学习周报(一百一十九)
（2024年 第10次）张天雄
年级：研三 2024年5月1日
【论文阅读心得】
C. Jiang et al., "H 2 -Mapping: Real-Time Dense Mapping Using Hierarchical Hybrid Representation," in IEEE Robotics and Automation Letters, vol. 8, no. 10, pp. 6787-6794, Oct. 2023, doi: 10.1109/LRA.2023.3313051.
这篇论文提出了一种名为H2-Mapping的新型实时密集映射方法，该方法基于神经辐射场（NeRF）技术，创新在于能够在边缘计算机上实现高质量的3D地图重建和实时能力。该方法通过提出一种新颖的分层混合表示法，利用隐式的多分辨率哈希编码和显式的八叉树符号距离函数（SDF）先验知识，描述不同细节层次的场景。这种表示法允许快速初始化场景几何形状，并使场景几何更容易学习。此外，论文还提出了一种覆盖最大化的关键帧选择策略，以解决遗忘问题并提高映射质量，特别是在边缘区域。
注1：该论文使用的分层混合表示法结合了显式的八叉树SDF先验知识和隐式的多分辨率哈希编码，以描述场景的不同细节层次。通过使用八叉树SDF先验知识高效捕获粗略几何形状，多分辨率哈希编码可以专注于残差几何形状，这比完整的几何形状更简单，从而提高了几何精度和收敛速率。该表示法还通过快速场景几何初始化和易于学习的场景几何形状，实现了实时密集映射和动态扩展能力。
注2：为了实现更高的映射精度，论文提出了一种覆盖最大化的关键帧选择策略，以解决在线映射任务中的关键遗忘问题。该策略避免了在整个关键帧中重复计算样本，确保了边缘区域的质量，而不增加训练样本的数量。通过这种策略，所有分配的体素都被覆盖，以最小的迭代轮次，从而提高了映射质量，特别是在边缘区域。
注3：当前的方法可能在处理动态场景时面临挑战，因为动态对象可能会在映射过程中移动或改变。未来的研究可以探索如何有效地融合动态对象的实时数据，以实现对动态环境的精确映射。
赵庆
年级：研三 2024年4月27日
【论文阅读心得】
Blom H A P. Agent-based safety risk analysis of air traffic management. 2013.
本文提出一种自学习和监督学习混合驱动的跟驰控制策略，实现拟人化的高性能控制。
首先基于采集到的跟驰数据，将跟驰控制问题建模为马尔可夫决策过程，利用深度强化学习中的深度确定性策略梯度建立自学习跟驰控制策略，基于长短期记忆网络对马尔可夫决策过程的状态转移进行建模，根据历史数据对未来状态进行预测，利用高斯混合回归和连续隐式马尔可夫模型建立具有人类驾驶人特性的跟驰参考模型并将其引入强化学习架构中。；通过对马尔可夫决策过程状态转移建模使策略进行加速度决策时能够考虑跟驰过程的状态随机性。最后利用实车跟驰数据进行策略验证，对提出策略和监督学习策略的跟驰控制性能进行对比并给出一系列量化评价指标。
基于上述MDP，通过RL方法建立跟驰控制策略，此外将基于高斯混合回归(Gaussian Mixture Regression, GMR)与 连 续 隐 式 马 尔 可 夫 模 型(Continuous Hidden Markov Model, CHMM)建立的驾驶人跟驰参考模型引入RL架构中，将拟人性作为策略的一个学习倾向， GMR- CHMM在线输出驾驶人在当前状态下的纵向加速度参考值，同时计算该输出在当前状态下的置信度δ。其策略架构如图1所示。
图1 车辆跟驰控制策略架构
本文构建的跟驰MDP，状态包括速度v，期望/实际跟车距离d，参考加速度a和输出置信度δ。得到的车辆纵向运动学模型如下：
本文通过长短期记忆网络(Long Short Term Memory, LSTM)对前车未来运动随机性建模以揭示时间序列数据中隐藏的驾驶操作规律以及前车与前前车之间的依赖关系。LSTM的单元结构如图2所示：
