面向自动驾驶汽车测试的交通车辆交互过程建模

为满足自动驾驶汽车测试对场景真实度的要求,提出一种针对交通车辆交互关系的耦合特征建模方法。结合基于机理模型构建的虚拟数据和采集的真实场景数据建立交通车辆行为数据集;采用深度学习建立局部信息响应的交通车辆行为决策模型、跟驰模型和换道模型,结构相对简单的单体模型能提升场景模拟的可扩展性;针对自动驾驶汽车测试对模型鲁棒性要求高的问题,建立分布执行-集中对抗训练的架构进行交通车辆模型优化,提高模型对输入扰动的鲁棒性。构建交通车辆交互仿真环境对模型进行仿真,通过仿真数据与真实数据分布之间的对比和量化评价指标验证模型的有效性。     

在连云港市“雷锋车”组先进事迹报告会上的讲话

报告会上,交通运输部副部长高宏峰概括了连云港市"雷锋车"组先进事迹的时代内涵和精神实质,对深入开展向江苏省连云港市"雷锋车"组学习活动提出了具体要求。同志们:今天,中宣部、交通运输部、江苏省委在这隆重举行连云港市新浦汽车总站"雷锋车"组先进事迹报告会,进一步广泛动员和深入开展向"雷锋车"组     

稀疏表示和判别性字典学习的舰船图像自动分割算法

现有舰船图像自动分割算法存在着分割准确率低的问题,故提出稀疏表示和判别性字典学习的舰船图像自动分割算法研究。为了降低图像分割计算难度,通过图像插值、坐标转换、互信息计算配准获取的舰船图像,以此为基础,提取配准图像的灰度与梯度特征,并转换为列向量构成训练样本集,构建判别性字典学习模型,通过模型求解获取舰船图像稀疏表示,判断像素点所在区域,实现了舰船图像的自动分割。仿真实验结果显示:在自变量图像数量与图像块尺度背景下,与现有算法相比较,提出算法舰船图像分割准确率较高,充分表明提出算法图像分割效果更好。     

改进灰色模型的船舶航行轨迹自动预测研究

为实现更加精准、自动化的船舶航行轨迹预测,利用改进灰色模型,提出一种基于改进灰色模型的船舶航行轨迹自动预测方法。在船舶航行中的AIS数据中对船舶航行轨迹数据进行提取,其中AIS数据具体包括船舶航程数据、船舶动态数据以及船舶动态数据。通过数据估计算法插补缺失数据,分为2个步骤,第1步是对插补数据进行识别,第2步是对其进行插补。通过改进灰色模型对船舶航行轨迹进行自动预测,主要使用基于缓冲算子改进的灰色模型构建船舶航行轨迹自动预测模型。选取某船舶服务项目中包含的船舶AIS数据作为实验数据,对设计方法进行实例测试。测试结果表明,设计方法的数据提取质量较高、预测模型的误差较小,具有广阔的市场应用前景。     

恶劣天气红外热成像行人检测方法研究

为了提高智能汽车在恶劣天气对行人检测的速度和精度,本文提出一种基于YOLO V4的红外热成像行人检测方法.通过迁移学习对YOLO V4模型进行再训练,可快速而准确地实现恶劣道路环境的行人检测.     

基于生成对抗网络的船舶航迹预测模型

为提高复杂交通局面下的船舶航迹预测精度,提岀一种基于生成对抗网络的船舶航行轨迹预测模型(Gen-erative Adversarial Networks with Attention and Interaction,GAN-AI)对多艘船舶轨迹同时进行预测.通过编码器对船舶轨迹时空序列进行编码,设计交互模块对多艘会遇船...     

基于深度学习CaffeNet模型的综合交通设施场景分类与识别研究

综合交通设施场景的自动分类与识别对交通网络布局、城市规划、智慧城市建设等方面有重要的研究与实践价值.鉴于目前研究主要集中在单一的交通设施目标识别与检测方面,采用速度快、分类精度高、适宜于海量数据运算的CaffeNet深度学习模型,基于迁移学习思想,通过5层卷积、3层池化、1层全连接等过程提取机场、桥梁、停车场、港口、火...     

艰险山区铁路桥隧工程技术接口信息交换水平评价

艰险山区铁路工程复杂技术接口和众多的接口参与方增加了技术接口管理难度,而信息交换是进行有效接口管理的重要保障。为实现高效的技术接口信息交换,提出一种基于IFAHP-二维云的艰险山区铁路桥隧工程技术接口信息交换水平综合评价模型;根据信息沟通理论,分析艰险山区铁路桥隧间技术接口信息交换的影响因素,以此构建技术接口信息交换水平综合评价指标体系,并利用IFAHP为指标赋权;通过二维云模型评估技术接口的信息交换水平,借助MATLAB绘制综合评价云图直观反映评价结果,并计算综合评价云与标准云的贴近度,确定最终评价等级。以达嘎啦隧道和洞嘎雅鲁藏布江大桥的技术接口为例评价其信息交换的水平,验证了该模型的适用性和有效性。     

基于Q学习算法的摘挂列车调车作业计划优化

针对摘挂列车编组调车作业计划编制问题,基于强化学习技术和Q学习算法,提出1种调车作业计划优化方法。在表格调车法的基础上,将调车作业计划分为下落和重组2个部分。通过动作、状态和奖励3要素构建调车作业问题的强化学习模型,以调车机车为智能体,以车组下落的股道编号为动作,以待编车列的下落情况为状态,形成车组挂车、摘车具体条件和车辆重组流程,并依据车组下落的连接状态和车辆重组后产生的总调车程设计奖励函数。改进Q学习算法求解模型,以最小化调车程为目标,建立待编车列与最优调车作业计划之间的映射关系,智能体学习充分后即可求解得到最优的调车作业计划。通过3组算例对比验证本方法效果,结果表明:相较于统筹对口法和排序二叉树法,本方法使用的股道数量更少、调车作业计划更优;相较于分支定界法,本方法可在更短时间内求解质量近似的调车作业计划。因而,本方法有助于提高车站调车作业计划编制的智能化决策水平。     

基于Q学习的参数自适应S面控制方法

复杂的动力学特性及多变的海洋环境对无人水下航行器（UUV）控制器的设计提出了巨大挑战,在实际应用中,控制器的参数经人工调试后便固化,在控制过程中无法适应环境的变化。针对上述难题,该文借鉴自适应控制思想,提出一种基于强化学习的参数自适应S面控制方法,采用自适应控制方式实现不同环境下控制器参数的优化和自动整定。该方法采用Q学习算法进行训练,通过Q学习的自学习机制寻找输入状态和输出动作间的最优映射。仿真试验表明,所提方法能对控制器的参数进行实时在线调整,具备良好的控制效果和环境自适应能力。