基于案例规划识别的规划库技巧

1前言 规划识别领域关注的是某个规划自主体的意图的推断。早期的规划识别系统主要用于故事理解（wilensky1980）、回答问题（Pollack1986）和自然语言对话理解（Allen和Perrault1980），随后Kautz提出了规划识别的理论基础（Kautz1991）。传统上，被观察的规划如果能够与规划库中已有的规划相匹配，就认为被识别了。规划识别器的规划库中存储了许多规划自主体可以运作的规划。实时的规划识别系统（在规划执行的过程中进行识别）也关注着规划器的十分局部的意图，预测下一个规划中的动作就是对于规划器这种局部意图推断的例子。     

基于旅客出行意图的潜在高价值航线挖掘

借助Map-reduce平台对旅客订票日志进行挖掘,并采用LDA算法挖掘旅客出行意图,进而计算航线的潜在价值。在2011年中航信民航旅客订票日志上的实验结果表明:采用LDA算法挖掘的航线与实际热门航线的Jacarrd 相似系数达92%,比基于航班次数统计的传统方法高出2%,能够更准确、更有效地预测航线的未来价值。     

垄断之下，航空公司也是弱者

国际航协理事长汤彦麟Et前表示，中国是航油价格全球最高的国家之一，包括东京、首尔、马尼拉、吉隆坡等亚洲主要机场的航油差价都比中国低。航油之外，航空器材由央企中国航空器材集团公司垄断，中航材所售航材的价格一直高于国际水平，这导致国内航空公司维修飞机时相当破费。另外，一个城市大多只有一两个民用机场，机场在起降费、服务保障费等方面的“要价”能力很强。     

基于动态栅格与隐马尔科夫模型前车换道意图识别

针对前车换道意图识别预测问题,提出基于动态栅格地图与混合高斯隐马尔科夫模型结合的识别预测方法,建立以自车车头中心点为零点的动态栅格地图描述前车的位置信息,基于语义分割的方法获取前方车辆的轮廓特征与车道线,并分析前方障碍车辆的相关运动状态信息.将动态栅格地图与混合高斯隐马尔科夫模型相结合,识别预测前车换道行为.利用可观测...     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。     

基于领域知识的海上编队线型队形识别

编队队形是达成海上编队战术意图的重要手段,因此识别海上目标的编队队形是判断其作战意图的有效方法之一。本文从系统研究海上编队线型队形的领域特征入手,分析了海上编队线型队形的队列要素及计算方法,进而提出了海上编队线型队形的模板表示方法。在上述基础上,建立了识别队形所需要的坐标变换、队列方位等关键参数计算的数学模型,提出了基于队列方位的队列线聚类算法。最后设计了便于计算机编程实现的详细识别算法步骤,从而构建了基于领域特征的编队队形识别算法。     

现代新型飞艇的多种新用途

飞艇作为轻于空气的航空器,曾经在人类的早期航空活动中发挥了重要的作用。后来由于飞机技术性能的提高,产业的迅速发展,以及飞艇自身的一些缺陷所引发的事故,一度呈现颓势,便退出了航空主舞台。然而飞艇并不是一无是处,在倡导低碳、节能、环保的当今     

街巷“暴走族”——上海大众斯柯达Fabia晶锐1．4MT晶灵版、1．6AT晶享版

戴着一顶白帽子的Fabia晶锐,凭借着迅捷的动力、灵巧的转弯以及艳丽的色彩,格外抢眼地游荡在城市之中,成为街巷里的"暴走族"。     

网联车辆并线预测与巡航控制的研究

为检测旁车道车辆驾驶员的并线意图,提升网联车辆巡航跟车的主动安全性,提出了一种基于NAR神经网络学习的迭代循环预测算法。NAR神经网络的训练样本由实际交通环境中的车辆并线数据获得,通过训练的网络预测未来一段时间内旁车的横向行驶轨迹,并根据划定的监控区域计算旁车的切入概率。同时,提出了一种考虑并线概率的跟车距离策略,并应用到网联车辆CACC系统中。结果表明,所提出的并线预测算法能精确计算出旁车的横向换道轨迹,所提出的跟车策略可提升车辆的跟车安全性。