小为优化目标,建立了机场群共用航路点的航班优化排序模型,基于滑动时间窗算法和粒子群优化算法的原理提出了TW-PSO组合优化算法对模型进行求解。选取京津冀机场群过共用航路点的航班进行算例仿真,结果表明：TW-PSO组合优化算法与FCFS算法、滑动时间窗算法、粒子群优化算法相比在高峰时段的总延误时间成本分别减少了216,212,161 min;在算法性能方面,具有比经典算法迭代次数少、优化效果更佳的优点,能有效缓解航班延误问题,改善机场群的协同运行效率。

     

基于深度强化学习的汽车自动紧急制动策略

针对传统自动紧急制动策略制动减速度波动大、制动过程乘坐舒适性及弯道制动安全难以保障的问题,提出一种基于深度强化学习的汽车自动紧急制动策略.建立了包括纵向、横向及横摆运动的3自由度车辆模型,根据碰撞预警时间设计奖励函数,应用深度确定性策略梯度算法设计了基于深度强化学习的自动紧急制动策略,开展了直道行驶工况与弯道行驶工况仿...     

基于深度强化学习的高速公路换道跟踪控制模型

为解决自动驾驶汽车在高速公路安全换道问题,提出了一种基于深度强化学习算法的换道跟踪控制模型,并进行了仿真实验。采用五次多项式方法,建立车辆换道路径模型,并给出跟踪误差函数;将车辆三自由度动力学模型与深度强化学习框架相融合,搭建换道路径跟踪控制模型;通过深度确定性策略梯度（DDPG）算法来更新该模型;学习得到换道路径跟踪的最佳转向角,来控制车辆完成换道过程。结果表明：在100 km/h车速条件下,本方法控制的横向位置误差绝对值的最大值接近0,角偏差绝对值最大值为10 mrad;所提出的方法相比传统的模型预测控制方法而言,轨迹跟踪的横向位置误差和角误差更小。因而,该模型能够实现高速环境下的自主换道过程,这对保证交通安全和缓解交通有意义。     

基于 QPSO-RBF 的交通量预测方法研究

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础,为了更好的对其进行预测,在分析径向基函数(RBF)神经网络预测模型的特点和标准粒子群优化(PSO)算法缺陷的基础上,将量子粒子群优化(QPSO)算法的全局搜索能力与RBF神经网络的局部优化相结合,克服了标准PSO算法收敛不稳定性和RBF神经网络易陷入局部极小值的缺点,并建立了QPSO-RBF的交通量预测模型.仿真实例结果表明,提出的预测模型预测精度较高,具有较强的学习能力和预测能力,对于交通量预测具有一定的可行性和有效性.     

盾构姿态控制研究

盾构姿态控制的好坏与盾构隧道施工质量的优劣是密切相关的,为了研究盾构推进过程中盾构姿态控制的关键因素,并掌握其与盾构姿态调整的对应关系,为盾构推进过程中盾构姿态控制提供理论依据,通过对某工程施工过程中大量实测数据的整理,得出盾构掘进过程中姿态变化的规律;通过数学关系的推导,得到推力油缸行程差和盾构切口竖向偏差量之间的对应关系,并将工程项目中实测的推力油缸行程差与盾构切口竖向偏差量数据相对照。研究表明： 盾构推进过程中切口始终处于不断调整之中;推得油缸行程与偏差量的对应关系和实际情况非常吻合;通过推得的推力油缸行程与盾构姿态相互关系,以期为施工优化提供依据。     

基于模糊PID方法的盾构掘进姿态控制研究

针对盾构掘进过程中姿态主要依赖操作人员施工经验手工调整、掘进轨迹精度主要依赖人员熟练性的情况,提出基于双闭环反馈自动控制盾构掘进轨迹的方法,通过主反馈实现掘进斜度的实时更新,局部反馈实现液压缸的速度控制。分析表明,局部反馈精度决定了预调偏差大小,在掘进轨迹控制中至为关键,因此以球铰支撑推进系统为例分析单环掘进前后液压缸的几何关系,推导左右推进液压缸速度关于掘进斜度、掘进速度的数学解析式,采用AMESim和MATLAB联合仿真工具搭建了推进速度控制的模糊PID模型,仿真分析非均载荷下推进液压缸的速度控制,并以盾构模拟推进试验台为例进行推进速度控制试验。结果表明： 基于模糊PID控制策略的推进液压缸速度控制可实现较准确的盾构掘进轨迹,为盾构失准问题的进一步解决提供了理论基础和现实依据。     

