复杂形貌粗粒土填料在强夯冲击下极易发生颗粒破碎现象,进而影响强夯加固效果,已有研究对颗粒破碎要素考虑不足,难以真正揭示粗粒土冲击密实特性。为此,运用三维蓝光扫描技术实现复杂形貌颗粒数字孪生,结合泰勒多面体(Voronoi)剖分法与真实颗粒形貌一致的可破碎数值颗粒库,开发考虑颗粒复杂形貌和冲击加载条件的颗粒破碎仿真模型;并融合Python程序与离散元软件PFC3D(Particle Flow Code in Three Dimension),建立强夯加固粗粒土路基仿真模型;通过开展系列强夯数值试验,对比分析有无颗粒破碎2类情况下夯沉量、孔隙率分布、位移场、颗粒接触关系等随夯击次数的跨尺度响应规律。结果表明:在多次夯击过程中,颗粒破碎对强夯加固效果的影响表现出显著的阶段性,强夯初期粗粒土密实进程和加固效果因颗粒破碎而被削弱;而随夯击次数增加,颗粒破碎加快颗粒密实进程并提升强夯最终加固效果。最终,破碎组较无破碎组夯沉量提升11.6%、孔隙率降低20.5%,配位数增加0.9%。原因在于,强夯初期,颗粒破碎消耗了部分夯击能;随着夯击次数的增加,破碎量逐渐减少,破碎产生的小颗粒填充至大颗粒间隙,促进了颗粒的密实,从而提高了强夯加固效率,使得最终加固效果优于未破碎情况。研究成果为全面认识冲击作用下粗粒土破碎密实物理力学过程和强夯工艺优化提供有益参考。
针对传统停留点识别方法对非标准化分类的POI(Points of Interest)数据和停驻时间依赖程度较高、可迁移性较差等弊端,提出了一种基于轨迹几何特征的语义停留点识别方法。通过充分利用轨迹自身所包含的有效信息,深入挖掘停留点附近子轨迹的重叠规律并进行量化,同时引入标准化分类的临时停留相关的POI数据,对语义停留点和临时停留点进行进一步的区分。在此基础上,利用企业级的订单数据对语义停留点识别结果进行出行目的标注并进一步构建识别效果评价指标,有效地解决了停留点识别结果验证过程中的主观性和复杂性问题。最后,以重型货车的分支——集卡拖车为研究对象,并基于某集装箱运输公司TMS(Transportation Management System)系统提供的集卡拖车轨迹数据和订单数据,对长三角业务地区开展实证研究。研究结果表明:商家地址匹配准确率为96.5%,语义停留点识别结果具有真实语义的比率为85.5%。与现有研究相比,所提方法的准确性得到了显著提升,为多源场景的大规模推广应用提供了可行性基础。研究结果反映了港口城市集疏运货运活动的空间分布特征及区域联系,并揭示了不同类型重型货车出行活动的异质性,可为城市管理者制定更加全面合理的货运政策提供支撑,并为货运企业管理车队、拓展增值业务提供依据。
基于采样的快速扩展随机树(Rapidly-exploring Random Tree, RRT)算法在面向智能车复杂障碍环境中进行运动规划时,普遍存在采样冗余、规划效率低及路径质量欠佳等问题。鉴于此,提出一种将深度学习与RRT算法相结合的DFNN-RRT最优运动规划方法。通过自动点云编码器实现复杂障碍物场景的拓扑特征提取与高维数据编码,将预处理后的环境点云数据嵌入到障碍物空间表征;将障碍空间特征与智能车起始位姿、目标位姿等状态空间变量进行多模态融合,构建时空联合输入表征以驱动规划网络训练。在前向传播过程中,网络通过渐进式优化生成具有目标导向性的知情采样样本;以规划点时间间隔为成本函数核心参数,量化路径生长过程的动态代价。同时构建后验预测状态与目标状态间的加权均方误差损失函数,通过梯度优化实现模型高效收敛。试验结果表明:损失率阈值为0.3时,全局最优解概率最高;5 Hz规划频率下,系统耗时最短;采样规模与计算耗时呈显著正相关。在相同环境配置下,DFNN-RRT在保持RRT算法概率完备性的同时,路径质量指标显著优化:相较于基准RRT算法,计算耗时、单位路径长度、路径曲率及采样密度分别优化38.5%,7.8%、42.85%和52.5%;横向对比偏置RRT、双向RRT时效提升27.1%和12.2%。通过仿真与实车测试验证,该方法在复杂障碍物场景下可稳定输出平滑轨迹,证明该方法具有时效性与可靠性优势。
路径规划是智能汽车的核心技术之一,而在避障场景下的路径规划对智能汽车的行驶安全性与稳定性提出了更为严苛的要求。针对智能汽车避障场景,提出一种双层结构并考虑胎路附着极限的路径规划方法。在上层预规划中设计了一种改进快速搜索随机树(Improved Rapidly-exploring Random Tree, IRRT)算法,根据纵向车速自适应调整随机树的扩展步长,以兼顾搜索效率与路径精度;随后针对采样点扩展角度施加胎路附着极限的约束,并在此约束范围内进行随机采样,在预规划层面提升路径的合理性;结合人工势场法,构建采样点引力势场、目标点引力势场以及道路边界斥力势场,从而修正随机采样点的位置,提高搜索效率。为改善路径平滑度并进一步确保车辆稳定性,在下层重规划中利用非线性模型预测控制(Nonlinear Model Predictive Control, NMPC)建立车辆平面运动模型与胎路附着极限约束,对预测时域内的预规划路径进行二次优化,生成重规划路径。最后,基于CarSim/Simulink联合仿真平台以及硬件在环测试平台验证所提算法在静态与动态避障场景下的有效性。研究结果表明,预规划中提出的IRRT算法相较于经典RRT*算法在搜索效率、路径合理性及车辆稳定性方面具有优势。与单层IRRT和传统NMPC方法相比,IRRT-NMPC双层路径规划方法在避障过程中能够在满足实时性要求的同时进一步确保车辆不会超出胎路附着极限,提升了车辆的稳定性和安全性。