摘要：传统的检测和跟踪方法在复杂驾驶场景下存在精度不高、实时性不足、鲁棒性不强等问题,据此提出了基于深度学习的改进方法。在目标检测方面,设计了一种双阶段检测器,在骨干网络中引入注意力机制,并结合FPN进行多尺度特征融合,该方法利用孪生网络架构,通过时空注意力模块来挖掘目标的显著特征和运动模式,从而增强了网络对目标表征的学习能力。这种端到端的框架设计,避免了传统方法中由于模块化处理而导致的特征表达能力下降的问题。此外,讨论了算法的局限性以及未来的改进方向。实验结果表明,所提出的算法在KITTI和OTB等公开数据集上取得了显著优于现有方法的性能,展现出了良好的精度和实时性。研究成果可为自动驾驶系统的感知模块设计提供新思路。

摘要：主要从发动机装药结构的损伤性能有限元仿真分析方法、蠕变损伤试验设计以及蠕变损伤研究方法等3个方面综述了固体推进剂蠕变损伤性能研究进展,指出蠕变效应会导致推进剂内部含能颗粒与基体之间出现脱湿细观损伤,进一步总结了现今蠕变试验研究和宏细观蠕变性能数值模拟中的不足。分析认为,蠕变损伤试验研究的难点在于研究推进剂材料级试验结果与实际装药结构中推进剂蠕变效应的对应性和数据映射关系,推进剂损伤数值模拟的难点是推进剂含损伤蠕变多尺度本构模型的建立,以及在自重载荷下药柱形变预测计算的应用计算问题。最后提出的建议可以为开展长期贮存条件下推进剂蠕变损伤性能研究提供一定的参考。