图2 LSTM单元结构
在传统循环神经网络基础上引入遗忘门、输入门、输出门3个门控单元，以控制网络对历史时间序列信息的依赖程度以及给定新输入信息后何时进行状态更新。
为提升RL策略拟人性，后提出基于GMR-CHMM的驾驶人跟驰参考模型。建立的模型结构如图3所示：
图3 GMR-CHMM结构
模型变量包括隐状态数目M，时间序列长度T，混合高斯分布以及t时刻的观测变量。
针对跟驰安全性、跟踪性、舒适性、拟人性等性能指标，应用DDPG算法建立基于GMR-CHMM-DDPG的自学习跟驰策略。分别设计奖励函数包括：跟踪性奖励函数、舒适性奖励函数、跟车距离与相对车速阈值奖励函数、拟人性奖励函数。
启发：本文通过引入自学习和监督学习实现车辆跟驰过程的较好拟合。利用LSTM和运动学方程对MDP的状态转移过程进行建模。通过引入GMR-CHMM的人类驾驶员模型，较好地还原了跟驰过程中的人为影响因素。本文所包含的内容较多，从初始跟驰策略的架构到人为驾驶过程的模型拟人化，本文尤其较为少见地通过高斯混合回归与连续隐式马尔科夫模型建立基于驾驶员的参考模型，是对未来有人驾驶飞机跟驰过程的模型建立提供了新的解决方案。
【论文美图】
本图是一张包含有均值、分布趋势以及标准差箱型分布的综合图。其包含的内容从类型和分布两个维度表示，颜色的分布与纵轴分布的意义是相同的，但是通过对颜色的区分使得上图的可读性更好了。
【生活感悟或其他】
AI是真好用啊，他能帮我找材料，帮我写摘要，帮我处理图，帮我润色文字。我感觉我就是个FW，可能要奔波于寻找好用的AI。
陈洪浩
年级：研三 2024年5月2日
【课程学习心得】
本周主要工作为整理考试资料、修改论文相关信息、拟定小论文的实施思路与方案，通过前期对相关资料的收集，初步对大论文的拆解思路进行了拟定，并根据之前工作确定了初步的实施方案。
徐浩
年级：研三 2024年5月2日
【论文阅读心得】
向征,丁钰童,杨运贵等.基于飞行计划集中处理的多航空器无冲突航迹规划.科学技术与工程,2020,20(32):13487-13492.
本文基于飞行计划对多航空器的航迹进行了冲突探测，主要通过调节航空器的速度来规避飞行冲突，并以此进行无冲突航迹规划。
航迹冲突探测需根据飞行计划集中处理得到各个航空器的飞行计划，飞行计划中包含了每架班次的航行路线，将航线根据航向变化划分成诸多航段，各个航段都定义一个安全区域，即宽度为最小水平安全间隔，长度为航段长度的长方形区域。然后，对航空器航迹进行交叉判断，探测不同的航迹之间是否存在冲突。最后，若交叉点存在冲突，则对交叉点范围内的航路点进行冲突探测。
交叉点冲突示意图
以上图为例，通过调节速度来避免飞行冲突。假设两个航空器在同一高度层上飞行，将航空器b的安全距离( 即圆形区域) 投影到a 的航向上，当与航空器的a 的安全距离相切时，此时投影与x 轴的夹角分别是α和β ，规定夹角处于α和β 之间时，航空器存在冲突。航空器a 和航空器b 的速度分别为va 和vb ; 航空器a 和b 的相对夹角为λ ; 航空器航向角为θ ; 航迹角为φ ; 航空器之间的航向差为ε; O为航段交叉点。若通过调节航空器b 的速度来避让航空器a 的飞行冲突，必须满足航空器飞行性能的要求，即在飞机性能允许的范围内调整速度的大小。
航迹规划方法是建立在航迹预测与冲突解脱的基础上进行的，主要采用调整航空器的速度来规避交叉点冲突，换言之，调整速度就是为了控制时间，航迹规划主要要采取的是控制航空器到达时刻，保证航空器能高效、安全地运行。航迹规划流程如下图所示。
航迹规划流程
张志强
年级：研二 2024年5月1日
【论文阅读心得】
王培,张晓玉.高级驾驶辅助系统一体化仿真测试平台开发设计.内燃机与配件,2024(07):119-121.DOI:10.19475/j.cnki.issn1674-957x.2024.07.041.
