个性化三维（Three-dimensional,3D）头部模型在头相关传输函数（Head-Related Transfer Function,HRTF）和虚拟听觉重放（Virtual Auditory Display,VAD）中有着重要应用。光学扫描是获取3D头部模型的常用方法，但不同光学扫描方式的...
详细信息
个性化三维（Three-dimensional,3D）头部模型在头相关传输函数（Head-Related Transfer Function,HRTF）和虚拟听觉重放（Virtual Auditory Display,VAD）中有着重要应用。光学扫描是获取3D头部模型的常用方法，但不同光学扫描方式的误差及其对HRTF的影响尚不明确。本文以自主设计的3D头部模型为参照模型MO（基准），并将3D打印制作的模型作为扫描对象。选取三款代表性光学扫描设备（手持式红色激光扫描仪HandySCAN 300、手持式白光发光二极管扫描仪Reeyee Pro 2X、红外激光iPhone12手机）扫描得到对应的模型MH,MR和MI。为评价新采集模型曲面精度，对比了模型间图形偏差的色阶图和偏差距离均方根值（Root Mean Square,RMS），进一步分析模型精度对HRTF数据的影响，对比了模型间的HRTF谱误差。结果表明，图形偏差主要集中在耳廓局部细节，HRTF谱误差主要出现在高频。相较而言，模型MH与MO最为接近，曲面误差基本在±0.40 mm以内，超过3.0 dB的HRTF谱误差仅出现在8kHz以上的频段，而这种误差只在少数空间方向中观察到。模型MR和MI相比于MO的曲面误差分别达到约-0.90mm–1.90 mm和-1.20mm–3.20 mm,8kHz以上HRTF谱误差在大多数方向均超过3.0 dB。相关研究为3D头部扫描方式选用提供了参考依据。
为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of S...
详细信息
为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of Safety Margin,RDSM)评估车辆实时跟驰风险水平,采用模糊C-均值聚类方法将风险水平划分为无风险或低风险、中风险及高风险;从跟驰前车类型、车辆在隧道内位置、驾驶环境、当前时刻的车辆驾驶和交互状态,以及历史的车辆驾驶和交互状态这5个方面,在数据中选取26项潜在影响因素,构建两类车辆的多项Logit模型和相关随机参数Logit模型,分析和比较各项因素对两类车辆的高速公路隧道实时跟驰风险的影响,揭示影响因素的异质性。结果表明:大型车在隧道内的实时跟驰风险受到更多因素的影响;跟驰车辆与其前车的车辆类型不同时,隧道实时跟驰风险会相对降低;前车驾驶状态的波动更容易导致跟驰高风险;平均边际效应显示,相比于在隧道进口段,小型车在隧道出口段实时跟驰风险为高风险的概率增加了0.0413,大型车在隧道内部路段实时跟驰风险为高风险的概率增加了0.0155;高风险状态下的跟驰间距标准差在两类车辆中均表现出异质性。
维普期刊数据库
同方期刊数据库
暂无评论