大众推出电动车自动充电机器人全程无人类干涉

2020年12月28日,大众集团零部件公司公布了其移动充电机器人原型,这是大众希望在未来数年扩张充电基础设施的充电概念愿景之一. 该款移动充电机器人的任务是,在有限的停车区域内(如地下停车场),为汽车提供全自动充电服务.大众集团零部件公司首席执行官Thomas Schmall解释道:"大范围的充电基础设施目前是,也一直是电动出行成功的关键因素."     

基于CAD的PVC地板自动排版

介绍.NET在CAD中的二次开发,在船舶设计中采用遗传算法实现PVC地板自动排版,并根据套料信息生成套料图.通过实际工程应用,验证了自动排版程序的使用,能够有效缩短设计时间、提高设计效率.     

翻车机敞车自动摘钩分析和应用

为实现翻车机敞车解列的智能化控制,利用专用机器人完成摘钩解列工作.通过智能检测、智能识别、智能定位、智能运动控制等技术,结合翻车机自动控制系统,在摘钩作业时,串联原自动系统实现全自动无人化.使用翻车机智能摘钩控制系统,能提高车厢脱钩效率,提高系统安全性,使翻车机的敞车解列作业真正实现全过程全自动化.研究成果可更深层次解...     

一种空压机自动变频系统

利用自动变频技术对空压机控制系统进行自动化改造,提出了改造的硬件方案和软件方案,该系统使用方便,可靠性高,并能降低能耗。     

技术站站场改造的建议和思考

对既有站如何满足长大列车的解编集结问题进行了探讨,并提出了解决问题的方法,介绍了一种新的系统解决方案。     

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...     

基于强化学习与安全约束的自动驾驶决策方法

在自动驾驶决策场景下,为解决强化学习算法安全性差、学习效率低的问题,提出一种在算法的训练阶段添加基于价值的安全约束和虚拟奖励的方法。首先,利用状态、动作价值函数和安全判断规则,对智能体执行的动作进行基于价值的安全约束,选择价值高且安全的动作。然后,向回放池添加包含虚拟奖励的预测轨迹数据,以补充由于约束而未能获取的试错动作信息和相应的状态、奖励信息。最后,为进行加减速和换道决策实验,基于修改后的高速公路仿真环境highway-env搭建了3车道高速公路场景,并以深度Q网络（Deep Q Network, DQN）算法为基础,分别训练和测试了无安全约束的算法、拥有基于规则的安全约束的算法和拥有基于价值的安全约束的算法。结果表明,考虑加速、减速、保持车速和车道、向左换道、向右换道共5种动作时,基于价值的安全约束算法的成功率比无安全约束的算法高3倍以上,平均回报提升28%;仅考虑向左换道、向右换道、保持车道这3种换道动作时,基于价值的安全约束算法的成功率比基于规则的安全约束算法高0.11,平均回报提升6%;都添加基于价值的安全约束时,考虑5种动作的算法相较于考虑3种动作的算法成功率低0.06但...     

基于高速公路自然驾驶数据的自动驾驶车辆跟驰智能性评价模型

为解决当前自动驾驶车辆跟驰智能性评价中存在的以主观评价为主、缺少微观驾驶行为数据支撑的问题,以高速公路自然驾驶数据为基础,从自动驾驶车辆与人工驾驶车辆驾驶行为一致性的角度出发,构建自动驾驶车辆跟驰智能性评价模型。首先,通过无人机视频拍摄和图像处理,获取了国内18个省份部分高速公路上的高精度车辆轨迹,利用K-means聚类方法提取了15 446组稳定跟驰数据。然后,采用描述性统计方法对速度、加速度、跟车间距及跟车时距等指标进行分析。通过Gamma分布拟合不同速度下的跟车间距,以不同速度下跟车间距众数为中心,将跟车间距按照样本量的70%、20%、10%划分为与人工驾驶车辆驾驶行为一致性较好、一般、较差等3种情况,以此为基础建立自动驾驶车辆跟驰智能性评价模型。最后,通过自动驾驶车辆跟驰试验,证明所建模型适用于自动驾驶车辆跟驰智能性评价,相比既有研究,该模型的特点是能基于全过程、微观跟驰行为数据对自动驾驶车辆做出综合的量化评价。这表明基于自然驾驶数据与驾驶行为一致性构建的模型能客观、量化评价自动驾驶车辆跟驰行为,可用于自动驾驶车辆跟驰行为研究与技术参数设计。     

马来西亚东海岸铁路CTCS-2级列控系统方案研究

对马来西亚东海岸铁路CTCS-2级列控系统方案进行了分析和研究;针对单线自动站间闭塞情况提出了CTCS-2级列控系统方案;通过综合比较后提出马来西亚东海岸铁路列控系统推荐方案,可为CTCS-2级列控系统在单线自动站间闭塞中的应用提供一定参考.     

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。