面包芯语

一文聊聊自动驾驶轨迹预测发展现状

智驾最前沿 2023-02-08 08:30
精密双向电流感应放大器设计方案 【有奖直播】提升毫米波信号测试精度

--关注回复“SOA”--

↓↓领取：面向智能车辆开发的开放性SOA方案↓↓

何为轨迹预测

自动驾驶中，轨迹预测一般位于感知模块的后端，规控的前端，为承上启下的模块。输入为感知模块提供的目标track的state信息、道路结构信息，综合考量高精地图信息、目标之间的交互信息，环境的语义信息及目标的意图信息，对感知到的各类目标做出意图预测(cut in/out、直行)以及未来一段时间的轨迹预测(0-5s不等)。如下图所示。
ADAS系统需要对周围环境信息有一定认知能力，最基本的水平是要识别环境，再上一层则需要理解环境，而再上一层则需要对环境进行预测。在对目标进行预测后，规控便可根据预测信息进行自车的路径规划，并做出决策对可能出现的危险情况进行制动或发出告警，这便是轨迹预测模块存在的意义所在。


两个挑战

轨迹预测可分为短期预测与长期预测。
  1. 短期预测一般根据运动学模型(CV/CA/CTRV/CTRA)基于当前的目标state信息预测未来一段时间的轨迹，一般<1s是合适的，如果时间过长，那目标仅与运动学相关的假设就不成立了。短期预测可以建一个运动模型专门去预测，同样的也可以使用前面感知模块滤波中的预测模块，只不过不调用测量进行滤波更新，这样的好处是可以传播不确定度。
  2. 长期预测是当前业界主要在做的。这种预测仅基于运动模型就不合适了，一般需要做意图预测，并结合一些上下文信息(地图、目标间交互信息)才能得到不错的结果。此时业界有很多不同的输出形式，比如输出轨迹的概率分布、输出多条预测轨迹、输出一条可能性最大的预测轨迹。
对于长期的轨迹预测有两个挑战：
  1. 输出一条可能的轨迹或者输出所有可能的轨迹都是不合理的。你输出一条预测轨迹就可能漏掉真正的轨迹，你输出所有可能的轨迹就会出现误报的情况，这对于ADAS系统均是不可接受的。应该考虑把预测轨迹限制在合适的子集中。
  2. 对轨迹预测做的越多就需要做更多的假设。极端一点的假设就是假定道路上的所有的目标都遵守交通规则。这如果用于交通模拟功能是合理的，但是对adas系统并不合适，他需要对潜在的危险情况保持敏感。
影响做长期轨迹预测的不确定性主要来源于三个方面：
  1. 感知模块输出的目标state估计的不确定。
  2. 驾驶意图预测的不确定性。
  3. 从意图识别完与车辆机动性改变中间的不确定性。


主要考量

对轨迹预测系统应该考虑的四个问题：
  1. 轨迹预测要对潜在的危险有敏感性，这是轨迹预测存在的意义要求的。
  2. 既要考虑运行模型也要考虑意图与周围环境的信息。
  3. 考虑上述的不确定性。
  4. 考虑输出的轨迹数量问题。


