基于实时光线追踪的整车虚拟仿真系统研究及应用

阐述了汽车研发中虚拟现实技术在可视化仿真与实时显示上所面临的挑战,围绕汽车虚拟开发的应用场景和实际需求,在国内车企首次建立了一种基于实时光线追踪及并行渲染的虚拟现实高性能运算系统,并通过层级包围体（BVH）加速结构,算法参数调优和网络配置优化,实现了大体量整车模型高精度实时快速可视化仿真,将原本数小时的离线渲染优化为1～2 s实时渲染,并能有效模拟环境光对零件的折射反射、灯光均匀性及漏光、零件间的物理遮挡等,较传统光栅化渲染有本质上的提升,物理真实度达到90%以上。通过在几个整车项目中的全流程实践,已替代研发流程中大量物理模型和样件费用。     

“船舶—堆场—列车”混堆堆场箱位分配模型

集装箱海铁联运港口堆场作业箱型复杂,为了提高港口作业能力和效率,基于进口、出口箱的混合堆存方式,对\"船舶-堆场-列车\"作业堆场箱位分配问题进行研究.\"船舶-堆场-列车\"作业堆场负责堆存通过船舶、列车及外集卡进出港口的集装箱.本文在待分配箱的作业时间及箱区已知的前提下,以集装箱堆存产生的压箱数最小为目标,建立\"船舶-堆场-列车\"作业混堆堆场箱位分配模型,根据模型特点设计了启发式算法进行求解,并进行算例分析.结果表明,所建模型和求解算法能够有效减少堆场的压箱数,满足箱型堆存要求,提高港口作业效率.     

基于预瞄时间的斯坦利控制算法

斯坦利算法以前轮中心为误差基准,缺乏人类前视驾驶特性,导致方向频繁修正。同时,当前自动驾驶仿真方法与平台在拟真度上的局限,难以有效验证算法改进的实际效果。文章提出了一种最优预瞄理论与斯坦利控制算法相结合的“预瞄-斯坦利”控制算法,首先基于 Carla 仿真平台,创建了虚拟组合导航模块和车辆控制器局域网（CAN）通信模块;然后,建立了自动驾驶域控制器在环的仿真平台,并将“预瞄-斯坦利”算法部署在自动驾驶域控制器中进行了在环测试;最后进行了真实物理场景下的实车测试验证。结果可知,一方面通过对比硬件在环仿真和实车测试结果中的“斯坦利-实车”与“预瞄-斯坦利-实车”横向误差,表明了“预瞄-斯坦利”算法整体误差小于斯坦利算法;另一方面对比“预瞄-斯坦利-仿真”与“预瞄-斯坦利-实车”横向误差,验证了所创建的硬件在环系统的准确性和拟真度。     

面向智能网联车辆碰撞风险规避的互动速度障碍算法

针对多智能车辆协同驾驶中的动态避碰问题,构建了一种面向智能网联车辆碰撞风险检测与协同避碰路径规划的互动速度障碍算法;基于人工势场理论构建了车辆碰撞风险势场,量化了车辆碰撞风险强度与碰撞风险区域;基于车辆驾驶行为交互作用构建了互动速度障碍算法,确定了冲突车辆碰撞风险的协同规避条件与规则;基于车辆动力学约束构建了动态窗口法,确定了碰撞风险规避可行速度解集;基于模型预测控制原理,应用最优化理论构建了车辆碰撞风险规避路径规划模型;通过构建智能网联环境下单冲突车辆、多冲突车辆、瓶颈区冲突车流避碰仿真场景,测试了提出的碰撞风险规避算法的有效性,并与其他避碰算法进行了控制效果对比。研究结果表明：相较于其他对比算法,互动速度障碍算法控制下的安全性能提升了8.6%以上,效率性能提升了9.6%以上,说明提出的互动速度障碍算法通过协同冲突车辆的避碰行为可有效降低冲突车辆避碰速度与轨迹波动,可有效规避非线性速度与轨迹冲突车辆间的碰撞冲突,并可避免瓶颈区多车辆碰撞事故与明显车流波动;在瓶颈区大范围车辆冲突中,相较于其他避碰算法,提出的避碰算法可使车辆的通行效率提升10.42%,使车辆的碰撞风险降低47.32%。由此可见,该算法在协同大规模冲突车辆的避碰行为、降低车辆碰撞风险与运行延误上具有良好性能。     

