王飞跃的个人博客分享 http://blog.sciencenet.cn/u/王飞跃

博文

[转载]十月,送你十篇好文!

已有 2009 次阅读 2018-10-19 14:09 |系统分类:论文交流|文章来源:转载

十月,送你十篇好文!


  

智能交通是自动化领域研究的热点方向之一,小编整理了IEEE/CAA Journal of Automatica Sinica近期发表的智能交通文章,欢迎阅读~


车联网大数据:发展、支撑与应用

 

简介:该综述探索与分析了车联网与大数据之间的关系及无人驾驶环境下的大数据应用,同时展望了未来车联网大数据的相关研究方向,包括如何有效设计车联网支持日益增长的数据量、如何利用海量的数据进行分析与发掘,设计更智能高效的通信协议以提高驾驶安全与驾驶体验。

加拿大滑铁卢大学沈学民(Sherman Shen)教授:车联网大数据:发展、支撑与应用

Internet of Vehicles in Big Data Era

Citation: W. C. Xu, H. B. Zhou, N. Cheng, F. Lyu, W. S. Shi, J. Y. Chen, X. M. Shen, “Internet of vehicles in big data era,” IEEE/CAA J. of Autom. Sinica, vol. 5, no. 1, pp. 19-35, Jan. 2018.

http://html.rhhz.net/ieee-jas/html/2018-1-19.htm


平行驾驶:基于信息物理社会系统(CPSS)的交通自动化与汽车智能化统一融合框架

 

简介:智能网联汽车的迅速发展为当前的车辆控制和交通系统提出严峻的挑战。本文提出智能网联汽车的一种全新的基于云端化的信息物理社会系统(CPSS)解决方案,平行驾驶。文章首先介绍CPSS定义和基于人工社会(Artificial societies)、计算实验(Computational experiments)和平行执行(Parallel execution)智能机器系统。随后,提出了基于CPSS的平行驾驶框架,融合物理世界、精神世界和人工世界,并详细论述了平行测试、平行学习以及平行增强学习等方法,它们在智能网联汽车的感知、决策与规划和控制等关键模块中都有巨大的应用潜力。

平行驾驶:基于信息物理社会系统(CPSS)的交通自动化与汽车智能化统一融合框架       

Parallel Driving in CPSS: A Unified Approach for Transport Automation and Vehicle Intelligence

Citation: F.-Y. Wang, N.-N. Zheng, D. P. Cao, C. M. Martinez, L. Li, and T. Liu, “Parallel driving in CPSS: a unified approach for transport automation and vehicle intelligence”, IEEE/CAA J. of Autom. Sinica, vol. 4, no. 4, pp.577-587, Oct. 2017.

http://html.rhhz.net/ieee-jas/html/2017-4-577.htm


平行学习——一个新的机器学习理论框架

 

简介:随着计算能力的提高和计算理论的创新, 机器学习在过去 30 年中取得了长足的发展, 正受到越来越多人的关注。与此同时, 机器学习也面临越来越多的问题。文章试图用一种适合复杂系统的计算理论与方法解决社会经济系统中的重要问题。其主要观点是利用大型计算模拟、预测并诱发引导复杂系统现象, 通过整合人工社会, 计算实验和平行系统等方法, 形成新的计算研究体系。这一思想也应是机器学习的主旨。本文对这一理论框架的结构和方法进行阐述。

平行学习——一个新的机器学习理论框架

Parallel Learning: a Perspective and a Framework

Citation: L. Li, Y. L. Lin, N. N. Zheng, and F. -Y. Wang, “Parallel Learning: A Perspective and A Framework”, IEEE/CAA J. of Autom. Sinica, vol. 4, no. 3, pp. 389-395, Jul. 2017.

http://html.rhhz.net/ieee-jas/html/2017-3-389.htm


生成式对抗网络GAN的研究进展与展望

 

简介:在人工智能的热潮、生成式模型的积累、神经网络的深化、对抗思想的成功等因素的综合影响下,GAN应运而生,并且立刻受到了人工智能研究者的重视。GAN在结构上受博弈论中的二人零和博弈的启发,系统由一个生成器G和一个判别器D构成。生成器的目的是尽量捕捉真实数据样本的潜在分布,并生成新的数据样本;而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器。生成器和判别器均可以采用深度神经网络。该篇综述介绍了目前GAN的研究进展,并展望未来发展。

