2020年第4期导读
发布人:xiao 发布时间:9/16/2020 10:45:15 AM  浏览次数:166次
【字体: 字体颜色
 1、《面向自动驾驶的DSC-MB-PSPNet语义分割技术研究
  图像语义分割是自动驾驶中一个基本的街景理解任务。与传统学术界的语义分割研究有很大不同,高效性与轻量性是目前图像语义分割算法在自动驾驶中应用所面临的最大困难:首先,自动驾驶中场景更加复杂;其次,自动驾驶中对于类别的侧重点不同;再者,由于自动驾驶安全性的需要,所有算法的实时性永远是第一要求。虽然随着大数据时代的兴起以及深度学习技术的飞速发展,图像语义分割的主流技术已经变为以深度学习为基础,但目前的各种算法在自动驾驶实际应用中仍存在泛化能力、精确程度、运行时间等方面的问题,无法满足自动驾驶的要求。为此,本文提出一种面向城市自动驾驶、轻量级、可实时运行的语义分割模型,其采用深度可分离卷积、多分支、金字塔池化尺度融合结构(简称DSC-MB-PSPNet),在保证模型具有良好表征能力的同时可以做到实时运行,并且分割结果在大多数场景中具有较好效果

  列车运行控制装置(LKJ)作为铁路行车安全的保障设备,记录了丰富的列车运行数据,同时设备的监测、生产、返修、故障记录数据都有相应的系统进行管理,但其分析系统目前仍存在分析不全面、效率低、故障定位难等问题。如何实现 LKJ设备的智能分析,提升产品可靠性,提高维修效率,降低维护成本,是当前亟待解决的问题。本文基于大数据平台,提出一种LKJ 设备分析系统方案,其采用连续变量突变、相关系法、复杂关系网络等分析方法对 LKJ设备大量历史数据进行智能分析,研究设备故障特征、故障因素、故障规律及挖掘分析模型,从而提升设备的故障定位和故障预测的准确率。

  智轨电车是一种新型城市公共交通运载工具,其车身长、无轨道约束、运行环境复杂;车载环境感知系统用于快速、稳定地检测出道路入侵物,是实现电车自动驾驶的重要前提,对雷达传感器的精细性程度以及处理器的要求高,大多数算法是基于 64 线激光雷达的扫描数据才能够实现理想的效果,点云数据量庞大,导致列车硬件设备成本大幅增加。本文提出一种基于双 16 线激光雷达 (VLP-16) 的 3D 点云的智轨电车道路入侵物检测算法并结合SVM 分类器对道路入侵物进行识别与分类,在保证高精度、高鲁棒性的前提下,不仅解决了单雷达的盲区问题,高效地实现了目标的识别和分类,保证了智轨电车的运行安全,而且由于仅启用了数据量只有 64 线激光雷达 1/4 的 16 线激光雷达,在保证数据处理时效性的同时也降低了硬件成本。

  轨道交通交通车辆运维传统的方式是故障后维修或定期检修,其基于当前健康状态的故障检测与诊断,存在检修效率低、维修成本高等问题,是一种被动的维护保障活动;而故障预测和健康管理(fault prediction and health management, PHM)系统是对未来健康状态的预测,其利用传感器采集系统的数据信息,借助大数据、人工智能等推理算法来监控、预测与评估系统自身的健康状态,是一种变被动式为主动式的维护保障活动,可显著提高装备的可靠性和可用性。本文提出一种PHM系统,其以地铁车辆走行部系统、弓网系统和车门系统运营数据为分析基础,通过车载中央维护计算设备对数据进行融合以及实时在线分析,对相关系统部件的故障及健康状态进行预测和评估。



『 发表评论 』
标 题:
用 户 名:
验 证 码:
留言内容: