格值命题逻辑系统LP(X)中广义文字的α-归结域

格值命题逻辑系统LP（X）中广义文字的α-归结域的研究，是基于格值命题逻辑系统LP（X）的α-归结原理研究的继续．该逻辑系统的逻辑真值域是格蕴涵代数．讨论了LP（X）的常量、命题变元和一些广义文字的性质，并得到了它们的α-归结域。     

基于路径搜索的格值命题逻辑自动推理方法

提出一种基于路径搜索的自动推理算法．除了采取预处理外，还采用了动态的删除策略，使对大部分路径的搜索变成对一条路径搜索．可快速地完成对一类格值命题逻辑中的任何一个子句集可满足性与不可满足性的判定．文中还讨论了该算法计算的复杂性．     

基于本体的语义推理研究

语义Web作为新一代Web正倍受关注,而Web的资源描述语言RDF、RDF的词汇描述RDF Schema,以及最新的本体语言OWL等已成为现今语义Web上的规范语言.文中概述了本体语言和描述逻辑及它们之间的关系,并通过一个实例显示了一个本体文件中传递闭包的推理路径.     

一种基于地图辅助的自动驾驶视-惯融合定位方法

视觉同步定位与建图(Simultaneous Localization and Mapping, SLAM)方法广泛应用于自动驾驶领域。传统的方法利用车载摄像头表征车辆周围环境,同时估计自身位置,当车辆运动过快时,定位精度和鲁棒性会下降。针对此问题,本文提出一种地图辅助的视-惯融合定位方法。该方法在ORB-SLAM2(Oriented FAST and Rotated BRIEF SLAM2)的基础上拓展地图保存功能,将建图和定位拆分为两个独立模块,车辆首先以较慢的速度构建并保存具有视觉特征的地图,然后,在第2次运行时车载计算机调用预先保存的地图实现精确且稳定的定位性能。由于构建地图阶段采用了图优化算法融合惯性测量单元(Inertial Measurement Unit, IMU)的信息,地图误差得到有效校正。在KITTI数据集场景和实际场景中验证了所提方法的良好性能。实验结果表明,所提方法在4, 8, 16 m·s-1 驾驶速度下的定位精度分别为2.59,2.61,2.73 m,图像失帧率和路径丢失率分别为3.76%和1.38%,3.89%和1.69%,4.27%和1.84%。相比原始的ORB-SLAM2方法,系统定位精度和鲁棒性均得到了提高。     

基于自动寻迹的港湾式公交站台停靠路径研究

由于现有的公交车多采用自由停靠方式，导致车辆出站延误，泊位利用率低及乘客安全等问题.本文依据现有的公交车到站“一键式”自动停靠系统，以优化自动停靠公交车的运行轨迹为目标，分别利用三次样条插值、Atan和 Sigmoid函数对港湾式站台公交车停靠轨迹进行仿真分析.非线性约束优化结果显示，利用这 3种方法生成的停靠轨迹，可以得到连续的曲率，满足公交车靠站碰撞约束及港湾式站台停靠要求，均可以实时生成公交车进站运行轨迹. 与港湾式站台泊位曲线相比，Atan 曲线的平均位差 1.01 远小于三次样条插值的平均位差 10.21和 Sigmoid曲线平均位差 5.96.因此，轨迹结果分析显示，公交车基于 Atan轨迹曲线的停靠更便于乘客乘车、具有实时性强、可靠性高的特点，减少了进出站延误.     

基于扩展技术接受度模型的共享自动驾驶汽车用户使用意愿研究

共享自动驾驶汽车是智慧交通和绿色交通的重要发展方向之一,但目前其相关研究仍不充分,影响用户使用共享自动驾驶汽车意愿的因素及其作用机理有待深入剖析.为此,本文首先通过引入感知风险、服务质量和社会影响三个潜变量,构建了扩展技术接受度模型.然后将扩展技术接受度模型的潜变量、个人社会经济属性变量和出行方式属性变量整合到多项Lo...     

基于柔性演员-评论家算法的决策规划协同研究

为了解决基于常规深度强化学习(Deep Reinforcement Learning, DRL)的自动驾驶决策存在学习速度慢、安全性及合理性较差的问题,本文提出一种基于柔性演员-评论家(Soft Actor-Critic,SAC)算法的自动驾驶决策规划协同方法,并将SAC算法与基于规则的决策规划方法相结合设计自动驾驶决策规划协同智能体。结合自注意力机制(Self Attention Mechanism, SAM)和门控循环单元(Gate Recurrent Unit, GRU)构建预处理网络;根据规划模块的具体实现方式设计动作空间;运用信息反馈思想设计奖励函数,给智能体添加车辆行驶条件约束,并将轨迹信息传递给决策模块,实现决策规划的信息协同。在CARLA自动驾驶仿真平台中搭建交通场景对智能体进行训练,并在不同场景中将所提出的决策规划协同方法与常规的基于SAC算法的决策规划方法进行比较,结果表明,本文所设计的自动驾驶决策规划协同智能体学习速度提高了25.10%,由其决策结果生成的平均车速更高,车速变化率更小,更接近道路期望车速,路径长度与曲率变化率更小。