业界方法

如下图为bosch公司发表综述论文[2]中的分类方法。
  1. 如果按照使用模型的不同来分类，轨迹预测方法可以分为使用物理模型的方法、使用学习的方法、使用规划算法的方法。
  2. 如果按照使用的信息来分类，轨迹预测方法可以分为使用目标的信息的方法、使用环境中的动态目标信息的方法、使用静态环境信息的方法。
轨迹预测具体会涉及到哪些通用算法呢？
  1. 意图预测：模糊理论、static BNs、DBN(HMM、JumpMM)、DS证据理论、机器学习中的分类算法。
  2. 深度学习相关，端到端输出。CNN、LSTM、RNN、Attention。
那轨迹预测可以使用哪些具体信息呢？
  1. 目标信息：当前/历史的速度与位置信息，如果是行人轨迹预测的话，还可使用行人头的朝向、关节信息、性别与年龄信息以及人的注意力信息。
  2. 环境中的动态目标信息：social force、吸引力、群体约束信息。
  3. 静态环境信息：free space、map、语义信息(道路结构/交通规则/当前交通信号灯)。
当前学术界轨迹预测方面的论文越来越多，主要原因还是业界没有行之有效的方法。
以下列举业界论文：
BMW：物理模型+意图预测(learning-based)。使用启发式的方法集成专家知识，简化了交互模型，在意图预测的分类模型中加入了博弈论思想[3]。
BENZ：主要为意图预测的相关论文，使用的是DBN[4]。
Uber：LaneRCNN[5]。
Google：VectorNet[6]。
Huawei：HOME[7]。
Waymo：TNT[8]。
Aptive：Covernet[9]。
NEC：R2P2[10]。
商汤：TPNet[11]。
美团：StarNet[12]。行人。
Aibee：Sophie[13]。行人。
MIT：Social lstm[14]。行人。
中科大：STGAT[15]。行人。
百度：Lane-Attention[16]。
Apollo：可以看如下博客作为参考。
https://www.cnblogs.com/liuzubing/p/11388485.html
Apollo的预测模块接收感知、定位以及地图模块的输入。
1.首先做了场景拆分，分为了普通巡航道路以及路口两个场景。
2.而后对感知得到的目标做重要性划分，分为可以忽略的目标(不会影响到自车)、需要谨慎处理的目标(可能影响到自车)以及普通目标(介于二者之间)。
3.而后进入Evaluator，本质上就是一个意图预测。
4.最后进入predictor，用于预测轨迹生成。对于静止目标、沿道行驶、freeMove、路口等不同场景做不同的操作。


数据集

(1) NGSIM
此数据集是美国FHWA搜集的高速公路行车数据，包括了US101、I-80等道路上的所有车辆在一个时间段的车辆行驶状况。数据是采用摄像头获取，然后加工成一条一条的轨迹点记录。其数据集为CSV文件。数据没有太多噪声。
更多是整体调度层面的信息，如道路规划、车道设置、车流量调节等。车辆运动学状态需要进一步抽取。处理代码可使用下面的github。
https://github.com/nachiket92/conv-social-pooling
(2) INTERACTION
此数据集为加州大学伯克利分校机械系统控制实验室（MSC Lab）与来自卡尔斯鲁厄理工学院（KIT）和国立巴黎高等矿业学院（MINES ParisTech）的合作者建立了一个国际性、对抗性、协作性的数据集（INTERACTION）。它能准确再现不同国家的各种驾驶场景中道路使用者（如车辆、行人）的大量交互性行为。
http://www.interaction-dataset.com/
(3)apolloscape
此为Apollo的公开自动驾驶数据集，其中有为轨迹预测提供的数据。内部文件为2fps的1min数据序列，数据结构包括帧数ID、目标ID、目标类别、位置xyz，长宽高信息以及heading，其中目标类别包括小车、大车、行人、自行车/电动车以及其他。
https://apolloscape.auto/trajectory.html
(4) TRAF
此数据集聚焦于高密度的交通状况，此状况可以帮助算法更好地专注在不确定环境下人类驾驶员行为分析。数据每帧分别包含约13辆机动车辆，5名行人和2辆自行车
https://gamma.umd.edu/researchdirections/autonomousdriving/ad
在链接中有很多使用此数据集的轨迹预测项目。
(5) nuScenes
重磅来了，此数据集是2020年4月提出。其在波士顿和新加坡这两个城市收集了1000个驾驶场景，这两个城市交通繁忙而且驾驶状况极具挑战性。其数据集具有相关论文，可以看看，更好了解此数据集。
https://arxiv.org/abs/1903.11027
此数据集中有预测相关的比赛，可以关注。
https://www.nuscenes.org/prediction?externalData=all&mapData=all&modalities=Any