Generative Adversarial Networks: Introduction and Outlook

Citation: K. F. Wang, C. Gou, Y. J. Duan, Y. L. Lin, X. H. Zheng, and F.-Y. Wang, “Generative adversarial networks: introduction and outlook,” IEEE/CAA J. of Autom. Sinica, vol. 4, no. 4, pp. 588-598, Oct. 2017.

http://html.rhhz.net/ieee-jas/html/2017-4-588.htm


车辆行驶状态研究现状及展望

 

简介:该综述针对下一代汽车控制及未来自动驾驶汽车需要的车辆行驶状态信息,系统地回顾了研究进展并对未来车辆行驶状态估计亟待解决问题进行展望。首先给出车辆行驶状态的分类并总结车辆行驶状态估计所采用的结构。其次,系统地介绍车辆速度、质心侧偏角、横摆角速度及侧倾角估计的传感器配置方案;再次,总结车辆行驶状态估计中所使用的典型方法及车辆模型;最后,讨论了未来车辆行驶状态估计中亟待解决的问题。

郭洪艳,曹东璞,陈虹等:车辆行驶状态研究现状及展望

Vehicle Dynamic State Estimation: State of the Art Schemes and Perspectives

Citation: H. Y. Guo, D. P. Cao, H. Chen, C. Lv. H. J. Wang, and S. Q. Yang, “Vehicle dynamic state estimation: state of the art schemes and perspectives,” IEEE/CAA J. of Autom. Sinica, vol. 5, no. 2, pp. 418-431, Mar. 2018.

http://html.rhhz.net/ieee-jas/html/2018-2-418.htm


车道线检测:算法,集成,评估,以及基于ACP平行视觉理论的车道线检测系统设计

 

简介:传统的车道线检测性能多依赖于人工视觉验证的方法。由于车道线检测系统的复杂性,不同的硬件与算法,不同的数据采集方式和采集环境(天气,道路)等,都会影响测试结果。本文介绍了一种基于ACP平行视觉理论的车道线检测系统设计,将有效地解决车道线性能评价和测试问题,实现精确且稳定的车道线检测,且有效弥补传统车道线检测算法因数据不足所造成的无法充分训练与评估的缺陷。

Advances in Vision-Based Lane Detection: Algorithms, Integration, Assessment, and Perspectives on ACP-Based Parallel Vision

Citation: Y. Xing, C. Lv, L. Chen, H. J. Wang, H. Wang, D. P. Cao, E. Velenis, and F.-Y. Wang, “Advances in vision-based lane detection: algorithms, integration, assessment, and perspectives on ACP-based parallel vision,” IEEE/CAA J. of Autom. Sinica, vol. 5, no. 3, pp. 645-661, May 2018.

http://html.rhhz.net/ieee-jas/html/2018-3-645.htm


网络社交媒体助力交通信息研究

 

简介:随着社交媒体(比如微博、twitter)、移动互联网的发展,人作为最灵敏的交通社会传感器,可提供大量用户产生的、自愿发布分享的实时交通信息。网络社交媒体(social media)作为一种新出现的交通信息源,因其广泛的普及性,使得它成为一个无处不在的社会传感器,蕴含大量实时信息,正变得日益重要。本文借助社会网络分析、关键词分析等方法,对基于社交媒体的交通研究从“主要研究方向--合作者关系网络--未来发展方向”等方面进行了分析,从而提高了交通事件提取的实时性和准确性。

网络社交媒体助力交通信息研究

Social Media Based Transportation Research: the State of the Work and the Networking

Citation: Y. S. Lv, Y. Y. Chen, X. Q. Zhang, Y. J. Duan, and N. Q. Li, “Social media based transportation research: the state of the work and the networking,” IEEE/CAA Journal of Automatica Sinica, vol. 4, no. 1,pp. 19-26, Jan. 2017.

http://html.rhhz.net/ieee-jas/html/20170103.htm


无人车测试过程中自动驾驶功能退出事件分析


简介:近年来,自动驾驶技术受到了来自学术界和工业界的广泛关注。虽然纯无人驾驶是技术发展的“终极目标”,然而在部分特定工况下能够实现自主行驶功能的“高度自动化驾驶”车辆HAVs(highly automated vehicles)则可能在未来几年更快到来。为了更好地了解现阶段研发过程中自动驾驶功能退出的诱发原因,以及手动接管过程中人机交互机制,从而进一步完善自动驾驶系统的设计,本综述总结了7个制造商公开提交的自动驾驶退出报告。对不同原因诱发的自动驾驶退出案例进行了详细的分析和比较,调研了这些事件中相应的人工接管机制与时间。

