动力打桩能量转换率及选锤要素

动力打桩的桩锤规格选择是桩基施工中重要及复杂的环节，满足桩基设计的极限承载力为主要考虑因素。常用的选锤方法有公式计算法、经验综合分析法、波动方程法共3类，可以选用桩锤的锤击能量及极限承载力。通过分析选锤要素引出了选锤最小能量值，从传统的单一锤击能量扩展到了一个区间，既简化了选锤方法，又提高了沉桩效率。从锤击能效及效率角度分析了锤桩质量比不宜小于1/4的实质是锤击能量转换效率的大幅降低，从理论上将动力打桩与静压沉桩有机联系起来。     

基于3D视觉的机械臂无规则零件抓取系统

为解决机械臂抓取零件定位不准或抓取精度不高的问题，提出了一种基于3D视觉机械臂无规则零件抓取方法，该方法主要包括系统空间标定、零件点云定位分割、零件位姿估计算法模块，提出了基于2D图像的点云相机外参标定方法及基于图像语义分割的零件点云分割方法。经试验验证，所提出的标定方法达到1 mm的系统精度误差，而且求解效率高、通用性强；与常用的聚类分割相比，零件点云分割方法精度及效率更高。所设计的二阶段零件空间位姿计算方法能准确估计零件在空间中的6自由度位姿，相比单一阶段匹配方法精度提高约1.8倍。所提出的基于3D视觉的机械臂无规则零件抓取系统精度高、可扩展性强、适应情形广。     

凸凹不平道路几何参数识别和模型重构方法研究

自动驾驶汽车的凸凹不平道路和异常路面行驶，不仅要考虑道路曲率等因素，还需要对路面凸起、凹坑等特征和病害进行识别建模，提高车辆通过性、安全性和舒适性。为此，本文提出了一种基于激光雷达的凸凹不平道路几何参数识别和模型重构方法。首先，将局部加权散点平滑方法（Lowess）首次应用于激光雷达点云处理，提高了激光雷达点云数据的平滑性；其次，提出了基于斜率阈值分割的路面几何参数识别方法，通过设置斜率阈值对道路凸起与凹坑进行识别提取；再次，通过识别特征点云边界构建了带约束的分段多项式函数路面连续典型特征拟合数学模型。最后，通过建立的室内路面典型特征沙盘模型及路面实测数据，应用本文提出的方法，对凸凹不平道路的凹坑和凸起等特征进行了识别和模型重构。结果表明，分段多项式拟合方法在拟合次数5～6次时达到拟合效果极限位置，此时各个场景中92%的数据点拟合均方根误差在0～0.015 m范围内，本文提出的方法能准确完成凸凹不平道路几何参数识别，实现路面典型特征三维数学模型重构。     

基于局部窗口交叉注意力的轻量型语义分割

在自动驾驶汽车环境感知任务中，采用环视相机在统一鸟瞰图（bird’s eye view,BEV）坐标系下对车道线、车辆等目标进行语义分割受到广泛关注。针对相机个数增加致使任务推理延迟线性上升、实时性难以完成语义分割任务的难题，本文提出一种基于局部窗口交叉注意力的轻量型语义分割方法。采用改进型EdgeNeXt骨干网络提取特征，通过构建BEV查询和图像特征之间的局部窗口交叉注意力，完成对跨相机透视图之间的特征查询，然后对融合后的BEV特征图通过上采样残差块对BEV特征解码，以得到BEV语义分割结果。在nuScenes公开数据集上的实验结果表明，该方法在BEV地图静态车道线分割任务中平均IoU达到35.1%，相较于表现较好的HDMapNet提高2.2%，推理速度相较于较快的GKT提高58.2%，帧率达到106 FPS。     

基于AO算法优化VMD参数联合小波阈值的桥梁信号去噪方法

当桥梁进行状态评估和健康监测时，所获得的桥梁信号易受外部环境的干扰，难以反映桥梁结构的真实响应。针对桥梁信号夹杂环境噪声等问题，提出了基于联合天鹰算法(Aquila Optimizer, AO)、变分模态分解(Variational Mode Decomposition, VMD)和小波阈值的去噪方法。该方法首先利用AO算法优化VMD的参数，然后用VMD对含噪声的信号进行自适应分解，再去除方差贡献率较小的模态，最后对剩余的模态进行小波阈值去噪处理，重构信号得到去噪后的真实信号。对模拟信号和桥梁动应变的实测信号分别进行分析，结果表明：基于AO算法优化VMD参数联合小波阈值的去噪方法能有效滤除噪声信号，且去噪效果优于单一的小波阈值去噪、EMD联合小波阈值去噪以及EEMD联合小波阈值去噪等常用的去噪方法，研究成果可为桥梁信号的去噪处理提供有意义的参考。     

