元胞自动机交通流模型中的车辆更新方式研究

基于TASEP(Totally Asymmetric Simple Exclusion Process)模型,使用蒙特卡洛方法模拟开放边界条件下不同车辆更新方式对稳态时车辆特性及相变行为的影响,得到不同注入概率α和输出概率β条件下的交通流基本图。结果表明,不同更新方式对系统的稳态特性及相变行为有较大影响,流量和密度随α和β的不同而变化,模拟结果与解析解吻合。随机更新方式下道路车流量的大小由输出概率决定,当输出概率达到一定值时,它的增大无法提高道路上的车流量;顺序更新方式的优点是仅当输入和输出概率都相等时,系统保持畅行相;而局部并行更新方式下得出的相图则与顺序和全局并行更新这两种方式下得到的相图类似且可以更好地反映交通流现实。     

高速公路监控视频中运动车辆对象提取

结合高速公路交通视频的特点,提出了监控中运动车辆对象提取的方法。该方法利用混合背景差分法提取运动目标,并对目标进行形态学处理,最后结合后退N帧、半监督学习的阈值选取的思想提取车辆对象特征最显著的视频帧。实验结果表明,该方法有效地改善了传统的混合高斯背景差分提取运动对象过程中出现的孔洞、噪声和车辆对象非完整性及特征不显著的问题,进而优化了车辆对象的提取流程。     

大型工程车辆驾驶室的人机交互模型及设计应用

<正>从经典的人机工程学交互模型出发,结合大型工程车辆驾驶室在显示系统、控制系统、交互环境和用户要素等4个方面的特征,构建了大型工程车辆驾驶室的人机交互模型。并从设计流程优化、操作行为设计、视觉信息与空间设计等方面提出了交互模型在驾驶室设计中的应用方法。     

随机时变路网下的城市应急服务车辆路径分析

针对城市应急服务车辆（110、119、120等）的最优路径选择问题及路网的随机性与时变性,利用鲁棒优化理论,考虑路网在最坏情况下的行程时间,建立了随机时变条件下的应急车辆路径选择模型,并对 Dijkstra算法进行改进,将算法的路阻矩阵进行实时更新,以在时变条件下实现对路径选择模型的求解。经算例分析表明,该模型能有效解决随机时变路网环境下的应急车辆最优路径问题,与基于概率分布的期望行程时间最短的方法相比,该模型拥有更高的鲁棒性和易操作性。     

一种可搜索无限个邻域的改进A*算法

传统A*算法在栅格地图上进行路径规划时,求解得到的路径长度不是最短并且转折点较多.针对这些不足,提出了一种改进A*算法,将传统A*算法的可搜索邻域个数从离散的8个拓展为无限个,可以沿任意方向进行搜索.这样不仅求解出来的路径长度更短,并且大大降低了其转折点的个数.该算法被应用于自主研发的"智能先锋"号系列无人驾驶车辆上,实车试验以及它们在"中国智能车未来挑战赛"中的优异表现证明该方法能够在栅格地图中求解出一条更优的可行驶路径,可以显著提升无人驾驶车辆行驶的效率和平稳性.     

车联网来了

正不管有没有DSRC,我们的汽车和卡车都会缓慢而稳定地成为连接设备,可以相互通信,同时伴随着车与车之间的交互。2012年8月,美国密歇根大学在密歇根州安阿伯开展了声势浩大的项目,该项目涉及3,000辆汽车,使其相互之间用专用短程通信(DSRC)进行通话。该项目被意在告知美国国家高速公路交通安全管理局今后是否需要强制在美国的道路跑着的车辆都使用DSRC模块作为一个重要的安全装置。     

车辆事故现状及其影响因素分析

汽车行业已经成为我国现阶段消费水平最高最热门的行业,各种车型越来越多的出现在马路上,本来窄小的马路更加拥挤,伴之而来的就是越来越多的车辆事故。论文通过分析事故率、事故出现地段、事故出现时间段等,得出事故发生的原因影响因素,同时给出针对性建议,希望可以为减少事故发生提供一些方法。     

改进型蚁群算法参数优化研究

研究在不使用局部搜索情况下参数组合对改进型蚁群算法的影响。以带时间窗的车辆路径问题为例,针对基于最大最小蚁群算法的改进蚁群算法中的五个参数,运用均匀设计法对最优参数配置问题进行了研究。仿真实验表明改进的蚁群算法效果明显,能有效解决Solomon数据集中的R类和RC类问题,且具有较强的鲁棒性。对最优参数的局部调整没有明显提高算法获取最优解能力的问题,分析了其可能的原因。     

基于混沌蚁群算法的应急救援车辆调度优化

针对应急救援车辆调度优化问题的特征和需求,以可变双向距离、道路风险和成本最小为主要目标,建立了应急救援车辆调度优化问题的多目标优化模型.为避免过早陷入局部最优,提出了基于混沌扰动的改进蚁群系统优化算法.该算法可对信息素进行全局更新混沌扰动,有效地提高了算法的适应性、求解效率和求解质量.仿真实验表明该算法是可行的,能较好地满足应急救援车辆调度的优化需求.     

一种道路车辆监控视频中的关键帧提取方法

针对道路监控视频中特定车辆图像序列的关键帧提取问题,在运动对象检测的基础上,提出一种关键帧提取方法。将积分通道特征和面积特征作为图像特征描述子,结合Ada Boost训练分类器,实现道路监控视频车辆序列图像中关键帧的提取。通过运动对象前景检测技术获得出现在监控区域的运动车辆最小外接矩形图像序列,选择满足监控分析需求(车牌清晰度高,能判断车型)的若干帧作为正样本,其他不满足监控分析需求的作为负样本,提取样本图像的面积特征和积分通道特征,利用Ada Boost方法训练得到一个分类器,使用Ada Boost分类器对测试样本进行分类,根据打分规则提取关键帧。实验结果表明,该方法能提取运动车辆从进入到离开监控区域的序列图像帧中最清晰的图像,实现道路车辆监控视频分析数据的有效压缩。