摘要：为了解决现有应变数据采集设备测量通道单一以及测量精度低的问题,结合MicroPython语言设计了基于振弦式传感器的应变采集系统。该系统能够同步获取4路应变和温度数据,并对4路应变与温度数据进行组间融合;通过宽度学习系统BLS拟合应变量与温度的线性关系对融合后的应变数据进行温度补偿,提高系统的监测精度,细化系统的场景分析。依托北京宣武门地铁基坑钢梁结构进行实地监测分析,结果表明,相较于实测应变数据和利用小波分解-最小二乘法补偿的应变数据,该系统提出的融合补偿算法得到应变数据的标准差分别降低了31.6%和25.4%,该系统能实时捕获更加准确的应变量,为结构应变高精度感知提供有效途径。

摘要：为促进交通运输行业信息系统互联、保障数据安全,进而推动行业健康发展,本文对交通运输行业中的数据共享和自动分级方法进行研究。本文基于卷积神经网络(convolutional neural networks,CNN)–双向门控循环单元(bidirectional gating recurrent unit,BiGRU)–胶囊网络(capsule network,CapsNet)模型的数据类别判定方法,设计并实现了交通运输信息资源目录系统中数据的自动分级模块,完成了行业领域下的数据自动分级。实验结果表明本文算法的准确率和F1值分别达到了70.48%和70.16%,明显高于现有的几种主流模型,可以有效提高数据分级的效率。

摘要：为对分布式存储系统的修复效率研究,提出一种基于Petersen图边染色的部分重复码设计。该设计利用Petersen图边染色进行构造,即先对Petersen图的边进行染色,标记出染色的不同边数,然后构造Petersen图中不同边色的链路,最后把每条链路视为部分重复码的存储节点,称为PECBFR码。理论分析指出,PECBFR码可以随机访问模式下的系统存储容量。此外,实验仿真结果显示,本文提出的基于Petersen图边染色的部分重复码构造算法,与分布式存储系统中的里所码以及简单再生码相比,在系统修复故障节点时,能够快速地修复故障节点,通过染色链路构造的部分重复码,在修复局部性、修复复杂度、修复带宽开销相较于分布式存储系统中的常见编码算法都有较大的性能提升。

摘要：随着数据量的迅速增长,对存储海量数据的分布式存储系统的可靠性和有效性的要求日益增加。局部修复码(LRCs)具有良好的修复局部性,能够有效实现海量数据在分布式存储系统中的可靠高效存储,构造具有(r,t)局部性的局部修复码已经成为当前研究的热点。为此,提出了一种基于可分解均衡不完全区组设计(RBIBD)的最优局部修复码的构造方法,构造信息位具有(r,t)局部性的二元最优单校验LRCs。性能分析表明,构造的LRCs达到了最小距离最优边界,且在码率上表现得更优。

摘要：针对语音信号相对带宽大、麦克风存在误差以及现有自适应波束形成方法宽带干扰抑制能力不足的问题,提出一种面向语音增强的聚焦自适应波束形成方法。首先将Capon空间谱处理为接收信号的概率密度函数,并对不同频带设计了基于阵列观测数据的聚焦矩阵,从而根据干扰功率自动调整频率聚焦程度;然后,计算聚焦后的样本协方差矩阵和各子带频段内的干扰加噪声协方差矩阵,并利用聚焦矩阵重构出宽带数据的干扰加噪声协方差矩阵;最终,通过重构出参考频率下的期望信号协方差矩阵,修正期望信号方向的导向矢量并得到自适应波束形成器的加权向量。数值仿真结果表明:所提方法能够有效地对期望信号进行接收的同时充分抑制宽带干扰;所提方法在强干扰处的聚焦误差仅为现有方法的约1%;在信噪比为15 dB且入射角误差为3°的情况下,所提方法的输出信噪比较现有方法提高约12 dB。

摘要：多目标位姿估计问题是无人驾驶、人机交互等领域的基础问题之一,但目前受采集设备限制,该领域数据大多集中在较小空间范围,这使得刚体位姿估计的实用价值受到限制.针对上述问题,提出了一种基于孪生空间的单目图像目标位姿一体化标注方法,并设计了一套位姿标注工具LabelImg3D.首先,在孪生空间中放置同焦距的虚拟相机,并构建与真实目标等同的3维模型;然后在孪生空间中放置真实空间拍摄图像(一次投影图),使其填充虚拟相机视场;最后对3维模型进行平移旋转,使目标二次投影与一次投影在虚拟相机中保持一致,从而一体化得到目标位姿.基于该方法,开源了一套标注工具LabelImg3D(https://***/CongliangLi/LabelImg3D).通过在KITTI及P-LM数据集上的测试,实验结果表明,该方法对尺寸变化不明显的目标,平均位移精度可达85%以上,旋转精度可达90%以上,且该方法仅借助于单目相机,大大降低了目标3维位姿数据的采集难度.