评估指标

当前主要使用的评估指标为几何度量。
几何度量有很多个指标，主要使用的是ADE、FDE、MR。
ADE为均一化欧式距离。FDE为最终预测点之间的欧式距离。MR为未中率。有很多不同的名字，主要就是设一个阈值，预测点迹之间欧式距离低于这个预测就记为命中，高于这个阈值就记为未命中，最后计算一个百分比。
几何度量是衡量预测轨迹与实际轨迹相似性的重要指标，可以很好是代表精度。但是以轨迹预测存在的意义来说，仅仅评估精度是没有意义的。还应有概率度量，用来评估不确定性，尤其是对于多模态输出分布；还有任务层面度量，鲁棒性的度量以及效率的评估这些。
概率度量：可以使用KL散度、预测概率、累积概率来作为概率度量。比如NLL, KDE-based NLL[17]。任务层度量：评估轨迹预测对后端规控的影响(piADE,piFDE)[18]。鲁棒性：要考虑在预测之前，观测到的部分轨迹的长度或持续时间；训练数据的size；输入数据采样频率和传感器噪声；神经网络泛化、过拟合及输入利用率分析；感知模块送入的输入如果有问题是否保证功能正常等等方面的因素。效率：要考虑算力的。
如下图所示，此论文的主要考量为基于真值(蓝色)，灰色的目标车预测的紫色与绿色轨迹如果使用几何度量是具有相同的ADE与FDE的，但是不同的预测方式对自车的planning会造成影响，而现在没有这种评估任务层级的度量，于是他们提出piADE与piFDE来做这个事。




三个问题

问题1：三种不同的轨迹预测方法：基于物理模型、基于学习、基于规划各自应用场景在什么地方，有什么优缺点呢？

不同的建模方法可以结合并利用不同类型的上下文信息。利用目标的上下文线索、动静态环境可以扩展出所有建模方法。然而，不同的建模方法在结合不同类别的语义信息时表现出不同程度的复杂性和效率。

1.基于物理模型的方法

适用场景：目标、静态环境、动力学模拟可以被显式转移方程建模。
优点：
  • 基于物理模型的方法通过选择适当的转移方程，可以很容易地跨环境应用，而不需要训练数据，尽管一些用于参数估计的数据是有用的。在论文中，简单的CV模型也可产生合理的结果。
  • 基于物理模型的方法很容易和target agent cues结合进行扩展。
缺点：
  • 这种显示建模的方法可能无法很好地捕捉现实世界的复杂性。
  • 转移方程在空间与时间上缺乏全局信息，导致可能获得是局部最优解。
这样的缺点导致使用物理的方法限制在短期预测或者obstacle-free的环境。

2.基于学习的方法

适用场景：适合于当前环境具有复杂的未知信息(例如具有丰富语义的公共区域)，并且这些信息可以用于比较大的预测范围。
优点：
  • 基于学习的方法可以潜在地处理所有类型的上下文信息，这些信息编码在收集的数据集。他们中一些是map-based，另外一些可以用来对上下文信息进一步扩展。
缺点：
  • 需要在特定地点收集足够的数据，才能进行训练。
  • 上下文信息扩展可能会导致involved learning、数据效率和泛化问题。
  • 倾向于在非安全的关键组件中使用，在ADAS中比较在意可解释性，这是基于学习方法无法做到的。