基于自动深度学习盾构掘进姿态预测与控制

提出了基于自动深度学习(AutoDL)算法和多目标优化算法的结合可实现数据驱动的姿态偏差控制指导,用于盾构掘进姿态的预测与控制,以解决现有盾构掘进姿态预测中所面临的执行难度高、成本高、效率低等问题,可用于自动精准地预测盾构掘进姿态随着工程进展的动态变化趋势,并针对盾构机施工状态执行多目标优化算法,快速自动搜寻最优策略,实时调整合适的盾构操作参数,减少对于现场操作人员经验和主观判断的依赖.以上海市天然气主干管网崇明岛-长兴岛-浦东新区五号沟LNG站管道工程隧道A线工程为例,展示该算法框架的优越性.研究结果有助于降低深度学习进入盾构智能控制领域的门槛,推动智能盾构发展.     

基于ADASYN-XGBoost的交通事故自动检测方法

基于数据驱动的交通事故自动检测对道路事故的及时救援与降低事故影响具有重要作用。为解决道路交通事故自动检测中的样本不均衡问题,研究了混合自适应过采样技术与极限梯度提升树算法的交通事故自动检测方法（ADASYN-XGBoost）。其中,为从不均衡的交通事故样本中有效挖掘数据的时空特征与事故发生之间的内在关联规律,构建了初始特征变量组合,引入自适应合成过采样方法（adaptive synthetic oversampling method,ADASYN）来平衡事故类与非事故类的样本数量,以增强训练数据的质量;其次,为提高检测效果,构建了基于XGBoost的交通事故检测模型,利用该模型对增强后的数据样本进行特征筛选;最后,为获取最佳参数组合,采用了贝叶斯优化算法对XGBoost进行参数的快速标定。本文使用波特兰高速公路数据集对ADASYN-XGBoost方法进行模型验证与实证研究。结果表明：与先进的基准模型相比,ADASYN-XGBoost的各项检测指标均最优,其F1分数达到94.47%且误检率低至8.95%。在模型训练样本数为2800,500（18%的初始样本量）,150（5%的初始样本量）时,ADASYN-XGBoost的F1分数分别为94.47%,88.89%,81.93%。在进一步的消融实验中,均衡正负样本后各基准模型的性能指标提高了2.68%~44.85%。本文提出的方法能够有效解决道路交通事故检测中的样本不均衡问题,同时也为道路交通安全预防与事故处理等提供了技术保障。     

双向双车道超车行为的智能车队间隙控制优化

建立了双向双车道环境下单车超越车队模型, 分析了影响双向双车道超车危险区域范围的主要因素; 设计了分步式单车超越车队算法, 研究了安全间隙前后车速度、超车车辆入队速度与车队安全间隙范围四者之间的关系, 提出了车辆入队所需最小安全间隙的速度匹配方案; 建立了单车超越车队算法的目标函数, 设定最大允许超车时间内超车车辆与车队行驶距离最大, 超车车辆超越车队车辆数最多, 前、后车形成安全间隙过程中加速度、减速度最小; 提出了基于改进粒子群的分级约束多目标优化方法, 为单车超越车队算法中的三级车速引导提供了优化的速度引导方案。研究结果表明: 双向双车道环境下超车危险区域范围与车队车辆数及对向车辆行驶速度成正相关关系; 改进的粒子群优化算法相比传统算法具有更强的鲁棒性和更快的收敛速度, 平均收敛时间缩短39.2%;在分步式单车超越车队过程中, 车队车辆平均速度提升9.04%, 即在车队间隙生成过程中, 虽然部分车辆速度减小, 但车队整体平均速度得到提升; 超车车辆平均速度提升16.8%, 即在超车过程中, 不仅超车车辆的安全性得到保证, 其运行效率也得到提升。     

