车路协同条件下智能网联高速公路通行效率信息自适应分发协议:NRT-V2X

车路协同技术是解决自动驾驶中单车智能现存缺陷的关键技术。而智能网联高速公路的出现为车路协同技术真正应用于实际提供了良好的平台，其中，路侧单元（Road Side Unit，RSU）如何将路侧传感器信息或交通监控中心发布消息传递给路上车辆，是车路协同技术的一个关键环节。为此，提出一种基于V2V（Vehicle to Vehicle）和V2I（Vehicle to Infrastructure）融合的自适应数据分发协议（Adaptive Network and Road Traffic Data Dissemination for V2X，NRT-V2X）。NRT-V2X协议在影响通行效率事件的车流上游为RSU定义了一段服务区域（ROI，Region of Interest）。RSU通过感知服务区域中车辆的无线通信网络状况和路面交通状况来自适应调整其信息发送间隔，从而在保证ROI中车辆信息全覆盖的前提下，降低RSU发送信息开销，抑制ROI内车辆的接收信息冗余。基于创建的2个场景和2个车路协同应用，利用双向耦合车联网仿真平台进行性能评估。试验结果表明：采用NRT-V2X协议的车路协同技术可使高速公路的通行效率提高28%以上；与RSU固定发送间隔协议和典型V2X协议ATB相比，NRT-V2X的信息覆盖率稳定在100%，发送信息开销降低了至少30%，接收信息冗余下降了20%以上；NRT-V2X能够将智能网联高速公路通行效率相关信息高效地由RSU分发到其定义的ROI中的所有车辆，从而保证所有车辆预先接收到相关信息，选择最优行车路线，提高通行效率。     

基于封闭测试场的DSRC与LTE-V通信性能测试研究

针对专用短程通信(DSRC)和LTE-V技术的性能测试需求,在封闭测试场搭建了静态、动态条件下的5种场景,构建了面向智能网联交通应用的模块化测试平台,并设计了一种通信性能测试系统及方法,以数据包投递率和时延为评价指标,通过测试对比分析了通信距离、遮蔽物、车速等因素对DSRC和LTE-V通信性能的影响。结果表明:通信距离和遮蔽物是影响DSRC与LTE-V通信性能的重要因素,但LTE-V较DSRC有更广的通信范围,在同一范围内有更可靠的性能;车速对二者通信性能影响较小,但在高速场景下,两车距离较近时,LTE-V出现时延突增现象,DSRC较LTE-V有更佳的性能。     

农村公路混凝土路面施工技术

近几年来．公路运输作为运输的主要方式．在很大程度上促进了农村经济的快速发展。目前,很多农村进行公路建设时．都采用了水泥混凝土路面．这在很大程度上说明水泥混凝土路面的施工技术在农村经济的发展中,有着非常重要的作用。因此,为了能在最大程度上使水泥混凝士路面的质量及使用寿命得到有效保证．进行农村公路建设时．必须重视施工技术．而且,必须加强对每个设计环节的质量控制及不断增强其监管力度。     

重庆东水门长江大桥塔吊可调节附墙杆设计与应用

以重庆东水门长江大桥索塔施工为例,介绍塔吊可调节附墙杆在斜拉桥索塔施工过程中的设计与应用。     

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

降雨条件对车载激光雷达性能影响的试验研究

激光雷达是自动驾驶车辆最为关键的传感器之一，被广泛用于车辆定位、目标检测与跟踪等任务。然而，激光雷达的点云数据会受到恶劣天气（如雨、雾、雪等）的严重影响，致使自动驾驶全天候行驶仍然面临着巨大挑战。为了量化评估恶劣天气对激光雷达性能的影响，分析了降雨环境下激光雷达的性能，基于构建的场地降雨模拟系统控制降雨量，通过多视角的静、动态试验定性与定量分析激光雷达测距精度、典型目标点密度、有效检测距离等性能参数与降雨量之间的关系。试验结果表明：车辆作为目标物时，目标物上的激光点云受降雨的影响最大，相较于无雨环境，中雨时打在汽车上的激光点数降低幅度超过了60%，检测距离下降了69%，并且随着降雨量的增大激光雷达对目标的有效检测距离持续下降；试验方法和结果对于测试评价自动驾驶性能及提升降雨环境下的激光感知能力具有重要意义。     

基于FRRN注意力监督的沥青路面积水区域分割

为实现不同光照与气候条件下的沥青路面积水区域自动分割，在现有全分辨率残差网络(FRRN)的上采样层设计了一种注意力监督机制；加入积水区域注意力模块(PAAM)与深度监督模块，建立了一种含积水区域注意力监督模型(PAAM-FRRN)；利用最大池化与上采样构建编码器-解码器结构，在全局尺度下捕获了积水的视觉特征，在上采样层引入了注意力监督机制，针对积水区域进行上采样并融合不同网络层之间的特征，最小化网络各层损失函数，优化网络总体最终损失；采集不同光照与气候条件下的1 770个(弱光750个、强光740个、雨天280个)沥青路面积水图像进行五折交叉验证试验，获得了积水区域分割结果；以人工标注结果作为真值，利用Dice相似系数(DSC)、Jaccard相似系数(JSC)、精确率、召回率与豪斯多夫距离(HD95)作为量化评价指标，将提出的模型分别与FRRN和其他7种有代表性的传统模型进行了分割效果对比。研究结果表明:提出的模型在DSC、JSC、精确率与召回率所取得的均值分别为0.91、0.86、0.92和0.93，相比FRRN分别提高了3.41%、6.17%、2.22%和4.49%，且均高于传统7种对比模型；在DSC、JSC、精确率以及召回率所取得的标准差分别为0.12、0.15、0.11和0.12，与FRRN相比分别降低了20.00%、16.67%、21.43%和25.00%，且均低于传统7种对比模型；其HD95为38.56，均低于其他对比模型，提出的模型能够实现对不同光照与气候条件下的沥青路面积水区域的准确、有效分割。      

短时交通流预测模型

针对短时交通流变化周期性与随机性的特点,提出了新的混合预测模型,包含非参数回归模型与BP神经网络模型2种单项模型。非参数回归模型利用相关历史交通流数据,通过数据库匹配操作,确定预测结果,以充分体现交通流的周期稳定性。采用3层BP神经网络模型反映交通流的动态与非线性特点。采用模糊控制算法确定各单项模型的权重,并按不同权重有效组合成新的混合模型。采用西安市某路段30d的交通流量数据验证混合模型的预测效果。试验结果表明:该混合模型的平均相对误差为1.26%,最大相对误差为3.53%,其预测精度明显高于单项模型单独预测时的精度,能较准确地反映交通流真实情况。