3.基于规划的方法

适用场景：在终点定下来了且环境地图可获得的场景，有很好的表现。
优点：
  • 如果满足以上两个条件，其比物理方法可以获得更好的精度，比基于学习的方法有更好的泛化能力。
缺点：
  • 传统的规划算法：Dijkstra、Fast Marching Method、optimal sampling-based motion planners会随着目标的数量、环境的大小、预测范围的增加而指数增长。
  • 与基于物理的简单模型相比，基于上下文线索的规划方法(如逆向规划的奖励函数和正向规划的模型)的参数是琐碎的，通常更容易学习，但在推理方面，对于高维(目标)智能体状态，效率较低。
基于规划的方法本质上是map-aware 与 abstacle-aware，很自然地使用语义线索进行扩展。通常情况下，他们会将情境复杂性编码到目标/奖励方程中，但这可能无法恰当地整合动态线输入。因此，作者必须设计具体的修改，将动态输入纳入预测算法(Jump Markov Processes、local adaptations of the predicted trajectory、game-theoretic)。与基于学习的方法不同，目标输入很容易被合并，因为前向与逆向的规划过程都基于同一个目标动态模型。
问题2：轨迹预测的问题现在已经解决了吗？
轨迹预测的需求很大程度上取决于应用领域和其中的特定用例场景。短期内可能不能说轨迹预测这个问题已经解决了。以汽车行业举例，因为有专门的标准规定，定义了最大速度、交通规则、行人速度和加速度的分布，以及车辆舒适加速/减速率的规范，其在制定需求和提出的解决方案方面似乎是最成熟的。可以说对于智能汽车的AEB功能，解决方案已经达到了允许工业化生产消费产品的性能水平，对于其所需用例已经解决。至于其他用例，则需要在不久的将来对需求进行更多的标准化和明确的表述。并且对于鲁棒性与稳定性还需要演进。
所以在回答轨迹预测是否已经解决这个问题之前，最起码应该把标准定了。
当前对于机器人领域来说
  • 基于物理模型与学习的方法可以在短时间(1-2s)有较高的精度。非常适用于人群的局部运动规划与碰撞避免。最简单的CV模型就对机器人的局部规划有很好的效果。如果考虑行人之间的交互以及因为机器人的存在对行人运动产生的影响，有好多种先进算法。
  • 对于需要预测15-20s的去全局路径规划，有很大挑战。需求可以适当放松，而理解动静态上下文输入(长期来看影响运行、在环境地图上的推理、目标的意图推断)则变得十分重要。对于局部和全局路径规划，位置无关方法最适合在各种环境下预测运动。
  • 当前机器人预测4.8s的ADE为0.19-0.4m的。简单的速度模型也可以达到0.53m的ADE。9s预测有1.4-2m的ADE。
当前对于自动驾驶领域来说：
  • 大多数工作考虑的都是横穿马路的行人：开始走 继续走 停止走。
  • 自行车：一个骑自行车的人在接近一个十字路口时，后面有多达五个不同的道路方向。
问题3：当前衡量轨迹预测性能的评估技术是否足够好？
当前对于预测算法缺乏系统性的方法，特别是对于考虑上下文输入以及预测任意数量的目标的轨迹预测方法。
现在大多数作者仅仅使用几何度量(AED, FDE)作为衡量算法好坏的指标。然而对于长时间预测，预测通常是多模态的，并且与不确定性有关，对此种方法的性能评估应该使用考虑到这一点的指标，例如从KLD得到的负对数似然或对数损失。
此外也需要概率度量，其可以更好地反映了人体运动的随机性以及感知缺陷所涉及的不确定性。
还有鲁棒性的评估，需要考量在感知端出现检测错误，跟踪缺陷，自我定位不确定性或地图变化此类场景时系统的稳定性。
同时当前所使用数据集，虽然包含的场景十分的全面，但是这些数据集通常是半自动注释的，因此只能提供不完整和有噪声真值估计。此外，在一些需要长期预测的应用领域中，轨迹长度往往不足。最后，数据集中的目标之间的交互通常是有限的，例如在稀疏的环境里面，目标之间很难有影响。
综上：为了评价预测质量，研究者应该选择更复杂的数据集(包括非凸的障碍、长轨迹和复杂的interaction)以及完整的度量指标(几何+概率)。比较好的方法是根据不同的预测时间、不同的观测周期，不同的场景复杂度设置不同的精度要求。并且应该有鲁棒性评估以及实时性评估。此外应该有相关的指标可以衡量ADAS系统对后端影响程度的指标[18]以及衡量对危险场景敏感性的指标[1]。

