基于电子商务生态的知识共享体系研究

随着电子商务在我国的迅速发展,电子商务生态化趋势日益显著,电子商务生态体系中知识共享成为一项重要研究课题。在对国内外相关文献进行梳理的基础上,运用知识转移螺旋模型（SECI）分析了电子商务生态环境下的知识共享机理,阐明了电子商务生态体系中知识共享的驱动因素,提出了电子商务生态环境下构建知识共享体系的对策建议。     

交通安全场模型及其在事故分析中的应用

提出了交通安全场的概念、性质,并用此理论对典型交通事故进行了分析,指出安全驾驶的策略。通过对监控录像中3类事故进行分析,找到了偶然事故中的必然因素,正确指出了问题避免的关键所在,验证了理论的正确性,并以此为指导提出了安全驾驶的六点建议,为交通分析、驾驶员培训、交通指挥等提供了理论基础。     

2000年-2015年长江流域植被GPP时空变化特征及其驱动因子

长江流域生态系统环境脆弱敏感,该区域植被变化受到气候变化以及人类活动等多种因素的影响.基于MODIS GPP数据,运用一元线性回归趋势分析方法对2000年—2015年长江流域植被GPP时空变化趋势进行了研究,并结合气象数据、土地利用变化数据等探讨了其驱动因素.结果表明:1)长江流域GPP整体呈现西低东高的空间分布格局....     

高速公路弯道换道决策及运动规划优化

弯道换道决策及运动规划算法主要影响自动驾驶汽车的安全性和操纵稳定性。针对高速公路弯道换道场景决策的安全性和行驶效率不够高的问题,提出新的基于主车相对前车的驾驶不满意度的决策算法。为了提高运动规划算法实时性,采用路径-速度解耦框架进行主车换道轨迹规划。对于路径规划,选择五次多项式曲线,采用考虑安全、舒适和高效性的4个换道路径评价指标,实现最优路径规划。对于速度规划,结合动态规划与二次规划优化获取平滑速度规划曲线。仿真结果表明基于驾驶不满意度的换道决策模型能选择更高效和安全的行驶方式。在典型的主车换道场景,主车最大质心侧偏角,最大横摆角速度的数值均小,表明换道轨迹规划算法能确保主车换道的安全性和操纵稳定性。     

基于轮轨定位数据的有轨电车区间驾驶特征分析

为分析人工驾驶条件下有轨电车区间速度及可靠性特征,基于轮轨定位数据,计算有轨电车在加速段、巡航段、制动段和交叉口的运行特征指标,分析人工驾驶决策对各指标的影响机制;并建立区间运行速度的多因素回归分析模型及概率分布模型。结果表明：由于人工驾驶的模糊控制特点,司机无法实现充分加减速;终点速度和制动系数对区间运行速度贡献度总占比达57%,是驾驶行为优化的重点;区间运行速度呈高斯混合分布（Gaussian Mixture Model, GMM）,对常见绿波带宽有较高的偏出率,是造成线路时间可靠性低的重要原因。     

强化学习在自动驾驶技术中的应用与挑战

围绕强化学习在自动驾驶领域的应用进行了多方面的概括和总结。对强化学习原理及发展历程进行了介绍;系统介绍了自动驾驶技术体系以及强化学习在自动驾驶领域的应用所需的基础;按不同的应用方向分别介绍了强化学习在自动驾驶领域中的应用案例;深入分析了现阶段强化学习在自动驾驶领域存在的挑战,并提出若干展望。     

风险场景驱动的次任务驾驶行为对接管绩效的影响

以高风险场景元素参数为控制权切换条件,探究次任务对驾驶人接管绩效的影响。从NGSIM数据集中提取旁车切入高风险场景作为控制权切换条件,使用皮尔逊相关性检验分析不同接管绩效指标间的相关性,利用单因素方差分析比较不同次任务资源占用模式与可中断性对接管绩效指标的影响。结果表明,接管时间与接管过程的横纵向操纵能力、安全性、接管效率相互耦合。增加视觉占用会增大0.26 s的接管反应时间并破坏车辆纵向稳定性与接管效率,增加听觉占用会增大0.45 s的接管反应时间并降低接管效率,增加认知占用会减小0.23 s的接管反应时间并提升接管安全性,增加操作占用会增大0.21 s的接管反应时间并增大接管过程的最大横向加速度,次任务可中断性会减小0.23 s的接管反应时间,但对接管后续车辆控制相关的指标无显著影响。     

神经网络模型度量地形对实际行驶排放的影响

由于难以将行驶路线地形的影响从实际行驶排放(real driving emission,RDE)试验的其他试验边界的影响中独立出来,提出采用神经网络输入变量重要性算法以定量评估行驶路线地形试验边界对RDE试验的影响强度。以重庆地区RDE试验的37 256个数据窗口排放样本为基础,采用因子分析方法缩减数据并消除试验边界之间的信息重叠,建立神经网络模型预测污染物排放,并计算输入变量相对重要性占比。结果表明,行驶路线地形试验边界在二氧化碳(CO₂)排放中起主导作用,它的相对重要性远大于行程动力学试验边界。对于一氧化碳(CO)、颗粒数量(particle number,PN)、氮氧化物(NO_x)污染物排放,地形因素的影响力仍不可忽视,特别是在车辆高速行驶条件下,它对车辆行驶排放的影响与行程动力学因素大致相当。总体而言,在现有排放标准体系中,行驶路线地形试验边界对RDE试验的影响被严重低估。     

基于前馈+预测LQR智能车循迹控制器设计

为提升智能车辆循迹性能,本文提出了一种基于LQR理论和滑模理论的车辆横纵向控制器。首先,基于二自由度横向动力学模型,构建前馈LQR控制器。针对循迹过程中横纵向跟踪精度与转向稳定性两者难以兼顾的问题,本文基于 CTRV模型设计预测控制器,建立了基于实时车速-曲率的模糊自适应预测时间,对前馈LQR进行改进。此外为提升纵向车速跟踪稳定性和跟踪精度,本文提出一种基于滑模控制理论的纵向跟踪算法。通过CarSim与Simulink的联合仿真和硬件在环平台进行验证,结果证明：本文提出的横纵向控制器具备一定的驾驶员行为特征,可兼顾跟踪精度与稳定性,提升了智能车辆循迹性能。     

基于深度强化学习的智能车辆行为决策研究

自动驾驶车辆决策系统直接影响车辆综合行驶性能,是实现自动驾驶技术需要解决的关键难题之一。基于深度强化学习算法DDPG（deep deterministic policy gradient）,针对此问题提出了一种端到端驾驶行为决策模型。首先,结合驾驶员模型选取自车、道路、干扰车辆等共64维度状态空间信息作为输入数据集对决策模型进行训练,决策模型输出合理的驾驶行为以及控制量,为解决训练测试中的奖励和控制量突变问题,本文改进了DDPG决策模型对决策控制效果进行优化,并在TORCS（the open racing car simulator）平台进行仿真实验验证。结果表明本文提出的决策模型可以根据车辆和环境实时状态信息输出合理的驾驶行为以及控制量,与DDPG模型相比,改进的模型具有更好的控制精度,且车辆横向速度显著减小,车辆舒适性以及车辆稳定性明显改善。