平行矿山: 从数字孪生到矿山智能

针对新时代下我国矿区智能化发展诉求与矿山无人化进程中遇到的复现难、协同难的技术问题, 本文融合智慧矿山理念、ACP (Artificial societies + computational experiments + parallel execution)平行智能理论和新一代智能技术, 设计并实现了智慧矿山操作系统 (Intelligent mine operation system, IMOS), 为平行矿山智能管理与控制一体化提出了解决方案. 本文首先分析露天煤矿产业发展趋势; 国内外露天矿山智能化发展情况; 面向露天矿山无人化与智能化需求, 深度融合数字四胞胎理论, 设计了虚实融合的IMOS架构; 详细阐述了IMOS子系统架构与功能, 包括: 单车作业系统、多车协同系统、车路协同系统、无人驾驶智能系统、调度管理系统、平行系统、监管系统、远程接管系统和通信系统; 并探讨了IMOS关键技术, 即平行矿山仿真建模技术、无人驾驶技术、矿区通信技术和协同作业技术. 该操作系统是国内首套露天矿山无人化与智能化的一体化解决方案, 并能够迁移到不同矿区不同作业场景, 推动矿区智能化无人化发展, 减少人工干预从而降低安全风险, 大幅度降低人工成本, 提高生产作业效率, 并可结合社会发展要素为实现绿色可持续发展矿区提供支撑.     

平行学习——机器学习的一个新型理论框架

本文提出了一种新的机器学习理论框架.该框架结合了现有多种机器学习理论框架的优点,并针对如何使用软件定义的人工系统从大数据提取有效数据,如何结合预测学习和集成学习,以及如何利用默顿定律进行指示学习等目前机器学习领域面临的重要问题进行了特别设计.     

平行机器人与平行无人系统:框架、结构、过程、平台及其应用

本文将基于ACP（Artificial societies,computational experiments,parallel execution）的平行系统思想与机器人领域相结合,形成一种软硬件相结合的框架,为无人机、无人车、无人船在复杂环境中实验、学习与实际工作提供便捷、安全的平台,即平行无人系统.本文从平行机器人的基本概念出发,提出平行无人系统的基本框架,并介绍了各模块的基本功能与实现方法,探讨了其中的关键技术.然后本文围绕无人机、无人车、无人船三个方面展望了无人平行系统在实际中的应用和所面临的挑战,提出了平行无人系统的未来发展方向.     

密集交通场景下无人驾驶重卡换道决策规划方法

准确估计周围车辆的驾驶员合作程度能提高无人驾驶车辆在密集交通场景下的换道安全性与效率,特别是对于自身灵活性和稳定性较差、对周围车辆安全威胁较大的重型卡车。因此,提出一种基于周围车辆驾驶员合作程度预测以及非对称风险评估的无人驾驶重型卡车换道决策规划方法。该方法基于高斯混合模型对周围车辆进行运动轨迹预测,结合当前驾驶环境估计目标车道后车的驾驶员合作程度,并用于构建非对称风险模型;基于轨迹预测结果,采用效用理论建模无人驾驶重型卡车当前和未来的车道选择概率,综合当前和未来的风险评估,输出最终的驾驶行为决策;设计多目标代价函数用于从多项式候选轨迹中选取最优轨迹。基于自然驾驶数据集的仿真试验表明,提出的方法可以准确地预测目标车道后车的驾驶员合作程度以及对周围车辆的风险等级,使无人驾驶重型卡车在密集交通流下也能安全高效地执行换道决策和轨迹规划。     