未来方向

来自于[2]中的讨论，此处为引用。
当前的趋势时用更复杂的方法去超越使用单一模型+KF的方法
方向：
  1. 使用强化的上下文信息：可以使用更深层次的语义信息，这种语义信息应对静态环境有更好的理解。并且当前使用语义特征进行轨迹预测仍有待于开发
  2. 关于有social-aware的场景：①当前大多数方法假设所有被观察到的人的行为都是相似的，他们的运动可以由相同的模型和相同的特征来预测，而对高层次社会属性的捕捉和推理还处于发展的早期阶段。②大多数可行的方法基于的假设是人们之间的合作行为，而真实的人可能更倾向于优化个人目标，而不是联合策略，因此结合传统AI+博弈论的方法很有研究前途。
  3. 对于长期预测，上下文信息变得特别重要，因为要基于情境和周围环境考虑意图。当前许多基于学习的方法将个体视为粒子，用来学习转移信息，以决定未来运动的方向。而通过更多的通过意图驱动的预测来扩展这些模型，类似于人类目标导向的行为，将有利于长期预测。
  4. 大多数基于规划的方法依赖于一组给定的目标，这使得它们在没有事先知道目的地或可能目的地数量过高的情况下无法使用或不精确。这使得基于语义信息对目的终点进行自动推断变得重要。或者可以动态识别环境里面的可能目的地，并基于此进行轨迹预测。这样就可以在未知的环境里面使用基于规划的方法了。
  5. 现在的方法都是集中于解决某一类特定的任务，比如当环境中存在明显的运动模式时，或者当环境的空间结构和目标agent的目的地预先已知时。而轨迹预测方法需要能适应未定义的/不断变化的环境，并且可以处理突发情况。这就需要迁移学习以及一些应对新环境的方法，这种情况下，学习和推理基本的不变的规则，或者通用的行人行为或者碰撞避免是不合适的。领域自适应是可以用于学习泛化模型。
  6. 另外需要注意的方向：鲁棒性与可集成性。
综上：简洁来说就是上下文信息用的要更深入、最好对不同目标有不同行为模型、博弈论、基于更多信息做更鲁棒的意图预测、对终点的自动推断、对新环境的泛化问题、鲁棒性与可集成性。

