欧阳明高院士长期从事节能与新能源汽车新型动力系统研究（包括电控内燃机、燃料电池发动机、动力电池系统、多能源混合动力等），尤其是在面向排放控制的发动机新型电控高压喷油原理与系统研制、保障电动汽车安全性的锂离子电池热失控机理与主动防控，优化燃料电池耐久性的燃料电池/动力电池混合动力设计与控制方法等三方面开展了从理论创新、技术突破到推广应用的系统性工作，建立了汽车动力系统学研究与人才培养体系。根据中国新能源汽车动力电池比能量发展的趋势，我们很快就会向300瓦时/公斤的所谓的高镍三元811电池很快就会进入市场,清华大学专门建了电池安全实验室开展相关的基础研究和技术开发。目前清华大学电池安全实验室跟国内外企业和研究机构开展了广泛的合作，包括宝马、奔驰、日产等大公司。研究重点是在热失控的三个方面，一是热失控的诱因，包括热、电、机械的原因。二是热失控发生的机理究竟是什么，从而在材料设计层面加以防护。三是热蔓延，一旦单体电池防止不了热失控，就得有二次防护手段，就是在系统层面要切断热失控的蔓延，只要切断蔓延就可以防止事故。我们对高比能量电池的热失控控制，不仅靠材料本身，还要从系统层面来进行。目前，在电池管理系统方面，国内的产品的功能不足、精度不够，尤其是安全功能是不全，因此需要加大电池管理系统的研发力度。清华在电池管理系统的积淀比较丰富，已经获得65项专利授权，这些专利在国内外著名公司合作中得到了应用，其中部分专利也授权给了奔驰汽车公司。锂离子动力电池高比能是全世界范围的发展方向和趋势，把握高比能量与安全性之间的平衡点是关键。基于各国动力电池技术路线的比较，短期是液态电解液的锂离子电池，下一步将会向固态电池方向发展。综合考虑电池成本和动力电池的发展方向，我们建议我国也应该走类似的路径，即短期是液态电解质，发展高镍三元正极和硅炭负极，通过电池管理系统和热蔓延的抑制来防止安全事故发生，这类电池能够满足电动汽车500公里续驶里程的要求。

实现客观题自动阅卷，主观题网上评卷和成绩数据的统计分析全部在计算机网上进行，特别是统计分析数据可直接在服务器上发布，既可免去人工阅卷方式逐级汇总及上报的麻烦，又可直接供教学讲评、质量分析使用，最大限度实现成绩数据的资源共享，满足领导，教师、学生及家长的需要。

