面向自动驾驶汽车的三枝路口典型危险场景构建方法

场景构建是自动驾驶汽车测试的重要环节,然而针对路口场景,目前研究多集中于十字路口。为了明确自动驾驶汽车在三枝路口运行时所需考虑的典型要素和危险场景,通过收集我国两个城市近3年的道路交通事故数据,依据自动驾驶汽车特点筛选得到378例碰撞事故案例;基于案例中场景要素分析确定聚类参数,通过聚类分析和卡方检验,并基于事故类型提取典型参数特征,得到10类三枝路口典型危险场景。研究成果可为自动驾驶汽车城市道路交叉口测试场景库的扩充提供依据。     

基于自然驾驶数据的匝道行驶典型场景聚类分析

匝道行驶由于存在潜在的车辆间交通冲突,对自动驾驶汽车来说是一项挑战,因此,有必要对匝道的典型场景开展研究,以便应用于自动驾驶汽车的开发和测试。基于自然驾驶数据（naturalistic driving data, NDD）研究了匝道行驶典型场景。首先,通过对车辆在匝道上交互时的3个主要元素进行定义,包括初始状态（initial state, S）、驾驶动作（driving action, A）和交互性能（interaction performance, P）,并以此来描述车辆的交互行为;然后,选取用于表征A和P的变量作为聚类特征,通过基于Calinski-Harabasz（CH）指数的K-means聚类方法获得8种聚类结果,根据聚类结果对各变量进行分析,得到4种典型的交互方式;再后,通过分析表征初始状态的变量,运用置信椭圆提取典型的逻辑场景;最后,基于逻辑场景随机选择两个具体场景对自动驾驶系统（autonomous driving system, ADS）进行测试和评估。结果表明,运用研究获得的匝道行驶典型场景进行测试,可揭示自动驾驶汽车与其他交互车辆间的交互能力,说明基于NDD并运用聚类分析方法生成的匝道行驶典型场景是有效的。     

基于交通事故数据的自动紧急制动系统测试场景构建

为了探究面向汽车主动安全技术功能验证的测试场景的科学构建方法,构建符合真实交通状况的高保真测试场景。以自动紧急制动(autonomous emergency braking, AEB)系统为研究对象,以美国高速公路安全管理局事故数据库中筛选出的AEB系统功能适用的6 639起道路交通事故为研究样本,通过机器学习方法实现了由事故数据到测试场景的科学转换。针对传统聚类算法的缺陷,提出了基于层次聚类和K-means聚类相结合的融合聚类算法,并引入聚类曲线以开展事故数据样本的聚类分析。根据聚类获取的12类典型事故场景,构建了面向AEB系统功能验证的14种测试场景。结果表明：相比于传统的K-means聚类算法,融合聚类算法平均减少了8次迭代次数;聚类结果平均减少3%的波动;实现事故数据样本的科学准确聚类且提升数据聚类效率。所提出的测试场景在实现对现有AEB测试场景有效覆盖的同时,为标准测试场景的进一步扩充提供了有力支撑。     

自动驾驶路测融合度建模与分析

选取5个指标构建评价指标体系,然后采用皮尔生长曲线函数和负指数函数对正向指标和逆向指标进行标准化,并利用专家打分和层次分析法量化各指标权重,最后建立自动驾驶路测融合度模型。对基于上海市2类城市道路场景和1类高速公路场景的自动驾驶路测实测数据与仿真结果开展案例分析,验证路测融合度模型的合理性和有效性。结果表明：无论对于城市道路场景还是对于高速公路场景,避险脱离率是表征自动驾驶车融入到现有道路交通系统程度的最重要指标;高速公路场景下的自动驾驶路测融合度显著高于城市道路场景下的自动驾驶路测融合度;加大自动驾驶测试里程、测试时长和测试场景复杂度,可以促进自动驾驶技术的成熟。     

一种基于混合现实的自动驾驶车辆测试方法

针对自动驾驶汽车在复杂环境下的安全性测试问题,提出一种基于混合现实的自动驾驶车辆测试方法。该方法将仿真环境中的虚拟场景映射到真实的测试环境,通过传感器和数据融合快速收集自动驾驶测试车的智能感知和行为决策等性能指标,然后基于混合现实测试场景、控制中心、测试车辆构建闭环测试系统。通过案例验证,说明该方法可满足在多种场景下自动驾驶车辆的测试要求。     

典型危险事故特征的自动驾驶测试场景构建

针对自动驾驶汽车安全性测试验证中海量测试场景以及高风险测试场景的需要,基于国家车辆事故深度调查体系中的641例事故数据,根据交通环境要素和测试车辆基础信息选取了5个场景要素,通过独热编码和聚类分析方法对车辆交通事故数据进行了分析,同时结合聚类得到的典型车辆碰撞危险场景提出并分析了危险事故特征,构建了15个涉及道路路段类...     