参考文献

  1. Schreier M. Bayesian environment representation, prediction, and criticality assessment for driver assistance systems[J]. at-Automatisierungstechnik, 2017, 65(2): 151-152.
  2. Rudenko A, Palmieri L, Herman M, et al. Human motion trajectory prediction: A survey[J]. The International Journal of Robotics Research, 2020, 39(8): 895-935.
  3. Bahram M, Hubmann C, Lawitzky A, et al. A combined model-and learning-based framework for interaction-aware maneuver prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(6): 1538-1550.
  4. Weidl G, Madsen A L, Kasper D, et al. Optimizing Bayesian networks for recognition of driving maneuvers to meet the automotive requirements[C]//2014 IEEE International Symposium on Intelligent Control (ISIC). IEEE, 2014: 1626-1631.
  5. Zeng W, Liang M, Liao R, et al. LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting[J]. arXiv preprint arXiv:2101.06653, 2021.
  6. Gao J, Sun C, Zhao H, et al. Vectornet: Encoding hd maps and agent dynamics from vectorized representation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 11525-11533.
  7. Gilles T, Sabatini S, Tsishkou D, et al. HOME: Heatmap Output for future Motion Estimation[J]. arXiv preprint arXiv:2105.10968, 2021.
  8. Zhao H, Gao J, Lan T, et al. Tnt: Target-driven trajectory prediction[J]. arXiv preprint arXiv:2008.08294, 2020.
  9. Phan-Minh T, Grigore E C, Boulton F A, et al. Covernet: Multimodal behavior prediction using trajectory sets[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 14074-14083.
  10. Rhinehart N, Kitani K M, Vernaza P. R2p2: A reparameterized pushforward policy for diverse, precise generative path forecasting[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 772-788.
  11. Fang L, Jiang Q, Shi J, et al. Tpnet: Trajectory proposal network for motion prediction[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 6797-6806.
  12. Zhu Y, Qian D, Ren D, et al. Starnet: Pedestrian trajectory prediction using deep neural network in star topology[C]//2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2019: 8075-8080.
  13. Sadeghian A, Kosaraju V, Sadeghian A, et al. Sophie: An attentive gan for predicting paths compliant to social and physical constraints[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 1349-1358.
  14. Alahi A, Goel K, Ramanathan V, et al. Social lstm: Human trajectory prediction in crowded spaces[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 961-971.
  15. Huang Y, Bi H K, Li Z, et al. Stgat: Modeling spatial-temporal interactions for human trajectory prediction[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 6272-6281.
  16. Pan J, Sun H, Xu K, et al. Lane-Attention: Predicting Vehicles’ Moving Trajectories by Learning Their Attention Over Lanes[C]//2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2020: 7949-7956.
  17. Ivanovic B, Pavone M. The trajectron: Probabilistic multi-agent trajectory modeling with dynamic spatiotemporal graphs[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 2375-2384.
  18. Ivanovic B, Pavone M. Rethinking Trajectory Forecasting Evaluation[J]. arXiv preprint arXiv:2107.10297, 2021.

