汽车防撞系统中目标跟踪与防撞决策研究

为了实现汽车主动安全系统中的目标跟踪与防撞,提出了混合式汽车防撞系统信息融合结构模型,采用分级信息融合实现目标跟踪,推导出了基于跟踪残留误差和预测残留误差共同校正的融合算法,并给出了算法的实现结构;提出了基于局部分析的映射变换方法,实现驾驶模型特征向量连续、实时的修正,在此基础之上,利用模糊积分方法融合多种相关信息,确定汽车应采用的安全运行模式,实现主动安全防撞决策。经过大量试验证明:该算法具有很好的稳定性和准确率。     

城市轨道交通互联互通全局调度系统研究

为打破城市轨道交通传统单线调度指挥模式在大规模运营网络中日益凸显的调度流程繁琐、线路间联动沟通不畅、处理突发事件效率不高等问题,提高线网级调度管控能力,以大城市快速发展对城市轨道交通的重大需求为牵引,以重庆轨道集团既有研究及实践成果为基础,通过城市轨道交通多源大数据分析关键技术,搭建城市轨道交通多源大数据平台,通过全局列车运行计划智能编制、全局列车运行智能调度、全局应急协调指挥等关键技术实现全局调度系统的核心功能,开发部署了智慧化的新一代互联互通全局调度系统。研究结果表明：该系统可以显著增强互联互通效能,从系统层面提高运营效率,节约运营成本,可以为其他城市轨道交通互联互通全局调度系统的建设提供借鉴和指导。     

高速铁路运营环境安全监测系统综述

针对传统接触网静态检测方法在复杂站场环境下检测效率低、对运输秩序存在潜在干扰等问题,设计了基于激光点云的接触网静态检测系统。通过多站点云快速精确配准、接触网点云要素提取和静态几何参数精确计算等技术,实现了站场接触网点云场景的快速精细重构、接触网接触线与钢轨几何结构的准确提取,以及接触网导高与拉出值的精确计算。以天津西高铁站实测点云数据进行应用验证,结果表明,该系统能够对多站点云数据进行高效处理,对接触网关键几何参数的计算精度达到±5 mm,显著提升了站场接触网静态检测的效率和准确度。

     

面向数据脱敏的交通场景车牌检测方法

从车载相机图像中快速准确地检测车牌对于保护交通敏感信息具有重要意义。针对传统YOLOv8算法对交通场景下车牌检测存在的小目标特征提取能力弱、背景信息误检等问题,研究了基于改进YOLOv8的交通场景车牌检测方法TLP-YOLO。为增强主干网络提取图像特征信息能力,引入多尺度注意力模块（effi-cient multi-scale attention,EMA）,加强对不同尺度目标区域的关注,提升模型对背景信息的甄别能力;提出跳阶加权特征金字塔网络,丰富小目标特征,通过跳阶连接和加权融合方式,避免特征金字塔结构不同层级间的信息损失,提升模型的多尺度特征融合能力;为降低模型计算量并保持检测精度,对检测头进行轻量化处理,引入部分卷积（partial convolution,PConv）和逐点卷积（pointwise,PWConv）模块代替常规卷积结构,以高效利用空间特征,避免冗余计算。基于中国城市停车数据集（Chinese city parking dataset,CCPD）和中国道路车牌数据集（Chinese road plate dataset,CRPD）构建用于验证模型性能的多交通场景数据集并进行了算法验证。实验结果表明：①TLP-YOLO的AP50-95和AP70分别达到了83.6%,和97.7%,相较于基准算法YOLOv8,其AP50-95和AP70分别提高了2%和0.8%。② TLP-YOLO模型的计算复杂度（floating point opera-tions,FLOPs）为7.5 G,模型参数量为1.67 M,检测速度达到了101 fps,相较于基准算法YOLOv8,计算复杂度降低了8.5%,模型参数量减少了45%,平均检测速度则与之相当。改进后的算法能够在保证模型轻量化的同时,提高检测精度,满足车载设备对交通场景中车牌检测准确性与部署要求。     

