向量法在不规则隧道边仰坡面积计算中的应用

根据隧道边仰坡三维坐标测量数据,通过计算边仰坡斜面和投影水平面的法向量,进而计算两面之间夹角的方法,反算边仰坡斜面面积,在类似不规则隧道边仰坡等斜面面积计算中具有广泛的应用价值。     

Human-like autonomous car-following model with deep reinforcement learning

This study proposes a framework for human-like autonomous car-following planning based on deep reinforcement learning (deep RL). Historical driving data are fed into a simulation environment where an RL agent learns from trial and error interactions based on a reward function that signals how much the agent deviates from the empirical data. Through these interactions, an optimal policy, or car-following model that maps in a human-like way from speed, relative speed between a lead and following vehicle, and inter-vehicle spacing to acceleration of a following vehicle is finally obtained. The model can be continuously updated when more data are fed in. Two thousand car-following periods extracted from the 2015 Shanghai Naturalistic Driving Study were used to train the model and compare its performance with that of traditional and recent data-driven car-following models. As shown by this study’s results, a deep deterministic policy gradient car-following model that uses disparity between simulated and observed speed as the reward function and considers a reaction delay of 1 s, denoted as DDPGvRT, can reproduce human-like car-following behavior with higher accuracy than traditional and recent data-driven car-following models. Specifically, the DDPGvRT model has a spacing validation error of 18% and speed validation error of 5%, which are less than those of other models, including the intelligent driver model, models based on locally weighted regression, and conventional neural network-based models. Moreover, the DDPGvRT demonstrates good capability of generalization to various driving situations and can adapt to different drivers by continuously learning. This study demonstrates that reinforcement learning methodology can offer insight into driver behavior and can contribute to the development of human-like autonomous driving algorithms and traffic-flow models.     

磁力摩擦式辅助驱动在TBM连续皮带机中的应用

长大隧道TBM(tunnel boring machine)施工大多采用连续皮带机出渣,当运输距离较大时通常需要在中间增设辅助驱动,以降低胶带最大张力,从而降低胶带强度。为了提高辅助驱动的工程适应性,研发了磁力摩擦式辅助驱动系统,具有驱动力大、无二次转载、胶带无二次冲击损伤、结构简单、故障点少、结构紧凑占用空间小、安装方便和配置灵活等特点。该成果可用于采用钢丝绳芯胶带的TBM连续皮带机、支洞皮带机以及其他需要辅助驱动的胶带输送机,并在山西省中部引黄工程TBM1标段成功应用,具有广阔的推广应用价值。     

高压共轨高速电磁阀自升压双电源驱动方法研究

在对现有高压共轨高速电磁阀驱动电路进行分析的基础上,提出了一种基于电磁阀自身的自升压方式,一方面把高速电磁阀关闭时本身储存的电能回收到储能电容中,另一方面在两缸工作间隙利用电磁阀线圈作为升压电路电感对储能电容进行能量补充,保证储能电容上的电压达到一个稳定状态。电路在保证实现双电压快速驱动的同时,使驱动结束的能量得到有效回收,同时省去外接专用升压电路所需要的电感部件,减小了电源电路的体积和设计成本,并且电控单元印制线路板的电磁兼容性设计易于保证。应用该方法对某高压共轨部件高速电磁阀进行试验,匹配出驱动参数,并进行稳定性试验验证,结果表明该方法能够满足工程应用需求。     

不同土质下预制方桩沉桩承载力特性分析

对沿海地区某码头预制方桩沉桩过程进行监控。结果表明,打桩时由于桩周土扰动剧烈,桩的贯入阻力大幅减小,粉质土贯入阻力降低比例高于粉砂。复打测试表明:粉质土的恢复系数较粉砂高;桩侧摩阻力与土层性质密切相关。在沉桩时可根据土层情况选用合适的打桩锤击力,以减小或避免对桩的不利影响。     

信号交叉口行车风险场建立及车辆通行行为优化

随着汽车逐步向智能化、网联化发展,智能网联车辆逐步进入实际应用阶段。进行智能网联车辆的通行行为优化,对提升驾驶安全性和行车效率,避免事故发生和交通拥堵至关重要。车辆在通过交叉口时将受到很多环境及运动因素的影响,而现有的通行优化模型难以准确表达各类因素共同作用下的行驶环境。为此,基于风险场理论建立由环境场和运动场组成的信号交叉口行车风险场,表征信号交叉口中每点的实时行车风险程度,从而引导车辆驶向风险值低点,并提供下一步长的位移及速度指引,实现车辆的动态轨迹优化及速度控制。典型场景下的仿真结果表明：在优化模型的控制下单车的信号交叉口通行效率明显提升,其中直行方向车辆单车平均通行效率提升最高,平均提升6.35%,通过对交叉口面积内所有车辆进行通行行为优化,交叉口通行效率提升了9.3%,这表明所建模型可以准确表达交叉口行车环境并优化车辆通行行为。研究结论可应用于自动驾驶车辆的交叉口通行控制,并为网联环境下的行车环境表达和安全驾驶控制提供模型基础。     

面向驾驶模拟器的高等级公路三维视景建模与实现

随着汽车驾驶模拟器在道路交通仿真中的广泛应用,驾驶员对视景的逼真度也相应地提出了较高的要求。视景仿真系统作为模拟器的一个子系统,其逼真度和实时的动态显示是影响道路交通仿真的关键因素。文中介绍了高等级公路三维视景的建模过程、实现方法,以及地形的简化技术。设计成果表明,这种方法对于利用驾驶模拟器进行道路交通仿真等方面的研究是可行的。     

自动驾驶中座椅旋转速度对乘员的影响

为提高自动驾驶车辆的安全性,提出用一种旋转速度曲线把座椅旋转至指定角度,研究此旋转速度下的乘员生物力学响应.首先,根据所建立的碰撞模型与假人试验数据进行对比验证;其次,改变座椅旋转方向和速度研究乘员旋转至指定位置乘员的生物力学响应.结果表明:在200 ms内采用等腰梯形旋转速度曲线旋转至±45°和±90°不会引起乘员额...     

基于改进LSTM-NN的安全性自动驾驶换道轨迹规划模型

为改善现有的自动驾驶换道轨迹规划模型产生的换道轨迹与真实的换道轨迹存在较大偏差的问题,提出了一种改进LSTM-NN的安全敏感性深度学习模型,该模型可以缓解当前自动驾驶轨迹规划存在的不足,输出轨迹既保证了较高的精度又提高了安全性。CarSim仿真软件模拟了本模型产生轨迹的可跟踪性,结果显示轨迹非常平滑,并且自动驾驶车辆可以高效、安全地完成换道。     

基于人机工程学山区公路平曲线安全视距研究

视距是评价汽车行驶安全性和舒适性的重要指标.从医学和工学相结合的角度,以行车实验为依据,对驾驶员心率和血压变动规律与山区公路平曲线通视距离相关性进行分析研究.基于人机工程学实验研究表明,山区公路平曲线通视距离,应比现行理论计算通视距离增加5-10 m的安全距离,同时提出了相应的山区交通安全改善措施.