生产力在不断进步，推动着科技的进步与革新，以建立更加合理的生产关系。自工业革命以来，人力劳动已经逐渐被机械所取代，而这种变革为人类社会创造出巨大的财富，极大地推动了人类社会的进步。时至今天，机电一体化，机械智能化等技术应运而生并已经成为时代的主旋律。人类充分发挥主观能动性，进一步增强对机械的利用效率，使之为我们创造出愈加巨大的生产力，并在一定程度上维护了社会的和谐。工业机器人的出现是人类在利用机械进行社会生产史上的一个里程碑。在发达国家中，工业机器人自动化生产线成套设备已成为自动化装备的主流及未来的发展方向。国外汽车行业、电子电器行业、工程机械等行业已经大量使用工业机器人自动化生产线，以保证产品质量，提高生产效率，同时避免了大量的工伤事故。全球诸多国家近半个世纪的工业机器人的使用实践表明，工业机器人的普及是实现自动化生产，提高社会生产效率，推动企业和社会生产力发展的有效手段。机器人的历史并不算长，1959年美国英格伯格和德沃尔制造出世界上第一台工业机器人，机器人的历史才真正开始。德沃尔曾于1946年发明了一种系统，可以“重演”所记录的机器的运动。1954年,德沃尔又获得可编程机械手专利，这种机械手臂按程序进行工作，可以根据不同的工作需要编制不同的程序，因此具有通用性和灵活性，英格伯格和德沃尔都在研究机器人，认为汽车工业最适于用机器人干活，因为是用重型机器进行工作，生产过程较为固定。1959年，英格伯格和德沃尔联手制造出第一台工业机器人。我国1993年的机器人装机台数约在1000台,仅占全世界的,显得无足轻重,其中,国产机器人所占比例更低。 目前我国的机器人总数虽然较少,但国内机器人市场需求却很大,并呈上升趋势。在国家"七五"和"八五"攻关以及"863"计划等的推动下,我国机器人技术已有较大发展。智能机器人的研究获得进展,在机器人技术型号、机器人应用工程和机器人基础技术研究等方面取得显著成绩,跟踪了国际高级机器人技术,缩短了与国际先进水平的差距。1993年,全国机器人装机台数比1991年翻了一番,相对增长率很大。 尽管有人对我国发展机器人技术尚存模糊认识,但是,越来越多的人已经认识到,高级机器人(包括工业机器人和智能机器人)是关键的自动化技术之一,是我国现代化建设必不可少的重要技术。这种高技术涉及柔性加工系统(FMS)、计算机集成制造系统(CIMS)、智能制造系统(IMS)、柔性自动化(FA)和自动工厂(AF)等, 机器人是多学科交叉的产物，集成了运动学与动力学、机械设计与制造、计算机硬件与软件、控制与传感器、模式识别与人工智能等学科领域的先进理论与技术。同时，它又是一类典型的自动化机器，是专用自动机器、数控机器的延伸与发展。当前，社会需求和技术进步都对机器人向智能化发展提出了新的要求。 随着社会进步的步伐日益加快，对自动化的需求正在从制造业向工程、社会、生活等广泛领域扩展。原来在工厂结构化环境下工作的自动机器或工业机器人，适合于大规模、较少柔性和变动的生产环境，对智能程度并无过高要求，而在广泛领域内所需要的自动机器，则要满足不同的非结构环境下的不同需求，必须具有综合集成和自主的能力，向以技术集成为特征征的智能机器人发展。信息技术需要载体，用信息化改造传统工业和各行各业，最后都要落实到用自动机器去完成信息的物化，机器人就是其载体之一。而另一方面，信息技术的发展，特别是高性能计算机、通讯网络和电子器件、模式识别和信号处理、软件等技术的进展，又可促进机器人本身“智力”和“体质”的增强，为机器人向智能化、多样化发展创造条件，机器人技术与信息技术的这种互动发展在信息技术飞速发展的今天更为突出，这使机器人的高技术含量不断得到提升，始终处于高技术研究的前沿。 机器人由于本身具有无限的想象空间，历来是概念创新、技术创新的源泉，无论是在空间、水下、救灾、服务、医疗、娱乐……领域，都可根据需要设想出具有对应功能的智能机器人，而且这种想象空间由低到高，永无止境。当前，由于自动化的概念正在急速向广泛领域扩展，而信息技术的发展又极大地提高了机器人的智能程度，使这种想象空间的扩展有了需求和实现的可能，从而会更加激励围绕机器人的概念创新和技术创新，并蕴含着产生各种竞争前核心技术的可能性，从而必然是国际科技创新的重要竞争点。 机器人是多学科交叉的产物，但随着机器人应用环境和任务的复杂化，在非结构复杂环境下的信息综合与处理、针对复杂任务的规划和协调的难度和影响变得突出，需要采用信息反馈、优化控制、协调集成的理论、方法与技术去解决，控制学科在系统优化和综合集成方面的优势，将越来越在智能机器人中发挥主导作用。而智能机器人作为一种自动化系统，无论在理论与技术的覆盖面与前沿性、与各种先进信息技术的结合以及物理实现的多样性方面都是其它任何一类自动化系统所不能比拟的。因此，机器人在自动化科学技术中的代表性和地位将随着其应用范围的拓宽、所采用信息技术的更新和智能程度的提高，得到进一步的认可。 在机器人向智能化的发展中，多机器人协作系统是一类具有覆盖性的技术集成平台。如果说单个机器人的智能化还只是使个体的人变得更聪明，那么多机器人协作系统则不但要有一批聪明的人，还要求他们能有效地合作。所以它不仅反映了个体智能，而且反映了集体智能，是对人类社会生产活动的想象和创新探索。 多机器人协作系统有着广泛的应用背景，它与自动化向非制造领域的扩展有着密切的联系，由于应用环境转向非结构化，多移动机器人系统应能适应任务的变化以及环境的不确定性，必须具有高度的决策智能，因而，对多移动机器人协作的研究已不单纯是控制的协调，而是整个系统的协调与合作。在这里，多机器人系统的组织与控制方式在很大程度上决定了系统的有效性。多机器人协作系统还是实现分布式人工智能的典范。