冷链货物非接触式智能搬运系统

为提升冷链货物搬运作业的自动化水平和整体效率,降低一线作业员感染新冠病毒的风险,研究基于传统人工冷库条件的冷链货物非接触式智能搬运系统工艺方案。在拆装箱环节,运用机器视觉和无线遥控等技术实现低温复杂环境下盒装货物自动化拆装箱技术;在码垛环节,运用强化学习算法优化码垛机器人多货型堆码作业;在货物冷库货架堆存环节,基于5G通信技术设计超高位叉车无人驾驶和远程装卸系统方案。应用结果表明,系统能够在一定程度上提升冷链库作业效率、降低人工货物接触频次和人工成本。     

纤维对沥青混合料路用性能影响研究

沥青混凝土中掺加纤维能显著提高沥青混合料的路用性能、路面的抗水侵害能力、路面的高温稳定性,减少路面的反射裂缝。试验讨论了聚酯纤维与聚丙烯腈纤维对沥青混合料的路用性能的影响。结果表明,掺加0.25%聚酯纤维及0.3%聚丙烯腈纤维,沥青混合料的稳定度提高约20%~30%,残留稳定度达到90%以上,而掺加0.3%聚丙烯腈纤维可以使沥青混合料动稳定度提高3倍左右。     

600 m跨径钢筋混凝土拱桥地震响应分析

该文对一座试设计跨径达600 m的钢筋混凝土拱桥进行了地震响应分析,有限元模拟采用非线性纤维单元。通过对该桥恒载(初应力)受力分析和地震响应的分析,对大跨径钢筋混凝土拱桥对不同地震动的反应和结构的抗震性能进行了评价。     

纤维沥青混合料高温稳定性的灰关联分析

该文通过灰关联分析方法分析了沥青、集料、纤维对混合料高温稳定性的灰关联度。结果表明,沥青的温度敏感性对混合料的高温稳定度影响最大,其次为粗集料含量,最后才是纤维剂量。     

基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...     

木质素纤维增强型透水性沥青稳定碎石疲劳研究

为提高增强型透水性沥青稳定碎石（asphalt treated permeable base,ATPB）的抗裂性能和耐久性,以SBS改性沥青为胶结材料配制掺入木质素纤维的ATPB混合料——纤维增强型透水性沥青稳定碎石（fiber asphalt treated permeable base,FATPB）,并制作不同木质素纤维掺量的FATPB-25梁式试件进行不同应力比下的四点弯曲疲劳试验。将木质素纤维掺量为0.3%的FATPB-25与普通的AC-25、ATB-25的疲劳性能进行对比分析,探究考虑失效概率的应力比与纤维掺量对疲劳寿命的影响。研究结果表明：纤维掺量为0.3%的FATPB-25的抗疲劳性能明显比普通的AC-25和ATB-25的高,可用作耐久型的透水性下面层或柔性基层;通过包含失效概率的双对数方程可以对FATPB-25的疲劳寿命进行预测。     

纤维封层技术在公路养护工程中的应用

公路工程是城市发展的重要支撑,也是人们出行的必要设施.对于公路工程而言除了要确保施工质量之外,完工之后还需要定期进行养护,这样公路才能使用更长的时间.纤维封层技术是一种具有很多优势的路面养护技术,将其应用到公路养护工作当中,可以促使路面耐磨性能得到增强,稳定性也能得到更强有力的保障.本文对纤维封层技术特点和材料选择进行了概括总结,并对该技术在公路养护工程中的运用进行了探究,同时提出了应用中需要注意的一些事项,希望可以给相关人士提供参考.     

基于深度强化学习的船舶航线自动规划

为解决传统船舶航线规划算法缺少对经验航线的参考及不适用于真实航行需求的问题,提出一种基于深度Q网络(Deep Q Network,DQN)船舶航线自动规划算法,用以在电子海图中提供拟合航道,生成适宜真实航行情况的自动规划航线.这种算法采用当前神经网络和目标神经网络2个二层神经网络结构,达到打乱数据相关性的目的,将智能体...     

基于强化学习与安全约束的自动驾驶决策方法

在自动驾驶决策场景下,为解决强化学习算法安全性差、学习效率低的问题,提出一种在算法的训练阶段添加基于价值的安全约束和虚拟奖励的方法。首先,利用状态、动作价值函数和安全判断规则,对智能体执行的动作进行基于价值的安全约束,选择价值高且安全的动作。然后,向回放池添加包含虚拟奖励的预测轨迹数据,以补充由于约束而未能获取的试错动作信息和相应的状态、奖励信息。最后,为进行加减速和换道决策实验,基于修改后的高速公路仿真环境highway-env搭建了3车道高速公路场景,并以深度Q网络（Deep Q Network, DQN）算法为基础,分别训练和测试了无安全约束的算法、拥有基于规则的安全约束的算法和拥有基于价值的安全约束的算法。结果表明,考虑加速、减速、保持车速和车道、向左换道、向右换道共5种动作时,基于价值的安全约束算法的成功率比无安全约束的算法高3倍以上,平均回报提升28%;仅考虑向左换道、向右换道、保持车道这3种换道动作时,基于价值的安全约束算法的成功率比基于规则的安全约束算法高0.11,平均回报提升6%;都添加基于价值的安全约束时,考虑5种动作的算法相较于考虑3种动作的算法成功率低0.06但...