本周阅读了一篇关于“高级驾驶辅助系统(ADAS)一体化仿真测试平台开发设计”的论文。作者的目的是创建一个仿真测试平台，用以评估和开发ADAS系统，提高测试效率和安全性，平台需满足算法软件验证、硬件组合测试、车型适配性开发、传感器测试应用和丰富的仿真测试场景。
系统主要分为一下四个部分：
主控平台：负责仿真实验编辑和系统管理。
车辆模拟器：运行实时车辆动力学模型。
雷达和摄像头模拟器：模拟传感器数据。
驾驶模拟器：提供真实驾驶体验。
具体细节如下：
系统设计的主要功能是为了提供实时开环测试、软件和硬件开发测试、驾驶员在环仿真以及丰富的测试场景和用例。
袁德周
年级：研二 2024年4月28日
【论文阅读心得】
del Barrio, Luis & Korek, Wojciech & Millidere, Murat & Whidborne, James. (2023). Analysis of Visualization Systems in Flight Simulators. 10.2514/6.2023-3476.
本文对比了Flightgear、Prepar3D、MSFS2020、DCS等常见飞行模拟器的特点，并给出了多款飞行模拟器联合仿真的解决方案。鉴于Flightgear具有开源架构，易于开发和维护；X-Plane三维可视化效果较贴合飞行运行实际，作者采用Flightgear完成控制算法、性能等方面的优化，利用X-Plane作可视化效果呈现。基于以上，本文提出了“未来飞行模拟器”仿真系统，系统架构如下：
其中，终端硬件包括实时处理计算机、数据采集单元、控制单元及可视化单元，四个单元通过中央服务器实现信息交互。进一步，通过专业飞行员和航空爱好者在X-Plane飞行模拟器上的对比测试，验证了X-Plane作为三维可视化飞行仿真软件的可行性。
论文亮点和启发：
（1）虽然本文在理论方面的内容较少，但针对飞行模拟器的应用现状，面向未来实时数据采集需求，提出了平台架构。本文为近期发表，对当前平台搭建相关论文的组织具有参考意义，可按照本文表达逻辑，提出基于“Prepar3D+Prescan”的架构，服务于机场无人驾驶的应用验证需求。
（2）与一般的仿真平台类论文不同，本文增加了针对典型场景的飞行仿真数据分析部分，当前论文可在车-机-场道协同运行场景下，补充P3D平台与Prescan平台的数据分析内容。
祁美云
年级：研二 2024年4月27日
【论文阅读心得】
高伟,张佳,王涛波.基于规则的机位附近滑行行为建模研究.中国民航大学学报,2013,31(01):22-26.
随着航班量的增加，机场机位利用密度提高，导致机位附近的滑行过程变得更加复杂，容易引发航班延误。优化航班滑行过程，减少机坪区滑行冲突，提高机场运行效率。分析机坪区及其附近区域的滑行规则，归纳出实用的知识库。建立知识库模型，并通过Java+MySQL平台实现。以厦门高崎机场和厦门航空公司的专有机坪及实际航班数据为仿真实例，进行系统仿真。提供机坪调度的实时方案，减轻机坪调度人员的工作负荷。可作为调度问题的预测等相关问题研究的参考。
知识库模型工作步骤：
分析滑行规则：首先，详细分析机坪区及其附近区域的滑行规则，这些规则包括航空器在机坪区的滑行路径、航空器之间的冲突类型（如推出间冲突、推出与滑行冲突、滑行冲突等）以及航空器的优先级等。建立知识库：基于分析的规则，构建一个有用的知识库（KB）。知识库分为两部分：事实库：包含航班的基本信息，如航班号、进离港情况、停靠的停机位等。同时，还包括一些简单的推理，例如判断两个机位是否邻近、航空器距离机坪区出口的距离等。规则库：包含用于解决机坪指挥员在调配航空器时可能遇到的问题的规则。这些规则考虑了航空器的时间、推出方向、机位关系等因素，用于探测冲突和解决冲突。具体的流程如图所示。
事实库中引入航班的基本信息，如航班号、航班的进离港情况、航班所停靠的停机位等，为了使推理过程能够更加接近实际情况，同时把以下简单的推理也归纳在事实库设计中，如两个机位是否邻近、航空器距离机坪区的出口距离、航空器的机坪出口是否相同等，因此声明如下复合域AParam=AParam（X，Y，Z，A，B，C，T，L，P）
邹亚君
年级：研二 2024年5月1日
【论文阅读心得】
景鹏,顾倩,杜刘洋.数据驱动的学校周边道路拥堵识别.江苏大学学报(自然科学版),2024,45(02):141-146.
