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。     

面向智慧驾驶的道路基础设施功能设计

随着单车智能成本提高以及道路环境复杂性加大，智慧驾驶车辆的发展越来越依靠智慧道路基础设施的进步。目前国内外不同的道路工程建设项目对道路基础设施的智慧化均提出了各具特色的设计思路和功能模块，但是相关研究主要集中在单一的道路功能或特定技术上，尚未系统性地给出智慧道路基础设施的设计理论和应用体系。同时，智慧道路基础设施建设要求路旁设备、路面材料和外部感知设备等全方位朝着信息化、数字化和智能化方向发展。本研究在系统综述国内外智慧公路项目典型案例的基础上，提出了未来智慧道路设施的四大关键技术。     

基于多Agent的分布式多目标任务调度机制研究

针对分布式计算中任务调度的复杂性、动态性和实时性等特点,构建了一个基于多Agent的分布式多目标任务调度模型．此模型中,设计了一种分布武调度机制,使每个节点都具有独立的调度决策能力,增强了系统的可扩展性．同时为了解决分布式调度所产生的节点间任务通信问题,引入任务与节点相关性等概念,有效地降低了节点间的通信代价．模型对多个评价指标进行了综合衡量,如任务调度开销、任务最早执行时间、负载均衡及节点问的通信量等,并根据任务和系统运行的状态特征,实现多目标任务调度,提高了系统的整体性能．     

可扩展路由器并行路由计算模型

分布式控制平面的并行路由计算性能是制约可扩展路由器大规模扩展的关键因素。根据反压理论建立了分布式控制平面并行路由计算模型,利用控制单元的队列长度信息判断每个控制单元的负载大小,自适应地调整控制单元间的负载分配,实现负载均衡。利用排队理论,根据损失率、系统利用率和服务等待时间这3个特征量对该模型进行了性能分析。用真实网络数据模拟验证理论分析的正确性。实验结果表明:与现有并行路由算法相比,该模型采用的反压任务分配算法能够根据控制单元的负载大小和控制单元数量自适应地均衡分配负载,有效地提高了可扩展路由器的并行路由计算性能和可扩展性。     

一种基于DAG图的异构可重构任务划分方法

为了实现高性能低功耗的计算,以任务划分为研究对象,提出了异构可重构计算的基本概念和形式化描述方法,给出了基于异构计算任务和异构可重构体系结构相结合的异构可重构两种任务划分方法:节点内部可重组及网络可重建的任务划分及算法,最后验证了其任务划分方法的有效性.     

汽车跑偏原因及解决方法

随着社会的经济发展,汽车已经成为现代化社会出行以及运输的主要工具。文章主要分析了汽车跑偏的原因及解决汽车跑偏的问题,方便驾驶员在出现跑偏时,自己能及时解决问题,避免事故发生。     

基于EXB841的IGBT驱动电路优化设计

针对EXB841典型IGBT驱动保护电路中存在的不足,提出了采用外部负栅压成型电路提高负栅压、过流检测电路精确调整过流动作阈值,虚假过流故障识别与故障信号锁存电路识别虚假过流和过流锁定等改进方法,设计了相应的优化驱动电路.优化驱动电路在臭氧发生电源中得到了应用,实际运行表明优化驱动电路克服了EXB841典型驱动的不足,改善了IGBT的驱动与保护性能,具有很好的实用性.     

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。     

基于专利引用和文本信息的自动驾驶技术演化

通过分析自动驾驶技术领域专利的引用信息和文本信息,结合社区发现、LDA（latent Dirichlet allocation）主题建模、主路径分析方法,针对自动驾驶专利数据集的特点建立分析框架进行自动驾驶技术演化分析。应用上述方法可以有效识别自动驾驶技术领域的主题分布,弥补传统单一方法不能反映技术全貌的缺陷。我国需重点突破多源传感器融合感知、复杂环境智能决策控制、车路协同、人机交互等关键技术;在测试和自动泊车技术上处于技术领先;在定位、高精度地图、执行机构、运动控制、硬件计算平台技术上处于技术跟随。