船舶行為異常檢測對于海上安全、海域的智能監(jiān)管具有重要意義。異常檢測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，分析目前幾類主要的異常檢測方法：統(tǒng)計(jì)分析在對數(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)測法基于對歷史數(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)測法檢測效果的方法，指出將在線實(shí)時(shí)檢測引入船舶檢測，并展望數(shù)據(jù)處理、軌跡表示、挖掘分析和情境語義在異常檢測中的可能研究方向。（陳影玉，等：船舶行為異常檢測研究進(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)，提取共享街道中車輛（包含小汽車、電動(dòng)車和自行車）及行人的速度、位置及后侵占時(shí)間（PET）等信息，對高、低流量時(shí)段的各種類型車輛與行人的沖突率進(jìn)行分析并對其行駛速度進(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型車輛的速度空間特性及其對行人過街的安全影響。結(jié)果表明，車輛在進(jìn)入共享街道后其速度呈先下降后上升的趨勢，在高流量時(shí)段電動(dòng)車、自行車速度（電動(dòng)車：M=3.8 m/s；自行車：M=1.9 m/s）及危險(xiǎn)沖突率（電動(dòng)車：29.0%；自行車：28.7%）均比小汽車的速度（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)車及自行車的速度及危險(xiǎn)沖突率仍比小汽車高。其中，無論高流量時(shí)段還是低流量時(shí)段，電動(dòng)車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%。不同類型車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、電動(dòng)車和自行車的危險(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)車和自行車較易與行人發(fā)生碰撞，尤其是電動(dòng)車，且低流量時(shí)段相對與高流量時(shí)段行人過街的風(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街安全研究）

針對智能網(wǎng)聯(lián)汽車與車路協(xié)同系統(tǒng)中的高精度定位核心技術(shù)問題，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路系統(tǒng)的高精度定位方法。“道路指紋”是通過車載傳感器數(shù)據(jù)提取的高穩(wěn)定性與高辨識度的道路場景特征信息。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；針對計(jì)算快速性要求，提出了全局特征與語義特征的表征方法；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。通過對上述特征進(jìn)行層次化組織，完成“道路指紋”的表征建模。通過對道路上各個(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、場景結(jié)構(gòu)信息，完成道路指紋庫構(gòu)建工作。在定位過程中，首先通過車載傳感器獲取的數(shù)據(jù)實(shí)時(shí)完成“道路指紋”計(jì)算，然后通過匹配道路指紋庫，完成車輛的高精度位置計(jì)算。在開發(fā)的“道路指紋”技術(shù)基礎(chǔ)上，分別從視覺道路指紋定位、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)，為解決智能車路系統(tǒng)中的高精度定位問題，特別是衛(wèi)星信號盲區(qū)下的高精度定位問題，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)及其在智能車路系統(tǒng)中的應(yīng)用）

針對智能車路徑規(guī)劃問題，研究了基于激光雷達(dá)（LiDAR）數(shù)據(jù)的智能車駕駛場景建模方法，采集待建模場景的三維激光雷達(dá)點(diǎn)云數(shù)據(jù)，通過點(diǎn)云分割處理，去除車輛行駛道路上的點(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)劃的路徑長度方面降低了約15.5%，在計(jì)算時(shí)間上降低約38.2%；對比傳統(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場景建模的智能車路徑規(guī)劃）