摘要：车辆3D形态的精确实时感知对于智能交通中的车辆行为分析、交通流参数估计等应用和无人驾驶都至关重要,其中,如何克服透视投影的限制,从路侧单目视角下感知车辆3D形态正成为具有挑战的课题之一。为解决这个难题,采取深度网络提取投影特征,结合空间标定模型中的几何约束,实现2D投影至3D空间的3D形态恢复构建。首先,基于前期工作,对道路场景中的相机构建空间标定模型,以获取透视空间的2D-3D互映射矩阵;然后,以当前流行的简洁高效的CenterNet深度网络为基础,设计车辆3D形态投影特征的检测网络,融入多尺度特征融合模块以优化透视投影下不同尺度车辆目标的检测,同时优化高斯凸包热力图以增强车辆目标的特征检测力度,根据先验几何约束设计加强损失函数以加快收敛;最后,通过建立的空间形态几何约束模型,对网络输出特征投影点进行解码,构建出完整的车辆3D形态信息。试验以路侧视角下的BrnoCompSpeed数据集和自制数据集为基础,手工标注满足试验需求的样本目标,并做图像增广以模仿多变的道路监控视角及环境。在试验结果评价中,分别对网络检测结果及最终构建的3D形态进行评价,其中对于网络检测结果,以投影特征构成投影凸包的平均精度为评价指标,交并比(IoU)阈值为0.7时,在BrnoCompSpeed测试数据集上得到AP值为87.35%,召回率和精确率分别为87.39%与90.78%。同时,设计消融试验证明网络改进模块的有效性。对于3D形态构建结果,分别对空间定位、3D尺寸、偏转角及3DIoU等指标都进行定义,并以3DIoU为评价标准,验证多个改进模块及不同视角对于最终精度的影响,最后在BrnoCompSpeed测试数据集中的平均3DIoU达到0.738。设计的网络FPS为27,可满足实时性的需求。

摘要：为保障无人驾驶环境下特种车辆在典型Y型匝道合流区快速平稳通过,研究了全网联自动驾驶车辆(CAV)集中控制场景中考虑特种车辆优先通行的协同控制方法;通过博弈确定了控制区内合流序列排布,考虑特种CAV任务优先属性与车型特征,分别设计了与加速度关联的特种CAV车道优先属性、与时间关联的车种优先属性和与加速度变化率关联的车型稳定优先属性,并在成本函数中进行联合表征;将特种CAV参与的合流序列排布转化为最优序列集求解,应用二人合作博弈收益矩阵法确定了最优合流序列;依据排序结果,应用庞特里亚金最大值原理求解了车辆轨迹控制,在最小策略成本下求得纵向轨迹最优解析解,实现了考虑特种CAV优先通行的协同控制;应用Python开发语言在实施算例中仿真验证了考虑特种CAV优先通行的协同控制方法,并与无控制策略和先进先出策略进行油耗与通行时间对比。研究结果表明:应用协同控制方法在有效保障特种CAV优先通行的基础上,有86%的车辆在合流期间可以保证以最大速度平稳通过合流区域;相比于无控制策略和先进先出策略,在累计油耗方面分别降低了11.8%与16.1%,车队通过合流区域的总时长领先2类传统合流策略各3 s;最大限速、初始速度和控制区长度均对应存在使特种CAV快速通行的阈值,可为合流区域设计提供参考。

摘要：现有基于自注意力网络Transformer的单图像去雨算法尽管在合成雨图上在取得良好效果,但却造成巨大的计算负担,且无法有效处理真实雨图.对此,本文提出一种频率引导的双稀疏自注意力单图像去雨算法(Frequen⁃cy-guided Dual Sparse self-Attention TransFormer,FDSATFormer).首先,该算法利用空间稀疏因子和通道降维因子在提取准确全局信息的同时减少计算量,进而提出双稀疏自注意力特征学习网络(Dual Sparse self-attention Feature Leran⁃ing,DSFL)以解决Transformer在高分辨率雨图上难以表征自注意力的问题.其次,该算法通过探究图像去雨前后的频谱变化,提出频率引导的特征增强模块(Frequency-guided Feature Enhancer,FFE),其利用频域的全局信息指导特征编码阶段对空域特征的学习.此外,现有去雨网络的编解码结构采用相近的设计,这导致网络的整体计算负担倍增.对此,本文提出层级特征解码重建网络(Hierarchical Feature Decoding and Reconstructing network,HFDR),其利用无参的空间邻域移位操作(Spatial Neighborhood Shift,SNS)构建特征解码网络,在取得良好效果的同时进一步减少整体的计算负担.实验表明,相比表现优秀的Uformer和Restormer,本文算法所得结果的平均峰值信噪比分别提升3.13 dB和0.12 dB,平均结构相似性分别提升1.39%和1.07%.

摘要：高速公路环境下,相邻车道前方车辆变道切入是常见的高风险场景。基于场景的虚拟仿真测试,是验证无人车应对其他车辆变道切入时控制算法安全性与可靠性的有效方法。基于蒙特卡洛模拟方法,提出一种无人车高速公路变道虚拟测试场景自动生成算法,实现测试场景中变道车与测试车的运动轨迹生成。利用高速公路真实交通数据集highD提取真实变道场景,分析场景的4个特征参数。基于马尔科夫链设计变道轨迹模型。针对场景特征,构建两车轨迹约束关系模型和测试车轨迹模型。运用蒙特卡洛模拟生成变道轨迹和测试车变道切入时刻前运行轨迹。通过计算生成变道轨迹与真实轨迹缓冲区重合度,验证生成变道轨迹与真实轨迹的相似性。统计生成有效变道轨迹数量,检验场景生成对场景覆盖度的提升效果。验证结果显示:(1)随机生成的2万条变道轨迹中,落在最相似真实轨迹缓冲区的轨迹超过85.6%,表明基于蒙特卡洛模拟的场景生成算法能够保证生成场景中变道轨迹与真实轨迹的相似性;(2)通过在变道车各速度区间内随机生成50万条变道轨迹,可使生成测试场景中有效轨迹数量,相比真实场景平均增加2320倍,提高测试场景覆盖度;(3)场景自动生成中,通过调整变道场景的4个特征参数,可以控制轨迹生成结果,增强测试场景的针对性。