该研究旨在定量分析多个中小学周边道路拥堵情况，并通过对比通学时期与非通学时期的交通拥堵数据，建立学校周边道路拥堵指标。研究通过拥堵评价函数分析各道路受周边学校出行影响的程度，识别重点拥堵道路，并提出基于地图开放平台获取交通大数据的算法，对南京主城区79所中小学周边道路进行实例分析。数据是利用地图开放平台提供的API接口，获取包括道路等级、道路坐标集、道路名称、道路速度和道路拥堵程度等信息。选取南京主城区范围内79所中小学周边道路，并以暑期时间段作为非通学时期的对比期，排除恶劣天气影响，保持观察总天数一致。 拥堵判别指标及评价函数构建包括
道路拥堵等级：根据早高峰平均行程速度划分拥堵等级。拥堵延时比：衡量通学时期与非通学时期行程时间之比。拥堵时长增量：反映通学时期拥堵持续时段总数的增量。评价函数：采用极小值函数，对指标进行量纲一处理，构建评价函数。研究意义：1. 识别重点拥堵道路。通过定量分析，识别出学校周边的重点拥堵道路，为交通管理和规划提供依据。2.交通组织管理。根据不同拥堵模式，提出针对性的交通组织管理方案，如合理规划学校出入口位置、完善学校门前区域交通组织等。3. 交通大数据应用。利用地图开放平台的大数据，避免了传统方法中的采样误差，提高了数据的准确性和时效性。 关于飞行区拥堵管理启示：虽然本研究聚焦于学校周边道路拥堵，但其方法和理念可为飞行区拥堵管理提供参考：数据驱动：利用大数据平台获取实时交通数据，进行拥堵分析。指标构建：建立适合飞行区的拥堵指标，如航班起降频率、地面交通流量等。评价函数：开发评价函数，量化拥堵程度，为管理决策提供科学依据。交通组织优化：根据拥堵情况，优化飞行区交通流组织，提高运行效率。其方法论和研究成果对于飞行区等其他交通拥堵场景同样具有借鉴意义，有助于推动智能交通系统的发展。
苏文添
年级：研二 2024年4月27日
【文献学习心得】
本文基于2016年北京地区激光雷达观测数据提取的混合层高度,采用美国EPA方法考虑了混合层高度的影响,使用修正的航空器进近、爬升时间和实际滑行时间,更准确的计算了首都国际机场排放清单,分析了首都国际机场航空器的排放清单以及混合层高度、不同机型、滑行时间对排放的影响,为我国机场航空器排放清单计算提供支撑,为机场航空器运行减排措施奠定理论基础和科学依据。
利用欧控飞机性能建模工具 BADA数据库将机型与发动机匹配,得到机场起降航班机型、起降架次及比例,统计得出2016年首都国际机场起降航班600742架次。本文使用的激光雷达是日本国家环境研究中心(NIES)的米散射激光雷达，采用变异系数法提取边界层高度,具体计算公式如下：
航空器发动机会排放各种气体和颗粒物,其中NOx、CO、SOx、HC 以及PM是主要排放物,且对人类健康影响较大.因此,对上述几种排放物建立排放清单。航空器在LTO循环期间的排放量与发动机数量、进近、滑行、起飞、爬升各阶段时的燃油流率、排放指数以及运行时间等参数密切相关.不同阶段的燃油流率、排放指数由ICAO发动机排放数据库(EEDB)提供，计算公式如下：
由于ICAO的发动机排放数据库中未包含PM的排放指数,因此,采用ICAO航空环境保护委员会FOA3.0方法：
文章启发：本文给出了ICAO提出的污染因子计算污染物排放的方法，以及相关PM值的计算方法，并且给出LTO循环的范围是高度915m以下适用的。但是对于大论文研究的修正角程序训练污染物排放不仅仅限于915m高度以下的排放，对此还需要进一步研究。
论文进展：本周整理了风险最小模型，并且构建了油耗计算模型以及污染物排放计算模型。
王明惠
年级：研二 2024年5月1日
【论文心得】
Y. Wan, Y. Zhong, A. Ma and L. Zhang, "An Accurate UAV 3-D Path Planning Method for Disaster Emergency Response Based on an Improved Multiobjective Swarm Intelligence Algorithm," in IEEE Transactions on Cybernetics, vol. 53, no. 4, pp. 2658-2671, April 2023.
