摘要：在自动驾驶场景下的3D目标检测任务中,探索毫米波雷达数据作为RGB图像输入的补充正成为多模态融合的新兴趋势。然而,现有的毫米波雷达-相机融合方法高度依赖于相机的一阶段检测结果,导致整体性能不够理想。本文提供了一种不依赖于相机检测结果的鸟瞰图下双向融合方法(BEV-radar)。对于来自不同域的两个模态的特征,BEV-radar设计了一个双向的基于注意力的融合策略。具体地,以基于BEV的3D目标检测方法为基础,我们的方法使用双向转换器嵌入来自两种模态的信息,并根据后续的卷积块强制执行局部空间关系。嵌入特征后,BEV特征在3D对象预测头中解码。我们在nu Scenes数据集上评估了我们的方法,实现了48.2 m AP和57.6 NDS。结果显示,与仅使用相机的基础模型相比,不仅在精度上有所提升,特别地,速度预测误差项有了相当大的改进。代码开源于https://***/Etah0409/BEV-Radar。

摘要：深度学习的快速发展带动着自动驾驶技术的迅速进步.深度学习感知模型在识别准确率逐步提升的同时,也存在鲁棒性和可靠性不足等隐患,需要在大量场景下进行充分测试以确保达到可接受的安全标准.基于场景的仿真测试是自动驾驶技术的核心和关键,如何描述和生成多样化仿真测试场景是需要解决的关键问题之一.场景描述语言能够描述自动驾驶场景并在虚拟环境中实例化场景获取仿真数据,但现有的场景描述语言大都缺少对于场景道路结构的高层抽象和描述.提出路网属性图来表示路网中抽象出的实体及他们的关系,并设计能简洁描述场景路网结构的语言SceneRoad. SceneRoad可以基于描述的场景道路结构特征构建路网特征查询图.这样,在路网中搜索符合描述的场景道路特征的问题被抽象为路网图上的子图匹配问题,该问题可用VF2算法求解.进一步地,将SceneRoad作为扩展集成到Scenic场景描述语言中.使用拓展后的语言随机生成大量多样的静态场景并构建仿真数据集.仿真数据集的统计信息表明生成的场景具有丰富的场景多样性.不同感知模型在真实和仿真数据集上的训练测试结果表明,模型在两个数据集上的表现呈正相关,意味着模型在仿真数据集上的评估结果与真实情况下的表现具有一致性,这对于感知模型的评估以及提升模型鲁棒性和安全性相关研究有重要意义.

摘要：沪苏通长江公铁大桥主航道桥为主跨1092 m的公铁两用钢桁梁斜拉桥,结合该桥结构受力和美学效果,对桥塔结构进行比选,确定桥塔采用330 m高的C60高强高性能混凝土钻石形塔,索塔锚固区采用钢锚梁锚固。桥塔塔柱与横梁采用C60高强高性能混凝土以减小桥塔截面尺寸和自重;采用以60 d强度作为混凝土配合比设计、强度评定依据,在关键区段设置防裂钢板网和冷却水管,优化配合比设计以及改进混凝土降粘、抗裂技术等措施,提高桥塔混凝土抗裂性和耐久性;采用三索面整体式钢锚梁索塔锚固结构改善索塔锚固区混凝土受力状态,提高索塔锚固区施工效率;通过在桥塔设置从桥面至塔顶的可检、可维、可达通道,为超高桥塔维养提供便利。有限元计算结果表明桥塔各项受力指标均满足规范要求。

摘要：沪通长江大桥位于长江下游,通行4线铁路和6车道高速公路。桥位处江面宽约5.8km,大桥需要跨越南侧的长江主航道、北侧的专用航道和中间的横港沙(浅洲)。主航道桥采用主跨1 092m的钢桁梁斜拉桥;专用航道桥采用主跨336m的钢桁拱桥;跨南、北岸大堤及横港沙区段采用跨度112m的简支钢桁梁桥。主航道桥6个桥墩采用沉井基础,其余各墩均采用钻孔桩基础;主梁使用新研发的Q500qE高强度桥梁钢;斜拉索采用极限强度2 000MPa的平行钢丝斜拉索。

摘要：多塔斜拉桥主要靠梁、塔等单个构件来承受外荷载,其刚度差、温度效应较为明显,以某跨长江桥梁工程为背景进行多塔大跨铁路斜拉桥方案研究。在基准模型的基础上,通过增加塔、梁刚度或采用新型缆索体系建立其他模型,计算斜拉桥主跨挠度、桥塔内力等参数的变化,经计算表明可通过这些措施提高桥跨结构刚度。并提出塔顶加水平系索(方案1,结构效率较高、能有效减小基础内力)和采用双壁墩桥塔(方案2,结构受力简单)2种设计方案。由于该工程桥塔基础受船撞力控制设计,最终推荐了方案2。通过与普通钢桁梁和混凝土箱桁结合梁比较,主梁选择了具有刚度大、承载力高、桥面整体性好的钢箱桁结合梁截面。