基于时序融合的自动驾驶多任务感知算法

采用连续图像帧作为输入,挖掘连续图像帧之间的时序关联信息,构建一种融合时序信息的多任务联合驾驶环境视觉感知算法,通过多任务监督联合优化,实现交通参与目标的快速检测,同时获取可通行区域信息;采用ResNet50作为骨干网络,在骨干网络中构建级联特征融合模块,捕捉不同图像帧之间的非局部远程依赖关系,将高分辨率图像通过卷积下采样处理,加速不同图像帧的特征提取过程,平衡算法的精度和速度;在不同的图像帧中,为了消除由于物体运动产生的空间位移对特征融合的影响,且考虑不同图像帧的非局部关联信息,构建时序特征融合模块分别对不同图像帧对应的特征图进行时序对齐与匹配,形成融合全局特征;基于共享参数的骨干网络,利用生成关键点热图的方法对道路中的行人、车辆和交通信号灯的位置进行检测,并利用语义分割子网络为自动驾驶汽车提供道路可行驶区域信息。研究结果表明：提出的感知算法以多帧图像代替单一帧图像作为输入,利用了多帧图像的序列特性,级联特征融合模块通过下采样使得计算复杂度降低为原来的1/16,与CornerNet、ICNet等其他主流模型相比,算法检测精确率平均提升了6%,分割性能平均提升了5%,并保持了每秒12帧图像的处理速度,在检测与分割速度和精度上具有明显优势。     

基于多源预报的热带气旋危险区域的确定方法

为了提高热带气旋信息的完整性与准确性, 分析了目前确定热带气旋中心周围危险区域的方法, 提出了基于多源预报的热带气旋中心周围危险区域的确定方法。根据中、日、美三国对热带气旋中心位置的预报结果, 求出预报的离散度, 由预报位置与平均误差的关系, 得出热带气旋90%落入概率的概率圆范围, 然后将大风浪半径套在此概率圆的外面, 可得到充分考虑多家热带气旋预报结果的热带气旋中心周围大风浪危险区域。可见, 此方法提高了热带气旋预报圆的落入概率, 有力保障了船舶绕避热带气旋的安全性。     

融合滑移率校正的智能车辆定位方法

准确可靠的车辆位姿估计是智能车辆决策规划、运动控制等模块的重要输入。本文提出一种融合智能车辆轮胎滑移率在线估计及校正的定位算法;可以在全球导航卫星系统（GNSS）中断期间显著增强惯性导航系统（INS）/轮速传感器（WSS）的融合定位精度。首先;利用车辆加速度和轮速数据;提出了一种针对不同驾驶条件的滑移率实时估计算法;以准确地对轮速信息进行滑移率校正;随后;基于误差状态卡尔曼滤波对GNSS、IMU和校正后的轮速信息进行融合;实现准确可靠的车辆位姿估计。实车实验结果表明;在GNSS中断期间;速度均方根误差最高提升30%;平均水平位置误差里程比可达1.68‰。     

基于多源信息融合的柴油机故障诊断方法

为提高柴油机这一复杂系统的故障诊断精度,在采集缸盖声发射信号、缸盖振动信号和机体声发射信号特征信息的基础上,利用3个BP神经网络进行局部诊断并获得证据体,对各证据体应用D S证据组合规则进行决策融合。针对D S证据理论在处理冲突证据时存在的局限性问题,提出一种多源加权融合的故障诊断方法。该方法利用各证据体对命题识别的正确率和证据体之间的距离对各证据体进行修正。故障模拟试验表明:提出的方法可提高柴油机的故障诊断精度,充分验证其应用在柴油机故障诊断中的可行性。     

基于注意力机制与光照感知网络的红外与可见光图像融合

部分图像融合方法未充分考虑图像环境的光照状况,导致融合图像中出现红外目标亮度不足以及整体画面亮度较低,从而影响纹理细节的清晰度. 为解决上述问题,提出一种基于注意力机制与光照感知网络相结合的红外与可见光图像融合算法. 首先,在训练融合网络之前利用光照感知网络计算当前场景是日间或夜间的概率,将其运用至融合网络损失函数中,用以指导融合网络训练;然后,在网络的特征提取部分采用空间注意力机制和深度可分离卷积对源图像进行特征提取,得到空间显著信息后,输入卷积神经网络（CNN）以提取深度特征;最后,将深度特征信息进行拼接用于图像重建,进而得到最终的融合图像. 实验结果表明：本文方法的互信息（MI）、视觉保真度（VIF）、平均梯度（AG）、融合质量（Qabf）与空间频率（SF）较对比方法分别平均提高39.33%、11.29%、26.27%、47.11%和39.01%;融合后的图像能够有效保留红外目标亮度,且包含丰富的纹理细节信息.