驾驶员情绪-驾驶风险机理分析

通过研究驾驶员情绪来降低由情绪引发的事故风险一直是多学科研究的重要课题。针对驾驶员情绪、驾驶行为和驾驶风险之间的关系进行定性分析,阐述情绪对驾驶风险的影响过程机理,构建驾驶风险计算模型。为对驾驶员情绪-驾驶行为-驾驶风险之间的关系进行定量分析,采集驾驶员情绪诱导材料库,开展驾驶员多种情绪下的驾驶行为数据采集实验。通过对不同情绪下驾驶员情绪对驾驶行为影响的定量分析,建立驾驶行为与驾驶风险等级映射关系,阐明了驾驶员情绪对驾驶风险的影响机理。结果表明对于离散情绪,愤怒、恐惧、悲伤、惊讶与厌恶这几种情绪下的高风险比例较大;而中性与高兴情绪则表现出较低的高风险比例。对于维度情绪,在愉悦度、激活度和优势度三个维度上,低愉悦度和高愉悦度、低激活度和高激活度以及低优势度和高优势度下高风险比例较高。驾驶员情绪-驾驶风险机理分析结果将为设计驾驶员不同情绪的识别方案和调节策略提供重要依据,对智能网联汽车的决策规划等具有重要意义。     

平行车联网:基于ACP的智能车辆网联管理与控制

本文将平行智能方法引入智能车辆的网联化管理与控制, 提出平行车联网的概念、框架、功能与流程.平行车联网致力于通过人工车联网与物理车联网的虚实互动、协同演化与闭环反馈, 为人-车-路-智能交通信息网一体化的智能交通系统增加计算实验与平行引导的功能, 实现描述、预测与引导相结合的车联网智能, 有效解决异构、移动、融合的交通网络环境下智能车辆的管理与控制问题.     

基于ACP方法的平行手机信令数据分析系统

随着交通拥堵和公共安全问题的日趋严重，传统方案在道路监测和区域监测方面不仅成本高，准确性和可靠性也无法保证，因此无法给用户提供一整套综合全面的出行路线规划及旅游目的地选择等方面的相关指导.本文提出基于ACP方法的平行手机信令数据分析系统，将解决上述问题.本文主要基于ACP方法，包括人工社会、计算实验和平行执行，构建基于手机信令的人工监控场景和实际监控场景.实际监控场景和人工监控场景平行执行，人工监控场景用来模拟和实验复杂的实际监控场景，通过大量计算实验，进行各种模型的训练与评估，通过平行执行不断地更新和优化，实时指导实际监控场景；同时实际监控场景将结果反馈给人工监控场景，对人工监控场景模型进行修正.通过实际监控场景和人工监控场景之间的不断优化，可有效提高手机信令系统的实时性、准确性和可靠性，并最终满足不断增长的实时用户需求，保证用户出行的舒适性及安全性.     

智能汽车人机协同控制的研究现状与展望

随着人工智能、互联网技术、通信技术、计算机技术的快速发展,以电动化、智能化及网联化为基础的智能汽车成为汽车行业发展的一大趋势.按照汽车智能化、自动化的发展进程,美国汽车工程师协会将智能汽车的发展分为手动驾驶、驾驶辅助、部分自动化、有条件自动化、高度自动化和完全自动化6个级别,虽然不同层次、不同功能的汽车智能化技术正迅猛发展,但是真正意义上的全工况自动驾驶在短期内很难实现.因此,在未来很长一段时期内,智能汽车必然面对人机协同控制的局面,本文详细介绍了智能汽车人机协同控制中驾驶员建模及人机驾驶权动态优化控制的国内外研究现状,同时简要介绍了智能汽车测试与评价的国内外研究现状,提炼了共性问题,并对人机协同控制的发展趋势给出了一些观点.     

基于Libra R-CNN改进的交通标志检测算法

随着人工智能领域的快速发展,深度学习在无人驾驶领域中的应用逐渐成熟,但是其中交通标志检测任务作为难点问题仍有很大的改进空间。城市道路下的交通标志检测具有环境复杂、小目标多、目标种类多且数量不平衡的特点,针对这些问题,提出基于Libra R-CNN进行改进的方案。Libra R-CNN目标检测网络是基于平衡提出的,能够较好应对目标种类多及数量不平衡问题,在Libra R-CNN网络的锚框提取样本阶段,使用GA-RPN生成锚框,从而在训练期间产生更精确、更多样化的样本,减少背景影响和小目标不好定位的问题,提高检测准确率。该方法通过试验验证了有效性。试验是在MS COCO 2017和交通标志数据集上进行的。改进后的Libra R-CNN的mAP提高了超2.7个百分点。试验结果表明,改进后的网络相比原有的目标检测网络性能有了显著提升。