分布式人工智能的核心是把整个系统分成若干智能、自治的子系统，它们在物理和地理上分散，可独立地执行任务，同时又可通过通信交换信息，相互协调，从而同完成整体任务，这无疑对完成大规模和复的任务是富有吸引力的，因而很快在军事、信及其他应用领域得到了广泛重视。多机器协作系统正是这种理念的具体实现，其中每机器人都可看作是自主的智能体，这种多智体机器人系统MARS（Multi—AgentRoboticSystems）现已成为机器人学中一个新的研究热点。 多移动机器人系统由于具有移动功能，能在非结构环境下完成复杂任务，是多机器人协作系统中最具典型意义和应用前景、也是得到最广泛研究的一类系统。 体系结构是系统中机器人之间逻辑上和物理上的信息关系和控制关系，以及问题解能力的分布模式，它是多移动机器人协作行为的基础。一般地，多移动机器人协作系统的体系结构分为集中式（Centralized）和分式（Distributed）两种。集中式体系结构可用一个单一的主控机器人（Leader）来规划，该机器人具有关于系统活动的所有信息。而分布式体系结构则没有这样一个机器人，其中所有机器人相对于控制是平等的。尽管集中式体系结构可实现全局最优求解，但因考虑到不确定性影响，实际上人们更偏好分布式结构。近年采，在分布式体系结构中，为了克服机器人在实际环境中对环境建模的困难，，提高多移动机器人协作系统的鲁棒性和作业能力，一些学者采用了基于行为的反应式控制体力，一些学者采用了基于行为的反应式控制体系结构，将合作行为建立在一种反应模式上，加快了移动机器人对外界的响应，避免了复杂的推理，从而提高了系统的实时性。 感知是智能机器人行动的基础，包括“感觉”（传感）和“知道与理解”信息融合与利用）。在移动机器人中最主要的感知问题是定位和环境建模问题[7]o虽然已有里程计推算、基于视觉的路标识别、基于地图匹配的全局定位、陀螺导航、GPS等多种定位方法，但在未知非结构环境中，目前有GPS才能实现可实用的全局定位。但GPS同时受到精度、安全等因素的限制。如何借助机器人之间的配合提高定位和环境建模能力，是研究多移动机器人系统智能的重要内容。近年来，提出了多种环境地图建立与定位的同步处理方法[8]，其中环境建模与定位过程是相互伴随的，两者在彼此迭代的过程中逐步清晰化，但往往要求苛刻的环境条件。此外，在不少协作任务中只需要合作者间的相对位置信息，如编队及局部避碰等，因此基于传感器的局部定位也受到关注，机器人之间通过超声、红外、激光或视觉等传感器相互探测，然后通过统计、滤波等算法进行信息融合，由此得到系统中各机器人的相对位置。 我国在该领域的研究工作已经起步，在863计划、自然科学基金等资助下，经过多年的持续研究，国内已经有一批单位，在局部领域达到了较高的研究水平，实验研究情况也有了明显改善，但也遇到了诸多困难，尤其是在复杂系统控制与分布式智能领域的相关基础研究明显不足，缺乏强有力的理论和技术支持，而且大部分技术对环境的要求比较苛刻这诸多原因限制了多移动机器人系统的发展和向实用系统的转化面对真实世界的非结构化和动态特点，高适应性，、高柔性的协作理论、方法与技术将是今后的研究重点。
高速公路开车看路标可以看以下方式：
1、高速公路属于高等级公路，属于全封闭道路，通行速度较国道和省道高出很多。在路牌标识中高速公路与国道相同用字母G开头
2、各国尽管对高速公路的命名不同，但都是专指有4车道（包括）以上、两向分隔行驶、完全控制出入口、全部采用立体交叉的公路。此外，有不少国家对部分控制出入口、非全部采用立体交叉的直达干线也称为高速公路。
3、服务区路标：服务区路标告知高速公路的服务区以及其距离。
4、交汇点路标：交汇点路标告知高速公路与重点国道及其他高速公路的连接。
5、高速终点路标：高速终点路标告知在（一般是1000-500米时）马上要到达终点，标志是两条平行竖线和桥之间有一条红斜杠。
6、高速起点路标：高速起点告知马上要到达起点，标志平行竖线和桥。
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：
深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。 目标检测可以理解为是物体识别和物体定位的综合 ，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在图片中的具体位置。 2014年R-CNN算法被提出，基本奠定了two-stage方式在目标检测领域的应用。它的算法结构如下图 算法步骤如下： R-CNN较传统的目标检测算法获得了50%的性能提升，在使用VGG-16模型作为物体识别模型情况下，在voc2007数据集上可以取得66%的准确率，已经算还不错的一个成绩了。其最大的问题是速度很慢，内存占用量很大，主要原因有两个 针对R-CNN的部分问题，2015年微软提出了Fast R-CNN算法，它主要优化了两个问题。 R-CNN和fast R-CNN均存在一个问题，那就是 由选择性搜索来生成候选框，这个算法很慢 。而且R-CNN中生成的2000个左右的候选框全部需要经过一次卷积神经网络，也就是需要经过2000次左右的CNN网络，这个是十分耗时的（fast R-CNN已经做了改进，只需要对整图经过一次CNN网络）。这也是导致这两个算法检测速度较慢的最主要原因。 faster R-CNN 针对这个问题， 提出了RPN网络来进行候选框的获取，从而摆脱了选择性搜索算法，也只需要一次卷积层操作，从而大大提高了识别速度 。这个算法十分复杂，我们会详细分析。它的基本结构如下图 主要分为四个步骤： 使用VGG-16卷积模型的网络结构： 卷积层采用的VGG-16模型，先将PxQ的原始图片，缩放裁剪为MxN的图片，然后经过13个conv-relu层，其中会穿插4个max-pooling层。