Analysis of Autopilot Disengagements Occurring During Autonomous Vehicle Testing

Citation: C. Lv, D. P. Cao, Y. F. Zhao, D. J. Auger, M. Sullman, H. J. Wang, L. M. Dutka, L. Skrypchuk, and A. Mouzakitis, “Analysis of autopilot disengagements occurring during autonomous vehicle testing,” IEEE/CAA J. of Autom. Sinica, vol. 5, no. 1, pp. 58-68, Jan. 2018.

http://html.rhhz.net/ieee-jas/html/2018-1-58.htm


利用虚拟图像训练和测试目标检测器

 

简介:本文对虚拟数据集创建方法进行了研究,面向目标检测任务,对虚拟数据在训练和测试中的有效性进行了验证。首先借助OpenStreetMap、CityEngineUnity3D等软件,搭建了虚拟城市交通场景,并通过改变场景参数,收集了不同天气、不同光照条件下,具有不同遮挡程度和目标大小等特点的多样化数据集;然后,通过结合虚拟数据和真实数据对目标检测模型进行了训练,提升了目标检测模型的性能;最后,利用定制的虚拟数据,对训练好的模型进行了测试,探索了虚拟数据在对模型进行精细化测试方面的潜能。

训练数据,激发潜能:利用虚拟图像训练和测试目标检测器

Training and Testing Object Detectors With Virtual Images

Citation: Y. L. Tian, X. Li. K. F. Wang, and F.-Y. Wang, “Training and testing object detectors with virtual images,” IEEE/CAA J. of Autom. Sinica, vol. 5, no. 2, pp. 539-546, Mar. 2018.

http://html.rhhz.net/ieee-jas/html/2018-2-539.htm


平行增强学习最新理论框架与案例

 

简介:该文针对现有基于数据驱动的方法对新目标缺乏泛化能力、数据匮乏和数据的分布和联系不明显等问题,提出针对于复杂系统控制的平行增强学习框架。通过构建与真实系统并行的人工系统,获得平行系统。通过将转移学习、预测学习和深度学习与增强学习融合,用于处理数据获取和行动选择过程,同时表达获得的知识。最后,介绍了几个平行增强学习应用的案例。

中科院王飞跃教授团队:平行增强学习最新理论框架与案例

Parallel Reinforcement Learning: A Framework and Case Study

Citation: T. Liu, B. Tian, Y. F. Ai, L. Li, D. P. Cao, and F.-Y. Wang, “Parallel reinforcement learning: a framework and case study,” IEEE/CAA J. of Autom. Sinica, vol. 5, no. 4, pp. 827-835, July 2018.

http://html.rhhz.net/ieee-jas/html/2018-4-827.htm

    


扫描二维码获取全文或者后台留言您的邮箱,小编给您发送~


本文转载自自动化学报英文版公众号

 IEEE/CAA Journal of Automatica Sinica(JAS,《自动化学报》英文版),于2014年创刊,由中国自动化学会、中国科学院自动化研究所主办,与IEEE合作出版。JAS发表自动控制、人工智能、智能控制、模式识别、信息处理、机器人等自动化领域热点和前沿方向的研究进展。

  创刊至今,JAS由业内优秀学者领衔组办专刊报导最新研究成果,已组织的专刊有:多智能体的协同控制、无人机自主控制、强化学习与自适应控制、物理信息系统、以人为中心的智能机器人、分数阶系统与控制、再生能源系统的控制与优化等。

  根据2018年Elsevier发布的期刊影响力榜单,JAS的2017年CiteScore分值为3.18,在“控制与系统工程”学科类别的224个学术出版物中排名第40,位于前18%,在“信息系统”和“人工智能”学科排名位于前19%(48/251,32/168), JAS在其所属的三个学科中的排名均已进入Q1区。

 



网站

http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=6570654

www.ieee-jas.org

微信JAS自动化学报英文版

Blog: http://blog.sciencenet.cn/?3291369

Twitter: IEEE/CAA Press

Facebook: Ieee/Caa Press

投稿https://mc03.manuscriptcentral.com/ieee-jas

Email: jas@ia.ac.cn

Tel: 010-82544459, 010-82544746


 

 



http://blog.sciencenet.cn/blog-2374-1141728.html

上一篇:工业智联网: 基本概念、关键技术与核心应用
下一篇:[转载]【重要通知】关于举办2018中国智能车大会暨国家智能车发展论坛的通知

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备14006957 )

GMT+8, 2018-11-15 20:27

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部