基于工况分布的轻型车速度排放修正因子的建立方法

速度排放修正因子(Speed Correction Factors,SCF)是评估速度变化对车辆排放影响的重要参数.然而,传统的SCF建立方法耗时长、成本较高,且获取的SCF分辨率较低.为了得到高分辨率的SCF,基于北京市大量的实测工况数据和排放率数据,提出了北京市轻型车SCF的建立方法.首先,对采集的工况数据进行60 s短行程划分及2 km/h行程速度的聚类;在此基础上,建立不同道路类型和速度区间下的比功率分布(Vehicle Specific Power,VSP);然后,结合排放率和建立的VSP分布,建立不同道路类型、排放标准的各污染物的SCF.经过分析,得出相比传统的SCF建立方法,本文提出的方法更能反映车辆的实际行驶特征、且获得的SCF的速度分辨率更高.     

船舶异常行为的一致性检测算法

为了准确检测船舶的操纵异常行为和降低异常行为误报警率, 提出了船舶异常行为的一致性检测算法; 在船舶轨迹点中引入能够体现操纵模式的特征, 以转向行为与变速行为度量了操纵行为相似性; 将空间位置相似性与操纵行为相似性进行组合, 定义了船舶综合行为相似性, 计算了单个轨迹点与训练轨迹序列中的最近邻特征点, 构建了一致性检测的样本序列; 为克服样本重叠的类分布情形, 改进了一致性检测算法的奇异值度量, 并用综合行为相似性计算样本间的非一致性得分, 利用单个轨迹点的随机性检验值判断该轨迹点与样本序列的分布一致性; 以琼州海峡实测AIS数据作为正常数据, 以计算机模拟随机产生异常轨迹和人工自定义操纵异常行为作为异常数据, 分别进行异常检测试验。试验结果表明: 随机产生的异常轨迹检测正确率为100%, 但是轨迹评价集中有一部分正常轨迹被错误划分成异常轨迹, 在指定置信度水平分别为99.0%和99.7%的情形下, 误报警率分别为0.6%和0.2%, 分别低于显著性水平0.01和0.003, 因此, 利用一致性检测算法能有效检测计算机产生的随机异常轨迹, 并可通过指定显著性水平严格控制检测误报警率, 能有效检测人工自定义的船舶变速与转向异常行为, 而且检测结果能随船舶行为改变而变化。     

基于条件生成对抗网络的扇区复杂度评估

扇区复杂度作为管制员工作负荷和动态空域配置的重要参考依据,需要事先准确地对其 进行评估。本文针对有监督复杂度数据集存在的小样本问题,提出基于条件生成对抗网络的扇 区复杂度评估框架。首先,构建交通流量、航空器性能和潜在冲突这3类复杂度指标,并结合主观 复杂度等级得到标定样本;其次,利用条件生成对抗网络设计有标记样本生成算法,获得增广数 据集;最后,分别采用逻辑回归、支持向量机和随机森林算法建立复杂度评估模型。以中南区域 扇区为例,从定性和定量的视角验证生成样本的有效性,并在多种训练集配置下对比各模型评估 结果。研究结果表明：条件生成对抗网络在200次迭代后逐步收敛至稳定;生成样本与真实样本 的绝大多数指标在均值上的相对误差小于5%,在标准差上的相对误差大于5%;在多分类评价指 标下,增广数据集对3种模型整体评估精度分别提升11.77%、11.04%和8.34%。本文提出的评估 框架可以在有限数据条件下提高样本多样性,是解决扇区复杂度评估问题的一种有效方法。     

SAR轨迹偏离条件下三维场景回波模拟研究

由于大气干扰的影响,雷达平台很难按照理想轨迹飞行,因此对SAR轨迹偏离下的三维场景回波模拟研究具有现实意义,但此方面在国内研究较少.文中基于SAR轨迹偏离条件下的回波信号模型,提出了适合此模式的SAR回波模拟频域算法,推导了SAR回波频域模拟公式,分析了算法的性能及应用范围,给出了仿真结果和结论,证明了所提算法的有效性和可行性.     

基于秩最小化矩阵去噪的船舶轨迹重构方法

针对船舶自动识别系统(Automatic Identification System,AIS)在实际应用中存在错误数据频发、数据丢包等问题,本文提出一种基于秩最小化矩阵去噪的船舶轨迹重构方法,利用去噪实现轨迹重构,同时,实现对轨迹的去噪和缺失补全。该方法通过线性插值实现经度对齐,将轨迹数据转化为轨迹矩阵,从而补全轨迹中的缺失值。由于补全结果存在非常大的误差,因此,引入PLR(Patch-Based Low-Rank Minimization)算法去噪,消除误差。同时,为进一步提升补全效果,通 过2D-VMD(Two-Dimensional Variational Mode Decomposition)算法将矩阵分解为不同频率的IMF(Intrinsic Mode Function),并分别进行PLR去噪,合并去噪结果,得到最终重构后轨迹。本文以长江武汉段水域船舶AIS轨迹为研究对象,通过实验证明该方法在不同缺失比例以及随机缺失和连续缺失两种情境下具有鲁棒性和较强的稳定性;并与 HALRTC(High-Accuracy Low-RankTensor Completion)、TRMF(Temporal Regularized Matrix Factorization)等方法进行比较,结果表明,该方法相较于HALRTC等方法具有更高的精度,并在高损失率下表现出较好的重构效果。     

