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.     

石忠高速公路边坡病害分析及处治技术研究

通过对沪蓉国道主干线石柱至忠县支线B14合同段ZK62＋985～ZK63＋080路堑边坡工程地质环境、变形破坏机理分析,提出应随边坡影响因素变化进行边坡病害动态处治的思想,在此基础上提出边坡合理整治措施,对类似工程的加固处治具有较好的借鉴作用。     

道路运输市场退出机制研究

道路运输市场退出机制与道路运输市场准入制度相辅相成,不可分割。文章阐述了道路运输市场退出机制的基本特点、重要作用、主要方式及实施程序,并对其在实施过程中存在的问题进行讨论。     

高速铁路黄土隧道内轨道板上拱机理及整治方案

采用现场钻探、调查等方法对高速铁路黄土隧道运营前洞口段轨道板上拱现象进行分析,研究轨道板上拱机理,并给出相应处理方案。分析结果表明:中心水沟渗漏导致地基土含水率增大是轨道板上拱的主要原因;隧底湿陷性新黄土受水浸泡软化,仰拱填充层开裂,明洞段受其两侧暗洞段与路基桩板纵向挤压作用产生隆起;受水浸泡后,寒季冻涨作用使轨道板上拱。整治前隧道进口洞门段轨道板上拱最大值为12.9 mm,采用旋喷桩对隧道仰拱底予以加固并采取隧道疏排水措施后上拱现象消失,说明该措施可有效控制轨道板上拱变形。     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型.首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起...     

整平机升降系统设计与分析

本文依托一种自浮式水下基床整平机,对该整平机上的重要的组成部分——升降系统进行了设计与分析,提出了一种结构简单、运行可靠的升降系统；对组成升降系统的升降机构提出了液压环梁插销式升降机构、齿轮齿条式升降机构和液压缸升降机构,对支撑机构考虑了十字转动支撑机构和万向球轴承支撑机构,对锁紧机构提出了楔块锁紧机构和棘爪锁紧机构,通过对各种方案进行分析论证,最终确定了升降系统由液压缸升降机构、十字转动支撑机构和棘爪锁紧机构组成；最后对棘爪锁紧机构进行了瞬态动力学计算,计算结果得出棘爪锁紧机构所受最大应力为154.52MPa小于其许用应力172.5MPa,验证了棘爪锁紧机构的强度满足要求。     

锚杆支护及其配套技术

详细介绍了锚杆支护及其配套技术，主要有光面爆破、喷射混凝土等。     

基于深度强化学习的智能船舶航迹跟踪控制

[目的]智能船舶的航迹跟踪控制问题往往面临着控制环境复杂、控制器稳定性不高以及大量的算法计算等问题。为实现对航迹跟踪的精准控制,提出一种引入深度强化学习技术的航向控制器。[方法]首先,结合视线(LOS)算法制导,以船舶的操纵特性和控制要求为基础,将航迹跟踪问题建模成马尔可夫决策过程,设计其状态空间、动作空间、奖励函数;然后,使用深度确定性策略梯度(DDPG)算法作为控制器的实现,采用离线学习方法对控制器进行训练;最后,将训练完成的控制器与BP-PID控制器进行对比研究,分析控制效果。[结果]仿真结果表明,设计的深度强化学习控制器可以从训练学习过程中快速收敛达到控制要求,训练后的网络与BP-PID控制器相比跟踪迅速,具有偏航误差小、舵角变化频率小等优点。[结论]研究成果可为智能船舶航迹跟踪控制提供参考。     

铁路预应力路堤加固技术数值研究

研究目的:铁路预应力路堤在国内外尚属一种新型路基加固法,其受力变形特性暂未得到系统化研究,相关加固设计理论仍处于探索性阶段。因此,有必要通过数值手段了解预应力路堤的工作状态,以掌握其加固性能。鉴于此,借助ABAQUS软件平台构建预应力路堤仿真系统,分析差异化预应力加固参数对路堤变形和承载能力的影响以及预应力加固构件的受力特征。研究结论:(1)路堤本体段坡面较优加固位置为距本体顶面以下0.3倍本体高度处;(2)坡率1∶1的预应力路堤在第1、2排侧压板分别施加50 k Pa、100 k Pa预压荷载时,其变形与承载力均可达传统路堤(坡率1∶1.5)水平,并可通过提升加固标准进一步强化路堤承载性能;(3)当对第1、2、3排侧压板分别施加50 k Pa、100 k Pa、100 k Pa预压荷载时,路堤内部附加围压S11>13.5 k Pa区域大致呈"x"形分布并形成横贯路堤的"预压加固区";(4)侧压板锚固区受力集中且复杂,应注意保障锚固区板体强度;(5)力筋在路堤加载前后的应力变化量与坡面侧向变形特征相关;(6)本研究成果可为铁路预应力路堤的加固设计提供技术指导。     

公路地基真空排水预压法探讨

真空排水预压法与堆载预压法相比具有加载快、无需堆载材料、不会失稳等优势,适用于加固软土特别是含水量较高的超软土地基。真空-堆载联合预压法的应用也越来越多。经过国内外十几年的探索,真空排水预压法日趋成熟,已经成为大面积应用的加固软土地基的行之有效的方法之一。