虚拟现实技术在自动化集装箱码头中的应用

随着BIM技术的快速发展,工程项目数字化应用的价值也被不断发掘。针对钦州自动化码头项目装卸工艺及平面布置的特点,将BIM技术应用于项目装卸工艺表达的全过程,重点结合虚拟现实技术实现了基于自动化集装箱码头装卸工艺模拟的沉浸式体验。虚拟现实技术不仅能够辅助进行方案优化和比选,还可以动态体验从船舶靠泊到集装箱出运的完整装卸工艺流程,充分展示码头自动化、无人化、智慧化的特点。它的成功应用是潮流技术与生产项目的全新结合,有利于提升项目的设计质量和多方的交互。     

钦州港全自动化集装箱码头装卸工艺系统仿真

为验证钦州港全自动化集装箱码头装卸工艺系统设计的合理性,仿真分析码头整个生产作业状态、设备配置、交通组织,并针对自动化水平运输设备及充电设施配置问题进行敏感性研究。结果表明：码头装卸工艺系统设计和布置基本合理,通过适当增加水平运输设备的方式可进一步提高码头装卸船效率。仿真分析与结论可为码头建设和后续运营提供一定的参考依据。     

基于M形深度架构的非结构化道路可行驶区域推荐模型

针对边界模糊、路况多变的非结构化道路,为满足智能汽车在正常、应急等复杂行驶工况下对可行驶区域的视觉检测需求,提出一种在M形深度架构下融合多尺度交互策略和双重注意力机制的可行驶区域推荐模型,能够在复杂驾驶场景中精细分割出非结构化道路的强推荐、弱推荐、不推荐行驶区域。首先,在编码器-解码器的骨架基础上,构建倒金字塔式的多尺度分层输入和分层输出结构,以有效融合非结构化道路的浅层形态学特征与深层语义信息,并平衡模型在不同尺度上的预测偏倚,提升复杂驾驶场景下对多尺度与变尺度目标的分割精度;其次,构建集成通道注意力和空间注意力的跳跃连接结构,使模型在实现编码特征与解码特征高效传递的同时,聚焦于学习与道路可行驶性相关的重要特征,进一步强化模型对非结构化道路的检测性能。通过多种途径构建包含城郊、乡村、园区等真实场景的非结构化道路驾驶数据集。试验结果表明：得益于M形深度架构对多尺度交互策略和双注意力机制的融合,提出的模型在多种真实驾驶场景下均能较好地实现强推荐行驶区域、弱推荐行驶区域、不推荐行驶区域和背景区域的精细分割,平均交并比达到92.46%,平均检测速度达到22.7帧·s^-1;与现有其他主流模型相比,提出的模型兼顾了分割精度和时间效率,在非结构化道路可行驶区域检测任务上有明显优势。     

复杂运行环境下高速轮轨最佳撒砂增黏策略试验

在车轮-钢轨高速接触疲劳试验机上开展水、油和树叶等污染下的高速低黏着和增黏试验,通过最高速度200km·h-1的对滚试验,测得不同第三介质条件下的轮轨黏着-蠕滑特性曲线,研究增黏砂粒径和撒砂量对增黏效果的影响。结果表明:喷撒增黏砂可有效恢复各种污染下的轮轨黏着水平,使200km·h-1下轮轨黏着系数保持在0.18以上,低速下更高;增黏砂粒径在0.4~1.0mm范围内增大或撒砂量在40~100g·min-1范围内增加时,增黏效果均稍稍增强,综合考虑确定试验机的最佳撒砂量为40g·min-1、最佳粒径为0.85~1.0mm;考虑试验机与现场轮轨系统的尺寸差异、运行时复杂气流所致砂粒损失及适当冗余度等因素,建议现场最佳撒砂量为115~175g·min-1、最佳粒径为1.0~2.0mm;喷撒增黏砂会造成车轮接触表面的麻坑损伤,也是造成现场车轮踏面常见麻坑损伤的根本原因。     

基于时间地理学的居民活动空间测度方法研究

活动空间能够反映居民受到的时空制约以及移动自由度,对分析居民出行行为有重要研究意义.本文基于时间地理学理论,强调时间维度对个体活动空间的重要塑造作用,引入活动持续时间作为权重因子,构建了活动空间的时空重心测度模型,提出“偏移度”“扩展度”两个概念来量化个体活动空间,并与传统空间中心测度方法进行对比分析,最后,以昆明市居民调查数据进行实例验证.结果表明,活动空间是由时间和空间两大要素共同决定,当存在出行距离大于4 km以上,偏移度对空间测度的修正程度约为5%~15%,时间要素对活动空间的影响程度变得较为敏感.     

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI) 的识别,弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足,更好地与HV交互沟通,提出CAV对HV的VHI识别模型.模型包括：灯光感知、光数据处理、VHI识别3个模块,灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH),采用KLT(Kanade-Lucas-Tomasi Tracking,KLT)和车辆匹配算法定位跟踪发出灯语的HV;光数据处理模块采用光通道增益算法计算光辐射通量变化; VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model,DHMM)辨识VH 闪烁次数和HV行驶状态,实现VHI识别.在3种灯语示意典型场景下的实验结果表明：1 s内 VH感知准确率为96.8%,定位跟踪精度小于1°,VHI识别率为96.6%,满足混行交通环境下 CAV对HV驾驶意图的识别要求,基本保证实时性,为混行交通流中CAV自动驾驶决策提供理论依据.