所有的卷积的kernel都是3x3的，padding为1，stride为1。pooling层kernel为2x2, padding为0，stride为2。 MxN的图片，经过卷积层后，变为了(M/16) x (N/16)的feature map了。 faster R-CNN抛弃了R-CNN中的选择性搜索（selective search）方法，使用RPN层来生成候选框，能极大的提升候选框的生成速度。RPN层先经过3x3的卷积运算，然后分为两路。一路用来判断候选框是前景还是背景，它先reshape成一维向量，然后softmax来判断是前景还是背景，然后reshape恢复为二维feature map。另一路用来确定候选框的位置，通过bounding box regression实现，后面再详细讲。两路计算结束后，挑选出前景候选框（因为物体在前景中），并利用计算得到的候选框位置，得到我们感兴趣的特征子图proposal。 卷积层提取原始图像信息，得到了256个feature map，经过RPN层的3x3卷积后，仍然为256个feature map。但是每个点融合了周围3x3的空间信息。对每个feature map上的一个点，生成k个anchor（k默认为9）。anchor分为前景和背景两类（我们先不去管它具体是飞机还是汽车，只用区分它是前景还是背景即可）。anchor有[x,y,w,h]四个坐标偏移量，x,y表示中心点坐标，w和h表示宽度和高度。这样，对于feature map上的每个点，就得到了k个大小形状各不相同的选区region。 对于生成的anchors，我们首先要判断它是前景还是背景。由于感兴趣的物体位于前景中，故经过这一步之后，我们就可以舍弃背景anchors了。大部分的anchors都是属于背景，故这一步可以筛选掉很多无用的anchor，从而减少全连接层的计算量。 对于经过了3x3的卷积后得到的256个feature map，先经过1x1的卷积，变换为18个feature map。然后reshape为一维向量，经过softmax判断是前景还是背景。此处reshape的唯一作用就是让数据可以进行softmax计算。然后输出识别得到的前景anchors。 另一路用来确定候选框的位置，也就是anchors的[x,y,w,h]坐标值。如下图所示，红色代表我们当前的选区，绿色代表真实的选区。虽然我们当前的选取能够大概框选出飞机，但离绿色的真实位置和形状还是有很大差别，故需要对生成的anchors进行调整。这个过程我们称为bounding box regression。 假设红色框的坐标为[x,y,w,h], 绿色框，也就是目标框的坐标为[Gx, Gy,Gw,Gh], 我们要建立一个变换，使得[x,y,w,h]能够变为[Gx, Gy,Gw,Gh]。最简单的思路是，先做平移，使得中心点接近，然后进行缩放，使得w和h接近。如下：我们要学习的就是dx dy dw dh这四个变换。由于是线性变换，我们可以用线性回归来建模。设定loss和优化方法后，就可以利用深度学习进行训练，并得到模型了。对于空间位置loss，我们一般采用均方差算法，而不是交叉熵（交叉熵使用在分类预测中）。优化方法可以采用自适应梯度下降算法Adam。 得到了前景anchors，并确定了他们的位置和形状后，我们就可以输出前景的特征子图proposal了。步骤如下： 1，得到前景anchors和他们的[x y w h]坐标。 2，按照anchors为前景的不同概率，从大到小排序，选取前pre_nms_topN个anchors，比如前6000个 3，剔除非常小的anchors。 4，通过NMS非极大值抑制，从anchors中找出置信度较高的。这个主要是为了解决选取交叠问题。首先计算每一个选区面积，然后根据他们在softmax中的score（也就是是否为前景的概率）进行排序，将score最大的选区放入队列中。接下来，计算其余选区与当前最大score选区的IOU（IOU为两box交集面积除以两box并集面积，它衡量了两个box之间重叠程度）。去除IOU大于设定阈值的选区。这样就解决了选区重叠问题。 5，选取前post_nms_topN个结果作为最终选区proposal进行输出，比如300个。 经过这一步之后，物体定位应该就基本结束了，剩下的就是物体识别了。 和fast R-CNN中类似，这一层主要解决之前得到的proposal大小形状各不相同，导致没法做全连接。全连接计算只能对确定的shape进行运算，故必须使proposal大小形状变为相同。通过裁剪和缩放的手段，可以解决这个问题，但会带来信息丢失和图片形变问题。我们使用ROI pooling可以有效的解决这个问题。 ROI pooling中，如果目标输出为MxN，则在水平和竖直方向上，将输入proposal划分为MxN份，每一份取最大值，从而得到MxN的输出特征图。 ROI Pooling层后的特征图，通过全连接层与softmax，就可以计算属于哪个具体类别，比如人，狗，飞机，并可以得到cls_prob概率向量。同时再次利用bounding box regression精细调整proposal位置，得到bbox_pred，用于回归更加精确的目标检测框。 这样就完成了faster R-CNN的整个过程了。算法还是相当复杂的，对于每个细节需要反复理解。faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。 