车路协同条件下智能网联汽车一体化决策模型

为了探索当前有限数据条件下面临的无限交通场景问题,提出车路协同条件下基于深度强化学习智能网联汽车决策模型。利用Actor-Critic机制,以highway-env为数据来源,抽取144 h交通数据作为训练数据并进行验证,分析了智能网联汽车在不同车道数条件下的驾驶行为。结果显示,本模型汽车行程时间减少20%以上,碰撞概率减少25%以上,换道轨迹可以通过动力学跟踪。     

基于电信号的高速列车动力链诊断技术研究

牵引电机、联轴节及齿轮等传动机械广泛应用于轨道交通车辆,是高速列车动力链的重要组成部分。这些动力链部件长期工作在复杂恶劣的环境下,在宽速域、大负载工况及轮轨冲击振动等因素影响下容易发生故障,进而影响列车的安全运行与行车秩序。因此及时预警潜在故障对于确保轨道交通车辆的正常运行与行车秩序具有重要的意义。由于基于电信号的诊断技术具有信号易于获取、信号可靠性和准确性高、可实现对象部件的非嵌入式监测等优点,逐渐成为轨道交通故障诊断方向的研究热点。文章阐述了轨道交通车辆动力链关键部件的故障原理,以基于电信号的诊断方法为切入点,对该领域的现有诊断方法与研究成果进行整理与分析,然后基于多特征融合与机器学习理论,提出了一种全新的基于电信号的多变量解析诊断法。该方法首先获取各电信号数据,进行小波降噪,然后通过信号的分解与重构提高信噪比,基于重构信号提取不同的故障特征,最后利用决策树统合各故障特征进行诊断。验证试验与实际应用效果表明,本研究提出的电信号诊断法能够有效检测并识别动力链故障,可以实现早期故障预警,保障高速列车的运行安全。     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

基于机器学习预测微生物加固钙质砂统一动强度

为探究不同微生物加固程度、有效围压和相对密实度与微生物加固钙质砂的动强度系数之间的相对重要性大小，并建立相应的统一动强度准则，用以预测微生物加固钙质砂的动强度，依据86组微生物诱导碳酸钙沉淀(MICP)技术加固钙质砂的不排水三轴试验数据建立数据集，利用反向传播神经网络(BPNN)和多元自适应回归样条(MARS)方法对数据集进行训练和预测。结果表明：微生物加固程度对动强度系数的影响程度最大，有效围压的影响稍逊之，相对密实度的影响相对较小，其相对重要性大小均值分别是100%、94%与68%,基于机器学习方法对微生物加固钙质砂的动强度系数进行预测的效果优于传统方法建立的统一动强度准则所获得的结果，其中BPNN模型的预测结果更准确，MARS模型的计算效率更高。     

基于深度强化学习与风险矫正的智能车辆决策研究

为实现高速公路环境下车辆的安全决策，提出一种结合深度强化学习和风险矫正方法的行为决策模型。构建决策模型所需的目标车辆及周围车辆的行驶信息，并引入自注意力安全机制，提高车辆在复杂高速场景下对周围潜在危险车辆的注意力，综合考虑行车效率、避障等因素以设计强化学习的奖励函数。此外，为解决强化学习在决策过程中缺乏安全性保障的问题，设计风险矫正模块对决策动作进行风险评估和矫正，避免危险决策的执行。在Highway-env仿真平台上对提出的决策模型进行训练和测试。试验结果表明，提出的决策模型有较高的行车安全率和鲁棒性，其驾驶效率也优于以规则、模仿学习和单纯深度强化学习为基础的决策方法。     

自适应均衡学习的端到端类人驾驶控制决策网络

针对现有端到端自动驾驶网络对于类人驾驶行为与思维特征模拟不足的问题，从类人驾驶特征出发，设计了一个包含时空特征、历史状态特征及未来特征的端到端类人驾驶控制决策网络。采用多层卷积和长短期卷积时序记忆网络（Conv-LSTM），对前方道路视觉感知图像时间序列进行时空特征提取，同时采用一维卷积和长短期时序记忆网络（Long Short-Term Memory，LSTM） 对车辆状态信息时间序列进行历史状态特征提取，进而采用多任务参数共享方式进行当前时刻和未来序列的方向盘转角、车速的控制决策，并以未来序列作为辅助任务督促当前时刻的主任务学习。为更好地耦合汽车纵横向控制参数学习的过程，还提出一种权衡纵横向控制参数损失量级及学习速度的权重自适应方法，并引入容差阈值，建立衡量纵横向控制参数训练效果的评价方法。依托Comma2k19数据集对所构建控制决策网络进行训练和验证，体现出良好的可行性及优越性。     

基于深度学习的土木基础设施裂缝检测综述

基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素；裂缝检测模型集成于机器人平台，从而实现对土木基础设施的全自动裂缝检测。为此，从以上4个方面对当前研究进行了系统梳理。首先，回顾了深度学习的发展历程，重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着，详细介绍了3类基于深度学习的裂缝检测主流算法，包括分类算法、目标检测算法和语义分割算法。然后，对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后，总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明：基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类，而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取；由于像素级标注的成本和专业性高，大型的裂缝语义分割数据集相对缺乏，致使当前基于语义分割算法的裂缝检测模型鲁棒性较差；目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价，缺乏统一的基准测试数据集和评价指标体系，无法对不同模型的性能进行平行比较；目前针对不同基础设施已相应开发了一些裂缝检测机器人，提高裂缝检测机器人的多场景适应性，并降低其应用成本是未来的发展方向。     

基于GA-BP神经网络的汽车空气阻力系数预测研究

针对整车空气动力性能开发中数值计算耗时长的问题，提出一种基于GA-BP神经网络的汽车空气阻力系数预测方法。将汽车部分特征参数作为输入变量，经外流场仿真得到的空气阻力系数作为输出变量，获取数据集。采用遗传算法对BP神经网络进行参数寻优，最终建立基于遗传算法的BP神经网络模型，验证不同训练集数量对模型预测精度的影响。结果表明，GA-BP神经网络在训练样本较少时也能维持较高的预测精度，可用于汽车空气阻力系数的快速测。     

基于深度学习的船舶设备信息智能化识别技术

针对船舶设备信息识别问题，提出采用基于深度学习的方法识别船舶设备种类信息。根据船舶设备特点进行图像预处理和图像样本标记，建立卷积神经网络。经训练得到可用于船舶设备信息识别的模型。对模型进行评估，调整网络结构和训练参数，得到准确率达到期望值的船舶设备信息识别模型。经预测和优化得到基于深度学习的船舶设备信息智能化识别模型，可实现船舶设备仓储管理智能化，在较大程度上提升管理效率。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...