Human-like autonomous car-following model with deep reinforcement learning

This study proposes a framework for human-like autonomous car-following planning based on deep reinforcement learning (deep RL). Historical driving data are fed into a simulation environment where an RL agent learns from trial and error interactions based on a reward function that signals how much the agent deviates from the empirical data. Through these interactions, an optimal policy, or car-following model that maps in a human-like way from speed, relative speed between a lead and following vehicle, and inter-vehicle spacing to acceleration of a following vehicle is finally obtained. The model can be continuously updated when more data are fed in. Two thousand car-following periods extracted from the 2015 Shanghai Naturalistic Driving Study were used to train the model and compare its performance with that of traditional and recent data-driven car-following models. As shown by this study’s results, a deep deterministic policy gradient car-following model that uses disparity between simulated and observed speed as the reward function and considers a reaction delay of 1 s, denoted as DDPGvRT, can reproduce human-like car-following behavior with higher accuracy than traditional and recent data-driven car-following models. Specifically, the DDPGvRT model has a spacing validation error of 18% and speed validation error of 5%, which are less than those of other models, including the intelligent driver model, models based on locally weighted regression, and conventional neural network-based models. Moreover, the DDPGvRT demonstrates good capability of generalization to various driving situations and can adapt to different drivers by continuously learning. This study demonstrates that reinforcement learning methodology can offer insight into driver behavior and can contribute to the development of human-like autonomous driving algorithms and traffic-flow models.     

船舶通信英语口语与听力课程标准

结合船舶驾驶员的岗位职责,依照现代职业教育理论和成果,设计了船舶通信英语口语与听力课程标准.对该课程的课程概述、培养目标、与前后课程的联系、教学内容与学时分配、学习资源、教师要求、学习场地与设施要求、考核方式与标准、学习情境设计进行了设计和描述,将船舶通信中典型工作任务转化为学习型任务.     

加强教风学风建设 不断提高人才培养质量

在改革不断深入、经济社会深度转型的当下,大学生群体呈现出新的特点和个性。在新的形势下,要加强高校教风学风建设,更好的发挥高校培养人才的作用,促使人才培养质量提升。本文以辽宁省交通高等专科学校为例,着重从文化建设、教师育人能力提升、学生职业梦想等角度入手,提出了加强教风学风建设的具体举措和途径。     

行人微观仿真中的运动模型与行为模型——STEPS与NOMAD模型对比

为了解各类行人仿真模型的性能差异和适用范围,以选取适当模型进行交通枢纽行人仿真,对两种典型行人仿真模型进行研究。依据模型对行人行为描述的复杂程度,将行人仿真模型分为运动模型、部分行为模型、行为模型3类,并分别介绍了各自的特点。选取典型的运动模型软件STEPS和行为模型软件NOMAD,详细探讨其采用的数学模型,并通过4个仿真实例对比分析这两种模型的特点。分析结果得出两种模型在宏观与微观层面的异同点以及存在的问题。     

快速老化小鼠的学习记忆缺陷及其生化机制

目的用快速老化小鼠(SAMP8)模拟老年痴呆,观察其学习记忆能力,并探讨其学习记忆能力下降的可能机制。方法采用10月龄SAMP8,并用同龄抗快速老化小鼠(SAMR1)作为正常对照。用水迷路检测近记忆以及空间学习记忆能力。用生物化学方法检测大脑皮层线粒体膜电位和ATP酶活力,观察线粒体功能;检测皮层和海马胆碱乙酰基转移酶(ChAT)和乙酰胆碱酯酶(AChE)的活力,观察中枢胆碱能神经功能;检测血清超氧化物歧化酶(SOD)活力和丙二醛(MDA)含量,观察其全身性氧化应激状况。结果与SAMR1相比,SAMP8出现明显的衰老体征,其近记忆和空间学习记忆能力明显减弱,具有衰老和痴呆特征;皮层线粒体膜电位和ATP酶活力显著降低,海马ChAT活力显著下降,AChE活力显著升高,血清SOD活力稍有增高。结论SAMP8可以很好地模拟老年痴呆,其机制包括大脑皮层线粒体功能降低、海马胆碱能神经功能下降以及氧化应激等。     

陆战场 ISR 无人机威胁分析及其评估模型研究

分析陆战场中情报、监视和侦察（IS R ）无人机的威胁影响因素及其特点,构建了IS R无人机威胁评估指标体系,利用遗传算法优化了BP神经网络评估模型,针对ISR无人机的威胁进行评估分级,仿真结果实际可行,为陆战场中无人机的编队模式和航路优化提供了可靠依据。     

轨道交通供电系统无功补偿的研究

根据城市轨道交通工程轨道系统无功补偿出现的问题,结合其各类用电设备的情况,通过分析研究实际工程中各类用电负荷功率因数的情况,提出了解决其无功补偿问题的措施和方法.     

套管腐蚀及屏蔽影响现场实验及其检测方法

通过模拟工程实践状态条件下,穿越管段套管腐蚀及屏蔽影响现场实验研究,阐述了套管对阴极保护电流屏蔽作用的变化规律,以及影响因素的相互作用关系;验证了套管中安装牺牲阳极对于减缓屏蔽影响、提高保护效果的重要作用;根据理论研究及实验数据的分析,提出了套管腐蚀状况和屏蔽影响的判别和推荐的检测方法。     

高速公路软基砂井预压法处理效果分析

探讨了砂井预压法在高速公路软基处理中的处理效果。分析了砂井处理前后路堤软基强度和稳定性的改善情况,以及在不同场地地质和荷载条件下砂井预压对于加快地基早期固结沉降和减少工后沉降的作用。     

智慧高速公路设计案例分析

本文以某智慧高速的设计案例为依托,首先对国内外智慧高速发展和应用现状进行归纳总结,分析认为电动化、智能化的新型运载工具,信息化和功能专业化的基础设施,开放、共享、协同的管理与服务将是未来高速公路三大发展趋势。通过对高速公路使用者和管理者的需求针对性地精准分析,构建面向高速公路使用者和管理者的创新型应用服务。结合新技术的发展趋势,以服务需求为导向,建设"三网合一"智慧高速基础设施和智慧云控平台构成、数据流为驱动的、"开放、包容、创新"的智慧高速公路。基于案例分析的智慧高速规划设计全过程,对于国内智慧高速的整体设计和建设规划具有重要参考价值,探索开辟全新的高速公路智能化建设方向和思路。