基于人体姿态估计的分心驾驶行为检测

为弥补现有驾驶特征提取方法的不足,提高分心驾驶行为检测的准确性和鲁棒性,将2D/3D人体姿态估计应用于驾驶人行为检测,提出一种适用于驾驶舱环境下的驾驶特征提取方法。首先通过将2D姿态估计网络Simple Baseline和分类网络ResNet进行融合,构建基于2D姿态估计的分心驾驶行为检测模型,并在分心驾驶数据集State Farm上分析不同数据增强方法、不同超参数、不同分类网络对模型性能的影响。其次,融合3D密集姿态估计网络DensePose与分类网络ResNet,构建基于3D姿态估计的分心驾驶行为检测模型。接着,在State Farm数据集上,针对模型的实时性和泛化能力,对比分析基于原始图像和基于2D/3D姿态的分心驾驶行为检测模型。最后,针对效果更优的基于2D姿态估计的分心驾驶行为检测模型,在分心驾驶数据集State Farm上,对使用不同姿态估计算法和分类网络的分心驾驶行为检测模型做了交叉试验,对比分析4个不同检测模型的优缺点。进一步地,将基于2D姿态估计的分心驾驶行为检测模型应用于实际采集的驾驶图片,对模型的泛化能力和有效性进行了测试验证。研究结果表明:与基于原始图像的检测模型相比,基于2D和3D姿态的检测模型都能显著提高分心驾驶行为的检测准确率;基于3D姿态的检测模型在检测精度方面略优,但基于2D姿态的检测实时性更好,检测效率是基于3D姿态检测的4倍;在驾驶舱单一环境下,基于2D姿态估计的分心驾驶行为检测模型能够满足分心驾驶行为检测的需求,在分心驾驶行为检测方面具有重要应用价值。     

基于GRA-SSA-Elman的隧洞TBM掘进适应性评价

为准确评价隧洞施工TBM掘进适应性，保障TBM安全、高效施工，提出一种基于灰色关联分析（GRA）与麻雀搜索算法（SSA）优化Elman神经网络的TBM掘进适应性预测模型。首先，从地质条件、掘进参数、不良地质、施工组织4个方面综合考虑，初步选取13个主要影响因素，建立隧洞TBM掘进适应性评价指标体系； 然后，利用GRA分析指标与掘进适应性间的关联性，引入SSA优化Elman神经网络，提高模型性能，并采用留一交叉验证法验证模型的准确性及可靠性，使得模型最接近原始数据分布特征； 最后，结合北疆水利工程某标段中待测样本对模型预测效果进行验证，同时与Elman、PSO-Elman、BP神经网络模型预测结果及现场实际结果对比分析。结果表明： SSA-Elman模型预测结果与实际工程结果吻合度较高，该模型能够正确、有效地对TBM掘进适应性进行预测评价，且具有合理性和可操作性，可为隧洞TBM适应性评价提供一种新方法。     

大风天气典型事故特征与货运车辆行驶稳定性分析

大风天气造成车辆失稳、侧翻、货物跌落等事故是一类复杂的动力学问题,给相关事故处理工作带来了困难。针对大风天气下的事故致因,尤其强风是否对事故有直接影响等实践问题,首先通过大风事故的地域分布、形态分布,分析大风天气的典型事故特征;然后利用动力学仿真和有限元仿真,对大风天气条件下“新疆三十里风区”涉及货运车辆的事故开展深入研究,并探讨大风天气货运车辆行驶稳定性、货物栓固稳定性等关键问题;最终针对大风天气的事故预防提出建议。     

面向商用车行驶工况优化设计的高速公路工况识别

为解决商用车行驶工况优化设计中确定工况类型的问题,研究商用车行驶工况特性,提出一种基于朴素贝叶斯方法的高速公路工况识别方法。利用21辆长途运营商用车采集的106 200 km行驶工况数据,以3 km为单位进行分割,共获得35 230段有效试验路段数据(其中:高速公路27 986段;一般公路6 124段;城市公路1 120段)。以该数据为基础,根据朴素贝叶斯方法分析汽车运行过程中的平均速度和挡位统计信息,确定面向商用车行驶工况优化设计的阈值划分区间,获得相关的先验概率和条件概率,利用MATLAB软件进行编程计算,对高速公路工况进行了识别分析。研究结果表明:高速公路工况识别的正确率到达88.26%,高速公路工况被误判为一般公路工况的误判率为9.54%,高速公路工况被误判为城市公路工况的误判率为2.20%;基于朴素贝叶斯方法的高速公路工况识别能够为商用车行驶工况优化设计提供一种有效的高速公路工况识别方法。     