为无人机规划实用的三维飞行路径是灾害应急响应中后续管理和决策的关键挑战。理想的飞行路径有望平衡总飞行路径长度和地形威胁，缩短飞行时间，降低碰撞的可能性。然而，在传统的方法中，这些问题之间的权衡很难实现，并且在优化的目标函数中缺乏实际约束，导致建模不准确。此外，传统的基于梯度优化的方法在复杂的多模态目标空间中缺乏精确的优化能力，导致了非最优路径。因此，本文提出了一种基于增强型多目标群智能算法的无人机三维路径规划方法。在APPMS方法中，将路径规划任务转化为具有多个约束的多目标优化任务，并同时优化基于总飞行路径长度和地形威胁程度的目标。此外，为了获得最优的无人机三维飞行路径，引入了一种基于改进蚁群优化的精确群体智能搜索方法，该方法可以通过使用优选搜索方向和随机邻域搜索机制来提高全局和局部搜索能力。在三组不同程度地形威胁的模拟实验和一组实际紧急情况下的三维地形数据的真实数据实验中，验证了所提出的APPMS方法的有效性。
图1所示，说明了目标空间中具有Pareto控制和Pareto前沿
的多目标优化问题，以及决策空间中的Pareto集。
三维环境下无人机路径规划的APPMS方法的总体框架
图4所示。三维地形中无人机飞行路径的图解说明。(a)规划路径中的跟踪点及平坦地形的威胁度计算(b)单面山地地形的威胁度的计算。(c)计算双面山区地形的威胁程度。
陈博旭
年级：研一 2024年5月1日
【课题研究进展】
本周完成了对基于3D gaussian-splatting的机坪C类停机位三维重建实验进行了现场的实验场地的布置工作，并对实验场地进行了4次的数据采集，经过多次数据叠加后的实验效果呈现更加丰富，后续继续完成虚幻引擎5的学习，开始将得到的初步实验平台进行下一步的模块加入工作
【论文阅读心得】
徐绍斌,江鸥,胡新凯.基于YOLOv5的车辆检测算法.物联网技术,2024,14(04):30-33.DOI:10.16667/j.issn.2095-1302.2024.04.008.
文章首先介绍了车辆检测技术的重要性，指出随着汽车保有量的增长，传统的车辆检测方法已不能满足需求，而深度学习技术的发展为车辆检测提供了新的解决方案。文章回顾了目标检测算法的发展历程，包括传统的目标检测算法和基于深度学习的目标检测算法。特别提到了R-CNN系列算法和YOLO系列算法，分析了它们的优缺点。YOLOv5模型因其轻量化和高精度而受到关注。文章详细介绍了YOLOv5n（YOLOv5的移动端最小化模型）的网络结构，包括输入端、主干网络、颈部网络和输出端。文章还讨论了YOLOv5使用的一些关键技术，如Mosaic数据增强、自适应锚框、自适应图片缩放和Focus层。在损失函数方面，文章提到了IOU（交并比）损失函数，并指出其存在的问题，如收敛速度慢和定位不准确。为了解决这些问题，文章提出了CIOU（Complete Intersection over Union）损失函数，它考虑了边界框的中心点距离、大小和纵横比的一致性。
秦新雨
年级：研一 2024年5月2日
【论文阅读心得】
Tao Ye, Wenyang Qin，Zongyang Zhao, Xiaozhi Gao, Xiangpeng Deng, Yu Ouyang.Real-Time Object Detection Network in UAV-Vision Based on CNN and Transformer.IEEE Transactions on Instrumentation and Measurement. 72 (2023): 2505713
本文提出了一种适用于无人机自动巡逻的轻型目标实时检测网络（RTD-Net），针对无人机图像目标检测过程中存在的难以检测到小目标、遮挡严重以及检测速度要求高等难题，设计了FFM、ECTB和LEM模块，提高了目标检测模型的小目标检测能力、抗遮挡能力和检测速度。
RTD-Net由LEM、ECTB、FFM和APH四个模块组成，图像输入分辨率为640×640，通过卷积进行四倍下采样，减少参数和计算量。使用LEM模块和卷积层组成轻量级CNN进行特征提取和图像下采样；ECTB模块对卷积捕获的特征信息进行处理和聚合，以获取图像的全局信息；SPPF模块通过多分支池化层构建不同尺度的特征图并进行融合，增强特征的表现力；利用FFM模块对骨干网络中不同层次的特征进行融合；最后的APHs模块则可以帮助网络从不同分辨率的特征图中检测不同比例的目标。
