Feb, 2024

SHM-Traffic: 基于 DRL 和迁移学习的无人机控制，用于道路上的桥梁结构健康监测

PDF
TL;DR使用深度强化学习为无人机提出一种针对有交通的桥梁进行结构健康监测的先进技术，利用两种边缘检测技术对裂缝进行检测和定位，并探讨了边缘检测和卷积神经网络在损伤检测方面的优劣，通过实验评估了该方法的有效性。
发现论文，激发创造
  • 结构健康监测的基础模型

    使用 Transformer 神经网络和自监督预训练技术进行结构健康监测，超过传统方法在异常检测和交通负荷估计等任务上的性能，并通过模型大小和精确度的权衡实现在边缘节点嵌入较小的 Transformers。

    Apr, 2024

  • 在结构健康监控领域集成边缘 AI 技术

    本研究旨在探索将边缘人工智能（AI）与结构健康监测领域相结合，例如在实时桥梁检查任务中，将商用的 Google Coral Dev Board 或 Kneron KL520 等边缘 AI 平台应用于决策支持系统，以便在物理现场上执行实时推断，从而进行其准确性、混淆矩阵生成和推理时间的评估。

    Apr, 2023

  • 针对钢桥高分辨率图像中裂缝的深度学习分割

    利用无人机和图像处理技术自动化当前桥梁视觉检查实践是提高检查效果、鲁棒性和降低成本的一种显著途径。本文研究了一种新颖的深度学习方法，用于检测高分辨率钢桥图像中的疲劳裂纹，首先，我们介绍了一个包含钢桥裂纹图像的新颖而具有挑战性的数据集。其次，我们将 ConvNext 神经网络与先前最先进的编码器 - 解码器网络集成，进行裂纹分割研究和报告，并研究了在应用于高分辨率钢桥裂纹图像时使用背景补丁对网络性能的影响。最后，我们引入了一种损失函数，允许在训练过程中使用更多的背景补丁，从而显著降低了误报率。

    Mar, 2024

  • 基于 CNN 的时间序列传感器数据结构损伤检测

    这项研究引入了一种创新的卷积神经网络算法来检测结构损伤，通过从时间序列数据中提取深度空间特征，并利用长期时间连接教授卷积神经网络识别时空特征，结合两类时间序列数据（完好和损坏）的方法验证了其有效性，并证明该新的卷积神经网络算法在检测结构退化方面非常准确。

    Nov, 2023

  • 利用图神经网络的迁移学习进行短期高速公路交通预测

    本研究对基于扩散卷积循环神经网络的高速公路网络预测进行了转移学习，从而可以通过少量数据预测未知区域的交通情况，并在加利福尼亚高速公路网络上进行了测试。

    Apr, 2020

  • 多无人机速度控制和避碰与切换意识的小区关联：具有行动分支的深度强化学习

    本研究提出了一个深度强化学习解决方案，用于优化多无人机的小区关联决策以及它们在三维空中高速公路上的移动速度。该论文的目标是提高交通和通信性能，包括避免碰撞、连通性和切换。使用了分支决策网络结构，模拟结果显示相比现有基准提高了 18.32% 的性能。

    Jul, 2023

  • 基于深度卷积神经网络和自适应阈值法的道路裂纹检测

    本文提出了基于深度学习和自适应图像分割的道路龟裂检测算法，该算法采用深度卷积神经网络、双边滤波和自适应阈值方法，可以高效准确地检测道路表面龟裂并扩大安全。

    Apr, 2019

  • 强化学习在车载系统中的统一自动控制

    本文提出了一种简化的车辆微观模拟方法，并使用深度强化学习优化了具有不同车辆组成的六个交通系统的控制策略，发现了类似于波浪消减、交通信号和匝道计量等的多种新行为，并分析了这些行为以获得可解释的控制策略。

    Jul, 2022

  • 基于深度强化学习的 无人机无线数据采集路径规划

    该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

    Jul, 2020

  • 基于策略深度强化学习和智能路由的自主车辆交通管理

    提出了一种基于深度强化学习的信号控制系统，该系统可以根据交通状况动态调整信号并使用重新路由技术平衡道路网络上的车辆，以帮助优化交通流的管理和减少拥堵。

    Jun, 2022