智能网联环境下无信号交叉口交通自组织方法

针对道路交叉口通行延误问题,基于智能网联环境下的行车定位和轨迹共享技术提出无信号交叉口交通自组织方法,旨在根据车辆的实时位置、行车轨迹以及车速等信息实时计算进入交叉口车辆间的冲突时间差,使得各个方向车流互相预知对方驾驶行为,以实现车辆自组织穿插通过交叉口,以提高交叉口通行效率。实验选择重庆市南岸区白鹤路与桃源路双向四车道典型交叉口为研究案例,根据调查数据和Vissim仿真分析结果显示,所提出的交叉口交通自组织方法比现有信号控制交通组织方式通行时间平均减少了6.39 s,平均通行效率提高了43.6%。     

面向车流量智能检测的YOLOv7算法改进与应用

针对当前机器视觉识别中车流量检测的精度问题,以YOLOv7人工智能算法为基础,通过视觉跟踪并叠加注意力机制,提出一种基于YOLOv7和Deep SORT的改进型车流量智能检测方法。通过将注意力模块GAM与YOLOv7网络进行融合增强检测网络的特征提取能力;同时在改进后的YOLOv7网络中引入Deep SORT跟踪算法以改善车辆间相互遮挡导致复检漏检问题。实验选取重庆市渝中区经纬大道双向六车道为研究对象,在新铺社天桥上采用固定相机连接移动笔记本电脑的方式进行数据采集以及算法验证,为了保证算法的可重复性,分别选取早高峰、午平峰和晚高峰3个时段分别录取了5 min的交通流视频。利用在交通视频中通过设置虚拟检测线,让新算法在车辆检测的同时对车辆运行轨迹进行跟踪,当车辆经过检测线时记录车辆的身份编号,以此来实现交通视频的车流量监测与跟踪计数。实验结果表明：改进后的新算法相比于原YOLOv7算法在车辆检测方面平均精度提高了2.3%,视频车流量统计的精度提高了8.2%。     

横风下车体运动对高速列车气动性能的影响

为揭示横风下车体运动对高速列车气动性能的影响规律,通过数值模拟对典型车体运动形态下的横风气动性能开展研究。首先基于实车试验确定了横风下的车体典型运动形态并定义研究工况,然后通过改进的延迟分离涡模拟(IDDES)方法详细分析不同工况下的车体与转向架的气动载荷,以及列车周围的流场结构与表面压力变化情况。研究结果表明：横风下高速列车车体运动主要表现为侧滚与横移,车体的侧滚运动对列车升力的影响最明显,头、中、尾车升力均随着车体从迎风侧向背风侧运动而增大,并且车体向背风侧运动时,头车升力增大的幅度大于车体向迎风侧运动相同角度时减小的幅度;当车体运动时,第1转向架横向力、升力与倾覆力矩均增大;车体运动对列车头部、背风侧以及尾部的流动均有较明显的影响,车体向背风侧运动时,头车鼻尖区域流速降低,尾车鼻尖位置的高速流区扩大,并且由头部位置分离在背风侧形成的旋涡结构与车体的夹角呈增大趋势,旋涡流速减小;车体向迎风侧运动时,头车鼻尖区域流速增大,尾车鼻尖位置的高速流区缩小,并且从头部位置分离在背风侧形成的旋涡结构与车体的夹角呈减小趋势,而旋涡流速增大。