本期導(dǎo)讀

船舶行為異常檢測(cè)對(duì)于海上安全、海域的智能監(jiān)管具有重要意義。異常檢測(cè)算法不能滿足軌跡大數(shù)據(jù)挖掘在實(shí)時(shí)性、準(zhǔn)確性和魯棒性等方面的需求。將異常行為進(jìn)行分類(lèi)，分析目前幾類(lèi)主要的異常檢測(cè)方法：統(tǒng)計(jì)分析在對(duì)數(shù)據(jù)分布做出正確假設(shè)時(shí)根據(jù)概率分布獲取異常情況，確定合適的異常閾值較為困難；預(yù)測(cè)法基于對(duì)歷史數(shù)據(jù)的了解程度，易受多種因素影響；機(jī)器學(xué)習(xí)依賴數(shù)據(jù)特征、計(jì)算復(fù)雜度高?；诖?，總結(jié)可能提高統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)和預(yù)測(cè)法檢測(cè)效果的方法，指出將在線實(shí)時(shí)檢測(cè)引入船舶檢測(cè)，并展望數(shù)據(jù)處理、軌跡表示、挖掘分析和情境語(yǔ)義在異常檢測(cè)中的可能研究方向。（陳影玉，等：船舶行為異常檢測(cè)研究進(jìn)展）

為探究城市混合交通共享街道使用者微觀行為特性及行人過(guò)街風(fēng)險(xiǎn)，采集了武漢市光谷步行街不同時(shí)段的視頻數(shù)據(jù)，提取共享街道中車(chē)輛（包含小汽車(chē)、電動(dòng)車(chē)和自行車(chē)）及行人的速度、位置及后侵占時(shí)間（PET）等信息，對(duì)高、低流量時(shí)段的各種類(lèi)型車(chē)輛與行人的沖突率進(jìn)行分析并對(duì)其行駛速度進(jìn)行描述性統(tǒng)計(jì)和獨(dú)立樣本t檢驗(yàn)，分析不同流量下的共享街道中各種類(lèi)型車(chē)輛的速度空間特性及其對(duì)行人過(guò)街的安全影響。結(jié)果表明，車(chē)輛在進(jìn)入共享街道后其速度呈先下降后上升的趨勢(shì)，在高流量時(shí)段電動(dòng)車(chē)、自行車(chē)速度（電動(dòng)車(chē)：M=3.8 m/s；自行車(chē)：M=1.9 m/s）及危險(xiǎn)沖突率（電動(dòng)車(chē)：29.0%；自行車(chē)：28.7%）均比小汽車(chē)的速度（M=2.9 m/s）及危險(xiǎn)沖突率（8.1%）高；在低流量時(shí)段電動(dòng)車(chē)及自行車(chē)的速度及危險(xiǎn)沖突率仍比小汽車(chē)高。其中，無(wú)論高流量時(shí)段還是低流量時(shí)段，電動(dòng)車(chē)的整體速度分布及危險(xiǎn)沖突累計(jì)頻率都是最高的，其低流量時(shí)段的危險(xiǎn)沖突累計(jì)頻率高達(dá)80.4%。不同類(lèi)型車(chē)輛的速度在高流量和低流量共享街道上都呈顯著性差異，且低流量時(shí)段小汽車(chē)、電動(dòng)車(chē)和自行車(chē)的危險(xiǎn)沖突累計(jì)頻率均比高流量時(shí)的危險(xiǎn)沖突累計(jì)頻率高。經(jīng)結(jié)果分析可知，在共享街道中電動(dòng)車(chē)和自行車(chē)較易與行人發(fā)生碰撞，尤其是電動(dòng)車(chē)，且低流量時(shí)段相對(duì)與高流量時(shí)段行人過(guò)街的風(fēng)險(xiǎn)較高。（文夏梅，等：城市混合交通共享街道駕駛行為及行人過(guò)街安全研究）

