C++面向对象程序设计中成员的标识与访问方法探讨

继承性是C 面向对象程序设计的重要特征，在使用继承时，如何正确标识同名的成员显得非常重要。章探讨了同名成员产生的情况及其访问方法。     

面向自动驾驶汽车测试的交通车辆交互过程建模

为满足自动驾驶汽车测试对场景真实度的要求,提出一种针对交通车辆交互关系的耦合特征建模方法。结合基于机理模型构建的虚拟数据和采集的真实场景数据建立交通车辆行为数据集;采用深度学习建立局部信息响应的交通车辆行为决策模型、跟驰模型和换道模型,结构相对简单的单体模型能提升场景模拟的可扩展性;针对自动驾驶汽车测试对模型鲁棒性要求高的问题,建立分布执行-集中对抗训练的架构进行交通车辆模型优化,提高模型对输入扰动的鲁棒性。构建交通车辆交互仿真环境对模型进行仿真,通过仿真数据与真实数据分布之间的对比和量化评价指标验证模型的有效性。     

自动驾驶汽车的智能决策模型研究

行为决策系统在很大程度上反映了自动驾驶汽车的智能化水平,作为自动驾驶汽车的大脑,行为决策系统决定了自动驾驶车辆的可行性和安全性。文章基于行车效率与行车安全对高速自动驾驶汽车的智能决策进行了研究。通过引入能效函数与动态子区域监测系统,实时计算本车道与相邻车道的行车能效值以及本车与周边车辆的碰撞风险,并基于此确定最优驾驶策略,一定程度上提升了自动驾驶车辆的行车效率与安全。     

成像偏振在车道线检测与识别中的应用

复杂环境下的车道检测是目前智能车和辅助安全驾驶研究的难点和热点. 针对外部复杂的道路环境,将光学偏振理论引入传统的车道检测技术,提出了一种基于成像偏振的车道线检测方法. 通过对车道线图像基本特征的分析,首先采集3个角度的特殊环境道路偏振图像,获得偏振度图像;然后对偏振度图像作二值化和图像感兴趣区域的划分;再根据车道线边缘的直线特性,进行道路图像的边缘检测从而可以获得车道边缘;最后通过Hough变换原理提出了改进的Hough算法,并得以实现检测出车道标线,计算出汽车行驶偏角. 通过仿真和实验验证表明,该方法能够准确地检测和识别出复杂环境下的车道线,车道线的检测偏角与实际偏角之间的误差小于0.3°.      

大功率永磁电机温度场数值计算及实测对比

温升是考核发电机的一个重要指标。本文首先对常用的几种电机温升计算方法进行了介绍;再以金风科技股份有限公司自主研发的3MW永磁同步发电机为实例,分别采用热路法和有限元方法对其在额定负载条件下的温度场进行了计算,对比误差在5％以内;同时,在3MW电机试验平台上进行了温升试验,将热路法计算结果与实测数据进行了对比,误差也在允许范围内。相比有限元方法,热路法计算温度场的准确性可以接受,同时大大减少计算量与计算难度,可作为永磁电机前期温升设计的校核方法。     

新的汽车牌照识别系统及其成像技术

介绍了一种高性能的汽车牌照识别系统及其成像技术。系统采用了新的成像控制和闪光灯补光技术，使其成像特别适合牌照区域分割和字符识别，成像质量完全不受实际应用环境中强烈的光线变化的影响，从而达到较高的全天候识别率和实际应用的要求。给出了系统在全天候条件下的成像效果和牌照识别效果．结果显示系统可在全天候条件下获得高质量的图像。     

一种新型汽车ABS整车检测系统

为了提高汽车ABS整车检测效率, 开发了一种新型的基于台架的汽车ABS整车检测系统。该系统利用飞轮的转动惯量模拟车辆在道路上运动的平动惯量; 通过扭矩控制器在4个车轮所在滚筒上加载不同的扭矩, 实现不同路面附着系数的动态模拟; 采用基于CAN总线的分布式网络测控技术完成台架的运动控制和车辆速度数据的采集; 利用BP神经网络自学习功能分析台架检测数据, 总结大量模式映射关系, 用训练好的网络实现检测结果自动分类。室内台架检测结果和道路试验结果对比分析表明: 台架检测结果与道路试验结果基本相同, 主要参数误差小于4%, 因此, 台架检测系统能够准确地反映装有ABS的车辆在不同路面工况下的制动性能。     

基于图模型与卷积神经网络的交通标志识别方法

为了提高交通标志识别的鲁棒性, 提出了一种基于图模型与卷积神经网络(CNN)的交通标志识别方法, 建立了一个面向应用的基于区域的卷积神经网络(R-CNN)交通标志识别系统。构造了基于超轮廓图(UCM)超像素区域的图模型, 有效利用自底向上的多级信息, 提出了一种基于图模型的层次显著性检测方法, 以提取交通标志感兴趣区域, 并利用卷积神经网络对感兴趣候选区进行特征提取与分类。检测结果表明: 针对限速标志, 基于UCM超像素区域的图模型比基于简单线性迭代聚类(SLIC)超像素的图模型更有利于获取上层显著度图的大尺度结构信息; 基于先验位置约束与局部特征(颜色与边界)的层次显著性模型有效地融合了局部区域的细节信息与结构信息, 检测结果更加准确, 检测目标更加完整、均匀, 查准率为0.65, 查全率为0.8, F指数为0.73, 均高于其他同类基于超像素的显著性检测算法; 基于具体检测任务的CNN预训练策略扩展了德国交通标志识别库(GTSRB)的样本集, 充分利用了CNN的海量学习能力, 更好地学习目标内部的局部精细特征, 提高了学习与识别能力, 总识别率为98.85%, 高于SVM分类器的95.73%。