复合地层盾构掘进参数相关性分析及掘进速度预测

掘进速度预测对于提高复合地层盾构掘进施工效率具有重要作用。本文依托南京轨道交通工程复合地层区段现场盾构掘进数据,在盾构区间地层分区的基础上对主要掘进参数进行研究,分析各掘进参数与掘进速度之间的相关性。结果表明:地层越硬,刀盘转速、扭矩、推力均越大,土仓压力越小,软硬不均复合地层刀盘扭矩明显偏大;在复合地层中仍存在掘进速度与贯入度、螺旋输送机转速成正比关系,但掘进速度越大,刀盘扭矩和推力不一定越大。在复合地层中引入硬岩复合比作为回归参数,采用多元线性回归建立掘进速度预测模型,将相同区段预测掘进速度与实际掘进速度进行对比,以验证模型的的准确性和可信度。本文分析方法可为复合地层掘进施工提供指导。     

基于自然驾驶数据的自动驾驶汽车安全性评价方法

自动驾驶汽车进行大规模市场推广前必须进行准确可靠的安全性评价，由于自动驾驶系统复杂程度的增加及设计运行区域的扩大，面向传统汽车的评价方法已不能满足自动驾驶汽车的安全性评价需求,基于此，建立一种基于自然驾驶数据的自动驾驶汽车安全性评价方法，可解决现有方法在逻辑场景层面安全性评价的缺陷。首先，建立基于自然驾驶数据的逻辑场景构建流程，分析场景描述参数，搭建自然驾驶数据采集平台采集相关自然驾驶数据，采用高斯分布模型描述参数概率分布；进而，离散逻辑场景参数空间获取具体测试用例，并在建立的PreScan、CarSim和MATLAB联合仿真平台中对被测自动驾驶算法进行仿真遍历测试，通过高斯模型将测试结果中的危险场景参数聚类，获取被测算法在逻辑场景中的危险区域；最后，综合考虑逻辑场景参数空间概率分布和得到的相应逻辑场景危险区域，提出基于自然驾驶数据的自动驾驶汽车安全性评价指标——场景风险指数，并以前车制动和前车切入场景为例，给出某黑盒算法的具体评价示例。研究结果表明：被测算法在前车制动场景和前车切入场景中的场景风险指数分别为0.409 8和1.08×10^-5，在前车制动场景中具有较大的安全风险，与仿真测试的直观结果相符；通过比较计算得到的场景风险指数与实际仿真测试结果可证明所提出的方法可以实现逻辑场景层面的自动驾驶安全性量化、易于操作、贴近自然驾驶情况。     

自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求，提高智能车辆人-机交互协同的满意度和接受度，构筑双层驾驶人跟驰模型框架，提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先，提取个体驾驶人跟驰均衡状态的数据，采用高斯混合和概率密度函数(Gaussian Mixture Model and Probability Density Function, GMM-PDF)建立第 1 层模型，即驾驶人期望跟车距离模型。然后，将期望跟车距离参数引入模型，基于高斯混合-隐马尔可夫方法(Gaussian Mixture Model and Hidden Markov Model, GMM-HMM)学习驾驶习性，建立第2层模型预测加速度，即个性化驾驶人跟驰模型。其次，研究不同高斯分量个数对模型效果的影响，对比双层模型与 Gipps 模型、最优间距模型(Optimal Distance Model, ODM)、单层模型及通用模型的性能。最后，8位被试驾驶人的自然驾驶行为数据验证结果表明：高斯分量数量与模型性能存在一定的正相关性；在最优高斯分量数量下，8位被试驾驶人在训练集上预测误差均值为0.101 m·s-2，在测试 集上为0.123 m·s-2；随机选取其中1位驾驶人的2个跟车片段数据进行模型计算，结果显示，加速度的平均误差绝对值分别为0.087 m·s-2和0.096 m·s-2，预测效果优于Gipps模型、ODM模型、单层 模型及通用模型30%以上，与驾驶人实际跟驰行为的吻合度更高。     

