路面平整度检测技术现状与发展

对现有路面平整度检测方法的技术要点作了分析,总结出这些方法存在的问题.详细论述了激光路面平整度检测技术的工作原理、应用现状和发展趋势.     

基于深度强化学习的船舶航线自动规划

为解决传统船舶航线规划算法缺少对经验航线的参考及不适用于真实航行需求的问题,提出一种基于深度Q网络(Deep Q Network,DQN)船舶航线自动规划算法,用以在电子海图中提供拟合航道,生成适宜真实航行情况的自动规划航线.这种算法采用当前神经网络和目标神经网络2个二层神经网络结构,达到打乱数据相关性的目的,将智能体...     

基于GPS的风流压差估算与航向修正

船舶在实际航行中,由于受到风流的影响,往往造成实际航迹线偏离计划航线。为了确保船舶按照既定航线安全、经济地航行,通常要求航海人员尽可能随时估算海洋的风流要素,确定船舶应采用的真航向和确     

基于ADASYN-XGBoost的交通事故自动检测方法

基于数据驱动的交通事故自动检测对道路事故的及时救援与降低事故影响具有重要作用。为解决道路交通事故自动检测中的样本不均衡问题,研究了混合自适应过采样技术与极限梯度提升树算法的交通事故自动检测方法（ADASYN-XGBoost）。其中,为从不均衡的交通事故样本中有效挖掘数据的时空特征与事故发生之间的内在关联规律,构建了初始特征变量组合,引入自适应合成过采样方法（adaptive synthetic oversampling method,ADASYN）来平衡事故类与非事故类的样本数量,以增强训练数据的质量;其次,为提高检测效果,构建了基于XGBoost的交通事故检测模型,利用该模型对增强后的数据样本进行特征筛选;最后,为获取最佳参数组合,采用了贝叶斯优化算法对XGBoost进行参数的快速标定。本文使用波特兰高速公路数据集对ADASYN-XGBoost方法进行模型验证与实证研究。结果表明：与先进的基准模型相比,ADASYN-XGBoost的各项检测指标均最优,其F1分数达到94.47%且误检率低至8.95%。在模型训练样本数为2800,500(18%的初始样本量),150(5%的初始样本量)...     

基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...     

地铁自动检票机故障分析及可靠性研究

考虑到地铁自动检票机组成复杂且故障形式多样,对其进行故障分析并以二参数威布尔分布为基础,提出一种基于混合威布尔分布的设备可靠性评估模型。为提高模型拟合精度,基于误差平方和最小思想构建非线性最小二乘参数优化估计模型并使用粒子群算法(PSO)进行最优参数求解。以南京地铁油坊桥车站自动检票机实际故障数据为例,进行实例验证。结果表明,基于PSO算法的混合威布尔分布可靠性评估模型优于传统单威布尔分布,其均方根误差、平均绝对百分比误差、皮尔逊相关系数均为最优。     

基于稀疏采样数据的电动公交车电池SOC预测方法研究

为提高电动公交车电池SOC预测的精度,基于某电池监控云平台电池数据库中存储的以30 s为采样周期的稀疏采样的电池运行数据,对电动公交车电池SOC预测方法进行了研究。首先,介绍了稀疏采样数据源,分析了电动公交车动力电池的运行过程及其SOC变化的影响因素。选取了当前电池组的总电压、电流、电池模组温度均值及前一时刻SOC值作为预测变量,而选择当前电池组SOC作为输出变量,构建了训练数据集与测试数据集。然后,采用支持向量机(SVM)算法进行训练,并使用贝叶斯优化算法寻找SVM的最优超参数组合,提出了基于稀疏采样数据的电动公交车电池SOC单步预测方法。接着通过对训练数据集的再划分,进一步提出了基于稀疏采样数据的电动公交车SOC自主预测方法,摆脱了在SOC长期预测过程中对于BMS估计的真实SOC值的依赖。试验结果表明,SOC单步预测方法的最大绝对误差仅为1.82%,SOC自主预测方法的最大绝对误差也只有5.89%,都具有较高的预测精度。根据在不同运行路线和不同环境温度下的试验结果,SOC预测模型具有较高的鲁棒性。     

重点要“稳” 采埃孚自动驾驶目标锁定L2+和L4

"现在市场上有些系统,让你在驾驶过程中,明显的感觉到车身的摆动,说明它们的车道保持不好。这样会影响驾驶者的驾驶体验。对我们而言,度量级别不重要,重点是稳!"——采埃孚全球CEO沃夫翰宁·施艾德回顾过去三年所经历的CES展会,整个自动驾驶行业一直长期处于亢奋状态。从L2-L5级别,只要你想似乎都能找到相对应的产品以及解决方案。仿佛大家之间正进行一场不言而喻的军备竞赛。远的不说,单说采埃孚本身,2017年第一次亮相并现场与百度合作上车的ProAI至今历历在目。随后两年,ProAI的型号一年比一年高,性能也逐代强悍。     

使用元征X-431 PAD V进行保养周期归零——以2017款阿斯顿马丁车为例

实测车型2017款阿斯顿马丁车,发动机型号为AM29。功能描述当保养指示灯点亮时,说明车辆需要保养,在完成保养后,需要重置保养周期使保养指示灯熄灭。路径选择自动搜索扫描车辆信息-选择特殊功能T选择保养指示灯归零功能→按功能提示执行。操作说明(1)在元征X-431 PAD V汽车诊断设备上正确选择车型信息(图1)。     

驾驶模拟器在自动驾驶系统中的应用研究

自动驾驶车辆在实际道路上行驶之前的测试阶段是一个至关重要的环节。一个低成本、高效率以及高精度测量的自动驾驶车辆的测试方式,对于自动驾驶车辆的开发具有重要意义。将驾驶模拟器运用到研究自动驾驶车辆测试已是近年来的一个研究热点。基于虚拟驾驶场景的自动驾驶车辆的检测,通过组合虚拟驾驶场景的背景车辆、行人、交通灯、建筑、指示标牌等元素,研究将驾驶模拟器与虚拟驾驶场景的联合应用来测试自动驾驶车辆。设计了典型的交通场景,通过自动驾驶车辆和背景车辆的实时交互,研究自动驾驶车辆的各项性能指标。研究结果表明:该驾驶模拟器可以高度拟合人类驾驶体验,驾驶员通过驾驶模拟器控制背景车辆能够很好的模拟现实中的驾驶行为,对自动驾驶车辆的仿真测试起到了促进作用。