基于仿真的汽车电子控制器软件开发方法研究

以车身控制系统中的车窗控制器和雨刮控制器为例,研究一种基于仿真及代码自动生成的汽车电子控制器软件的新型开发方法.利用Simulink/Stateflow建立汽车电子控制器算法模型,进行离线仿真验证和快速模型验证,然后通过RTW自动生成可执行的代码,最后可将自动生成的代码直接嵌入到控制器硬件中,实现了汽车电子控制系统的软件开发.通过与Simulink中仿真结果进行对比,验证了该方法的可行性和正确性.经过实践证明该开发模式可以大大缩短控制系统的开发周期,对于汽车电子系统的开发具有一定的实用价值.另外,在软件开发的各个阶段对设计功能进行测试验证,提高设计开发的正确性.     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

一种抗遮挡尺度自适应核相关滤波器跟踪算法

针对传统的核相关滤波器(KCF)算法无法很好地解决目标跟踪过程中的尺度不变性和模型漂移问题,提出了一种改进的抗遮挡尺度自适应核相关滤波器算法。使用平均峰值相关能量(APCE)和相关滤波响应峰值作为跟踪置信度指标判断目标是否受到遮挡,在未遮挡的情况下,对目标进行尺度缩放,通过滤波器之后计算相应的响应值,比较不同尺度响应值的大小,最大值即为最佳的目标尺度值。采用OTB-2013评估标准,与传统KCF对比,新算法在目标受到遮挡时,跟踪成功率与精确度有明显提高,同时适应目标尺度变化,具有较强的鲁棒性。     

贝叶斯网络发展及其应用综述

贝叶斯网络（BN）是一种用于描述变量间不确定性因果关系的图形网络模型,用于不确定性系统建模和推理,处理涉及到预测智能推理、诊断、决策风险及可靠性分析的问题. 本文首先对贝叶斯网络做了一个简略的介绍,随后综述了贝叶斯网络近30 年的发展及功能扩展,对其在工程技术领域的应用包括故障诊断及可靠性分析等方面做了一个回顾,最后对BN现有的不足和未来的研究趋势做了总结和展望.