为了详细研究重型车辆的行驶状态,利用两种不同的方法建立了车辆的数字孪生模型对其进行预测研究,并对孪生模型的适用范围进行了分析。首先利用相关装置和仪器对车辆的行驶参数和状态进行了测量,然后分别利用高斯过程和深度卷积神经网络建立了车辆行驶的数字孪生模型,两个模型的输入均为车辆的传动系统参数、动力系统参数及天气状况,输出参数为车辆的行驶速度和转矩值。分析结果显示,基于高斯过程的数字孪生模型对于车辆行驶参数的预测精度较高,基于深度卷积神经网络的孪生模型在短时间内的收敛精度较好。文中所建立的车辆数字孪生模型为后续的车辆行驶状态的优化及孪生交互技术的实现奠定了基础。

以非机动车中发展较快的自行车为例,基于事故发生接触碰撞的机动车、非机动车上留下的痕迹和人体伤痕分布等证据,通过对一个典型案例的详细分析,将非机动车行驶状态的鉴定方法进行分类和总结,进而重现事故现场.这为判定机动车与非机动车交通事故中非机动车行驶状态提供了方法和思路,提高了交通事故责任认定的准确性和公正性.