机场航空器碳排放及碳达峰预测

为预测机场航空器碳排放量和碳达峰的可能性,探究碳减排的关键影响因素对碳排放的影响,基于运行数据的“自下而上”的计算方法,以成都双流机场为研究对象,将机场航空器未来碳排放设置为初始情景、优化情景、绿色发展情景、技术革新情景4种不同情景,然后与蒙特卡罗模拟相结合,预测未来年机场内航空器的碳排放趋势和碳达峰的可能性。经测算：2019年成都双流机场航空器碳排放量为99.6万t,从而获得各情景下初始点的碳排放量和不同机型的碳排放特征;在优化情景、绿色发展情景和技术革新情景下,均可在2035年前实现航空器碳达峰,其中技术突破情景可最早实现碳达峰且峰值最低;航空燃油碳排放系数是碳达峰最重要的影响因素。据此,机场可通过优化机场航空器地面运行、使用新型航空器等措施来践行减排政策,以顺利实现民航碳达峰。     

解读劳伦斯诗歌《灵船》中"死亡"之意象

劳伦斯一生创作的诗歌颇多,在诗集《最后的诗歌》中他对“死亡”意象的专注尤其引起后人的重视．在前人研究的基础上对《最后的诗歌》中颇具代表性的“死亡”主题的诗作《灵船》做一些具体分析,主要从语言层面、意象层面和意蕴层面全面而系统地解读劳伦斯诗歌《灵船》中“死亡”意象与宗教和社会现实等的内在关系,以期能更加全面地了解劳伦斯诗歌创作的整体思想和意图．     

面向前车的驾驶行为感知与意图识别算法研究

感知周围车辆的驾驶行为并识别其意图将成为新一代高级驾驶辅助系统的重要组成部分。针对现有方法只考虑单一驾驶行为且可扩展性和可伸缩性差,提出一种基于稀疏表示理论的驾驶行为感知字典模型(Driving Behavior Perception Dictionary Model, DBPDM)。将车辆行驶状态视为时间序列,设计基于自回归积分移动平均(Autoregressive Integrated Moving Average,ARIMA)结合在线梯度下降(Online Gradient Descent, OGD)优化器的在线预测模型,提出基于驾驶行为预测的意图识别构架(Intention Recognition Framework, IRF)。首先,采用图Lasso方法估计典型驾驶行为的稀疏逆协方差矩阵构建驾驶行为字典库,并采用Logdet散度方法计算各逆协方差矩阵的差异获得行为感知字典模型。然后,基于在线预测模型对目标车辆的行驶轨迹和运动状态进行预测,结合主车车辆的行驶状态作为稀疏表示的观测信号,以获取预测时域内的目标车辆意图。最后,采用NGSIM (Next Generation SIMulation)真实驾驶数据对模型进行开发和测试。研究结果表明:所提出的行为感知模型能对6种典型驾驶行为构建行为字典,在分类准确率上与现有方法相比有明显提升,对换道和转向行为样本的平均识别准确率分别达到99.1%和92.9%;该模型能够在相对早期阶段准确地识别出车辆行为;在线预测算法能较好预测出目标车辆的行驶轨迹和运动状态,从而间接地反映出其在预测时域内的驾驶意图;IRF可在换道和转向行为开始前的1.5 s较为准确地识别出目标车辆的意图,平均识别准确率超过80%。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

基于速度随机分布的低空空域小型无人机碰撞风险评估模型

碰撞风险是评价航空器运行安全性、确定航空器运行条件的关键指标。针对低空空域小型无人机数量增多导致空域安全隐患增加的问题，提出了1种基于速度随机分布的碰撞风险评估模型，确定了无人机在空域中的安全运行的条件。根据低空空域小型无人机操纵性灵活的特点，提出了针对低空空域小型无人机不同飞行动作的碰撞模板:为自由飞行的无人机设置符合实际运行的含碰撞层和避险层的双层球体碰撞模板；为沿固定路径飞行的无人机设置以机身尺寸为参考的长方体碰撞模板。考虑无人机飞行方向和速度变化快的特点，将传统无人机速度的线性分布模型改进为随机分布模型，计算无人机的相对运动关系，再利用速度矢量法计算碰撞模板扫过的空间体积。引入无人机动态定位误差、速度误差，在传统人机可靠性的基础上，建立基于速度随机分布的低空空域小型无人机碰撞风险评估模型。选取大疆M300和M600这2种型号的无人机作为验证机型，运用Matlab软件模拟特定空域场景，并分析碰撞风险与小型无人机密度的关系。通过仿真可以发现:空域内碰撞风险与无人机密度呈正相关关系；根据国际民用航空组织空域安全标准，2种验证机型安全运行的最大密度分别为4.2架/km3和5.0架/km3；在满足安全运行条件的前提下，采用新的碰撞风险评估模型，空域容纳2种无人机的数量的密度上限可分别提高106.9%和88.7%。实验结果表明，新的碰撞风险模型更加符合小型无人机运行特征，未来可以用于提升空域内无人机容量、提升空域利用率和无人机运行效率。      

