盐酸丁卡因的合成改进

以对氨基苯甲酸乙酯（苯佐卡因EPABA）为原料,经过N-烷基化、水解、酯化三步反应得到盐酸丁卡因粗品,产品收率 高达85.09%。采用FTIR、1HNMR和HPLC对产物进行了表征。对N-烷基化过程、水解条件、酯化条件进行了反应条件优化。结果表明：盐酸丁卡因被成功合成。N-烷基化的最佳工艺条件为：反应温度60℃, n（三乙胺）：n（EPABA）：n（1-溴丁烷）=1.2：1:4.6 ,合成对丁氨基苯甲酸乙酯（I）,产品收率为75.69%;与现有工艺路线相比,在生成关键中间体对丁氨基苯甲酸乙酯（I）时成功减少了双丁基化副产物的产生;水解反应的最佳合成条件为：原料配比为n(NaOH)∶n(对丁氨基苯甲酸乙酯)=1.4：1、反应温度为50℃、反应时间为8h, 合成对丁氨基苯甲酸（Ⅱ）,产品收率为99.78%;酯化反应的最佳反应条件为：原料配比为n〔（β-氯乙基）二甲胺盐酸盐〕： n(对丁氨基苯甲酸) =1.3：1、反应温度为116℃、溶剂为甲基异丁基甲酮,合成盐酸丁卡因,产品收率为85.09%。     

基于视野域机制的行人轨迹预测

为提高行人在复杂交通场景中交互的安全性,提出一种基于social-GAN（social-generative adversarial network）的行人轨迹预测算法SAN-GAN（social angle norm-GAN）。该算法首先以行人历史位置信息与头部信息为输入,通过轨迹生成器LSTM网络（long short term memory networks）获取行人隐藏特征信息,并基于行人视野域模块捕捉行人视野域动态变化,对所有行人建立扇形视野域并筛选有效信息,从而驱动神经网络模型预测行人未来轨迹变化。将SAN-GAN与LSTM、social-LSTM（social-long short term memory networks）、social-GAN等轨迹预测算法进行对比实验,结果表明SAN-GAN算法相较于其他算法,在预测3.2 s的行人轨迹时,ADE分别平均降低65.8%、51.2%、10.7%,FDE分别平均降低73.6%、60.9%、10.4%。SAN-GAN能够有效地预测行人在复杂交通环境中进行交互的未来轨迹。     

基于交互车辆轨迹预测的自动驾驶车辆轨迹规划

针对城市道路等复杂行车场景,提出了一种基于交互车辆轨迹预测的自动驾驶车辆轨迹规划方法,将高维度的轨迹规划解耦为低维度的路径规划和速度规划;首先,采用五次多项式曲线和碰撞剩余时间规划车辆行驶路径;其次,在社会生成对抗网络Social-GAN的基础上结合车辆空间影响和注意力机制对交互车辆进行轨迹预测;然后,结合主车规划路径、交互车辆预测轨迹及碰撞判定模型得到主车S-T图,采用动态规划和数值优化方法求解S-T图,从而得到满足车辆动力学约束的安全、舒适最优速度曲线;最后,搭建PreScan-CarSim-Matlab&Simulink-Python联合仿真模型进行实验验证。仿真结果表明,提出的轨迹规划方法能够在对交互车辆有效避撞的前提下,保证车辆行驶的舒适性和高效性。