基于卷积神经网络感知功能的极端场景生成方法

近年来,基于卷积神经网络深度学习的感知算法在自动驾驶车辆环境感知系统中发挥着越来越重要的作用。由于在神经网络训练过程中,训练数据无法覆盖所有极端场景,因此如何保证基于深度学习的感知算法在极端场景下的安全性和可靠性,仍是一个亟待解决的问题。传统的基于真实行驶里程的验证方法,在获取极端场景数据上危险性高,经济性差,因此很难检验驾驶功能在极端场景下的性能。基于虚拟场景的仿真验证方法,虽然可以通过设置场景参数来生成大量测试场景,但是通过简单的参数组合并不能有效的生成极端场景。本文展示了一种在虚拟环境中生成极端场景的方法,用于训练和测试基于深度卷积神经网络的车道线识别算法。首先将场景特征用参数进行表示,然后使用deep Q-learning强化学习的方法,来生成极端场景的参数组合。通过与随机组合以及成对组合场景参数的方法进行对比,可以看出该基于强化学习的场景生成方法可以更有效地生成极端场景,因此可提高自动驾驶感知功能的测试效率,同时可为卷积神经网络提供更多的极端场景训练数据。     

整机性逻辑图自动生成中某些问题的解决方法

该逻辑图自动生成系统是ＶＨＤＬ语言高级逻辑综合系统中的一个子系统，它从高级逻辑综合的结果提取出网表信息作为输入．文中针对系统实现中遇到的一些问题，提出了具体的解决办法．讨论了自动布局中的定级算法、反馈环的处理及自动布线中的轨道分配等问题．通过对实例的测试，给出了测试结果和验证结论．     

面向自动驾驶的驾驶环境视觉感知复杂度量化评估方法

为优选自动驾驶汽车开放测试、示范道路并支撑其驾驶环境的优化,提出面向自动驾驶的驾驶环境视觉感知复杂度量化评估方法。以百度街景地图作为驾驶环境数据源,运用脚本文件以及截图工具PicPick搭建自动化街景图像数据提取平台,并在不同区域、不同道路等级下采集上海市50条典型道路的驾驶环境数据;从行人、交通标志、交通标线、红绿灯、车辆5方面出发,构建驾驶环境要素感知平台,并开展感知精度的量化评估;在单要素感知准确率的基础上,采用熵权法确定多维感知要素权重,计算各道路综合感知准确率,并应用轮廓系数法与K-means++聚类算法进行视觉感知复杂度分级。结果表明,上海市典型道路的驾驶环境视觉感知复杂度分为三级,大部分道路的视觉感知复杂度属于2级;对比不同等级道路发现,支路的视觉感知复杂度总体上低于主干路。     

自动驾驶算法的异常事件生成系统设计与评估

评价自动驾驶算法对异常交通事件的响应具有重要的应用价值,针对在真实世界中制造异常交通事件存在代价高、风险大等问题,本文提出了一种面向自动驾驶算法评估的异常交通事件生成方法,该方法可以自动生成5类异常交通事件;基于该方法,搭建了一个驾驶策略评估系统,以实现对自动驾驶算法的评估.为验证生成的异常交通事件的有效性,对一种基于深度网络的模仿学习自动驾驶算法进行了评估.实验结果表明,生成的异常交通事件可以更全面地评估自动驾驶算法的性能.      

时域反射计取样系统中单极性脉冲的设计

在时域反射计(TDR)取样系统中,单极性脉冲是用于开启取样门的关键信号.通过分析比较提出了一种基于雪崩三极管与阶跃恢复二极管(SRD)整形相结合的单极性脉冲发生电路.该电路避免了高压驱动等缺点,在保持脉冲幅度的前提下又得到了有效的脉冲底宽,通过实际的电路测试得到的单极性脉冲具有极宽的频谱、有效的脉冲宽度和幅度,符合取样系统的要求.     

基于深度学习的自适应场景路面提取方法

为满足无人驾驶车辆对越野环境的适应能力,提高无人驾驶车辆对环境的理解能力,必须对环境感知层面提出更高的要求.而环境感知中最为关键的一点就是车道线提取或者路面提取.与城市环境下的结构化道路相比,越野环境下的路面提取更加复杂.综合对多种越野场景展开研究,提出了一种能够自适应场景变化的路面分割方法.文中在越野环境下采集了大量的数据,并且制作了相应的数据集;应用深度学习技术对这些场景进行识别;应用语义分割算法对不同场景下的路面进行分割;最后统一了整个算法模块,给出测试结果.      

含分布式储能的主动配电网鲁棒优化经济调度方法

为克服风电输出的不确定性,基于鲁棒优化中的worst-best理论,提出一种主动配电网的鲁棒优化经济调度模型.该模型采用拉丁超立方采样方法生成风电场景集表征风电预测的不确定性.在建模过程中,引入分布式储能的等效运维成本,同时以微型燃气轮机、分布式储能和主动配电网购电/售电调度成本最低为目标函数,采用基于随机变异的粒子群优化算法对模型进行求解,可得到极端场景下运行成本最小的调度方案.仿真结果验证了该模型及求解算法的有效性,得到的调度方案能在风电预测误差范围内满足系统所有约束条件,并给出经济性最优的调度方案.与确定性经济调度方案进行对比可知,本文所提出的调度方案具有更强的鲁棒性.     