在ECTB模块中，针对MHSA模块计算量大的问题进行了优化，从而减少了计算量且保持了提取特征信息的能力。在优化后的CMHSA模块中，采用卷积投影替换了原MHSA模块中的位置线性投影，与线性投影相比，优化后的模块所需要的参数大大减少，从而解决了计算量大的问题。
无人机在高空作业过程中，检测的对象尺寸都很小，这就需要网络拥有很好的小目标检测能力。本文基于双向特征金字塔网络（BiFPN）的思想，设计了一个融合特征模块（FFM），通过融合不同层次的特征，提高模型识别多尺度（尤其是小尺度）目标的能力。相较于YOLOv5使用的PANet生成特征金字塔模块，BiFPN模块简化了网络结构，在同级输入和输出之间增加了跳跃连接，在不显著增加计算成本的情况下可以融合更多特征。
为了提高检测模型抵抗混淆信息的能力，本文采用了基于归一化注意模块（NAM）的注意机制，在检测头之前形成APHs模块。该模块首先在通道和空间两个维度上来推理输入图像的注意力图，然后用注意力图乘上输入的特征图，自适应地获取图像的注意区域。
通过实际场景中采集的无人机图像数据集实验证明，本文所提出的算法能够在检测任务中取得满意的结果，并且也能在低计算力的设备上实现高精度实时监测，可以满足无人机巡逻巡检中对对面物体的检测要求。
钟映雪
年级：研一 2024年4月26日
【论文阅读心得】
陆毅忱,邹亚杰,程凯,等.基于风险域的城市道路交叉口交通冲突分析方法.同济大学学报(自然科学版),2021,49(07):941-948.
本文提出了基于风险域的交通冲突分析二阶段法。采用 inD 数据集，通过车辆到达风险域的时间（tTTR）进行交通冲突识别，再根据风险域内的持续时间来判定交通冲突的风险程度。不仅能够更有效地识别追尾冲突和相交冲突，还能够表征不同时刻交通冲突的风险程度。目前广泛采用的交通冲突度量指标主要是从空间或 者时间的接近程度进行度量，具体分为距离度量指 标、速度度量指标和时间度量指标 3 类，但前两者在实际中的应用较少，本文创新点在于在本研究中提出风险域概念，采用一车在另一车风险域内的暴露时间来反映交通冲突的风险程度。
首先，计算两车车头角度差的绝对值，将交通冲突分为 3 种类型，即追尾冲突、换道冲突以及相交冲突。
基于风险与冲突分析提出了一种基于风险域的交通冲突分析方法。 该方法为二阶段法，第一阶段进行交通冲突识别，第 二阶段进行交通冲突危险程度判定。
风险域考虑两者相对运动关系，其半径域两车长度宽度均有关系。
将车辆 i 第一次以当前相对速度行驶到车辆 j 风 险域边界的时间定义为 tTTR（time to risk region），tTTR 的值越小，表明车辆 i 以当前速度第一次到达车辆 j 风险域边界所需要的时间越短，即交通冲突越严重。 将车辆 i 以当前相对速度在车辆 j 风险域内的行驶时间定义为 tTIR（time in risk region），tTIR的值越大，表明车辆 i 在车辆 j 风险域内行驶的时间越长，即两车之 间的交通冲突危险程度越高。
根据车辆 i 的相对坐标以 及相对速度可以计算出车辆 i 行驶时所在直线，通过 车辆 i 所在直线与车辆 j 风险域的位置关系将后续的 计算分成 3 类。1、车辆 i 所在直线与车辆 j 风险域不存在 交点，此时两车处于安全状态。将此状态下 tTTR的取 值设置为一个足够大的正数 M，表示不会发生交通 冲 突 ，并 将 tTIR 的 取 值 设 置 为 一 个 足 够 小 的 负 数 −M，即无需进行交通冲突风险程度判定。2、车辆 i 所在直线与车辆 j 风险域存在一 个交点。若则车辆 i 处于接近该交点的状态，车辆 i 所 在 位 置 与 交 点 的 距 离 为 dDTR（distance to risk region）。通过 dDTR计算对应的 tTTR
如果车辆 i 处于远离该交点的状态，则 tTTR和 tTIR的设置方法与第一类相同。
