简介:脑力负荷的准确预测是研究装甲车辆乘员信息处理作业的关键技术,对提高人机系统设计的合理性具有重要意义。为有效解决应急任务条件下装甲车辆乘员信息处理作业的脑力负荷预测问题,针对装甲车辆乘员作业向信息处理作业转变的基本趋势,结合信息处理作业操作元模型和认知图式分析,基于信息执行通道任务-网络建模方法构建了脑力负荷预测模型,量化了工作资源参数,并面向目标录入典型信息处理作业对预测模型进行了实例应用。结果表明:该模型能够清晰地描述装甲车辆乘员信息处理作业脑力负荷变化情况,有效地找出脑力负荷异常的时间节点和产生原因,量化预测作业各时刻脑力负荷,具有较好的预测精度和可重用性。
简介:为提高无人车行驶过程中前方车辆检测的准确性和实时性,提出了基于激光雷达(LIghtDetectionAndRanging,LIDAR)深度信息和视觉方向梯度直方图(HistogramsofOrientedGradients,HOG)特征的车辆识别和跟踪方法。目标首次进入视野时,聚类处理激光雷达深度信息并确定假设目标的候选区域,采用车辆尾部的HOG特征对假设目标进行验证。在HOG特征验证前,基于最小二乘支持向量机(LeastSquaresSupportVectorMachine,LS-SVM)算法对样本集HOG特征进行训练学习,生成车辆分类器模型。对于验证后的目标车辆,采用激光雷达获取的深度信息对目标车辆进行持续跟踪。构建了2种车辆模型,结合最小二乘直线拟合方法提取出车辆特征,生成目标模型。同时,提出了基于多特征马氏距离的目标关联代价方程,实现了多目标的关联;完成了基于卡尔曼滤波的车辆状态滤波和位置估计,更新了跟踪器模型。通过有效的管理策略,实现了目标跟踪的3个状态:1)初始化模型的生成;2)跟踪过程中跟踪器的更新与预测;3)目标驶离视野时跟踪器的删除。最后,通过试验验证了跟踪算法的有效性。