汽车智能座舱遗留物品检测

随着汽车产业数字化、智能化发展,智能座舱已成为未来的趋势。本文针对车内遗留物品检测任务开展研究,分析车载场景图像数据特点及其带来的挑战,并且针对这些挑战,提出相应的策略。首先,采用Soft Balance Sampler来处理Intra-Domain imbalance和Inter-Domain imbalance问题。针对训练数据不足、泛化性难的问题,采用gridmask和autoaug来缓解。对于车载场景的小目标检测的挑战,采用Mosaic马赛克增强和Soft-nms来提高对小目标的检测效果。最后,基于anchor-base和anchor-free两类模型进行融合,有效提升了检测效果。     

高职教育中高等数学教学的几点思考

高等数学是高职教育理工、经济类专业中重要的基础课程,是学习各专业知识的有力工具,更对学生综合素质的培养有着重要的、不可替代的作用.然而,高等数学给人的印象始终是抽象的、枯燥的,是纯理论的,学生的学习兴趣也因此受到很大影响.结合几年的教学实践,对高职院校中高等数学纵向衔接、专业应用、成绩考核、教学形式等方面提出几点思考.     

基于驾驶特征学习的自动驾驶车辆换道轨迹规划

针对自动驾驶车辆换道过程中存在的车辆规划轨迹与人类驾驶员决策轨迹偏差较大问题,开发了一种基于驾驶员轨迹特征学习的换道轨迹规划算法.采集驾驶员换道轨迹曲线函数特征,在轨迹采样及成本优化相结合的轨迹规划基础上,采用最大熵逆强化学习策略迭代更新成本函数权重,并依据学习的成本函数筛选备选采样轨迹,生成反映驾驶员轨迹特征的自动驾...     

基于LSTM网络的路面不平度辨识方法

路面不平度的辨识是半主动悬架控制等智能底盘技术的难点,目前缺乏成本低、可靠性高且精确快速的方法。本文提出一种新的基于长短期记忆(long short-term memory,LSTM)网络和时序轮心加速度的实时路面不平度等级辨识方法。该方法利用轮心加速度的时序信号,而非传统的统计特征,基于LSTM网络对时序信号的强特征捕捉能力,无需信号预处理就能快速得到路面分类特征,大大减少辨识算法的计算量,可以实现实时辨识。训练集数据可以通过不同功率谱密度等级的白噪声生成路面,然后通过车辆传递特性获得加速度信号,也可集成试验数据。此方法仅需要一个时域加速度信号,且无需复杂预处理,鲁棒性高,能够实现不同车速、减振器阻尼系数、簧上质量和采样时长下的路面不平度等级的快速辨识。     

自学习控制系统在发动机控制系统中的应用

匹配是指控制微机之间软件与软件的基准数据的标定过程,或是软件与硬件之间基准数据与基准位置之间的标定过程。在现代发动机维修过程中,更换电控单元或修理电控系统后,有许多地方都需要匹配;在更换发动机ECU、仪表等维修作业中,     

“宇通杯”:不只是技能竞赛

‘宇通杯’作为一项技能竞赛,是一种手段,而不是目的。要通过竞赛这个平台,把奋斗在一线的优秀的驾驶员展现出来。2011年9月20日,第2届全国交通运输行业宇通杯机动车驾驶员节能技能大赛预选赛移师内蒙古赤峰,开幕式上,交通运输部职业资格中心副主任李     

某面向深水网箱作业的水下机器人

为解决目前深水网箱对水下作业机器人的需求问题,以作业型遥控式水下机器人(ROV)与系统需求为出发点,设计一种集成水下运动载体、高清摄像头、作业机械臂及末端执行器的美人鱼形水下机器人,同时要求满足机动驱动灵活,安全高效,信号传输稳定,适用于无人或辅助完成深水网箱作业.     

车辆一致性证书编号赋智的研究

为将员工从简单、相似的车辆一致性信息备案工作脱离出来,积极探索产品细微之分,宏观规律,经多角度、多维度、多层次分析归纳比较,产品配置与证书参数关系经过化繁为简、化乱为序的过程,变为可逻辑判断、可算法计算、可信息比对的结构化数据.结合市场需求,运用机器学习方式,编制车辆一致性证书编号赋智系统,以实现车辆不同配置组合,自动...     

基于有向图卷积与门控循环单元的短时交通流预测方法

为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型（directed graph convolution network-gate recurrent unit,DGC-GRU）的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明：在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差（mean absolute error,MAE）和平均绝对百分比误差（mean absolute percentage error,MAPE）均优于对比模型,与传统的GRU、GCN、DGC-LSTM模型相比,DGC-GRU模型能够将MAE和MAPE指数分别降低33.01%、5.76%、1.32%和27.75%、1.15%、7.76%,表明DGC-GRU交通流预测模型能够有效挖掘城市快速路网中的交通流时空分布特征,具有良好的预测精度与效率。