仿人机器人摆动脚落地碰撞补偿控制研究

分析了仿人机器人摆动脚落地时的运动误差和摆动脚与地面的碰撞效应,提出了基于运动误差的摆动脚落地补偿控制策略,根据摆动脚距地面高度误差、摆动脚与支撑脚之间的步距误差,在线分级调整摆动腿髋、膝和脚踝关节前摆的运动角度,补偿摆动脚距地面高度和步距.样机实验证明,机器人摆动脚运动误差减小,实际落地时间趋近期望时刻,摆动脚与地面的碰撞冲击力减小且变化平缓,行走稳定性改善.     

范德瓦尔斯气体热力学过程的研究

推导出范德瓦尔斯气体准静态过程微分方程，指出范德瓦尔斯气体多方过程满足的条件C-Cv/R=常数，并推导出范德瓦尔斯气体节流过程致温致冷的判别条件．     

基于电子收费数据的车辆轨迹匹配

为充分利用ETC门架采集的数据对高速公路运营管理提供支撑,实现车辆轨迹地图匹配,本文结合图论理论,基于车辆ETC门架数据设计Floyd算法还原车辆行驶路径。首先,对路径匹配系统需求进行分析,介绍ETC联网收费系统的组成和功能、讨论ETC门架系统的组成、布局以及工作流程。其次,分析车辆行驶ETC门架数据,提取与研究相关的字段信息并进行数据预处理,从而将门架信息匹配到了实际路网地图上。第三,设计车辆路径匹配的算法,在路径信息不完整的情况下,根据Floyd算法得出的最短路径矩阵,使用matlab运行程序,得到拟合的车辆行驶全程路径。最后,开展多场景下的基于ETC数据的车辆轨迹匹配案例验证。分别按照车辆经过的门架信息数据完整、经过门架信息数据在高速公路互通处缺失、不在互通处缺失、数据大量缺失四种类型的场景下,使用算法得到车辆行驶的完整路径,完成了多场景下车辆轨迹的地图匹配,从而实现后续的车辆完整路径下的计费。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

关于麦克斯韦速度分布律教学的几点注记

选择合适的教学切入点,适当调整麦克斯韦速度分布律的教学顺序,使内容更加系统化.并对易混淆的问题进行了分析比较.     

基于收费数据的高速公路站间旅行时间预测

针对高速公路断面检测数据密度不足现状,采用收费数据预测收费站间车辆旅行时间。首先,研究收费数据实时修正处理方法,改进平均旅行时间计算模型;其次,引入分段线性插值方法构建卡尔曼滤波模型,以减小卡尔曼滤波线性化产生的模型误差问题;接着,依据旅行时间预测业务逻辑开发应用系统,实时主动预测高速公路站间旅行时间。示范路段应用表明,插值后预测算法在正常、事故、小长假三种交通流状态下所有周期平均相对误差控制在10%内,事故周期平均相对误差控制在13%内。插值后算法预测精度有效提高,可为高速公路公众出行提供时间参考。     

基于粒子滤波的变电站内动态目标跟踪技术

为实时智能监控变电站安全生产区域内的移动目标,克服现有视频系统人工切换图像和肉眼判断所造成的漏检和滞后问题,对变电站内运动目标的自动检测与识别跟踪技术进行了研究;基于背景差分法实现了人物动态目标检测,提出了基于颜色直方图的粒子滤波人物动态目标跟踪方法;通过提取目标颜色特征,建立目标状态模型和系统模型,进而准确定位目标;研发了变电站安全事件视频自动识别跟踪系统.系统应用结果表明:算法检测与跟踪的时间性能良好,能够快速识别目标,并准确跟踪目标运动轨迹,有效提升了全天候智能监控站内的安全生产能力.     

基于八叉树编码的CUDA光线投射算法

目的针对传统的GPU光线投射算法绘制效果差,绘制效率低的问题,在CUDA架构上对光线投射算法进行优化和加速。方法首先采用八叉树对体数据进行编码,有效地剔除体数据中对重建图像无贡献的部分;其次,将体数据绑定到三维纹理上,根据体数据大小分配线程,每条光线与体数据求交时采用并行计算;最后,在CUDA内核中实现光线投射算法。结果仿真实验结果表明文中算法可以将传统GPU光线投射算法的绘制速度提高7～15倍,并增强算法的绘制效果。结论算法对传统的GPU光线投射算法的绘制速度和效果都有提高。     

改进的基于径向基函数的曲面重建算法

目的改进基于径向基函数的曲面重建算法。方法针对数据量过大,无法在中低端计算机上进行曲面重建的问题,采用分而治之的思想,将点云曲面先分割后重建。结果所给方法能够明显提高曲面重建效率,实现了在中低端计算机上的曲面重建。结论对于不规则的待重建物体,使用任意方向的包围盒比使用轴向包围盒能更好地降低重建过程中的运算次数。     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。