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）。     

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。     

纸上飞剪 万物生辉——黑红与黑白的剪纸技艺流程

<正>"梅花剪"起源于中国剪纸之乡——孝义,这里素有"千年秦汉遗风,中华剪艺奇葩"之称,郭梅花将独特的红、黑东方代表色与传统吉祥元素相融合,以剪代笔,纯手工制作,创作出阴阳交错、视觉新颖的艺术形式,形成一种独特的剪纸艺术表现风格。黑红之交黑红之交,运用剪纸的对称美,黑红的对比、剪贴、套色,在一阴一阳中求变化,加强了视觉感和厚重感,丰富了剪纸单一的表现手法。     

基于ZigBee的车载交通灯监视系统设计

为解决驾驶员在城市道路十字路口遭遇前方大车遮挡、恶劣天气及眩光时,出现交通灯"盲视"现象而引发交通事故的问题,利用ZigBee灵活的组网功能,在城市道路的十字路口安装交通灯监视系统的主控端,在各个车辆上安装车载终端,形成基于ZigBee的车载交通灯监视系统。系统主控端承担网络管理和交通灯信息发送任务,车载终端负责交通灯信息数据接收、交通灯信息LCD显示和交通灯相位切换前语音提示驾驶员的任务,两者通过ZigBee进行无线通信,圆满地解决了驾驶员的"盲视"问题,极大地提升了十字路口的安全通行率。     

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。     

考虑车辆间交互作用的驾驶意图预测方法

准确的意图预测可以帮助智能车辆更好地了解周围环境并做出更加安全的决策，从而提高自动驾驶的安全性，促进人机协同驾驶。为了对驾驶员未来的意图做出更加精准的预测，提出了一种交互式意图预测方法。首先，通过将隐马尔可夫模型（HMM）与高斯混合模型（GMM）相结合，在充分考虑周围场景信息后建立了行为识别模型，用于对当前的驾驶行为做出准确的判断。然后，考虑到交通场景复杂多变的特点，提出基于意图的轨迹预测方法规划出一条最佳的行驶轨迹，并采用最大期望效用理论对未来的驾驶行为进行推理。由于行为识别和意图推理模型综合考虑了交通态势的演变过程和车辆之间的交互作用，所以将两个模型得到的结果相结合可得到车辆最终预测出的驾驶意图。最后，在NGSIM数据集对所提出的方法进行验证，结果表明提出的行为识别模型能够提前0.2~0.3 s识别出车辆的换道意图，结合未来意图推理模型，能够更加准确地预测出车辆未来的驾驶行为，由此可提高车辆驾驶的安全性。     

低算力深度学习下的图像卡通风格化研究

在深入研究图像风格迁移的基础上，提出了一种适用于图形处理器性能受限情况下，卡通（cartoon）图像风格迁移训练的生成式对抗网络(generative adversarial networks，GAN)．利用视觉几何组（visual geometry group，VGG）网络提取图片先验信息，实现学习过程的加速；裁剪cartoonGAN模型，在保证效果的基础上，使得低性能计算条件下的网络收敛成为可能；设计合理的损失函数，保证整体风格化效果．基于tensorflow 2.0构建试验平台，通过对试验结果分析可发现，该方法的迁移效果好，稳定性强，且收敛时间短．对算法的参数和初始化方法给出了相关讨论，并提出了进一步的解决方案．      

论自动驾驶汽车交通事故致人损害的民事责任

自动驾驶系统虽然在现阶段尚不具有民事主体资格,但其特殊性决定了自动驾驶汽车交通事故致人损害的民事责任不完全等同于传统机动车交通事故侵权责任。根据自动驾驶系统是否存在缺陷,此种责任可分别成立机动车交通事故侵权责任和产品责任。就前者而言,自动化程度的不同决定了责任主体也有所不同,其或者是人类驾驶员,或者是人类驾驶员与生产者,或者是所涉各方当事人。就后者而言,其责任主体不仅包括自动驾驶汽车的生产者和销售者,还包括编程者、设计者等人员。由于自动驾驶系统的智能性,上述责任在责任构成和免责事由等方面也具有一定的特殊性。