针对于two-stage目标检测算法普遍存在的运算速度慢的缺点， yolo创造性的提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。 yolo直接在输出层回归bounding box的位置和bounding box所属类别，从而实现one-stage。通过这种方式， yolo可实现45帧每秒的运算速度，完全能满足实时性要求 （达到24帧每秒，人眼就认为是连续的）。它的网络结构如下图： 主要分为三个部分：卷积层，目标检测层，NMS筛选层。 采用Google inceptionV1网络，对应到上图中的第一个阶段，共20层。这一层主要是进行特征提取，从而提高模型泛化能力。但作者对inceptionV1进行了改造，他没有使用inception module结构，而是用一个1x1的卷积，并联一个3x3的卷积来替代。（可以认为只使用了inception module中的一个分支，应该是为了简化网络结构） 先经过4个卷积层和2个全连接层，最后生成7x7x30的输出。先经过4个卷积层的目的是为了提高模型泛化能力。yolo将一副448x448的原图分割成了7x7个网格，每个网格要预测两个bounding box的坐标(x,y,w,h)和box内包含物体的置信度confidence，以及物体属于20类别中每一类的概率（yolo的训练数据为voc2012，它是一个20分类的数据集）。所以一个网格对应的参数为（4x2+2+20) = 30。如下图 其中前一项表示有无人工标记的物体落入了网格内，如果有则为1，否则为0。第二项代表bounding box和真实标记的box之间的重合度。它等于两个box面积交集，除以面积并集。值越大则box越接近真实位置。 分类信息： yolo的目标训练集为voc2012，它是一个20分类的目标检测数据集 。常用目标检测数据集如下表： | Name | # Images (trainval) | # Classes | Last updated | | --------------- | ------------------- | --------- | ------------ | | ImageNet | 450k | 200 | 2015 | | COCO | 120K | 90 | 2014 | | Pascal VOC | 12k | 20 | 2012 | | Oxford-IIIT Pet | 7K | 37 | 2012 | | KITTI Vision | 7K | 3 | | 每个网格还需要预测它属于20分类中每一个类别的概率。分类信息是针对每个网格的，而不是bounding box。故只需要20个，而不是40个。而confidence则是针对bounding box的，它只表示box内是否有物体，而不需要预测物体是20分类中的哪一个，故只需要2个参数。虽然分类信息和confidence都是概率，但表达含义完全不同。 筛选层是为了在多个结果中（多个bounding box）筛选出最合适的几个，这个方法和faster R-CNN 中基本相同。都是先过滤掉score低于阈值的box，对剩下的box进行NMS非极大值抑制，去除掉重叠度比较高的box（NMS具体算法可以回顾上面faster R-CNN小节）。这样就得到了最终的最合适的几个box和他们的类别。 yolo的损失函数包含三部分，位置误差，confidence误差，分类误差。具体公式如下： 误差均采用了均方差算法，其实我认为，位置误差应该采用均方差算法，而分类误差应该采用交叉熵。由于物体位置只有4个参数，而类别有20个参数，他们的累加和不同。如果赋予相同的权重，显然不合理。故yolo中位置误差权重为5，类别误差权重为1。由于我们不是特别关心不包含物体的bounding box，故赋予不包含物体的box的置信度confidence误差的权重为，包含物体的权重则为1。 Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。而yolo则相反，速度快，但准确率和漏检率不尽人意。SSD综合了他们的优缺点，对输入300x300的图像，在voc2007数据集上test，能够达到58 帧每秒( Titan X 的 GPU )，的mAP。 SSD网络结构如下图： 和yolo一样，也分为三部分：卷积层，目标检测层和NMS筛选层 SSD论文采用了VGG16的基础网络，其实这也是几乎所有目标检测神经网络的惯用方法。先用一个CNN网络来提取特征，然后再进行后续的目标定位和目标分类识别。 这一层由5个卷积层和一个平均池化层组成。去掉了最后的全连接层。SSD认为目标检测中的物体，只与周围信息相关，它的感受野不是全局的，故没必要也不应该做全连接。SSD的特点如下。 每一个卷积层，都会输出不同大小感受野的feature map。在这些不同尺度的feature map上，进行目标位置和类别的训练和预测，从而达到 多尺度检测 的目的，可以克服yolo对于宽高比不常见的物体，识别准确率较低的问题。而yolo中，只在最后一个卷积层上做目标位置和类别的训练和预测。这是SSD相对于yolo能提高准确率的一个关键所在。 如上所示，在每个卷积层上都会进行目标检测和分类，最后由NMS进行筛选，输出最终的结果。多尺度feature map上做目标检测，就相当于多了很多宽高比例的bounding box，可以大大提高泛化能力。 和faster R-CNN相似，SSD也提出了anchor的概念。卷积输出的feature map，每个点对应为原图的一个区域的中心点。以这个点为中心，构造出6个宽高比例不同，大小不同的anchor（SSD中称为default box）。