近期，我院教师在国际期刊《Energy》（中科院一区top，IF：9），《Scientific Reports》（中科院二区，IF：4.9），《Iscience》（中科院二区，IF：5.0），MEASUREMENTI（中科院二区top，IF：5.2）及CSCD期刊《激光与光电子学进展》先后发表了8篇高水平论文文章，分享了在混合动力能量管理、稳定性控制及智能网联无人驾驶中的传感器识别领域研究的新成果。
依托于改造的混合动力四驱车，研究者提出了一种可在线实施的能量管理策略，并采用自主开发的硬件再环平台，验证了该策略的有效性。简单快捷的硬件再环平台引起了审稿人极大的兴趣，给出了很高的评价。相关论文发表在《Energy》期刊上，第一作者为樊利康博士。
《Energy》期刊上的论文
原文链接：https://doi.org/10.1016/j.energy.2024.131343
基于硬件再环平台，研究者继续探究了四驱混合动力在极端路况下的稳定性策略，并提出了可在线运行的协调控制策略。该策略考虑了多环境、多影响因素下的最佳扭矩分配，保证了整车始终工作在最佳的运动状态。相关论文已发表在《Scientific Reports》上，第一作者为樊利康博士。
《Science Reports》期刊上的论文
原文链接：https://link.springer.com/article/10.1038/s41598-023-38813-3
混动平台发动机内部燃烧的稳定性对排放和燃油经济性至关重要，因此研究者在采用先进燃烧理论分析发动机缸内燃烧过程的基础上，通过可视化缸内燃烧过程，量化了缸内火焰燃烧的传播路径和火焰半径，为混合动力高效专用发动机技术奠定了基础。相关论文已经发表在《Scientific Reports》上，第一作者为樊利康博士。
《Scientific Reports》上的论文
原文链接：https://www.nature.com/articles/s41598-024-58940-9
智能网联汽车作为新能源汽车的核心，受到众多关注，依托于搭建的智能网联实车平台和计算中心，针对目前激光雷达目标检测存在的不同问题，提出了新的目标检测算法，相关成果已经发表在中科院二区TOP和国内CSCD期刊上。
目前大多数基于点的激光雷达3D目标检测方法仅依靠独立的点特征来提取空间信息，忽略了点与点之间的依赖关系。这极大地影响了智能网联汽车环境感知的准确性。
通过引入“Transformer”架构去构建点与点之间的依赖关系，提出了检测精度更高的目标检测方法。相关论文在中科院二区top期刊《Measurement》上进行了发表，第一作者为硕士研究生曹捷。
《Measurenment》期刊上的论文
原文链接：https://doi.org/10.1016/j.measurement.2024.115820
目前大多数激光雷达3D目标检测方法采用的是有锚框的方式，这种方法不能准确的预测车辆在转向中的角度。因此进一步将无锚框的方法从2D延伸到了3D空间，从而能够更准确的预测车辆在转向过程中的角度。相关论文已经发表在中科院二区《Iscience》期刊，论文第一作者为樊利康博士。
《Iscience》期刊上的论文
原文链接：https://doi.org/10.1016/j.isci.2024.110759
由于目前大多数基于体素的激光雷达目标检测算法采用的是3D卷积神经网络去捕获空间特征，极大的限制了空间中点云全局信息的表达。因此，研究者提出了一种体素自注意力辅助网络去弥补这一缺陷并取得了较好的效果。同时，为了将空间信息传递到特征通道层次，研究者在PV-RCNN算法中引入了通道注意力和空间注意力机制。相关论文已发表在CSCD核心期刊《激光与光电子学进展》上。在基于点的目标检测方法中尝试了仅使用Transformer编码器去构建点云关系并取得了较好的效果，该方法在北大核心期刊《应用激光》上发表。以上三篇论文的一作均为硕士研究生曹捷，导师彭忆强教授，樊利康为通讯作者。