1.采用“智能识别，无需额外定位技术”，印刷要求低，使用方便 本系统采用国内目前最先进的“智能识别”技术，答卷设计无需增加额外的定位点、定位线或同步头，也不需要以答题区域的边框、转角等作为定位识别符，确保了不因答题区域的线框偏移、变形、模糊或断线等因素影响扫描识别的稳定性及准确率。且系统中设置了自动识别偏移、折角检测、双页进纸等。 2.试卷纸张适应性好，支持超薄、加长纸扫描 本系统支持使用50克以上普通纸，以复印、速印或胶印方式双面印制答卷，2010年安徽中考各科试卷在本系统中均顺利通过扫描。 3.支持任意答题卷或答题卡的扫描、阅卷 由于采用了“智能识别”技术，本系统可做到在预先不知答题卡设计的情况下对任意答题卡或答题卷的顺利扫描和阅卷工作。2010年安徽中考阅卷成功使用本系统即是很好的例证。 4.互联网阅卷优势明显 本系统支持A4、A3及不规则尺寸的答卷扫描识，且A3答题卡在200dpi分辨率下，其双面扫描的影象文件容量不大于250K，这就确保了在当前互联网带宽不是很宽的情况下依然能够流畅的进行互联网阅卷；本系统不仅支持在局域网、广域网或互联网上进行阅卷，并且提供B/S和C/S结构的可选系统，具有支持通过互联网实现教师在家里阅卷或跨地区学校联考远程网上阅卷功能； 5.分布式设计，轻松实现联考 本系统采用C/S结构，支持分点联合阅卷功能，可以轻松实现与其他同样应用本系统的兄弟单位一起进行联考阅卷。 6.答卷扫描与考生考号、客观题涂点识别同步完成，无须行进行二次识别操作 本系统在答卷扫描的同时即完成客观题答案的准确识别，当扫描完成时，客观题的识别工作即全部完成，有利于及时发现扫描过程中出现的异常情况，便于及时进行查错和纠错操作。如果采用严格定位技术设计的产品，扫描与识别分二次进行，先扫描后识别。 7.答题卷设计灵活，支持多种统计与分析 本系统支持单选、多选的客观题任意混排，不限制客观题答案选项的数量（原则上不少于26个）以及不限制答案的组合方式，同时支持客观题的题目和涂点混排。 本系统也支持主客观题部分的选做题（M选N，M≥N，如2选1、3选2等）评卷及数据处理功能，即系统可以自动识别选做的标识并进行处理；同一大题的不同选题应可以交由不同分组的老师独立评阅；且支持公共答题区域和8字码（七段码）识别，以最节省纸张的方式实现选项较多的选做题。 支持A、B卷的答题卡及常用条形码考生考号的自动识别，同时支持题卡合一和题卡分离的模式。 本系统支持评卷题目按照题组分组阅卷以及统计分析功能，从而实现对文综、理综中单个科目（如：政治、历史、物理、化学等）分科单独统计分析。 8.系统适应性强、容错性好 支持试卷印刷异常的特殊情况处理功能，确保在出现例如：试卷页码漏印、试卷印刷有倾斜、客观题涂点印刷不完整、试卷有小幅褶皱等情况下的正常扫描识别功能。 9.可实现与主流高速扫描仪的无缝对接 本系统设计使用底层协议实现与当前主流的高速扫描仪无缝对接，采用本系统不需要增加额外的图形加速卡，即可实现对答卷的扫描识别速度不低于扫描仪的标称值，实时性达到100%（即：正确识别的答卷扫描识别量 ≧ 扫描仪标称速度 X 实际扫描时间）。 10.支持典型试卷、电子化批注，便于课堂讲评 支持在试卷上做类似于人工阅卷评卷给分的给分标记，在标记时完成登分；试卷评阅的痕迹能以图像的方式保存在计算机系统中，并与阅卷过程中的标记及得分进行合成生成电子图像。 在评卷过程中对典型试卷可随时作标记，阅卷完成后方便调阅，使课堂讲解更直观、生动。

网络阅卷系统专为教育局用户设计，主要适用于高厉害考试（中考、高考等）阅卷应用，能与中考、高考真正接轨。系统具有答题卡制作、试卷扫描、阅卷、评卷管理控制、成绩统计分析等功能。从答题卡扫描到阅卷，网络阅卷系统不仅能减轻教师阅卷负担，而且能够助力教师更有效地提高阅卷质量和阅卷效率，提高阅卷的准确度与公平性。网络阅卷远程服务中心网络阅卷远程服务中心由网络阅卷系统和服务中心管理平台组成，是专为网络阅卷系统而增设的远程服务部门。用户在本地完成答题卡扫描工作后，其他工作，如考试定义、答题卡模版制作、裁切、成绩统计等，均可交由网络阅卷远程服务中心来完成，从而优化管理过程，减轻工作负担。为什么要选择远程服务中心？ 专业、高效、简单、方便、快捷降低阅卷考务工作出错率，减轻用户工作负担用户可远程操作、监控，管理更灵活远程服务无地域限制，节约成本