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI) 的识别，弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足，更好地与HV交互沟通，提出CAV对HV的VHI识别模型.模型包括：灯光感知、光数据处理、VHI识别3个模块，灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH)，采用KLT(Kanade-Lucas-Tomasi Tracking，KLT)和车辆匹配算法定位跟踪发出灯语的HV；光数据处理模块采用光通道增益算法计算光辐射通量变化； VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model，DHMM)辨识VH 闪烁次数和HV行驶状态，实现VHI识别.在3种灯语示意典型场景下的实验结果表明：1 s内 VH感知准确率为96.8%，定位跟踪精度小于1°，VHI识别率为96.6%，满足混行交通环境下 CAV对HV驾驶意图的识别要求，基本保证实时性，为混行交通流中CAV自动驾驶决策提供理论依据.     

强化搜救合作 共建平安海峡——记2012年海峡两岸海上联合搜救演练

呼叫!呼叫!一架自台北飞往厦门的两岸直航客机,飞行途中发生引擎故障,在紧急迫降过程中擦撞1艘两岸直航客轮,客轮起火,飞机机身撞击海面激起涌浪造成附近两艘作业渔船翻覆。随着这次"事故"发生,2012年海峡两岸海上联合搜救演练也拉开了序幕。据了解,此次演练是首次模拟两岸直航客机遇险,并     

基于Pro/E混凝土搅拌筒总成的TOP-DOWN设计方法

应用Pro/E设计软件,根据Top-down(自顶向下)设计思想,对搅拌筒总成自顶向下的设计方法进行了阐述。这种设计方法涵盖了Pro/E中Top-down设计方法主要设计命令的运用,通过设计布局,传递参数至骨架,可以实时控制零部件,从而实现对搅拌筒总成的快速变型设计。     

相关航空器的冲突探测与调度研究

为了及时探测潜在冲突,保证调度的实施,在先到先服务(FCFS)及固定航路航迹预测条件下,对相关航空器进行冲突的探测,通过合理调度解脱冲突.文中提出最长公共子序列(LCS)思想的初步探测及基于4D航迹的再次探测方法,提高探测效率,以数据统计方法挖掘解脱路径用以冲突的解脱,以浦东机场进场航班实现仿真,验证冲突探测及调度的有效性.     

减速频次催生换道意图下自动驾驶车辆自适应换道模型

科学、合理、拟人化的换道控制是实现自动驾驶车辆安全高效行驶的重要保障,已有研究主要考虑相邻车道速度差、换道间隙等要素对车辆换道控制的影响,并未考虑车辆频繁加减速导致乘车体验差而催生换道意图这一重要现象。针对该问题,设计以抗干扰能力为基础的自动驾驶车辆自适应换道调控方法,其调控过程主要包括：采用智能驾驶人模型控制自动驾驶车辆纵向驾驶行为,以减速频次为指标度量自动驾驶车辆的抗干扰能力,并将抗干扰能力引入到自动驾驶车辆换道决策过程中,模拟自动驾驶车辆因频繁加减速导致乘车体验差而产生换道意图的现象,在此基础上,提出车辆换道控制模型。然后,以智慧高速为背景,利用Netlogo构建多种自动驾驶车辆运行场景,测试所构建的自适应换道调控方法。研究结果表明：智能驾驶人模型的选用能够合理体现自动驾驶车辆换道行为对交通流的运行影响;相比于低密度车流（≤30 veh）,在中高密度车流情况下（≥40 veh）,自动驾驶车辆维持原有车道运行的能力较弱、换道频率较高,且过高[80次·（5 min）^-1]或过低[10次·（5 min）^-1]的抗干扰能力临界值会导致自动驾驶车辆运行速度降低至10 km·h^-1,因此可以根据不同车流密度条件对自动驾驶车辆的最大抗干扰能力进行设置和调整,从而保证自动驾驶车辆的运行效率,这也从侧面证明了所提自适应换道调控方法的科学性与合理性。研究结果对于提高自动驾驶车辆换道控制的合理自主性具有重要意义,该结果进一步完善了自动驾驶车辆换道模型库,能够为自动驾驶自适应换道调控提供理论和技术支撑。