问与答

顾问先生,您好!我是一名维修工,由于刚刚加入这个行业,许多方面还需不断学习。现有二个问题向您请教,盼望得到您的指导。1、在装配发动机时显得很不熟练,经常是手忙脚乱,老是犯些低级错误。譬如:新活塞环装配过程中容易折断,特别是将汽缸套到活塞及环上时,活塞环的折断比例较大(尤其是双缸机的新环)。有没有既快又好的方法,请予赐教!2、在大修发动机分解曲轴箱,重新组装后发现,曲轴箱内的运转声音明显比分解前大了许多,是什么原因造成的?     

基于场景动力学和强化学习的自动驾驶边缘测试场景生成方法

为解决小概率高风险边缘测试场景的问题,本文提出一种基于场景动力学和强化学习的边缘场景生成方法,实现边缘场景的自动生成,能模拟真实世界中车辆间的对抗与博弈行为的特征。首先将随时间动态变化的场景模型由一组微分方程描述为场景动力学系统;然后利用神经网络作为通用函数逼近器来构造场景黑盒控制器,并基于强化学习实现边缘场景控制器的优化求解;最后以超车切入场景为例,在Matlab/Simulink软件进行仿真验证,结果表明,边缘场景强化生成模型在场景交互博弈、覆盖率和可重复测试等方面具有良好的性能。     

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。     

在连云港市“雷锋车”组先进事迹报告会上的讲话

报告会上,交通运输部副部长高宏峰概括了连云港市"雷锋车"组先进事迹的时代内涵和精神实质,对深入开展向江苏省连云港市"雷锋车"组学习活动提出了具体要求。同志们:今天,中宣部、交通运输部、江苏省委在这隆重举行连云港市新浦汽车总站"雷锋车"组先进事迹报告会,进一步广泛动员和深入开展向"雷锋车"组     

稀疏表示和判别性字典学习的舰船图像自动分割算法

现有舰船图像自动分割算法存在着分割准确率低的问题,故提出稀疏表示和判别性字典学习的舰船图像自动分割算法研究。为了降低图像分割计算难度,通过图像插值、坐标转换、互信息计算配准获取的舰船图像,以此为基础,提取配准图像的灰度与梯度特征,并转换为列向量构成训练样本集,构建判别性字典学习模型,通过模型求解获取舰船图像稀疏表示,判断像素点所在区域,实现了舰船图像的自动分割。仿真实验结果显示:在自变量图像数量与图像块尺度背景下,与现有算法相比较,提出算法舰船图像分割准确率较高,充分表明提出算法图像分割效果更好。     

恶劣天气红外热成像行人检测方法研究

为了提高智能汽车在恶劣天气对行人检测的速度和精度,本文提出一种基于YOLO V4的红外热成像行人检测方法.通过迁移学习对YOLO V4模型进行再训练,可快速而准确地实现恶劣道路环境的行人检测.     

基于最小二乘支持向量机的公路工程造价预测模型

由于公路工程造价的影响因素错综复杂,且历史数据非常有限,使公路工程造价预测成为典型的小样本条件下非线性回归问题。针对传统的回归方法解决这类问题的不足,该文提出一种新型的公路工程造价预测模型。该模型基于最小二乘支持向量机的基本原理,结合公路工程的具体特征,实现了公路工程造价的智能化预测。新模型充分发挥了最小二乘支持向量机在解决有限样本及非线性回归问题中的优势,建立了较准确的预测模型,且训练速度较普通支持向量机更快。实证数据分析验证了本模型的有效性。     

基于生成对抗网络的船舶航迹预测模型

为提高复杂交通局面下的船舶航迹预测精度,提岀一种基于生成对抗网络的船舶航行轨迹预测模型(Gen-erative Adversarial Networks with Attention and Interaction,GAN-AI)对多艘船舶轨迹同时进行预测.通过编码器对船舶轨迹时空序列进行编码,设计交互模块对多艘会遇船...     

基于深度学习CaffeNet模型的综合交通设施场景分类与识别研究

综合交通设施场景的自动分类与识别对交通网络布局、城市规划、智慧城市建设等方面有重要的研究与实践价值.鉴于目前研究主要集中在单一的交通设施目标识别与检测方面,采用速度快、分类精度高、适宜于海量数据运算的CaffeNet深度学习模型,基于迁移学习思想,通过5层卷积、3层池化、1层全连接等过程提取机场、桥梁、停车场、港口、火...     

基于深度学习的智能车辆视觉里程计技术发展综述

针对基于模型的视觉里程计在光照条件恶劣的情况下存在鲁棒性差、回环检测准确率低、动态场景中精度不够、无法对场景进行语义理解等问题,利用深度学习可以弥补其不足。首先,简略介绍了基于模型的里程计的研究现状,然后对比了常用的智能车数据集,将基于深度学习的视觉里程计分为有监督学习、无监督学习和模型法与深度学习结合3种,从网络结构、输入和输出特征、鲁棒性等方面进行分析,最后,讨论了基于深度学习的智能车辆视觉里程计研究热点,从视觉里程计在动态场景的鲁棒性优化、多传感器融合、场景语义分割3个方面对智能车辆视觉里程计技术的发展趋势进行了展望。