车辆 i 所在直线与车辆 j 风险域存在 2 个交点，此时车辆 i 与风险域的关系存在 3 种情况。第一种情况，车辆 i 正在接近风险域，此时 可以计算出对应的 tTTR 和 tTIR。tTTR 的计算式前文已经给出。将车辆 i 所在直线在车辆 j 风险域内的长度 定义为 dDIR（distance in risk region），则 tTIR
第三类的第二种情况，车辆 i 已经驶入车辆 j 风 险域（见图 2b），此时将 tTTR 的取值设置为一个足够大的正数 M，tTIR 为车辆 i 以当前速度驶离风险域所 需要的时间。第三种情况车辆 i 正在远离车辆 j 风险域，取值方法与第一类相同。
tTTC 的阈值常设定为 1. 5 s，筛选出当 tTTC处于 1. 49~1. 51 s 时对应的 tTTR的值，对 tTTR的 值进行统计分析，以 tTTR 的 50% 分位数对应的值作为后续研究的阈值，即 1. 2 s。当 tTTR≤1. 2 s 时，认为 两车之间存在交通冲突，并且需要进行交通冲突危险程度的判定。
通常选择 15% 和 85% 分位数作为划分数据的分界点，因此选择 0. 30 s 和 4. 30 s 作为风险程度划分的分界点，对 tTIR 进行风险评级。
相较于交通冲突分析中 tTTC最终取值选择两车全过程中的最小值，tTTR 作为一个判定是否存在交通冲突的指标，未必有一个最终的取值，因为 tTTR 最小值可能为零，并且为零的时刻不止一个时刻，所以无法准确表征两车之间的危险程度，当两车存在交通冲突时更多关注的是 tTIR的值，即两车之间的风险程度，实现动态风险识别。
赵易凡
年级：研一 2024年5月1日
【论文阅读心得】
周伟丽,魏敏,田国强.利用Simulink进行车用嵌入式控制器算法的设计.汽车制造业,2024(02):28-30.
本文介绍了如何利用Simulink进行车用嵌入式控制器算法的设计。该方法能够简化软件开发流程，提高开发效率。首先，通过对信号的采样处理，将数据降低频率以便于处理。接着，通过低通滤波器对信号进行滤波处理，去除噪声和干扰信号，从而得到更加准确的数据。最后，通过建模仿真的方式验证算法的正确性，并生成C代码以供后续嵌入式控制器调用。该方法的优点在于能够在开发初期发现算法中的错误，避免后期修复成本的增加。
利用Simulink进行车用嵌入式控制器算法的设计的方法：该方法采用了可视化仿真工具Simulink进行建模仿真，通过数字信号的采样、低通滤波算法处理及傅里叶变换，对某个信号进行触发。这种方法的优点在于能够提高开发效率，减少成本和时间消耗。同时，这种方法也适用于其他领域的控制系统设计。
林伊琪
年级：研一 2024年4月27日
【论文阅读心得】
邢志伟,谭智炜,文涛,等.基于DFS的直升机电力巡检路径规划.计算机工程与设计,2021,42(06):1779-1786.DOI:10.16208/j.issn1000-7024.2021.06.037.
本文针对电力巡检任务中可能出现的遍历冗余现象，提出了基于 DFS 算法的优化方案。文中将高压架空线路的巡检问题就转化成了图的遍历搜索问题。结合无向图模型设计,考虑直升机电力巡检的特性,以高压电塔点和高压线路为基线,分别将其设定为无向图中的节点和边界,取相对空间位置设定坐标点,即可获取线路间距离数据。同时考虑电力巡检的特殊性,该模型和传统无向图模型有区分。在实际场景中,电力巡检作业根据各线路的评价值决定待检线路,且因机体限制,作业过程中直升机巡视范围固定,因此将直升机电力巡视过程视作路径规划问题。
在解决图的遍历搜索问题时主要有2种方法,分别为广度优先搜索 BFS 和深度优先搜索 DFS。深度优先搜索是在搜索过程中对某一分支的节点完全扩展直至全部搜索完毕后再对其它分支的节点开始搜索,而广度优先搜索是将同一层级的节点完全搜索完毕后再对由它们扩展后的下一层级节点开始搜索。
文章改进了传统的 DFS 算法，在遍历搜索时增加了线路分叉情况的判断条件，避免了对无向拓扑图的路径搜索扩展工作，提高了实际效率。此外，还利用多个备降点机场之间的协同作用，减少了任务的重复度，进一步提高了电力巡检的遍历效率。
页:
[1]