转载自知乎、自动驾驶之心，文中观点仅供分享交流，不代表本公众号立场，如涉及版权等问题，请您告知，我们将及时处理。

-- END --

登录阅读全文
免责声明： 该内容由专栏作者授权发布或作者转载，目的在于传递更多信息，并不代表本网赞同其观点，本站亦不保证或承诺内容真实性等。若内容或图片侵犯您的权益，请及时联系本站删除。侵权投诉联系：  nick.zong@aspencore.com！
智驾最前沿 「智驾最前沿」深耕自动驾驶领域技术、资讯等信息，解读行业现状、紧盯行业发展、挖掘行业前沿，致力于助力自动驾驶发展与落地！公众号：智驾最前沿
评论
  • 低成本解决方案,RK3506的应用场景分析!
    RK3506 是瑞芯微推出的MPU产品，芯片制程为22nm，定位于轻量级、低成本解决方案。该MPU具有低功耗、外设接口丰富、实时性高的特点，适合用多种工商业场景。本文将基于RK3506的设计特点，为大家分析其应用场景。RK3506核心板主要分为三个型号，各型号间的区别如下图：​图 1  RK3506核心板处理器型号场景1：显示HMIRK3506核心板显示接口支持RGB、MIPI、QSPI输出，且支持2D图形加速，轻松运行QT、LVGL等GUI，最快3S内开
    万象奥科 2024-12-11 15:42 71浏览
  • 罗姆与台积公司在车载氮化镓功率器件领域建立战略合作伙伴关系
    全球知名半导体制造商ROHM Co., Ltd.（以下简称“罗姆”）宣布与Taiwan Semiconductor Manufacturing Company Limited（以下简称“台积公司”）就车载氮化镓功率器件的开发和量产事宜建立战略合作伙伴关系。通过该合作关系，双方将致力于将罗姆的氮化镓器件开发技术与台积公司业界先进的GaN-on-Silicon工艺技术优势结合起来，满足市场对高耐压和高频特性优异的功率元器件日益增长的需求。氮化镓功率器件目前主要被用于AC适配器和服务器电源等消费电子和
    电子资讯报 2024-12-10 17:09 88浏览
  • Linux系统挂载exfat格式U盘教程，触觉智能RK3562开发板演示
    本文介绍Linux系统（Ubuntu/Debian通用）挂载exfat格式U盘的方法，触觉智能RK3562开发板演示，搭载4核A53处理器，主频高达2.0GHz；内置独立1Tops算力NPU，可应用于物联网网关、平板电脑、智能家居、教育电子、工业显示与控制等行业。修改对应的内核配置文件# 进入sdk目录cdrk3562_linux# 编辑内核配置文件vi./kernel-5.10/arch/arm64/configs/rockchip_linux_defconfig注：不清楚内核使用哪个defc
    Industio_触觉智能 2024-12-10 09:44 92浏览
  • RE超标整机定位与解决详细流程
    时源芯微——RE超标整机定位与解决详细流程一、 初步测量与问题确认使用专业的电磁辐射测量设备，对整机的辐射发射进行精确测量。确认是否存在RE超标问题，并记录超标频段和幅度。二、电缆检查与处理若存在信号电缆：步骤一：拔掉所有信号电缆，仅保留电源线，再次测量整机的辐射发射。若测量合格：判定问题出在信号电缆上，可能是电缆的共模电流导致。逐一连接信号电缆，每次连接后测量，定位具体哪根电缆或接口导致超标。对问题电缆进行处理，如加共模扼流圈、滤波器，或优化电缆布局和屏蔽。重新连接所有电缆，再次测量
    时源芯微 2024-12-11 17:11 79浏览
  • 12-9学习笔记
    习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习笔记&记录学习习笔记&记学习学习笔记&记录学习学习笔记&记录学习习笔记&记录学习学习笔记&记录学习学习笔记记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记录学习学习笔记&记
    youyeye 2024-12-10 16:13 109浏览
  • 什么是霍尔传感器
            霍尔传感器是根据霍尔效应制作的一种磁场传感器。霍尔效应是磁电效应的一种，这一现象是霍尔（A.H.Hall，1855—1938）于1879年在研究金属的导电机构时发现的。后来发现半导体、导电流体等也有这种效应，而半导体的霍尔效应比金属强得多，利用这现象制成的各种霍尔元件，广泛地应用于工业自动化技术、检测技术及信息处理等方面。霍尔效应是研究半导体材料性能的基本方法。通过霍尔效应实验测定的霍尔系数，能够判断半导体材料的导电类型、载流子浓度及载流子
    锦正茂科技 2024-12-10 11:07 64浏览
  • 深入解析J1939-73：车辆诊断通信的标准与应用
