基于MPSoC平台的自动驾驶车辆故障运行控制

在德国联邦研发项目UNICARagil中,开发了一个ECU,作为UNICARagil新颖的大脑架构的一部分。应用所谓的脑干部件,通过面向服务的架构,对全自动驾驶车辆进行安全关键的实时控制。本文介绍了该设备的硬件架构和基本软件架构,并列举了一些安全措施。重点是MPSoC和OS配置、ECU的更新过程和启动过程。回退实例系统可以保护它免受引导加载程序、内核或根文件系统以及开发过程中和应用现场中的严重错误的影响。最后,列举了设备在车辆环境中的功能。在众多的科学内容出版物和社交媒体上,笔者展示了以使用脑干为核心部件的车辆通过试验场的测试情况。

基于卷积神经网络感知功能的极端场景生成方法

近年来,基于卷积神经网络深度学习的感知算法在自动驾驶车辆环境感知系统中发挥着越来越重要的作用。由于在神经网络训练过程中,训练数据无法覆盖所有极端场景,因此如何保证基于深度学习的感知算法在极端场景下的安全性和可靠性,仍是一个亟待解决的问题。传统的基于真实行驶里程的验证方法,在获取极端场景数据上危险性高,经济性差,因此很难检验驾驶功能在极端场景下的性能。基于虚拟场景的仿真验证方法,虽然可以通过设置场景参数来生成大量测试场景,但是通过简单的参数组合并不能有效的生成极端场景。本文展示了一种在虚拟环境中生成极端场景的方法,用于训练和测试基于深度卷积神经网络的车道线识别算法。首先将场景特征用参数进行表示,然后使用deep Q-learning强化学习的方法,来生成极端场景的参数组合。通过与随机组合以及成对组合场景参数的方法进行对比,可以看出该基于强化学习的场景生成方法可以更有效地生成极端场景,因此可提高自动驾驶感知功能的测试效率,同时可为卷积神经网络提供更多的极端场景训练数据。

一种自动驾驶电动汽车线束布局优化方法

近年来,随着汽车自动驾驶、数字化、电动化技术的不断发展,汽车的功能不断增加,车辆内部线束也随之增加。由于过多的线束导致车辆自重增加的问题日益突出。为了实现能源的高效利用和出行方式的可持续性,开发人员需要通过优化线束布置来尽可能多的减轻车辆自重,同时降低成本。由于与线束相连的车辆零件位置固定,因此需要一个算法在车辆零件位置为限制条件下,优化车辆线束布局。之前的研究方法通常只考虑线束设计的部分限制因素,且没有考虑线束三维结构。在本文研究中,开发了一种新型的优化线束布局的方法,该方法考虑了与包装,温度负载以及装配难易相关的各种限制因素。该方法可以根据设计需求来控制线束布置方法,如在沿着车辆纵轴方向布置更多线束,以避免在车辆外围布置线束。通过该方法,可以高效地计算出线束长度、直径,以及精确的布线路径。

基于电阻器耦合的电动汽车感应充电定位

目前,市场上出现越来越多的以电池为动力的电动汽车,其中大多数电动汽车必须通过有线充电装置进行充电。与之相对应的感应式无线充电系统,可以让充电过程更加舒适。无线充电系统一般由初级线圈和次级线圈组成,其中初级线圈可以建立在停车场,将电能转化为场能;次级线圈安装在车辆中,接收初级线圈能量并转化为电能,为车辆电池充电。为保证充电过程安全有效,初级线圈和次级线圈必须充分耦合,这可通过将车辆准确定位在初级线圈上方来实现。本文提出了一种简单而经济的方法来验证线圈之间的耦合是否足以满足充电条件。通过安装在次级线圈侧的电阻,来模拟在确定工作条件下无线充电系统的电池负载;电阻两端电压可以用来估计线圈之间的耦合度,以反映车辆与初级线圈的相对位置。本文在数学和物理原理的基础上解释了这个概念,并在一个真实的无线电传输线路上进行了试验评估。

基于横向磁通电机的派生能量收集研究

为了监测汽车电机的工作情况需要应用各类传感器,其中的挑战之一是为在旋转部件上布置的传感器提供电能。通过使用能量收集器,可以将电机中的寄生能量如电磁能和动能收集、转化为电能并储存,存储的电能可用来操作传感器。因此,本文以电机转子为重点,对一台横向磁通机进行研究,其中能量收集器用于收集足够的能量,并为一个温度传感器以及低功耗蓝牙非接触数据传输供电。为此,本文计算了当能量收集器被放置在横向磁通电机转子上时,在运行和生产过程中可望收集到的能量值。