        滑雪头盔作为滑雪运动中不可或缺的安全装备，在《中国滑雪场所管理规范》中指出，滑雪头盔是必选项，滑雪头盔市场规模和发展潜力巨大。目前滑雪头盔市场仍由国外品牌主导。

针对上述社会安全事件综合研判的难题，本成果利用系统工程的综合集成研讨方法论，综合公安学、管理科学、计算机科学等相关学科理论、方法与技术，提出了基于多时空线索链的社会安全事件智能综合研判关键技术以及面向社会安全警情事件的警务资源指挥调度方法。 ①基于多时空线索链的社会安全事件智能综合研判关键技术以群体性聚集事件作为典型社会安全事件，构建基于六空间的社会安全事件综合集成研讨厅体系：融合构建“情景数据-元数据-知识-实体模型-形式模型-算子”六空间体系，提出多时空线索链生成技术，抽取知识空间中共性的时空线索链模式；基于知识和数据共同驱动的思想，提出了社会安全事件的研判支持方法，包括基于知识图谱的推理方法、基于相似案例的推理方法、以及基于贝叶斯网络的推理方法等；进而结合专家研判，实现典型社会安全事件智能综合研判。 ②面向社会安全警情事件的警务资源指挥调度方法是在层次任务网络规划（Hierarchical Task Network, HTN）的基础上，实现任务执行时间、空间和资源约束的推理，解决考虑多任务类型、多警种、多出警地点、任务带有时效性、考虑交通和处置时间等实际因素的警务资源调度方案制定问题；进而考虑执行时间等不确定因素的影响，在规划过程中处理不确定性，制定柔性调度方案，使生成的调度方案更好地适应不确定的执行环境。 ③在此上述关键技术基础上，运用系统工程方法，研究了基于云计算与边缘计算的端网云的网络结构、通讯协议及协同计算模型，综合考虑各方面因素对平台体系架构进行了设计，从顶层设计层面解决信息孤岛、资源有限等难题，构建了基于云计算于边缘计算的社会安全事件智慧化立体综合预警与指挥平台。整体技术路线如下图所示： 图 1 社会安全事件智慧化立体综合预警与智慧平台整体技术路线 研制的基于云计算于边缘计算的社会安全事件智慧化立体综合预警与指挥平台，主要由四个系统组成。其中，融合“人、车、物、网、地”的警情大数据支撑平台与公安部门现有的业务系统相对接，关联研发的目标识别与警情事件监测预警结果，实现警情数据的采集、整理和分析。社会安全事件智慧化综合预警与分析系统基于大数据支撑平台提供的公安业务数据、网络舆情信息和研判结果数据等，提供了公安部门需要的事件分析和研判功能。面向社会安全事件的警务资源指挥调度系统基于研判结果，具有领域知识管理、调度方案生成和执行异常识别等功能，为指导指挥员进行调度方案制定提供辅助决策能力。最后，基于研发的系统间及与公安相关业务系统间的互操作模式、资源可伸缩的并发处理技术，由应用集成管理平台提供应用集成和服务集成功能，包括统一的用户管理和认证、工作界面、应用云服务管理等，实现各系统间的有机集成，平台体系架构如下图所示。 图 2 社会安全事件智慧化立体综合预警与指挥平台体系结构 成果相关图片展示： 图 3 社会安全事件智慧化综合预警与分析系统驾驶舱 图 4 时空大数据查询模块 图 5 研判规则管理模块 图 6 预案管理模块

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

项目成果/简介:数据采集技术可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。多模态传输技术LPWAN (Low-Power Wide-Area Network，低功率广域网络)在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。       LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。最具前景的LPWAN技术——NB-IoT和LoRa：物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。LoRa （Long Range）:   一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。NB-IoT（Narrow Band Internet of Things）NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。数据分析技术人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。应用范围:家居智慧控制，提高舒适度：家庭生活状态统计和日常需求预测与推荐；多模态行为分析和数据采集和传输系统；多模态行为数据采集和分析平台；基于LoRaWAN/5G的工厂环境、农业大棚等环境监测系统。技术成熟度:通过中试

成果简介：随着智能手机、移动通信技术、多媒体技术的不断发展，近年来 涌现出了米聊、TalkBox、微信等语音及时通信工具。语音及时通信工具通 过移动互联网免费传递语音短信的方式，方便了信息输入的同时节约了电话 资费，已经提出就迅速流行起来。可以预见，随着语音及时通信技术和应用 模式的不断成熟，语音及时通信将成为智能手机上的一种主流通信模式。使 用语音信息隐藏技术将保密信息隐藏于语音短信，具有隐蔽性、便利性和安全性等优点。本系统实现具有不可感知性、鲁