基于改进人工势场的无人驾驶动态规划算法研究

无人驾驶决策算法可以分为端到端的决策算法与分层式决策算法，分层式算法由于可解释性强、鲁棒性高而被大多数主机厂采用。规划模块是分层式决策算法中的核心模块，它承接感知与地图模块的信息并输出驾驶轨迹或动作，而人工势场法由于规划效率高、信息提取能力强，被越来越多地应用于无人驾驶决策规划领域。但现阶段的人工势场存在未考虑目的地因素或建立目的地单点引力场导致远距离引力过大、方向错误的问题，无法应对复杂交通环境。针对这些问题，提出一种无人驾驶“行车意图-风险复合场”(Driving Intention & Risk Field, IRF)，根据目的地、车辆、道路边界等要素各自的特点分别建模，并以势场的形式统一在IRF中。创建考虑全局规划的全局引力场，将全局规划路径离散成等距离的路径点，并动态选取感兴趣范围内的路径点进行全局引力场的构建。为了验证模型的性能，搭建IRF-SAC动态规划算法平台，并在CARLA仿真环境分别设置高速公路场景、十字路口场景和环岛场景。研究结果表明:相比于NF-SAC和FSM，IRF-SAC算法在安全性、舒适性、通行效率上均有显著提升；在高速公路场景下，IRF-SAC显示出较强的路径跟踪精度和鲁棒性，最大位移偏差相对于NF-SAC和FSM算法分别下降了44.8%、70.2%；在十字路口场景下，与NF-SAC及FSM算法相比，平均危险系数分别降低12.0%、20.6%，纵向加速度均方根分别降低13.2%、44.9%，行驶时长相较于FSM算法减少了39.2%；在环岛场景下，与NF-SAC及FSM算法相比，平均危险系数分别降低了31.7%、52.9%，纵向加速度均方根分别降低了27.0%、19.0%。     

基于多用户驾驶模拟平台的雾天高速公路跟驰模型参数标定及验证

高速公路连环追尾事故多发生在雾天环境下,且容易造成严重的事故人员伤亡。当前的跟驰及追尾风险研究多集中于两车跟驰,缺乏对雾天情况下车队跟驰的研究。利用雾天环境下车队跟驰轨迹数据对传统主流跟驰模型进行标定验证,基于多用户驾驶模拟平台设计了8个不同雾天等级和限速组合的高速公路虚拟场景,开展驾驶模拟试验并采集数据。试验招募了8名男性驾驶人并通过随机调整他们在车队中的位置顺序来获得足够的车队跟驰轨迹数据,根据判定标准筛选合适的车队跟驰轨迹数据,按照2:1的原则分配标定和验证阶段的数据组。选取Newell、Gipps和IDM三个主流跟车模型进行参数标定和验证,以时间序列的车头间距和相对均方根误差(RMSPE)分别作为性能指标参数和拟合优度函数,使用遗传算法搜寻目标函数最小值以标定跟驰模型参数,并用车辆轨迹完整性(CVT)和RMSPE评价验证阶段的仿真结果。结果表明:在标定阶段,Newell、Gipps和IDM三个模型的RMSPE整体平均值分别为30.1%、18.6%和27.7%,各个试验条件下Gipps模型的RMSPE值均小于另外2个模型,说明Gipps模型能更好地拟合试验数据;在验证阶段,Gipps模型的RMSPE整体平均值为21.2%,远小于另外2个模型,可见Gipps模型在局部精确度上的鲁棒性要优于Newell模型和IDM模型;Gipps模型的CVT整体平均值和波动幅度分别为98.1%和2.0%,均是3个模型中的最小值,说明Gipps模型在整体轨迹上的鲁棒性也优于另外2个模型。雾天环境下,Gipps模型具备更好的拟合能力和鲁棒性,因此推荐仿真软件使用Gipps模型模拟雾天环境下车队跟驰行为,不同雾天等级及限速下的Gipps模型参数可参考该研究标定的参数。     

城市轨道交通列车追踪间隔与牵引能耗优化

针对城市轨道交通高峰小时列车密集追踪运行的特点，将降低列车牵引能耗和提升线路通过能力同时作为优化目标，研究列车运行操纵优化问题.给出移动闭塞条件下列车牵引能耗和最小追踪间隔的计算方式，考虑列车安全、正点运行约束，构建双目标优化模型. 结合 ε -约束法，提出一种基于动态规划的搜索算法求解模型.以亦庄线为优化算例，求解得到一组列车最优操纵Pareto解，体现两优化目标之间的均衡关系：列车进站过程采用两次制动操纵策略可有效压缩最小追踪间隔，为弥补两次制动过程额外消耗的运行时间，列车需付出更多的牵引能耗提升进站以前的运行速度以满足正点运行约束.