中通客车创新"三会一课"新形式

新形势下如何提高基层党组织的凝聚力和战斗力,更好地发挥党组织的引擎作用,使党建工作更接地气更具活力,需要深度思考和大胆创新工作内容和方式方法。近年来,中通客车控股股份有限公司党委高度重视"三会一课"的质量和效果,坚持作为加强思想政治工作的重要基础性工作来抓。底盘车间党支部坚决贯彻党委部署,开展"大学习、大讨论、大调研"活动,严格落实"三会一课"制度,将其作为党员日常教育管理和提高工作水平的重要途径。     

光线强弱对数字图像计算构造深度的影响研究

选取普通水泥混凝土路面、普通拉毛水泥混凝土路面、大孔隙改性水泥混凝土路面三种路面结构类型,分别在晴天和阴天两种光线条件下拍摄数字图像照片,运用MATLAB数字图像技术将路面表面图像像素值量化,通过最小二乘法原理和Tablecurve 3D软件建立曲面拟合模型,提出基于数字图像处理技术的路面表面构造深度计算方法,并分析光线强弱对数字图像构造深度的影响。结果表明:路面表面数字图像构造深度计算方法具有便捷、快速、客观等优点;光线强弱对运用数字图像技术分析路面表面构造深度的影响可以忽略;三种路面结构类型相比,大孔隙改性水泥混凝土路面数字图像表面构造深度最大,具有良好的抗滑性能和排水功能。     

考虑软化影响深度的土坡浅表层稳定性分析方法研究

为分析土坡浅表层稳定性,基于极限分析上限法理论,将滑面设为对数螺旋面,考虑坡体浅表层土体软化影响深度,建立了浅表层滑动破坏机构,推导了浅表层稳定系数的隐式计算公式,反映了稳定系数与坡面长度、软化影响深度、土体强度参数之间的关系。算例分析表明:边坡浅层旋转破坏机构得到的稳定系数与既有的三段式极限平衡法及数值模拟的结果均较为接近,且比数值模拟结果略微偏大。同时,随着坡面长度的增加,稳定系数逐渐减小到一稳定值;在某一软化影响深度时,稳定系数存在最小值;土体内摩擦角比黏聚力对浅表层稳定系数的影响更为显著。     

三江口大桥扩大基础设计及施工

依托三江口大桥扩大基础的设计和施工,论述了采用扩大基础的大桥在扩基构造、埋置深度、参数取值和基坑回填等方面的细节,提供了相关经验。结果表明,扩大基础造价相对较低,施工周期较短,且施工风险较低。从经济、施工工期和风险控制角度看,在地质条件好的地区,大桥采用扩大基础比其他基础形式更具优势。     

基于深度强化学习与风险矫正的智能车辆决策研究

为实现高速公路环境下车辆的安全决策,提出一种结合深度强化学习和风险矫正方法的行为决策模型。构建决策模型所需的目标车辆及周围车辆的行驶信息,并引入自注意力安全机制,提高车辆在复杂高速场景下对周围潜在危险车辆的注意力,综合考虑行车效率、避障等因素以设计强化学习的奖励函数。此外,为解决强化学习在决策过程中缺乏安全性保障的问题,设计风险矫正模块对决策动作进行风险评估和矫正,避免危险决策的执行。在Highway-env仿真平台上对提出的决策模型进行训练和测试。试验结果表明,提出的决策模型有较高的行车安全率和鲁棒性,其驾驶效率也优于以规则、模仿学习和单纯深度强化学习为基础的决策方法。     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境,其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论,构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing,LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用,对换道行为影响因素进行分析;同时,为了提升模型的迁移性,引入道路横向偏移量信息。结合LSTM神经网络的输入要求,使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型,以均方差MSE作为损失函数,使用RMSprop优化方法进行训练,对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后,针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型,LSTM-LC模型对换道行为的表征更准确,在模型的精度和迁移性上有着显著的提升;GRU-LC模型的均方差为4.64 m²,迁移性均方差为119.82 m²,而LSTM-LC模型的均方差为3.18 m²,迁移性均方差为79.58 m²,分别优化了31.5%和39.71%;通过引入道路横向偏移量M,可将LSTM-LC模型精度和迁移性提升约10%,且模型稳定性更强。     

干道交通状态识别及演变机理研究

为减少城市交通拥挤、避免交通瘫痪、保障出行安全,在综合分析交通信息采集技术、交通状态识别、交通状态演变研究现状的基础上,对干道交通状态识别及演变机理进行分析,建立适用于精细化交通管控的城市道路交通状态识别及预测框架,主要包括基于深度学习结合视频跟踪算法提取交通参数、基于路段单元运用堆叠式稀疏自编码结合K-均值聚类对车道和路段交通状态进行精准判别、基于LSTM循环神经网络与3D-CNN卷积神经网络对交通状态进行预测;最后提出干道交通状态识别与预测面临的挑战和研究方向。     

深度学习的车道线检测方法

随着人工智能技术的不断发展,无人驾驶技术已经成为当下社会发展的热门,车道线检测是无人驾驶技术的关键一环,但传统的基于视觉的车道线检测方法处理时间较长、过程繁琐、需要人为干预。基于深度学习的车道线检测可大大减少此类问题。文章设计了一个完成双任务的Enet网络,分别解决目标区域分割问题和不同车道区分问题,以实现端到端的检测。与主流车道线检测网络模型deeplab v3和YOLO v3进行对比。实验验证表明,网络模型的最终训练准确率为99.8%,相对于deeplab v3和YOLO v3网络分别提升1.2%和0.8%。