每个anchor对应4个位置参数(x,y,w,h)和21个类别概率（voc训练集为20分类问题，在加上anchor是否为背景，共21分类）。如下图所示： 另外，在训练阶段，SSD将正负样本比例定位1：3。训练集给定了输入图像以及每个物体的真实区域（ground true box），将default box和真实box最接近的选为正样本。然后在剩下的default box中选择任意一个与真实box IOU大于的，作为正样本。而其他的则作为负样本。由于绝大部分的box为负样本，会导致正负失衡，故根据每个box类别概率排序，使正负比例保持在1：3。SSD认为这个策略提高了4%的准确率 另外，SSD采用了数据增强。生成与目标物体真实box间IOU为 的patch，随机选取这些patch参与训练，并对他们进行随机水平翻转等操作。SSD认为这个策略提高了的准确率。 和yolo的筛选层基本一致，同样先过滤掉类别概率低于阈值的default box，再采用NMS非极大值抑制，筛掉重叠度较高的。只不过SSD综合了各个不同feature map上的目标检测输出的default box。 SSD基本已经可以满足我们手机端上实时物体检测需求了，TensorFlow在Android上的目标检测官方模型，就是通过SSD算法实现的。它的基础卷积网络采用的是mobileNet，适合在终端上部署和运行。 针对yolo准确率不高，容易漏检，对长宽比不常见物体效果差等问题，结合SSD的特点，提出了yoloV2。它主要还是采用了yolo的网络结构，在其基础上做了一些优化和改进，如下 网络采用DarkNet-19：19层，里面包含了大量3x3卷积，同时借鉴inceptionV1，加入1x1卷积核全局平均池化层。结构如下 yolo和yoloV2只能识别20类物体，为了优化这个问题，提出了yolo9000，可以识别9000类物体。它在yoloV2基础上，进行了imageNet和coco的联合训练。这种方式充分利用imageNet可以识别1000类物体和coco可以进行目标位置检测的优点。当使用imageNet训练时，只更新物体分类相关的参数。而使用coco时，则更新全部所有参数。 YOLOv3可以说出来直接吊打一切图像检测算法。比同期的DSSD(反卷积SSD), FPN（feature pyramid networks）准确率更高或相仿，速度是其1/3.。 YOLOv3的改动主要有如下几点：不过如果要求更精准的预测边框，采用COCO AP做评估标准的话，YOLO3在精确率上的表现就弱了一些。如下图所示。 当前目标检测模型算法也是层出不穷。在two-stage领域， 2017年Facebook提出了mask R-CNN 。CMU也提出了A-Fast-RCNN 算法，将对抗学习引入到目标检测领域。Face++也提出了Light-Head R-CNN，主要探讨了 R-CNN 如何在物体检测中平衡精确度和速度。 one-stage领域也是百花齐放，2017年首尔大学提出 R-SSD 算法，主要解决小尺寸物体检测效果差的问题。清华大学提出了 RON 算法，结合 two stage 名的方法和 one stage 方法的优势，更加关注多尺度对象定位和负空间样本挖掘问题。 目标检测领域的深度学习算法，需要进行目标定位和物体识别，算法相对来说还是很复杂的。当前各种新算法也是层不出穷，但模型之间有很强的延续性，大部分模型算法都是借鉴了前人的思想，站在巨人的肩膀上。我们需要知道经典模型的特点，这些tricks是为了解决什么问题，以及为什么解决了这些问题。这样才能举一反三，万变不离其宗。综合下来，目标检测领域主要的难点如下： 一文读懂目标检测AI算法：R-CNN，faster R-CNN，yolo，SSD，yoloV2 从YOLOv1到v3的进化之路 SSD-Tensorflow超详细解析【一】：加载模型对图片进行测试 YOLO C#项目参考： 项目实践贴个图。
路基路面病害科学检测与养护措施论文
摘要 ：首先介绍了高速公路路基路面普遍的病害。随后就高速公路路基路面病害问题的检测技术展开探讨，包括检测原则、选择检测技术、检测技术种类。重点分析了高速公路路面路基病害的预防养护措施，如路基、路面早期病害的原因和表现以及高速公路预防和养护措施。结论证实，要运用科学的检测技术，在高速公路施工结束早期及早检测出存在的病害问题，找出问题并进行及时的预防养护，保证高速公路施工符合建设要求。
关键词 ：高速公路；路基路面病害；科学检测；预防养护
1高速公路路基路面普遍的病害
车辙损害
车辙损害是高速公路路面常见的病害情况，主要特点是路面具有明显的车辙痕迹，还有的发生明显的凹陷，导致发生车辙损害的原因有两个。第一是路面材料不耐高温，在夏季日晒情况下路面会变软，从而导致车辙出现。第二原因是车辆超载，当车辆载荷过大超出路基承载范围，就会发生路面沉降，导致车辙出现。
结构性破坏
高速公路发生结构破坏具有多种表现，包括网状裂纹、横裂纹等种类。引发高速公路出现结构破坏的原因非常多，可以总结为三种。一是高速公路受到外部水体侵蚀，对材料结构造成破坏，引发结构破坏。二是路面防水层性能比较低，不能起到很好的防水效果，雨水冲刷后破坏了公路结构。三是没有很好的养护管理，外界温度会影响混凝土收缩变化，最终导致裂缝出现。
沉降不均
高速公路建设中非常容易出现沉降不均，这个问题很难处理。导致沉降不均的原因非常多。施工方面的因素是，路基碾压施工不够合理，没有达到设计标准。此外，路基施工材料填筑不合格，压缩系数及路基设计都有偏差，这样都引发了沉降出现。施工以外的因素包括，没有勘察好施工地质条件，导致发生沉降隐患。
2高速公路路基路面病害问题的检测技术
检测原则