基于改进YOLO v8的铁路人员入侵检测方法研究

我国铁路运输规模庞大,运行环境复杂,一旦人员入侵铁路运行区域,将严重威胁铁路运输安全。使用智能算法对铁路沿线摄像头采集到的视频图像进行分析检测,实时判断是否存在安全隐患,可以高效地维护铁路运输安全。然而,由于铁路沿线摄像头分布不均匀,当有远距离人员入侵时,在视频图像中呈现为小目标,易产生误检、漏检的问题。针对上述问题,提出一种改进的YOLOv8人员入侵检测方法。首先,在YOLOv8模型的Backbone层引入坐标注意力机制,提升了模型对小目标的特征提取能力,增强了其在复杂背景下的鲁棒性;其次,将Head层中的检测头改为融合了尺寸感知,空间感知和任务感知的动态检测头,将多个感知模块融合至一个检测头,使模型在检测不同尺寸目标时更加精准和高效;最后,将损失函数改为Wise Intersection over Union(Wise-IoU),使网络可以动态聚焦学习,更加专注于关键特征,提高了模型的泛化能力。经实验验证,每种改进均显著提升了模型的检测效果,与原始YOLOv8n模型相比,改进模型的精确率和召回率分别提升了2.2%和2.3%,达到91.6%和83.7%,mAP50和mAP50-95分别提升了2.6%和2.9%,达到89.9%和60.9%。相较其他先进的目标检测方法,研究结果也有更高的平均检测精度,证明其在铁路人员入侵检测场景中具有更高的应用价值,为铁路运输安全提供了更加可靠的技术保障。     

基于RIME-VMD的高速列车横向减振器故障诊断

为解决变分模态分解(VMD)在高速列车横向减振器故障诊断中特征提取较为困难的问题,提出一种基于霜冰算法(RIME)以最小包络熵作为适应度函数优化变分模态分解(VMD)的特征提取方法。首先,使用霜冰算法(RIME)优化VMD在不同故障状态下模态(IMF)分量的个数和惩罚因子的最优参数组合;其次,计算各个IMFs分量的峭度值与相关性系数,再分别选取峭度值较大的前4阶IMF分量,并在峭度值较大的4个IMFs分量中选取相关性系数较高的前3阶IMFs进行信号重构降噪;最后,计算多尺度的奇异熵、样本熵、排列熵作为故障特征值,并结合t分布随机近邻嵌入(t-SNE)算法降维去除冗余特征信息,将降维融合后的特征矩阵逐一输入到支持向量机(SVM)中,从而实现对高速列车横向减振器不同故障部位的识别。仿真实验结果表明：相较于灰狼算法(GWO)优化变分模态分解(VMD)的方法,RIME-VMD方法利用霜冰算法高效的搜索与开发能力,可以更快速寻得高速列车不同工况下,变分模态分解中分解层数和惩罚因子参数的全局最优组合,提高了VMD分解信号的鲁棒性,采用信号重构的方法可以有效提取故障特征,实现高速列车横向减振器故障的高效、准确识别。原始变分模态分解(VMD)方法虽然分解速度较快,但原始VMD参数的人工试错成本更高,不能满足高速列车故障诊断的要求。研究结果可为高速列车横向减振器故障诊断和安全运营进一步优化提供参考。     

斜拉桥减震控制算法研究

研究目的:以一座大跨漂浮体系斜拉桥为实例,建立有限元模型进行斜拉桥地震反应半主动控制、主动控制和被动控制计算分析.探讨不同减震控制算法对斜拉桥地震反应控制效果的影响,为实际工程中的斜拉桥减震提出理论上的建议.研究结论:各种减震控制方法并不能使桥梁全部地震反应都能得到控制,而是使得桥梁大部分地震反应减小,同时却放大塔底剪力等另外部分地震反应;8种减震控制算法中,最大阻尼力被动控制算法的减震效果相对最好,半主动界限Hrovat控制算法、主动控制和被动控制没有出现加速度放大效应,而其它半主动控制算法会产生不同程度的加速度放大效应.