共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

基于自然边界元的一类拟线性问题的数值算法

基于自然边界归化原理，利用非重叠型区域分解算法（即Dirichlet-Neumann交替算法）研究了长条形区域拟线性方程问题.在得到椭圆人工边界上的自然积分方程后，构造出相应的交替算法，并根据非线性算子的特性，证明了算法在连续和离散条件下的收敛性.数值实例的结果表明，算法是可行且有效的.     

这个时段疲劳驾驶易发,请您一定不要强撑!

2019年10月12日凌晨6时20分许,驾驶人赵某驾驶牌号为鄂FNV310的重型仓栅式货车行驶至沪昆高速怀化段1416km+995m(东往西方向)处时,因疲劳驾驶在鸡公界隧道入口发生单方碰撞事故。驾驶人赵某承担事故全部责任,同时被给予处罚。分析这起事故,总结了4个关键词:凌晨、疲劳驾驶、全责、处罚。所以,一次疲劳驾驶会给您带来很多的麻烦。     

达尔文并没明确提出“适者生存”

<正>物竞天择,适者生存!"在我国妇孺皆知,被很多人当为达尔文进化论的精髓。"其实,这是一个谬误!"旅美知名生物学家苗德岁在一场讲座上纠正说。其实除了在《物种起源》第五版序言中引用过这一句话,达尔文从没说过这样的话,甚至他自己都怀疑"适者生存"是否靠谱。严复译文时加进"适者生存"苗教授年轻时毕业于南京大学地质系,在中国科学院古脊椎动物与古人类研究所攻读完硕士后,于1982年赴美,在加州大学     

基于纵向避撞时间的预警/制动算法

针对汽车纵向避撞系统的要求,提出了一种基于纵向避撞时间的纵向碰撞预警/避撞(FCW/FCA)算法。通过分析纵向避撞时间与驾驶员反应时间之间的关系,建立了前车不同行驶工况条件下的安全车距模型,并在3种不同行驶工况下,与Berkeley模型进行制动/预警距离的对比。研究结果表明:该算法确定的制动距离与Berkeley模型确定的距离相差很小,并且考虑了前车的运行工况;该算法还能够根据前车行驶工况的不同,确定出合理的预警距离。对比分析结果验证了该算法的有效性和可行性,能够提高车辆行驶的安全性。     

Banach跟踪性质研究(英文)

设f是紧致度量空间X上的连续自映射。笔者引入一个新的跟踪性概念——Banach跟踪性质,讨论了Banach跟踪性质一些基本性质。主要证明了:Banach跟踪性质在迭代下被保持;如果f有Banach跟踪性质,那么它的链回复集、非游荡集和测度中心一致而且它的自然扩充也有Banach跟踪性质。     

未来的智能汽车会更棒

通过手机应用软件呼叫自动驾驶出租车,在广州,这早已不是一件新鲜事啦!事实上,在北京、上海、长沙、苏州、武汉等地,包括自动驾驶汽车在内的许多智能汽车新项目正不断涌现。     

基于概率图模型的危险驾驶罪刑期预测

针对司法实践中对于可解释性及预测性能的需求, 本文提出了一种基于概率图模型的量刑智能辅助方法. 该方法以量刑要素为基石建立含有隐节点的概率图模型, 由极大似然准则估计刑期分布的参数, 进而计算分布的数学期望得到预测值. 关于危险驾驶罪的实验结果表明, 概率图模型的预测准确率优于基于决策树和神经网络等的模型, 且具有良好的可解释性.     

融合码盘和激光雷达的里程计与建图

提出了一种用于自动驾驶汽车的低漂移、低延迟的里程计与高精度建图的算法。该方法融合了多种传感器的测量结果，包括车轮编码器、转向盘转角编码器、激光雷达及可选GPS等的测量结果。里程计算法由车轮里程计和激光里程计组成：前者基于车辆运动学模型，高频、实时估计位姿增量，用于点云去畸变和为后者优化位姿提供可用的初值；后者以较低的频率估计车辆的精确位姿变化，以补偿前者累计的误差，其核心是一种基于角度度量的两阶段特征提取方法。建图算法基于因子图，包含激光里程计因子、回环因子和可选GPS因子，通过增量平滑和建图算法优化全局轨迹，在线生成全局地图，其中GPS因子能够自动对齐GPS坐标系和里程计坐标系，逐步融合GPS测量值，解除了算法初始化过程对于GPS的依赖。所提出的方法在自动驾驶汽车平台数据集上进行了评估，并和已开源的部分相关工作进行对比，结果表明它具有更低的漂移率，在本文进行的最大规模的测试中达到了0.53%。相关代码以开源形式供交流参考（https：//github.com/Saki-Chen/W-LOAM）。     

人工智能在车辆智能驾驶中的应用

智能驾驶汽车系统与人工智能相结合,会对汽车的产业结构甚至是上下游结构产生重大影响。由此,本文首先分析人工智能和车辆智能驾驶,然后探讨将人工智能和汽车相结合,特别分析了人工智能对无人驾驶系统的影响及其变革,以此说明人工智能对汽车和出行方式产生的影响。