对高速公路定期检测可以全面了解公路的情况，做好公路的全面诊断。为了全方面检测公路病害情况，要制定科学化的检测流程，进行科学化的检测，才能获得准确的检测结果并制定出相应的解决方法。及时检测路基路面的病害问题，可以促进高速公路的使用和发展。检测时，要遵循相关的原则开展，主要有：一，确保检测结果准确无误。对病害进行检测是为了及时发现高速公路路基路面存在的不同质量问题，尽快消除隐患，提高高速公路安全性。二，确保检测高效。检测病害问题时，一般是在公路施工结束后进行，还有的在正式运营后。当公路通车运营后，进行病害检测会对正常交通造成影响，所以需要提高检测工作的效率，可以在短时间内就完成工作，恢复正常运营。三，要确保病害检测具有经济性。经济性指的是，在一定成本下，能够进行高质量的检测，避免浪费。四，要遵循针对性检测原则。在高速公路路基路面进行全面检测的同时，还要做好针对性的检测。检测过程中有针对性和目的性，既可以缩短公路检测时间，又可以节省公路检测中的人力和物力。因此遵照针对性原则，可以显著提升检测效率，还能做到有针对性。比如在卡车经常路过的路段进行针对性检测，可以及时发现由于重载负荷引起的路基路面病害，这就要配合交警部门严格查处违法超载车辆，由于连年超载会导致高速公路发生严重损害，必须技术加以维护。
选择检测技术
对高速公路路基路面病害检测要运用多种检测技术，在不同条件下，选择的检测技术是各不相同的。所以，要针对高速公路具体的病害问题，采取恰当的检测技术。当路面发生病害不会影响到正常交通的时候，可以采用无损检测全面检查路面，一旦发现问题要及时处理。如果高速公路路面发生大面积损害，首先要采用无损检测技术，但如果不能达到检测效果，就要采用破坏性的检测技术。例如，对路面网状裂缝进行检测时，因为其是受到外界很大的`载荷，对周围环境和交通都会造成很大影响。在这种条件下，就要选择使用破坏性的检测方法，通常采用钻芯取样。当路面遭受的破坏比较大，对交通造成影响时，只能挖除路面，检测路基的情况，才能发现病害原因。
检测技术种类
检测高速公路路基路面病害是一个重要工作，检测内容主要有弯沉检测、平整度检测、摩擦系数检测、路面破损检测和裂缝检测等。用于检测的技术主要包括：雷达探地检测技术、声波检测技术、EH-4连续电导率检测和可控源高分辨地震波检测等。弯沉检测指的是对路基路面出现的沉降和沉降引发的弯曲情况进行检测。平整度检测是对路面平整情况进行检测，它关系到车辆行驶的舒适度。裂缝检测指的是检测路面裂缝引发的原因。以上的检测技术，它们的检测原理是非常不同的，例如雷达探地检测法使用雷达检测路面存在的缺陷；声波探测法通过发出声波对路面病害进行检测。针对不同病害形式，要根据不同表现采取相应的检测，从而保证检测结果的准确和高效。
3高速公路路面路基病害的预防养护措施
路基早期病害的原因和表现
路基是高速公路重要构成部分，一旦路基出现病害会直接影响到公路的整体质量，造成严重的后果。根据调查，路基早期病害表现有非常多类型，会引发行车的安全事故。首先，路基压实度不够高。这会导致路面沉降和路基发生破坏的连锁反应，特别是纵向压实度不够高，路面会出现纵向裂纹。其次经常存在桥头跳车的情况。桥头跳车的出现原因是，由于地基沉降不均匀，使得桥面和路面连接缝位置有了高度差，当车辆通过此高度差的时候就会出现跳车的情况。最后是水破坏问题。水破坏会使路基发生损坏，导致路基质量下降。在一些路段，由于地理的原因，水的流速非常大，会对路基材料进行冲刷，还有的会出现洪水冲刷路基。
路面早期病害的表现
和路基的问题相比，路面具有更加多样的问题。路面早期的病害包括变形破坏、沉降破坏和松散破坏等问题。这些不同的病害相互间既有不同之处，也有内在的联系。针对变形破坏和沉降破坏，这两种病害的表现特点是一样的，还有的时候沉降破坏会导致变形破坏。松散破坏的原因是施工导致的问题，当车辆碾压后，会发生松散破坏，造成车辙、裂纹等问题。
高速公路预防和养护措施
不管是路基病害还是路面病害，当发生早期病害的时候，要及时开展预防养护措施，从而尽快消除问题，确保高速公路施工质量。进行路面预防养护时，先要翻修破损的路面，进行翻修后使公路能够符合通行的要求。比如某地的部分高速公路，在2016年翻修过一次，增强了整体道路质量。另外还要修补破坏不严重的路面。在某个高速路段，落石砸在了路面上，对部分路段造成了不同程度的损害，采用混凝土修补后，使路面满足了高速公路的设计要求。最后，还要对路面裂缝进行处理。当路面出现裂缝时，要找出裂缝的原因，制定针对裂缝的解决对策。比如，当裂缝宽度在2mm以下时，可以使用灌浆法，使用环氧树脂进行填补。一旦裂缝在10mm以上就要进行开挖，安置钢筋架，把环氧树脂灌注在里面，最后使用混凝土抹平。路基预防养护措施为，先要增强桩基，特别是桥梁部分的桩基，采用有效的桩基施工，避免造成沉降。另外，还要加强路基碾压施工，合理制定碾压次数，进行均匀碾压、多次碾压，保证路基材料密实度符合要求，最终保证高速公路在使用过程中不会发生沉降。
4结语
高速公路在施工中，路基路面是重点和难点部分，在施工刚结束的早期阶段，极易存在很多病害问题，比如裂纹、车辙和沉降等问题。这些病害虽然在一段时间内不能影响到整体高速公路的使用性能，但是会大大降低局部路段的行车安全和质量。所以要运用科学的检测技术，在高速公路施工结束早期及早检测出存在的病害问题，及时找出问题并进行及时的预防养护，保证高速公路施工符合建设要求。
参考文献：
[1]张喆，席进.复工续建高速公路路基路面特殊问题及其处理措施研究[J].工程与建设，2014（4）：531-532，547.
[2]张通贤.公路路基路面早期病害检测及处治技术[J].交通世界（建养机械），2014（8）：114-115.