針對(duì)智能網(wǎng)聯(lián)汽車(chē)與車(chē)路協(xié)同系統(tǒng)中的高精度定位核心技術(shù)問(wèn)題，提出了“道路指紋”的概念與表征模型，并在“道路指紋”的基礎(chǔ)上提出了面向智能車(chē)路系統(tǒng)的高精度定位方法。“道路指紋”是通過(guò)車(chē)載傳感器數(shù)據(jù)提取的高穩(wěn)定性與高辨識(shí)度的道路場(chǎng)景特征信息。在“道路指紋”表征模型中，分別從表征的唯一性、計(jì)算的快速性、特征的穩(wěn)定性以及表征的精準(zhǔn)性等4個(gè)方面完成建模工作。其中，針對(duì)表征唯一性需求，提出基于多視角（包括俯視、前視、側(cè)視等）與多傳感器的表征方法；針對(duì)計(jì)算快速性要求，提出了全局特征與語(yǔ)義特征的表征方法；還提出基于深度卷積神經(jīng)網(wǎng)絡(luò)（D-CNN）的深度學(xué)習(xí)特征提取方法，大幅度提高特征表征的魯棒性；最后，通過(guò)提取路面的局部特征，實(shí)現(xiàn)特征的精準(zhǔn)性（亞像素精度）表征。通過(guò)對(duì)上述特征進(jìn)行層次化組織，完成“道路指紋”的表征建模。通過(guò)對(duì)道路上各個(gè)節(jié)點(diǎn)進(jìn)行“道路指紋”計(jì)算與建模，并同步獲取節(jié)點(diǎn)的傳感器位姿、場(chǎng)景結(jié)構(gòu)信息，完成道路指紋庫(kù)構(gòu)建工作。在定位過(guò)程中，首先通過(guò)車(chē)載傳感器獲取的數(shù)據(jù)實(shí)時(shí)完成“道路指紋”計(jì)算，然后通過(guò)匹配道路指紋庫(kù)，完成車(chē)輛的高精度位置計(jì)算。在開(kāi)發(fā)的“道路指紋”技術(shù)基礎(chǔ)上，分別從視覺(jué)道路指紋定位、LiDAR道路指紋定位以及道路資產(chǎn)管理等3個(gè)應(yīng)用案例給出了該技術(shù)的應(yīng)用前景。所提出的“道路指紋”技術(shù)，為解決智能車(chē)路系統(tǒng)中的高精度定位問(wèn)題，特別是衛(wèi)星信號(hào)盲區(qū)下的高精度定位問(wèn)題，提供了一種新的解決思路。（胡釗政，等：“道路指紋”關(guān)鍵技術(shù)及其在智能車(chē)路系統(tǒng)中的應(yīng)用）

針對(duì)智能車(chē)路徑規(guī)劃問(wèn)題，研究了基于激光雷達(dá)（LiDAR）數(shù)據(jù)的智能車(chē)駕駛場(chǎng)景建模方法，采集待建模場(chǎng)景的三維激光雷達(dá)點(diǎn)云數(shù)據(jù)，通過(guò)點(diǎn)云分割處理，去除車(chē)輛行駛道路上的點(diǎn)云，然后將三維點(diǎn)云進(jìn)行俯視投影，實(shí)現(xiàn)二維柵格地圖建模；從搜索鄰域和搜索方向2個(gè)方面對(duì)傳統(tǒng)A*算法進(jìn)行改進(jìn)：根據(jù)當(dāng)前節(jié)點(diǎn)附近障礙物的分布情況，自適應(yīng)地選擇4鄰域或8鄰域搜索策略，在此基礎(chǔ)上研究了一種自適應(yīng)搜索方向A*算法，所提出的算法將搜索方向縮小至3個(gè)，根據(jù)路徑規(guī)劃終點(diǎn)相對(duì)起點(diǎn)的方向，確定算法的搜索方向。仿真實(shí)驗(yàn)表明，相較于傳統(tǒng)A*算法（4鄰域搜索），所提出的算法在規(guī)劃的路徑長(zhǎng)度方面降低了約15.5%，在計(jì)算時(shí)間上降低約38.2%；對(duì)比傳統(tǒng)A*算法（8鄰域搜索），所提出的算法在計(jì)算時(shí)間上降低約47.2%，在規(guī)劃路徑長(zhǎng)度和計(jì)算時(shí)間上，所提出的算法明顯優(yōu)于傳統(tǒng)算法。（王志強(qiáng)，等：基于LiDAR場(chǎng)景建模的智能車(chē)路徑規(guī)劃）