基于稀疏卷积神经网络的车载激光雷达点云语义分割方法

对车载激光雷达扫描得到的点云进行语义分割是保证行车安全、加强驾驶员对周边环境理解的重要手段之一。因为内存限制和大规模点云场景更加稀疏的特点,将传统神经网络的方法直接沿用到车载激光雷达扫描得到的点云场景中的效果不佳。本文中针对大规模点云的稀疏性,利用稀疏卷积神经网络对体素化点云进行特征提取。考虑到逐点处理分支抑制点云数据的密度不一致性导致的信息损失,另外设计了3D-CA和3D-SA模块,使稀疏卷积神经网络更好地提取特征。实验结果表明,与传统卷积神经网络的方法和将点云投影到平面的方法相比,使用稀疏卷积神经网络对大规模点云进行语义分割,可将平均交并比提升4.1%和3.4%,证明了该方法的有效性。     

基于目标检测与语义分割智慧工地施工人员安全状况判断研究

在公路工程施工过程中，由于施工人员素质良莠不齐等因素，给行业监管部门带来极大困难。为实现施工人员实时检测及周边环境实时查看，由于人员检测与环境分割方法易受到施工环境干扰，若分开进行，会造成资源浪费。针对该问题，提出一种基于目标检测与语义分割融合的智慧工地施工人员安全状况判断方法，利用施工场地实时视频数据，对施工人员进行端对端实时检测与周围环境语义分割，结合分割结果，可判定施工人员是否处于安全区域。同时，为验证方法的有效性，基于甘肃省某公路视频监控数据实现数据集制作，并与现有方法进行性能对比实验。     

基于分位数回归的轨道质量指数阈值合理性数据分析

高速铁路轨道高平顺性是保障列车行车安全的重要基础，考虑到现有规范中针对轨道不平顺养护维修的局限性，需要对轨道动态不平顺管理值的合理性进行研究和改善。利用历史数据及统计方法挖掘轨道动态不平顺峰值管理值与均值管理值的联系，基于时间序列的异常检测与修正模型，通过分位数回归探究各项指标半峰值与标准差关系，并给出相应的均值管理建议值。结合7条不同工况线路的实测数据，研究结果表明：速度200～250 km/h线路建议采用80%及以上分位数的标准差作为管理值，而速度250(不含)～350 km/h线路建议采用95%及以上分位数的标准差作为管理值；相同时速线路、同一分位数下，若建议管理值越高，表明峰值与标准差的倍数较小，该线路状态较好，特别是单点不平顺超限的数量较少，不需要较严格的TQI管理值进行整体管理；反之，则表明单点超限可能较多，需要压低TQI管理值确保较低的峰值超限数量；对于5项不平顺指标，轨距出现峰值超限的概率最大，养护维修时需着重关注。     

基于模块化仿真的共享汽车联合调度优化

运营商在调度车辆时单独采用员工或顾客调度策略均难以有效解决共享汽车分布不均衡导致的盈利难问题.为此，在传统时空网络基础上，考虑道路拥堵和用车需求随时间变化对运营的影响，基于C#语言和O2DES(object-oriented discrete event simulation)离散事件仿真框架，建立由模块化站点和路段模型组成、可高效率运行的共享汽车仿真系统；在此基础上，提出一个以运营商日均净收益最大化为目标，联合决策车辆库存量阈值和行程定价的仿真优化模型，并为解决随机环境下的全局优化问题，设计了EGA-OCBA (elitist genetic algorithm with optimal computing budget allocation)算法；最后，以成都市的5个共享汽车站点为例，验证了仿真优化模型的有效性.仿真优化结果表明：在相同车队规模下，与采用固定价格的顾客调度策略相比，联合策略可使日均净收益提升10.37%～162.30%；与单独的员工调度策略相比，联合策略可使日均净收益提升15.34%.     

基于检测的高效自动驾驶实例分割方法

基于深度学习的实例分割算法在大规模通用场景中取得了良好的分割性能，然而面向复杂交通场景的多目标实例分割仍然极具挑战性，尤其在算法的高精度和较快推理速度的权衡方面，而这对于智能汽车的行驶安全性至关重要。鉴于此，本文以实时性算法Orienmask为基础，提出了一种基于单阶段检测算法的多头实例分割框架。具体来说，所提框架由骨干网络、特征融合模块和多头掩码构建模块组成。首先，本文通过在骨干网络中加入残差结构获取更加完整的高维表征信息。其次，为了产生更具判别性的特征表达，本文通过引入自校正卷积重构特征金字塔，并使用全局注意力机制改善信息传播以进一步优化所提框架的特征融合模块。最后，提出的多头掩码构建机制通过细化场景目标尺寸分布显著提高不同目标的分割性能。本文算法在开源数据集BDD100k上进行大量测试与验证，分别在边界框和掩码上获得了23.3%和19.4%的均交并比（mAP@0.5:0.95），与基线方法相比，平均指标提高了5.2%和2.2%。同时在基于自主搭建的实车平台上进行的道路实验也证明本算法能够较好地适应真实驾驶环境，且满足实时性分割需求。