汽车行驶轨迹测试方法综述

针对汽车运动性能的道路试验，对汽车运动轨迹的测试方法进行了综述。将轨迹测试方法分为地上测试、地上—车上测试、车上测试、遥测等4种类型并分别作了介绍。着重对车上测试法中近期发展迅速的GPS测试法、捷联惯导测试法等新型测试方法分别作了论述。     

现代控制理论与交流电机调速（V）——滑模变结构控制

介绍变结构系统的基本概念，数学表达设汁问题及其在交流电机调速系统中的应用。阐述滑模理论在变结构系统中的重要作用。指出设计变结构控制系统的核心思想是通过不连续控制，强迫这种类型的运动朝向状态空间的某个特定区域（滑动流形）井保持下去；同时指出，对于非线性不确定性系统，采用滑横变结构控制可能使跟踪误差最小化，并使复杂过程与系统控制的工程实现相对简单。     

行万里路 画万卷图

正人生最幸福的事之一就是踏上一场属于自己的旅行;生活是座顾虑重重的迷宫,而旅行则是与自己最私密的交谈。用画记录行程,用自行车谱写轨迹。之所以选择以骑行的方式作为我这次游画的方式,一来不仅可以锻炼我的身体和意志,而且还能让我更贴近大自然,更直接聆听大自然的声音,去感受不一样的人生经历,同时能让我的绘画水平有很大的提升。     

偏心加载下确定混凝土应力应变曲线的试验与电算方法

历来混凝土的应力应变关系采用轴心加载试验取得。本文介绍一种新的方法:偏心加载求应力应变曲线法。“偏心法”将试验、数学分析及电子计算机综合运用,并已付之实践。“偏心法”取得的结果,在曲线完善程度,模拟压弯构件存在应变梯度等方面均优于“轴心法”所取得的结果。     

基于观测数据潜在特征与双向长短期记忆网络的车辆轨迹预测

针对传统算法无法满足复杂交通场景下无人驾驶车辆对周围运动车辆轨迹预测需求的问题,提出一种基于观测数据潜在特征与双向长短期记忆(BiLSTM)网络的车辆轨迹预测方法.首先利用一维卷积神经网络(1DCNN)提取由传感器所获取的车辆运行状态观测数据的潜在特征,然后将以序列方式构造的具有时空关系的特征向量作为BiLSTM网络的...     

基于航迹偏差角和航向差的自航模运动轨迹控制方法研究

针对水面自航模运动轨迹传统控制方法的缺点,提出用航迹偏差角代替航迹偏差、航向差代替偏航角速度为输入变量的模糊控制方法。通过实船试验,与传统控制方法相比,改进后的控制方法操控性更强、轨迹波动更小。     

混批式智能下车体制造中心集成开发

为满足多样化、差异化的市场需求,推动公司制造能力向数字化、网络化、智能化方向转型,提出混批式智能下车体生产线开发方案.该方案基于柔性生产理念,建立了车架调配中心;设计出"风火轮"结构式工装夹具;又提出一种"三点法"虚拟仿真程序用于焊点定位,提高了现场仿形效率,最后设计了同平台以及跨平台夹具兼容与切换方案.结果表明该开发...     

考虑驾驶行为异质性的城市快速路合流区仿真模型

为研究城市快速路合流区车辆运行规律，基于车辆自然轨迹数据，提出考虑驾驶行为异质性的合流区元胞自动机仿真模型。模型将合流区分为上游区域、合流区域及下游区域，3个区域由11条路段组成。首先，利用Kalman滤波算法对自然轨迹数据进行降噪处理；然后，计算每辆车驾驶行为特征参数并进行K-means聚类分析，结合聚类效果评价指标Silhouette系数将驾驶行为分为：保守-谨慎型、激进-谨慎型、保守-轻率型及激进-轻率型这4种类型；最后，依据分类结果， 建立考虑加速度、随机慢化概率异质性的跟驰模型和考虑换道安全间距、换道决策的多级异质性换道模型。在各空间占有率的情境下，基于Matlab进行数值仿真，统计同质驾驶行为和异质驾驶 行为条件下，合流区域车道的流量、密度、速度、时空位置及换道频率等参数。仿真结果表明：在空间占有率为10%~20%时，同质交通流相比异质交通流更容易产生局部交通拥堵和交通流失效情境，并且同质交通流量峰值比异质交通量小27.1%；随着空间占有率的增加，同质车辆和异质车辆驾驶频率均呈现增加-稳定-下降的趋势，而异质驾驶行为换道频率的极大值比同质交通流高 20.74%。     

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域，研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络，通过学习交汇水域船舶的历史轨迹，以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征，LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择，从而形成船舶轨迹与航行意图识别模型。同时，引入Dropout网络结构描述该模型的预测不确定性，采用随机关闭CNN+ LSTM核心网络部分神经单元的方式，以相同轨迹序列作为输入获取多组相近的预测结果，根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验，创建了该交汇水域船舶航行轨迹数据集，以输入时长60 min，采样频率3 min作为输入条件，Dropout值取0.5，实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile，航行意图识别准确率达87%，不确定性估计覆盖率达85.7%。与LSTM预测方法相比，当船舶操纵性发生改变时，所提CNN+LSTM模型的轨迹预测误差降低了31.6%，而且兼具船舶航行意图识别及预测不确定性估计能力，有利于智能航行与海事监管技术发展。