在本文中，我们专注于带有车辆障碍物的车对车（V2V）通信的路径损耗特性的分析和建模。 在V2V通信的典型城市场景中，在5.9 GHz频率下执行了一系列信道测量。 在这些度量中，我们将测试案例分为三种类型：非阻塞，小车辆阻塞和大型车辆阻塞。 然后，提取，比较和分析这三种情况的路径损耗和阴影衰落分量。 基于这些测量，我们显示了不同类型的车辆障碍物对路径损耗和阴影衰减特性的影响。 发现小车辆阻塞不会显着影响路径损耗的平均值，并且会导致3 dB的额外阴影衰减。 较大的车辆障碍物会带来10 dB的额外路径损耗。 最后，提出了一种路径损耗模型，该模型包括车辆阻塞对路径损耗的影响，并采用经典的对数距离路径损耗公式。 本文的结果可用于V2V通信的性能分析和系统设计。

AICity-reID 2020（第二轨） 在此存储库中，我们将2020 re-id曲目的第一名提交（百度提交） 我们融合了在Paddlepaddle和Pytorch上训练的模型。为了说明它们，我们分别提供了以下两个训练部分。 我们在包括培训代码。 我们在包括培训代码。 表现： AICITY2020 Challange Track2排行榜 队名 地图 关联 百度-UTS（我们的） 84.1％ 瑞亚爱 78.1％ DMT 73.1％ 提取的特征，相机预测和方向预测： 我已经更新了功能。您可以从或下载 ├── final_features/ │ ├── features/ /* extracted pytorch feature │ ├── pkl_feas/ /* extracted paddle feat

PD IEC TS 62196-3-1：2020 Conductive charging of electric vehicles - Part 3-1：Vehicle connector, vehicle inlet and cable assembly for DC charging intended to be used with a thermal management system - 完整英文版（65页）.pdf

带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载