地铁盾构机掘进实时姿态定向测量的研究

简明介绍了地铁建设中盾构机姿态定位测量方法,并结合南京地铁一号线某盾构区间隧道工程实际,着重分析了在对盾构推进过程中如何用棱镜法精确地确定盾构机的掘进方向和盾构机姿态问题,得出一些有益的结论,可供地铁隧道工程施工参考。     

基于多目标粒子群优化算法的某轻型商用车操纵稳定性优化研究

针对某轻型商用车稳态回转时侧倾度偏大的问题对其悬架进行优化改进。基于ADAMS/car搭建整车多体动力学模型,通过前悬架反向平行轮跳试验、后悬架理论计算验证了悬架仿真模型的准确性。进行整车稳态回转工况和转向盘中间位置转向工况仿真分析,结果表明,车身侧倾度偏高。为实现操纵稳定性优化分析的流程自动化,提出了基于modeFRONTIER的联合仿真方法。以悬架设计参数为优化变量,以汽车的侧倾度与横摆角速度响应滞后时间为优化目标,采用拉丁超立方试验设计方法拟合得到混合代理模型,并结合多目标粒子群优化算法对悬架系统进行多目标优化,获得了悬架系统优化方案。优化结果显示,在不影响平顺性的前提下,汽车车身侧倾度降低了13.93%,横摆角速度响应滞后时间降低了2.75%,整车操纵稳定性得到了提升。     

基于推拼同步盾构机的管片拼装机结构和控制方法研究

针对推拼同步盾构机利用轴向插入式管片拼装中产生的额外推进时间进行管片拼装的特点,分析了管片拼装机的适应性要求。通过对比多种拼装机方案,最终采用不改变传统大平移拼装主体结构的方案,通过算法和控制使拼装系统具有跟随和补偿双模式,可分别使拼装机主体与盾构机、成环隧道保持静止。针对推拼同步盾构机管片拼装的工况对拼装机平移梁的可靠性进行了分析,可满足推拼同步工作要求。     

盾构自动导向方法的应用研究

介绍了自动导向系统在盾构施工现阶段国际、国内的发展及应用概况对比，并结合典型实例对自动测量系统的应用进行了介绍。     

基于深度学习的二手车价格预测模型及影响分析

运用2015～2019年中国二手车行业相关数据,基于深度学习模型,采用对比分析法、控制变量法探究我国二手车成交价格影响因素的重要性程度。结果表明,我国二手车成交量一直处于增长状态且保持较高增速;DNN模型比年限估计法及重置成本法预测的二手车成交价格精度高;新车指导价、已使用时间、已行驶距离、省份及汽车品牌重要性占比依次为67%、13.06%、9.08%、6.22%和4.64%。     

基于自适应网格粒子群算法的多目标配送优化模型

对配送方案的选择提出多目标优化,在满足客户需求的前提下,力求成本最低和各配送中心负荷均衡,建立多目标规划模型。运用粒子群算法对解空间粒子进行局部和全局的搜索,再运用自适应网格算法对非劣解外部集进行更新和维护,保持其规模。实证表明,采用基于自适应网格的多目标粒子群算法对该模型进行求解能够得到均匀分布于解空间的Pareto前沿。结果表明两目标具有一定的悖反关系,据此选择满意解。     

广州地区盾构施工风险及控制技术要点

结合广州地区已建和在建的数条地铁线路建设过程中存在的技术难点,针对含断裂带、残积土、软弱土、溶洞、“红层” 及上软下硬等特殊地层,总结分析在这些复杂变化地质条件下盾构施工风险及主要的风险控制技术,为今后地铁建设提供一定的参考及指导。     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题,在分析车辆运动特点的基础上,提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台,招募驾驶人进行实车跟驰道路试验,建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响,建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程,利用高斯过程算法建立了前车纵向加速度变化随机过程模型,实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程,引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略,通过与前车运动随机过程模型进行交互式迭代学习,得到具有运动不确定性跟驰环境下的主车纵向控制策略,实现对车辆纵向控制的最优决策。最后基于真实驾驶数据,对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系,在迭代学习过程中对前车运动的随机性进行考虑,跟驰控制中不需要对前车运动进行额外的概率预测,能够以较低的计算量实现主车稳定跟随前车行驶。