救助船模拟器原型机关键技术研究

针对大风浪条件下救助船操纵训练的要求，有必要开发针对救助船的操纵模拟器。相比于传统的通用船舶模拟器，救助船模拟器原型机系统中引入六自由度平台运动系统，基于UDP协议传输船舶姿态数据实现实时体感模拟功能，可以模拟船舶在大风浪条件下剧烈摇动的操船环境，提高模拟训练的真实感。此外，系统中引入救助作业模拟模块的思想，可以更好地评估、训练船员在恶劣海况下配合其他救助人员完成救助任务的能力，提高执行海上救助任务的成功率与效率。     

Human-like autonomous car-following model with deep reinforcement learning

This study proposes a framework for human-like autonomous car-following planning based on deep reinforcement learning (deep RL). Historical driving data are fed into a simulation environment where an RL agent learns from trial and error interactions based on a reward function that signals how much the agent deviates from the empirical data. Through these interactions, an optimal policy, or car-following model that maps in a human-like way from speed, relative speed between a lead and following vehicle, and inter-vehicle spacing to acceleration of a following vehicle is finally obtained. The model can be continuously updated when more data are fed in. Two thousand car-following periods extracted from the 2015 Shanghai Naturalistic Driving Study were used to train the model and compare its performance with that of traditional and recent data-driven car-following models. As shown by this study’s results, a deep deterministic policy gradient car-following model that uses disparity between simulated and observed speed as the reward function and considers a reaction delay of 1 s, denoted as DDPGvRT, can reproduce human-like car-following behavior with higher accuracy than traditional and recent data-driven car-following models. Specifically, the DDPGvRT model has a spacing validation error of 18% and speed validation error of 5%, which are less than those of other models, including the intelligent driver model, models based on locally weighted regression, and conventional neural network-based models. Moreover, the DDPGvRT demonstrates good capability of generalization to various driving situations and can adapt to different drivers by continuously learning. This study demonstrates that reinforcement learning methodology can offer insight into driver behavior and can contribute to the development of human-like autonomous driving algorithms and traffic-flow models.     

磁力摩擦式辅助驱动在TBM连续皮带机中的应用

长大隧道TBM(tunnel boring machine)施工大多采用连续皮带机出渣,当运输距离较大时通常需要在中间增设辅助驱动,以降低胶带最大张力,从而降低胶带强度。为了提高辅助驱动的工程适应性,研发了磁力摩擦式辅助驱动系统,具有驱动力大、无二次转载、胶带无二次冲击损伤、结构简单、故障点少、结构紧凑占用空间小、安装方便和配置灵活等特点。该成果可用于采用钢丝绳芯胶带的TBM连续皮带机、支洞皮带机以及其他需要辅助驱动的胶带输送机,并在山西省中部引黄工程TBM1标段成功应用,具有广阔的推广应用价值。     

高压共轨高速电磁阀自升压双电源驱动方法研究

在对现有高压共轨高速电磁阀驱动电路进行分析的基础上,提出了一种基于电磁阀自身的自升压方式,一方面把高速电磁阀关闭时本身储存的电能回收到储能电容中,另一方面在两缸工作间隙利用电磁阀线圈作为升压电路电感对储能电容进行能量补充,保证储能电容上的电压达到一个稳定状态。电路在保证实现双电压快速驱动的同时,使驱动结束的能量得到有效回收,同时省去外接专用升压电路所需要的电感部件,减小了电源电路的体积和设计成本,并且电控单元印制线路板的电磁兼容性设计易于保证。应用该方法对某高压共轨部件高速电磁阀进行试验,匹配出驱动参数,并进行稳定性试验验证,结果表明该方法能够满足工程应用需求。     

不同土质下预制方桩沉桩承载力特性分析

对沿海地区某码头预制方桩沉桩过程进行监控。结果表明,打桩时由于桩周土扰动剧烈,桩的贯入阻力大幅减小,粉质土贯入阻力降低比例高于粉砂。复打测试表明:粉质土的恢复系数较粉砂高;桩侧摩阻力与土层性质密切相关。在沉桩时可根据土层情况选用合适的打桩锤击力,以减小或避免对桩的不利影响。     

基于满意度的多目标约束模糊控制规则库的建立及应用

本文针对难以建模的非线性系统,结合有关满意度优化理论,给出了基于模糊控制系统的多目标搜索规则库的方法,并利用所建立规则采用Mamdani算法来逼近控制问题的最优解。同时把该方法应用在具有强非线性特点的车辆自动驾驶问题上,通过对模糊控制规则的量化细分搜索出车辆自动驾驶的规则库。     

公路空间视距计算方法与检测技术

为了精确计算公路在三维空间中的实际视距,提出了空间视距的概念,通过延伸应用空间两点通视原理,建立了空间视距计算和分析的数学模型。基于计算机仿真技术开发出对空间视距的实时检测技术,通过将设计视距、运行视距和空间视距3种视距对比分析,给出了发现视距不足的方法。与早前的视距计算方法和研究相比,该方法对正常路面、行车道空间视距计算准确,能够计算和分析公路路侧附属设施对视距的影响,为公路几何设计和安全评价提供了依据。     

基于DSP的嵌入式驾驶疲劳监测系统研究

为了进行有效的、实时的、非接触式的驾驶员疲劳检测,采取NHTSA和FHWA推荐的非接触式疲劳检测方法PERCLOS,利用TI公司的专用图像处理DSP芯片TMS320DM642,构建了车载的基于DSP的嵌入式驾驶疲劳监测系统。首先使用肤色模型算法迅速定位人脸,然后利用累积差分帧和Hough变换等实时图像处理技术来检测、跟踪眼睛,分析眼睛的状态和提取眼睛的特征参数,计算PERCLOS值、判断疲劳程度并采取报警或其他措施。试验结果表明,系统的算法简单、快速、鲁棒性强。     

智能车辆安全辅助驾驶技术研究近况

论述了安全辅助驾驶技术的研究现状、研究的必要性以及研究进展。安全辅助驾驶技术包括车道偏离预警与保持、前方车辆探测及安全车距保持、行人检测、驾驶员行为监测、车辆运动控制与通讯等。分析了各种传感器的优缺点及其在实际应用过程中存在的问题,基于单一传感器不能很好地解决安全辅助驾驶技术可靠性和环境适应能力的要求,应结合激光雷达技术解决图像模糊问题,利用红外传感器增强机器视觉识别的可靠性,未来的安全辅助驾驶技术应该采取多种传感器融合的技术,结合毫米波雷达和激光雷达系统具有深度测量精确的特点,将极大的推动汽车安全辅助驾驶系统的应用和推广。