[3]刘海燕.高速公路路基路面病害检测技术的合理选择[J].科技创新与应用，2013（31）：197
[4]郭豪.高速公路路基路面病害的科学检测及预防养护[J].山西建筑，2015（30）：140-142.
[5]何光兵.高速公路沥青路面预防性养护研究[D].西安：长安大学，2012.
[6]鲍晓军.高速公路路基路面病害科学检测与预防养护研究[D].长沙：长沙理工大学，2008.
分析公路沥青路面裂缝成因和措施论文
沥青路面产生裂缝是路面较常见的病害之一。裂缝产生的类型主要有四大类型:①横向裂缝:②纵向裂缝;⑧块状裂缝:④龟裂。无论是哪种裂缝,都是对路面的一种结构性破坏,在其发展的初期对路面的行车功能还未产生大的影响,但在行车荷载,温度以及雨水等的作用下,其破坏程度必将进一步扩大,最终会引起路面结构的破坏,导致行驶功能降低,影响行车安全。
1 横向裂缝
横向裂缝是指与行车路线近于垂直的裂缝,偶尔会伴有少量支缝。横向裂缝在沥青路面中发生次数最多,通常情况下,沥青路面的横向裂缝都能通过面层显现出来,但有时侯半刚性本身的横向开裂并未影响到面层,这种情况下虽然基层的横向裂缝已经存在,但如果不对路面进行开挖或者进行无破损检测是不能知道的。
反射裂缝
沥青面层的特点是强度和刚度较大,变形能力较差,在温度或湿度变化时易产生开裂缝。基层开裂时,如果面层与基层之间的粘结作用好,面层则给予基层约束作用,这一约束导致基层的开裂在沥青面层内部产生拉应力和拉应变,再加上行车荷载产生的应力叠加作用,当面层内部拉应力或拉应变超过沥青的允许拉应力或拉应变时,沥青层就会在对应基层裂缝的位置发生底部的开裂;如果面层比较薄,裂缝就会自下而上地发展到面层表面,形成“路面反射裂缝”。
温缩裂缝
温缩裂缝是横向裂缝的一种重要表现形式,主要包括低温收缩裂缝和温度疲劳裂缝。低温收缩裂缝是由于沥青面层的温度较低或温度骤然下降导致沥青面层温度的梯度变化较快造成的。当温度应力超过道路材料的抗拉强度时便发生开裂导致裂缝,低温收缩首先发生在温度较低,沥青面层质量有缺陷的局部地区。先从表面开始向深度方向,最薄弱的路基横断面扩展。
2 纵向裂缝
纵向裂缝是与道路中线大致平行的裂缝,有时伴有少量支缝。在半填半挖或高填方路段,常由于压实得不好,路基出现不均匀沉降从而产生纵向裂缝;道路加宽的新旧路基结合部位如果处理不好可能产生纵向裂缝。这两类纵向裂缝的长度一般较长,深度可自路面表面深入到路基内部,产生的危害性很大。
3 块状裂缝
一般认为裂缝间距在—3米、面积为—10平方的裂缝为块状裂缝。块状裂缝也是路面常见的一种病害,常见于运营多年的公路。其发生的主要原因可分为两类:一是因为基层强度较低,二是面层强度不足。
基层强度低导致的块裂
荷载作用下导致基层破碎,破碎后的'基层荷载变形量较大,反映到了面层导致面层发生块状裂缝,同时伴有沉陷病害发生;一般情况下,是该原因造成的块状裂缝居多。
面层强度低导致的块裂
有时基层整体性完好,但沥青面层本身因种种原因造成强度不足,这种情况同样可导致块状裂缝发生。当然,面层与基层同时出现问题更易造成块状裂缝。不管是哪种情况,在块状裂缝的形成、发展过程中,雨水的浸入起到了“催化”的作用。
龟裂
龟裂是在路面局部区域内,发生的类似龟纹状的裂缝:龟裂往往伴有沉陷和唧浆现象。一般认为,龟裂是路面结构在重复荷载作用下的疲劳破坏,是结构强度不足的体现。
(1)基层强度太高导致的龟裂
基层强度太高,不仅导致更多的干缩、温缩裂缝产生,而且使反射裂缝发生的更为严重,还会造成龟裂发生。这类因基层强度高而发生的龟裂,开裂时首先从基层开始,然后向上发展。
(2)层间粘结不良导致的龟裂
有一类龟裂的发生是出于层间粘结不良造成的。即由于沥青层与其下的沥青层粘结不好,上下层脱开,导致表面层的沥青混合料单独承受荷载和温度的作用,从而发生轻微龟裂。
(3)疲劳导致的龟裂
但还有一类发生在上面层的龟裂,并非因为层间粘结不良造成。而是路面运营若干年后,路面经受行车荷载和温度升降的反复作用,导致沥青结合料老化、沥青混合料劲度模量增大、疲劳性能下降造成的。
4 沥青路面裂缝的预防措施
采用合理的防裂性能好的材料
采用优质沥青,采用密实型沥青混凝土面层,因为较小的空隙率使沥青混凝土路面具有透水性小,水稳性好,耐久性高,有较大的抵抗自然因素的能力,同时可以延缓裂缝的扩展。基层选用干缩系数和温缩系数小,抗拉强度高的半刚性材料。用橡胶沥青或聚合物改性沥青做沥青混凝土表面的封层,可提高表面层的抗温度裂缝能力。
沥青面层应有足够的厚度
使用稠度较低、温度敏感性低的沥青,可以减少或延缓路面的开裂。路面所在地区的气温越低,开裂则越严重。沥青材料的老化,对低温更为敏感,使路面产生开裂的可能性增大。增加沥青面层的厚度可以减少或者延缓路面的开裂,但不能完全阻止裂缝再次发生。
提高路基的强度和稳定性
