沉桩施工溜桩问题分析及解决措施

在码头桩基施工过程中,尤其是在软基条件下的沉桩施工,出现溜桩是一种常见现象.对溜桩产生原因进行分析,指出溜桩可能引发的各种问题,若对溜桩处理不当,会造成桩身裂缝、断桩等缺陷,严重时可能还会造成安全事故,在此基础上,结合具体工程案例,介绍了溜桩事前和事后所采取的解决措施,并进一步对解决措施进行检验,经检验,解决措施效果良好,可为同类工程提供借鉴.     

城市地下道路交通安全研究

以城市地下道路系统为研究对象,利用驾驶模拟舱模拟驾驶员在各种不同条件和环境下的城市地下道路上的行驶情况,总结城市地下道路在交通安全方面可能出现的隐患,统计分析驾驶员的心理、生理因素以及驾驶员的违章行为,车流和道路环境与城市地下快速路系统交通安全的关系和产生的影响,并预测在城市地下道路中可能会发生的多种交通事故,提出预防建议和可采取的紧急救援措施,对城市地下道路系统的建设具有参考意义。     

隧道中央隔离设施安全效果的模拟评价研究

以山区公路某隧道群为对象,对用于非分离式隧道中的可倒伏示警柱、视觉标线、常规标线等三种中央隔离设施进行了驾驶模拟对比实验;建立了设置有3种隔离设施的道路虚拟实验场景;利用驾驶模拟系统进行受试者实验,对实验中获取的车辆动态数据进行了统计分析.通过对速度及其标准差、车辆行驶轨迹的横向位置及其标准差的分析结果得出:可倒伏示警柱和视觉标线有利于隧道内的行车安全,除去成本因素,可倒伏示警柱的安全性会更高些.     

疲劳驾驶的转向特征研究

为有效地实现疲劳提前预警,研究了心电信号(ECG)和转向特征随驾驶时间的变化规律.通过试验,分析了ECG信号的4个指标随时间的变化趋势,进行了显著性分析之后,运用主成分分析方法建立了综合的ECG评价指标来分辨驾驶员的疲劳状态.分析了驾驶员在不同驾驶状态,不同的道路线形下的转向行为,应用转向熵方法分析了转向数据,结果表明...     

基于混合A*和可变半径RS曲线的自动泊车路径优化方法

路径规划是自动泊车系统的重要组成部分,是确保泊车运动安全、缩短行车距离、提高乘坐舒适性的关键。而当前自动泊车规划系统往往面临行驶空间狭小、障碍物多、路径搜索难度大等技术挑战,同时搜索曲线半径固定容易导致路径接点处曲率不连续,增大了路径跟随控制难度和轮胎磨损程度,这些都提升了泊车路径规划的研究难度。针对以上问题,设计可变半径的Reeds-Shepp曲线,提出基于混合A^*和该曲线的自动泊车路径规划方法,通过调整曲线半径,提升其在复杂场景下路径的搜索能力和灵活性。随后,设计基于分段贝塞尔曲线和梯度下降的路径优化方法,利用其多阶导数连续的优势优化已搜索的路径曲率,并采用梯度下降来保证路径曲率大小和对障碍的规避,解决直线与圆弧相接等位置曲率变化不连续的难题。结合路径搜索与路径优化的泊车规划方法能够切实满足复杂场景下的泊车需要。最后,基于团队自主研发的PanoSim虚拟系统与MATLAB搭建联合仿真环境,针对多种自动泊车工况测试验证提出的方法。研究结果表明：调整Reeds-Shepp曲线的搜索半径进行全局路径搜索,可获得更短和更易跟随的路径,具有良好的灵活性;基于贝塞尔曲线和梯度下降法的路径优化可有效消除曲率突变点、约束路径曲率并保证对障碍的无碰撞要求。     

智慧交通与智慧物流

智慧交通和智慧物流是智慧城市建设的重要内容.智慧交通技术的创新和发展，促进了智能交通升级.解决大规模数据计算问题是物流智能化的基础.本次论坛以“智慧交通和智慧物流”为主题，介绍了安全驾驶统一集理论、实践及成果，探讨了新一代信息技术对智能交通发展与创新的推动作用，介绍了无人驾驶技术的总体框架、发展与应用，探讨了智慧物流所面临的大规模数据计算问题及解决方案.     