基于异构图学习的交通场景运动目标感知

为了提高无人车在交通场景中的运行效率和运输安全,研究了基于异构图学习的交通场景运动目标感知; 考虑实际交通场景中运动目标之间的复杂交互关系对目标运动的影响,基于异构图学习提出了交通场景中多目标检测-跟踪-预测一体化感知框架; 结合YOLOv5和DeepSORT检测并跟踪运动目标,获得目标的运动轨迹; 使用长短期记忆(LSTM)网络从目标历史轨迹中学习目标的运动信息,使用异构图学习目标间的交互信息,以提高运动目标轨迹预测准确度; 使用LSTM网络对目标运动信息与交互信息解码得到目标未来轨迹; 为了验证方法的有效性,在公共交通数据集Argoverse、Apollo和NuScenes上进行了评估。分析结果表明：结合YOLOv5和DeepSORT可实现对运动目标的检测跟踪,对交通场景中的运动目标实现了75.4%的正确检测率和61.4%的连续跟踪率; 异构图能够有效捕捉运动目标之间复杂的交互关系,并且捕捉的交互关系能够提高轨迹预测精度,加入异构图捕捉交互关系后,运动目标的平均位移预测误差降低了63.0%。可见,考虑交通场景中运动目标之间的交互关系是有效的,引入异构图学习运动目标之间的交互关系可以感知运动目标的历史与未来运动信息,从而帮助无人车更好地理解复杂交通场景。     

考虑能源类型的城市出租车运营效率评价研究

以分析西安市燃气型、电动型及甲醇型3种能源类型出租车在运营中的既有期望运营投入和非期望运营投入,既有期望产出和非期望产出为基础,本文构建基于DEA-Malmquist的考虑能源类型的出租车运营效率评价模型。从西安市出租车管理处提取西安市 2020 年 9~12 月期间14946辆出租车的GPS轨迹数据,并随机选取1000辆甲醇型出租车、1000 辆电动型出租车及1000辆燃气型出租车作为样本进行实例分析。通过处理3000辆出租车GPS数据,得到乘客在工作日和双休日不同时段的出行需求和特征,分析3种不同能源类型出租车的运营效率差异。所得结论可为西安政府部门对不同能源类型出租车的管理运营提供决策支持。     

一体式车辆避撞轨迹规划与跟踪控制

为提升复杂交通环境中智能车辆的避撞能力,将路径规划、速度规划及跟踪控制整合为一个优化问题,提出一种基于模型预测控制(MPC)的一体式车辆避撞轨迹规划和跟踪控制方法。首先,分析实际交通环境中的避撞场景,将智能车辆的避撞控制问题转化为多约束优化问题;其次, 搭建7DOF(七自由度)车辆动力学模型和复合滑移工况的UniTire轮胎模型设计MPC控制器;再次,针对变速控制问题中传统基于时域预测模型的MPC控制方法无法在预测时域中实现车辆空间和位姿约束的问题,设计了基于空间域预测模型的MPC控制器;最后,基于Matlab和CarSim联合仿真平台设计了不同避撞场景验证所提方法,并与现有基于恒速假设的一体式避撞控制方法进行对比。仿真结果表明：所提方法能够充分发挥车辆的机动性能,解决现有一体式控制方法在 复杂环境中避撞失败的问题,并保证避撞过程稳定和轨迹平滑。     

面向群体行驶场景的时空信息融合车辆轨迹预测…

将车辆间时空交互信息融入卷积社会池化网络中,提出了一种面向群体行驶场景的有人驾驶车辆轨迹预测模型;使用长短时记忆(LSTM)网络预测群体车辆速度,基于此预测值计算群体车辆间的速度差;构造LSTM编码器捕捉群体车辆行驶轨迹的时间序列特征,设计卷积社会池化网络提取群体车辆间的空间依赖关系,使用LSTM解码器预测未来车辆各种动作的出现概率和相应轨迹,将具有最高出现概率的动作及其轨迹作为最终轨迹预测结果;使用真实轨迹数据集对所构建模型进行了参数标定和性能验证,测试了不同轨迹编解码与速度预测方法对模型性能的影响,确定了最优模型结构。计算结果表明：相较于历史速度,使用预测速度计算速度差作为模型输入可将均方根误差(RMSE)降低19.45%;相较于门控循环神经网络,使用LSTM进行速度预测可将RMSE降低4.91%;相较于原始卷积社会池化网络,所提出模型的轨迹预测误差在RMSE与负似然对数2个指标上分别降低了20.32%和21.04%,明显优于其他卷积社会池化网络变体;所提出模型与原始卷积社会池化网络计算耗时差距约3 ms,能够满足实时应用要求。     

Predictive control of a vehicle trajectory using a coupled vector with vehicle velocity and sideslip angle

In this paper, a predictive algorithm for vehicle trajectory control using the vehicle velocity and sideslip angle is proposed. Since the driving state of a vehicle generates nonholonomic constraint equations, it is difficult to control the trajectory with a conventional control algorithm. Furthermore, control vectors such as vehicle velocity and sideslip angle are coupled together; hence, a separate control for each variable is not suitable. In this study, a coupled control vector that combines the velocity and sideslip angle is proposed for the predictive control of vehicle trajectory. Since the coupled control vector is derived from the status of the vehicle’s motion, it is easy to generate a feedback control vector for the predictive controller. The coupled vector cannot be directly used as input to the vehicle systems; therefore, the vehicle input vector should be calculated from the control vector using a nonlinear function. Since nonlinear functions are not inserted in the control loop, they are calculated by the controller. Therefore, this method does not require a linearization process in the control logic, which enhances the stability and accuracy of the predictive controller.