汽车防撞系统对前方道路的几何估计

文章提出一种新的模型和方法来准确估计汽车前方道路的几何特征。通过用两段有不同几何特征的、比邻的回旋曲线来模拟前方的几何特征,并保证其过渡位置的曲率连续。相比以前的方法,这种方法在模拟不同道路的几何特征上的可行性和准确性都更胜一筹。不仅不会带来计算成本的提高,也不会增加对噪声的敏感。这种更高的准确性尤其适合用在汽车自动巡航和防碰撞上。     

基于数字化的工程量清单应用及优势分析

在工程项目中,工程量清单的编制是工程造价管理的基础工作。编制工作也需要投入大量的人力资源,仍然难以避免错、漏的问题,也无法进行有效的分类统计与精准管控,本质上是一堆表单。基于工程数字化的工程量清单编制模式,通过构建BIM模型,制定适用于清单编制和企业计量方式的编码规则库,搭建有效的数据库平台,提高编制效率的同时使得清单更精准、数据可追溯,并可延伸至成本分析、三算对比、原材料精准管控等多维度应用。提出的解决方案,在实际应用中收到较好的效果,具有较强的借鉴意义和推广应用价值。     

基于地图API技术的道路拥堵点交通运行状态分析

以东阳市老城区为例,提出应用地图API技术进行道路拥堵点交通运行状态分析的一般流程。首先,按照一定时间间隔分别截取研究范围的实时路况地图,根据路况颜色和持续时间识别道路拥堵点;其次,将研究范围划分成一定数量的网格,利用地图API技术批量获取各网格中心至拥堵点的预估通行时间,评估当前时刻下拥堵点的可达性;最后,获取堵点周边道路各时段的平均行程速度,评估道路运行状态的时间变化特征。通过地图API进行道路堵点识别和运行状态分析,能够大大减少研究者的前期工作量,为后续研究分析提供相对准确的基础数据。     

上海港长江口主要港区与深水航道连接水域的布设

针对上海港长江口两个主要港区,即罗泾散杂货港区和外高桥集装箱港区,综合考虑码头泊位、进港航道、靠离泊方式、通航条件以及工程成本和经济效益等因素,因地制宜地布设连接水域.归纳总结了连接水域布设时需考虑的主要因素及具体工程应用的侧重点.     

船闸结构仿真计算方法研究

总结江苏近10年来在水运船闸计算方面的主要工作,包括:黏弹性基础梁(框架梁)计算方法、软基上结构仿真计算方法以及地基黏弹性参数反分析方法,三峡永久船闸衬砌墙结构及结构锚杆受力仿真分析,人字门(三角门)船闸闸首结构有限元计算系统的开发与应用,船闸工程混凝土施工期现场防裂控制技术等.这些方法对提高船闸设计水平和施工质量具有重要意义.     

基于灰色关联度分析的模拟电路故障诊断

一般情况下,模拟电路中存在着元件容差,使得电路的测量数据存在着不确定的信息,增加了故障诊断的难度。而灰色关联度分析在处理此种不确定信息方面有着独到的优势,可以代替传统故障字典法单纯采用样本距离作为故障的分类指标方法进行故障诊断。因此,灰色关联度分析非常适合于容差模拟电路的故障诊断。     

汽车线控技术的应用及关键技术

介绍汽车线控技术的应用和发展,阐述汽车线控技术的优点、特点及关键技术。     

基于3D点云语义地图表征的智能车定位

为提高智能车节点定位准确率, 研究了基于3D点云语义地图表征的智能车定位方法。该方法分为3个部分: ①基于三维激光点云的语义分割, 包括地面分割, 交通标志牌分割和杆状语义目标分割; ②面向智能车的点云语义地图表征, 利用分割的语义目标投影, 生成带权有向图, 语义路, 语义编码, 再以语义编码和高精度GPS的全局位置组成语义地图表征模型; ③基于语义表征模型的智能车定位, 包括基于GPS匹配的粗定位和基于语义编码渐进匹配的节点定位。实验在3种长度不同、复杂度不同的道路场景下进行, 节点定位准确率分别为98.5%, 97.6%和97.8%, 结果表明所提出的定位方法节点定位准确率高、鲁棒性强且适用于不同的道路场景。      

复杂网络的重叠社区发现并行算法

随着网络规模的快速增长,传统社区发现算法难以处理大规模网络数据和满足复杂网络的可扩展分析需求. 本文提出一种适用于大规模复杂网络的重叠社区发现算法PHLink. 该算法根据复杂网络的无标度特性将节点建立连边的原因进行分析和归类,用以识别网络中具有重叠性的社区结构,并采用MapReduce计算框架对网络进行分割和冗余存储,减弱了图计算的耦合性,解决了社区发现算法的分布式计算问题. 通过真实网络测试,PHLink算法可以大幅度降低边计算的复杂度,对于无标度特性明显的复杂网络提取0.1%的枢纽节点即可节省94%以上的计算量,较传统算法具有较高的稳定性和准确性,并且在Hadoop平台有良好的加速性和伸缩性,可以处理千万级连边规模的大规模复杂网络.      

基于双路神经网络融合模型的高速公路雾天检测

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求. 为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法. 该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合. 为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集（express way fog detection dataset,EWFD）,该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验. 实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7%的准确率,与国际前沿的检测分类算法101层残差网络（ResNet-101）相比,本文提出的算法准确率提高了10%以上.