摘要：为提高自动驾驶汽车对周围目标物的检测精度,提出了一种激光雷达和单目图像数据在鸟瞰图特征上融合的目标物检测算法(monocular-bird’s eye view fusion,Mono-BEVFusion)。为构建相机BEV特征,搭建了简单高效的深度预测网络预测相机特征的深度,基于显式监督的方法用深度真值对其进行监督。构建激光雷达BEV特征时,将激光点云体素化为柱状网格转化到BEV特征下,设计BEV特征融合网络将激光点云BEV特征和相机BEV特征融合,将融合特征输入到目标检测框架得到目标物(汽车、行人和骑行人)检测结果。利用KITTI数据集和实车路采数据对Mono-BEVFusion融合算法进行评估,实验结果表明该算法相较于现有融合算法综合平均精度提升了2.90个百分点,其中汽车类和行人类单项检测精度分别提升3.38个百分点和4.13个百分点。Mono-BEVFusion融合算法对遮挡目标或者距离较远的目标有较稳定的检测效果,能够有效避免单传感器的漏检现象,具有较好的实际应用价值。

摘要：为了满足智能汽车封闭场地测试的需求,开发了一种智能车场地测试用软目标车,能够有效地提高场地测试的安全性和效率。在封闭场地功能场景的测试中,软目标车应能够按照预设的GPS轨迹高精度行驶。为了提高目标车的路径跟踪精度,设计了基于偏差的比例、积分、微分和Stanley控制算法的横纵向控制器,基于遗传算法得到Stanley控制算法参数的最优知识库,利用模糊控制算法实现Stanley控制算法参数的自适应调节,基于Carsim和Matlab/Simulink联合建立了软目标车仿真模型,最后在封闭场地中进行实车验证。结果表明:提出的控制方法能够满足智能汽车封闭场地测试要求。

摘要：目的探究突发公共卫生事件应急处理对院前急救工作效率产生的重要影响,研究应急处理前后对重庆市120急救调度的影响程度。方法将120电话接听和车辆运行效率作为研究对象,收集重庆市急救医疗中心的院前急救数据,时间范围为2021年11月10日至2023年1月6日。按照应急处理相关时间分组,采用断点回归设计方法在同一期间进行对照比较,即实施应急处理的真实值与没有实施应急处理的预测值(虚拟)比较,推理出应急处理的平均干预效应。结果在间隔为27 d的研究时间段内,120电话接听的10 s内摘机数量从11000升至19000,但10 s内接听率略有下降;应急处理期间的120急救空车率从0.39%降低到0.20%,但18 min内的完成率从72%降低到了30%;在特殊的应急处理期间,相应的患者主诉数量(如高热和呼吸困难)较应急处理前有明显增加。结论应急处理对院前急救工作如急救电话接听和车辆运行效率等产生了重要影响,本研究为城市急救医疗服务应对突发公共卫生事件提供实证结果和决策支持。

摘要：为探究振荡电路中电容对石英晶体微天平质量灵敏度的影响,提出了振荡电路的等效电路模型阻抗分析方法。首先,建立等效电路模型,分析阻抗与频率关系,揭示了电容容值与其质量灵敏度对应关系;其次,进行多物理场耦合仿真实验,探究了电容容值对其质量灵敏度的影响规律;最后,搭建实验系统平台,开展了质量灵敏度实验。结果表明,并联电容对其质量灵敏度影响较小;串联1.01 pF电容其质量灵敏度提升8.01×10^(-2)Hz/ng,串联15.84 pF电容其质量灵敏度提升1.49×10^(-2)Hz/ng。该结论有助于更好地理解电容对石英晶体微天平质量灵敏度影响,为该类传感器便携化、微型化设计提供有力支持。

摘要：近几年,基于卷积神经网络(convolutional neural network, CNN)的单幅图像动态场景盲去模糊(single image dynamic scene blind deblurring, SIDSBD)方法已经取得了巨大的进步.其成功主要是源于多尺度模型或者多块模型、编解码器架构的设计和残差块结构的设计3个方面.基于此,提出了一种新的多尺度卷积神经网络(multiscale convolutional neural network, MSCNN)来进一步开发多尺度模型、编解码器架构和残差块结构的优势,以实现更高质量的动态场景盲去模糊.首先,受到空间金字塔池化(spatial pyramid pooling, SPP)和多块模型的启发,提出了一种分等级的多块通道注意力机制(hierarchical multi-patch channel attention, HMPCA).提出的HMPCA通过利用特征图的全局特征统计量和局部特征统计量来自适应地对特征图进行逐通道的权重赋值.因为利用了局部信息,因此HMPCA可以被认为是增加了通道方向的感受野,也正因如此,提出的HMPCA能够进一步增强网络的表达能力.其次,不同于现有的多尺度模型,发展出了一种新的多尺度模型,该模型中的每个尺度是由多个编码器和多个解码器构成的.因为HMPCA,使得同一尺度内的编码器和解码器并不完全相同,因此提出的多尺度模型可以被看作是增加了编解码器的深度,因此能够提升每一个尺度的去模糊性能,最终实现更高质量的动态场景盲去模糊.大量的实验结果表明:提出的方法较近几年的一些成功的SIDSBD方法相比,能够复原出更高质量的去模糊图像,在客观的评价指标和主观的视觉效果上均有显著的改进.