路基是路面结构的基础,路基具有足够的强度和整体稳定性,为路面结构长期承受汽车荷载提供了重要的保证,路基的强度与稳定性在很大程度上影响了路面的使用性能。因此必须采取有效措施处理好影响路基稳定性和强度的关键环节,否则将产生不均匀沉降使路面发生开裂。
严格施工工序,精心组织施工
路基施工时,要严格控制路基的填筑工艺,施工中要严格检验压实度,确保路基的强度。基层施工时,要充分压实横缝和纵缝,严格控制施工碾压时的含水量,混合料的含水量不能超过压实需要的最佳含水量或规范容许的范围内。碾压完成后需及时养生,碾压完成后或最迟在养生结束后立即用乳化沥青做透层或封层,透层或封层完成后应尽快铺筑沥青面层,以减少因干缩而产生的裂缝。
5 结语
在沥青混凝土路面施工中,只要采取有效的措施,严格规范施工,科学合理养护,采取防治结合,就能有效控制沥青路面开裂的问题,提高沥青路面的质量,延长使用寿命。
论文查重是借助论文查重系统进行的。
论文作者只需要把论文上传到查重系统，系统会根据论文目录进行分段查重。可以在百度上搜迅捷论文进行查重，点击开始查询，输入题目、作者并将论文粘贴在这个地方，然后再点击开始查重，等待的过程可能有点久，要耐心等待，查询结束之后，点击查看报告即可清楚地了解到论文的重复比例。
查重系统会根据连续出现13个字符的重复来计算论文的整体查重率。由于不同系统的数据库包含不同的文献和算法，查重结果会有所不同。在选择论文查重系统是，尽量选择跟大学或者大学要求一致的查重系统，或者企业选择一个安全、可靠、准确的第三方查重系统设计进行管理自查。
靠谱的查重系统
1.中国知网
知网应该是985/211名牌大学的定稿系统，知网针对的人群主要是高档学府，也是很多杂志社的第一选择。
2.万方检测
万方数据文献相似性检测服务采用科学先进的检测技术，实现海量学术文献数据全文比对，秉持客观、公正、精准、全面的服务原则，为用户提供精准详实的相似性检测结果，呈现多版本、多维度的检测报告
3.维普论文检测系统
维普论文检测系统，由重庆维普资讯有限公司自主研发，采用先进的海量论文动态语义跨域识别加指纹比对技术，通过运用云检测服务部署使其能够快捷、稳定、准确地检测到文章中存在的抄袭和不当引用现象，实现了对学术不端行为的检测服务。
会，维普论文查重的方式是,当用知网检测系统时,会自动识别目录然后一章一章进行对比,若有目录信息,就可以随心所欲地加删除或者取消选择重复部分。
归纳车辆功能缩写的快速记忆方法，记好了车辆功能缩写就完全没问题了。巡航选“CC”。车道选“L”。辅助选“A”。盲点选“BS”。电子选“E”。制动、刹车选“B”。交通选“T”。标识识别选“S”。信息选“M”。前、防碰撞找“F”自适应巡航系统是“ACC”。自己就是I ， I后边跟的就是am 。 所以自适应就可以记成“ACC”了。定速巡航系统是“CCS”。车辆变道辅助系统（ALC），车道偏离预警系统（LDW）；盲点监测系统（BSD），车辆盲点辅助系统（BSA）。
请点击输入图片描述（最多18字）
自动刹车辅助系统（AEB），电子控制制动辅助系统（EBA），电子制动力分配系统（EBD），电子不停车收费（ETC），车身电子稳定控制系统（ESP），自适应前大灯系统（AFS），前方碰撞预警系统（FCW），车辆交通标识识别系统（TSR），实时交通信息（TMC）。剩下两个就是车辆导航系统（GPS），车辆牵引力控制系统（TCS/ASR/TRC）。
车辆交通标志识别系统的英文缩写是TSR。TrafficSignRecognition，简称TSR，Sign英文含义标志符号，选有S的，只有B选项。TSR是利用前置摄像头结合模式，可以识别常见的交通标志(限速、停车、掉头等)。这一功能会提醒驾驶员注意前面的交通标志，以便驾驶员遵守这些标志。交通标志识别系统一般包括检测和识别两部分。检测一般是利用交通标志的形状和颜色特征，从自然场景中把交通标志提取出来。识别是把检测出来的交通标志的内容识别出来。交通标志识别在规范交通行为、确保安全驾驶等方面具有重要的意义。交通标志通常处于室外复杂的环境条件下，识别的过程中容易受环境光照、方向旋转的影响。
交通标志识别系统原理是通过安装在挡风玻璃中上部的多用途摄像头单元扫描限速路标，让其在综合信息显示屏（MID）和抬头显示器上显示信息，使驾驶员能够识别当前限速。交通标志识别系统使用注意事项：1、仪表限速提醒图标会在系统识别之后一定距离内取消显示，驾驶员需注意将车速控制在合理范围之内；2、限速标识系统只能完成限速标志的识别，并不参与车辆的主动控制，车辆的控制权始终保持在驾驶员手中，请合理驾驶；3、当并排车道上出现多个限速标志时，系统会识别当前车道的限速标志用于限速提醒图标的显示，驾驶员需确保行驶在正确的车道之内；4、限速标识系统的性能受天气、照明度以及道路标志的可视质量影响。在背光、日落、雨天、雾、霾、冰雪覆盖以及差的标志条件的情况下，性能会有显著的下降。