Human driving data-based design of a vehicle adaptive cruise control algorithm

This paper presents a vehicle adaptive cruise control algorithm design with human factors considerations. Adaptive cruise control (ACC) systems should be acceptable to drivers. In order to be acceptable to drivers, the ACC systems need to be designed based on the analysis of human driver driving behaviour. Manual driving characteristics are investigated using real-world driving test data. The goal of the control algorithm is to achieve naturalistic behaviour of the controlled vehicle that would feel natural to the human driver in normal driving situations and to achieve safe vehicle behaviour in severe braking situations in which large decelerations are necessary. A non-dimensional warning index and inverse time-to-collision are used to evaluate driving situations. A confusion matrix method based on natural driving data sets was used to tune control parameters in the proposed ACC system. Using a simulation and a validated vehicle simulator, vehicle following characteristics of the controlled vehicle are compared with real-world manual driving radar sensor data. It is shown that the proposed control strategy can provide with natural following performance similar to human manual driving in both high speed driving and low speed stop-and-go situations and can prevent the vehicle-to-vehicle distance from dropping to an unsafe level in a variety of driving conditions.     

交通流特征深度认知的车队运行参数优化方法

为提升车队对周围交通流环境的认知能力，获取车队周围多车的运行模式，同时通过改变车队运行参数实现车队群体对周围多车群体运行模式的诱导变化，为提升车队及交通流整体运行效率提供优化策略，提出了基于狄利克雷混和高斯过程的车队周围多车运行模式获取算法，将车队周围多车车辆的复杂运行模式视为混和高斯过程，利用狄利克雷分布作为高斯混和权重的先验分布，建立车队周围多车运行模式速度场，从而获取车队周围多车运行模式并分类；通过比较不同多车运行模式下车队的运行效率，提升车队对所处运行环境的认知能力。研究结果表明：利用非参数贝叶斯算法将复杂的多车运行状态进行分类，获取的车队周围多车运行模式可表现为对车队运行效率产生不同影响的速度场；通过将车队周围的多车运行仿真数据分成多个运行模式，可获取不同多车运行模式下车队及交通流整体运行特性；通过更改车队运行参数，观察不同多车运行模式的占比变化，可获取车队运行参数对所处运行环境改变的影响趋势；车队周围多车运行模式的获取，不仅可以提升车队对周围运行环境的认知能力，使得车队能够选取有利路径行驶，同时能够为车队运行策略的优化提供有效的信息。     

用于智能驾驶系统评价的乘员损伤模型

只有较少的交通事故数据资源被用于建立基于碰撞速度信息的乘员损伤模型，致使所得到的模型精度差。为此，提出了基于车辆变形深度的乘员损伤模型。对美国不同制造年代和车辆级别的事故数据进行聚类分析，论证出车辆变形深度与乘员损伤风险具有相关性。以车辆变形深度为自变量，通过回归分析得到乘员损伤模型。不同种类车辆的乘员损伤模型拟合精度R²约为0.9，证明了该模型的正确性。为进一步验证，以此模型为基础，评价智能驾驶系统的有效性。以自动紧急制动系统为例，对比基于变形深度和速度变化量信息2种方法的有效性计算结果。结果表明：2组结果的平均误差不超过1%，验证了基于变形深度的乘员损伤模型的准确性。该模型仅需要事故数据库中准确的变形深度信息，能够获得更多的事故数据支持，从而可以更好地适应于不同类别智能驾驶系统的评价需求。     

基于多维信息特征分析的驾驶人认知负荷研究

准确评估驾驶人认知负荷水平，对于深入研究驾驶人行为特性，改善驾驶安全性具有重要意义。现有的驾驶人认知负荷分类方法，大多基于心电、脑电等生理信息和车辆信息，由于特征选择上的单一性，导致驾驶人认知负荷分类模型的分类精度不高。设计基于跟驰场景的不同认知负荷N-back次任务试验，通过采集受试者的生理信号和车辆信号，结合NASA_TLX主观评分和机器学习算法，提出了基于多维信息特征融合的驾驶人认知负荷分类方法。研究表明：基于生理信息和车辆信息的多维信息特征认知负荷分类方法，其精度显著高于传统的基于生理信息的认知负荷分类方法，以多维信息特征为输入，随机森林法以其稳定性好、抗过拟合能力强的特点，表现出优异的分类效果，相比神经网络和支持向量机，具有最高的平均分类精度。