基于机器视觉的汽车远近光灯的自适应切换算法

低续航车辆由于里程所限,多行驶于无中分隔离带的市区和市郊区域。针对该路况下夜间行驶中,驾驶员易出现会车等情况下未按法规正确进行远近光灯切换的现象,提出了一种基于视觉的远近光灯自适应切换算法。该算法利用图像处理技术对有无路灯场景、无路灯会车场景和无路灯且前车距本车较近场景这三种情况进行识别,并给出与场景规则最相符的灯光使用指示。实验表明,该算法能实时有效的给出远近光灯的切换策略,既保障了行车的安全性,也避免了远光灯不必要的开启,节约了汽车的电能。     

基于改进Informed-RRT*算法的舰载机甲板平面路径规划

针对舰载机甲板路径规划问题,在Informed-RRT*（Informed Rapidly-exploration Random Tree）的椭圆采样基础上,提出使用正态分布方式采样的IN-RRT*（Informed Normal-RRT*)算法。首先,对舰载机与运动场景建模,定义舰载机运动约束和避障策略;接着,将正态分布采样策略与椭圆采样相结合,获取优质高效采样点;引入人工势场法,自适应调节随机树的搜索步长值;使用向心Catmull-Rom样条插值法对路径进行平滑优化处理;提出针对动态障碍改进的动态窗口法,实现局部动态避障。最后运用甲板平面环境实验检验算法性能。结果表明,本文IN-RRT*算法能显著优化搜索时间和搜索路径质量,可应对动态场景规划出合理可行的平滑路径。     

深圳马峦山郊野公园的植被景观分区 及其评价

根据深圳马峦山郊野公园的植被组成特点以及视野范围、生态类型、景观要素组成等特点，将公园划分为6个景区，即:龙潭瀑布群景区、梅沙尖-三洲田水库区、上下肚田园风光区、尖马山-犁壁山沟谷区、马峦瀑布－红花岭水库区、梅亭观海区．并对各区场地景观和生态敏感性进行分析评价，为其今后开发利用和管理提供科学依据．     

弹载飞参高速测试系统关键技术分析与设计验证

针对某型制导炮弹发射与飞行过程中部分参数存在脉宽极窄的现象,弹载测试系统对采样率要求更高,而选用高采样率的模数转化器(ADC)存在设计成本高且难以满足实际所需的通道数量、采样率及采样精度等综合问题。基于低成本、小型化、可靠性高的原则,课题组提出了一种基于多ADC菊花链式设计的方法,解决了单ADC采样率局限的难题,高速数据流经过FPGA乒乓操作处理以减小缓存空间及速度的压力,实现了总体采样率成倍提高,设计了一种采样率高、采集精度高、通道多、体积小、成本低的弹载测试系统。该系统能够广泛适用于弹体空间狭小的环境,在不影响弹体自身装药量与打击效果的前提下,可靠地完成弹载试验测试任务。通过试验充分验证了该系统的功能有效性及测试准确性,具有一定的工程应用价值。     

基于残差网络的河流表面时空图像测速法

针对在耀光、紊流、降雨等复杂含噪场景下时空图像中有效纹理特征变得模糊，使得现有纹理主方向检测算法精度受限的问题，结合深度学习的思想，提出了一种基于残差网络回归模型的时空图像测速(ResNet50-STIV)法，并借助残差网络回归模型强大的非线性学习能力构建了回归预测函数。通过构建人工合成数据集和包含复杂场景时空图像的天然河流数据集对残差网络回归模型进行试验，结果表明：提出的残差网络回归模型在人工合成数据集下的检测精测可达到0.1°,对于天然河流数据集，具有残差结构的ResNet回归模型的检测精度优于VGG16;从模型层数看，基于ResNet50的回归模型能较好地平衡检测精度以及执行效率，在正常场景下的检测精度达到0.7°,而在耀光、紊流、降雨场景下能控制在1.3°以内，ResNet50-STIV优于现有的时空图像测速法；与流速仪法在多场景下表面流速比测的最大相对误差小于12%。     

基于PHP的X3D场景动态生成技术研究

目前,X3D场景在网上一经构建只能浏览,难以修改。而PHP能够动态生成以XML编码格式编写的X3D文档。在构建X3D虚拟美术馆的项目基础上研究X3D的编码格式,通过PHP的数据库读写技术将变化的数据从数据库中读取出来与不变的数据结合,动态生成XML文档进而重构X3D场景,使得网站管理员能够在网站后台编辑X3D场景,最终形成基于php的X3D场景动态生成技术的应用方法。