基于深度学习的智能车辆视觉里程计技术发展综述

针对基于模型的视觉里程计在光照条件恶劣的情况下存在鲁棒性差、回环检测准确率低、动态场景中精度不够、无法对场景进行语义理解等问题,利用深度学习可以弥补其不足。首先,简略介绍了基于模型的里程计的研究现状,然后对比了常用的智能车数据集,将基于深度学习的视觉里程计分为有监督学习、无监督学习和模型法与深度学习结合3种,从网络结构、输入和输出特征、鲁棒性等方面进行分析,最后,讨论了基于深度学习的智能车辆视觉里程计研究热点,从视觉里程计在动态场景的鲁棒性优化、多传感器融合、场景语义分割3个方面对智能车辆视觉里程计技术的发展趋势进行了展望。     

嵌岩桩垂直承载力的有限元分析（上）——嵌岩深度效应

着重讨论嵌岩桩的嵌岩深度效应,当嵌岩达到一定深度后,继续增加嵌岩深度,对桩的承载力的提高已不明显,甚至无助于承载力的提高。     

增程式电动公交车示范推广

增程式电动车是一种配有地面充电和车载供电功能的纯电驱动的电动汽车,它结合了混合动力车、纯电动车的优点。其动力系统由动力电池系统、动力驱动系统、整车控制系统和辅助动力系统(APU)组成。由整车控制器完成运行控制策略。电池组可由地面充电桩或车载充电器充电,发动机可采用燃油型或燃气型。整车运行模式可根据需要工作于纯电动模式、增程模式、电量保持模式。当工作于增程模式时,节油率随电池组容量增大无限接近纯电动汽车,是纯电动汽车的平稳过渡车型。由于低速扭矩大,高速运行平稳,刹车能量回收效率高,结构简单易维修,在当前混合动力车故障率较高、纯电动车续航里程短的情况下,是一种较为适用于城市公交的新能源客车。     

基于深度自编码模型和马氏距离的起重机泵健康评估

为准确、可靠、有效地进行起重机泵健康评估,通过对多台不同使用年限的起重机进行试验,获取起重机实际运行时的泵信号,采用深度自编码模型(DAE)与马氏距离(MD)结合的方式,揭示泵性能退化和评估健康状况,对比统计特征、EMD、MLP、CNN等特征学习方法,表明该方法具有良好的性能.     

汽车VS二轮车十字路口事故场景研究

为研究十字路口发生的汽车与二轮车事故场景,基于NAIS事故数据库中发生在十字路口的汽车与二轮车事故数据开展研究。选择描述十字路口事故关键参数,依据事故发生时环境照明、十字路口信号灯、汽车所在道路车道数、道路限速、汽车种类、汽车速度、汽车运动方式、第一碰撞点、二轮车种类、二轮车运动方式等参数,对事故数据进行聚类分析,得到5类主要危险场景。基于发生频率最大和骑车人死亡风险最高的场景具有危险场景代表性,最终得到2类十字路口汽车与二轮车的典型事故场景。为十字路口汽车与二轮车的冲突消解、避撞策略研究提供参考。     

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.