本期導(dǎo)讀

在人工智能與大數(shù)據(jù)背景下，自動(dòng)駕駛船舶因其安全、高效的優(yōu)勢(shì)吸引了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。但其避碰相關(guān)法律條例與避碰路徑規(guī)劃發(fā)展并不均衡。自動(dòng)駕駛船舶概念在規(guī)范條例中仍十分模糊，傳統(tǒng)的路徑優(yōu)化與算法存在一定的偏差，只局限于全局規(guī)劃或局部規(guī)劃無(wú)法有效的保障船舶行駛安全性。基于避碰規(guī)則梳理了自動(dòng)駕駛船舶的相關(guān)規(guī)范，分析了最新的自動(dòng)駕駛船舶路徑優(yōu)化研究成果，闡述了當(dāng)下自動(dòng)駕駛船舶路徑規(guī)劃的模型，包括智能算法、規(guī)劃目標(biāo)與約束條件等。針對(duì)當(dāng)下仍存在的自動(dòng)駕駛船舶避碰問(wèn)題，應(yīng)從定義、監(jiān)管、責(zé)任劃分等方面完善自動(dòng)駕駛船舶法律法規(guī)體系，改良傳統(tǒng)避碰路徑規(guī)劃算法容易陷入局部最優(yōu)解、求解過(guò)程緩慢等缺陷，展望了自動(dòng)駕駛船舶的進(jìn)一步發(fā)展趨勢(shì)。（徐笑鋒，等：基于避碰規(guī)則自動(dòng)駕駛船舶路徑優(yōu)化的研究進(jìn)展）

針對(duì)智能汽車在無(wú)信號(hào)交叉口對(duì)橫穿行人的避撞問(wèn)題，研究了主動(dòng)轉(zhuǎn)向避撞控制策略。基于多層模型預(yù)測(cè)控制方法，采用分層控制策略設(shè)計(jì)局部規(guī)劃層控制器與全局跟蹤層控制器，在此基礎(chǔ)上根據(jù)交叉口處汽車與行人的軌跡特征計(jì)算人車碰撞剩余時(shí)間，改進(jìn)傳統(tǒng)人工勢(shì)場(chǎng)法構(gòu)造避撞函數(shù)，規(guī)劃出既能規(guī)避交叉口內(nèi)存在碰撞風(fēng)險(xiǎn)的行人又能使偏差最小的局部避撞路徑，并使智能汽車在滿足多項(xiàng)動(dòng)力學(xué)約束時(shí)準(zhǔn)確跟蹤參考路徑，通過(guò)搭建CarSim/Simulink聯(lián)合仿真平臺(tái)，結(jié)合廣東省2006—2018年交通事故數(shù)據(jù)庫(kù)選取對(duì)交叉口人車碰撞有顯著影響的因素，設(shè)計(jì)仿真場(chǎng)景進(jìn)行仿真分析。結(jié)果表明：智能汽車能在多個(gè)初始點(diǎn)完成對(duì)參考路徑的跟蹤，控制器對(duì)不同速度和附著條件有較高的魯棒性，高速低附著場(chǎng)景中，智能汽車橫向加速度小于0.4 g、質(zhì)心側(cè)偏角小于2°、前輪側(cè)偏角小于2.5°，各約束量滿足舒適性和平穩(wěn)性條件；4個(gè)典型交叉口場(chǎng)景中，智能汽車以不同速度直行或轉(zhuǎn)彎通過(guò)交叉口，均能識(shí)別橫穿行人中存在碰撞風(fēng)險(xiǎn)的行人實(shí)現(xiàn)主動(dòng)轉(zhuǎn)向避撞。（潘洺銘，等：智能汽車對(duì)無(wú)信號(hào)交叉口行人的避撞控制）

高解析度軌跡數(shù)據(jù)蘊(yùn)含豐富車輛行駛與交通流時(shí)空信息。為從航拍視頻中提取車輛軌跡，構(gòu)建了車輛檢測(cè)目標(biāo)跨幀關(guān)聯(lián)與軌跡匹配融合方法。采用卷積神經(jīng)網(wǎng)絡(luò)YOLOv5構(gòu)建視頻全域車輛目標(biāo)檢測(cè)，提出車輛動(dòng)力學(xué)與軌跡置信度約束下跨幀目標(biāo)關(guān)聯(lián)算法，建立了基于最大相關(guān)性的斷續(xù)軌跡匹配與融合構(gòu)建算法，實(shí)現(xiàn)軌跡車輛唯一編號(hào)。將軌跡從圖像坐標(biāo)轉(zhuǎn)換為車道基準(zhǔn)下Frenet坐標(biāo)，構(gòu)建集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）模型進(jìn)行軌跡數(shù)據(jù)噪聲消除。采用南京市快速路無(wú)人機(jī)拍攝的2組開(kāi)源航拍視頻，涵蓋擁堵與自由流交通狀態(tài)，對(duì)軌跡提取算法進(jìn)行效果測(cè)試。結(jié)果表明，在自由流和擁擠條件下軌跡準(zhǔn)確率分別為98.86%和98.83%，軌跡召回率為93.00%和86.69%，構(gòu)建算法的軌跡提取速度為0.07 s/輛/m。該方法處理得到的詳細(xì)車輛時(shí)空軌跡信息能為交通流、交通安全、交通管控研究提供廣泛的數(shù)據(jù)支撐，數(shù)據(jù)公開(kāi)于http://seutraffic.com/。（馮汝怡，等：航拍視頻車輛檢測(cè)目標(biāo)關(guān)聯(lián)與時(shí)空軌跡匹配）

網(wǎng)約車服務(wù)的迅速發(fā)展對(duì)包括傳統(tǒng)出租車在內(nèi)的城市出行方式產(chǎn)生了重大沖擊。針對(duì)傳統(tǒng)出租車使用的沖擊問(wèn)題，收集中國(guó)33個(gè)地級(jí)及以上行政級(jí)別城市2010—2016年的平衡面板數(shù)據(jù)，采用雙重差分法（DID）進(jìn)行量化，并進(jìn)行動(dòng)態(tài)效應(yīng)分析、穩(wěn)健性檢驗(yàn)、城市規(guī)模等級(jí)異質(zhì)性和城市區(qū)位異質(zhì)性分析。研究結(jié)果表明，網(wǎng)約車服務(wù)對(duì)傳統(tǒng)出租車的使用產(chǎn)生顯著的負(fù)向沖擊，使傳統(tǒng)出租車使用平均減少了25.46%；隨著時(shí)間的推移，網(wǎng)約車服務(wù)對(duì)傳統(tǒng)出租車使用的負(fù)向沖擊呈現(xiàn)先加強(qiáng)后變?nèi)醯囊?guī)律；城市規(guī)模異質(zhì)性分析發(fā)現(xiàn)網(wǎng)約車服務(wù)致使超大城市中傳統(tǒng)出租車使用減少了28.68%，致使大城市中傳統(tǒng)出租車使用減少了22.12%；城市區(qū)位異質(zhì)性分析發(fā)現(xiàn)網(wǎng)約車服務(wù)使東部城市傳統(tǒng)出租車使用減少了27.96%，使西部城市傳統(tǒng)出租車使用減少了21.2%。（鐘 軍，等：網(wǎng)約車服務(wù)對(duì)城市傳統(tǒng)出租車使用的沖擊效應(yīng)）