    一、SAE J1939协议概述SAE J1939协议是由美国汽车工程师协会（SAE，Society of Automotive Engineers）定义的一种用于重型车辆和工业设备中的通信协议，主要应用于车辆和设备之间的实时数据交换。J1939基于CAN（Controller Area Network）总线技术，使用29bit的扩展标识符和扩展数据帧，CAN通信速率为250Kbps，用于车载电子控制单元（ECU）之间的通信和控制。小北同学在之前也对J1939协议做过扫盲科普【科普系列】SAE J
    北汇信息 2024-12-11 15:45 83浏览
  • 天问Block和Mixly
    天问Block和Mixly是两个不同的编程工具，分别在单片机开发和教育编程领域有各自的应用。以下是对它们的详细比较： 基本定义 天问Block：天问Block是一个基于区块链技术的数字身份验证和数据交换平台。它的目标是为用户提供一个安全、去中心化、可信任的数字身份验证和数据交换解决方案。 Mixly：Mixly是一款由北京师范大学教育学部创客教育实验室开发的图形化编程软件，旨在为初学者提供一个易于学习和使用的Arduino编程环境。 主要功能 天问Block：支持STC全系列8位单片机，32位
    丙丁先生 2024-12-11 13:15 50浏览
  • Cyclone V GX FPGA设计TDC的优化问题
    概述 通过前面的研究学习，已经可以在CycloneVGX器件中成功实现完整的TDC（或者说完整的TDL，即延时线），测试结果也比较满足，解决了超大BIN尺寸以及大量0尺寸BIN的问题，但是还是存在一些之前系列器件还未遇到的问题，这些问题将在本文中进行详细描述介绍。 在五代Cyclone器件内部系统时钟受限的情况下，意味着大量逻辑资源将被浪费在于实现较大长度的TDL上面。是否可以找到方法可以对此前TDL的长度进行优化呢？本文还将探讨这个问题。TDC前段BIN颗粒堵塞问题分析 将延时链在逻辑中实现后
    coyoo 2024-12-10 13:28 102浏览
  • 不得不拆解修理台式组合音响
    我的一台很多年前人家不要了的九十年代SONY台式组合音响，接手时只有CD功能不行了，因为不需要，也就没修，只使用收音机、磁带机和外接信号功能就够了。最近五年在外地，就断电闲置，没使用了。今年9月回到家里，就一个劲儿地忙着收拾家当，忙了一个多月，太多事啦！修了电气，清理了闲置不用了的电器和电子，就是一个劲儿地扔扔扔！几十年的“工匠式”收留收藏，只能断舍离，拆解不过来的了。一天，忽然感觉室内有股臭味，用鼻子的嗅觉功能朝着臭味重的方向寻找，觉得应该就是这台组合音响？怎么会呢？这无机物的东西不会腐臭吧？
    自做自受 2024-12-10 16:34 141浏览
  • 搭载紫光展锐芯！全球首款同传翻译眼镜INMO GO2重磅上市
    近日，搭载紫光展锐W517芯片平台的INMO GO2由影目科技正式推出。作为全球首款专为商务场景设计的智能翻译眼镜，INMO GO2 以“快、准、稳”三大核心优势，突破传统翻译产品局限，为全球商务人士带来高效、自然、稳定的跨语言交流体验。 INMO GO2内置的W517芯片，是紫光展锐4G旗舰级智能穿戴平台，采用四核处理器，具有高性能、低功耗的优势，内置超微高集成技术，采用先进工艺，计算能力相比同档位竞品提升4倍，强大的性能提供更加多样化的应用场景。【视频见P盘链接】 依托“
    紫光展锐 2024-12-11 11:50 51浏览
  • 【萤火工场CEM5826-M11测评】OLED显示雷达数据
    【萤火工场CEM5826-M11测评】OLED显示雷达数据本文结合之前关于串口打印雷达监测数据的研究，进一步扩展至 OLED 屏幕显示。该项目整体分为两部分： 一、框架显示； 二、数据采集与填充显示。为了减小 MCU 负担，采用 局部刷新 的方案。1. 显示框架所需库函数 Wire.h 、Adafruit_GFX.h 、Adafruit_SSD1306.h . 代码#include #include #include #include "logo_128x64.h"#include "logo_
    无垠的广袤 2024-12-10 14:03 71浏览
  • 代替肖特基的二极管及其控制器详细介绍
    肖特基具有很多的应用场景， 可以做同步整流，防止电流倒灌和电源反接等，但是随着电源电流的增大，肖特基导通正向压降0.3~0.7v的劣势也越发明显，产生了很多的热，对于工程师的散热设计是个考验，增加了工程师的设计难度和产品成本，目前一种新的理想二极管及其控制器，目前正在得到越来越广泛的应用- BMS，无人机，PLC，安防，家电，电动工具，汽车等都在快速普及理想二极管有三种架构，内置电荷泵的类似无锡明芯微MX5050T这种，驱动能力会弱点，静态功耗200uA，外置电荷泵MX74700T的这种驱动能力
    王萌 2024-12-10 08:51 85浏览
  • 擎耀解码智能汽车可替换LED前照灯控制运行组成原理方案
    智能汽车可替换LED前照灯控制运行的原理涉及多个方面，包括自适应前照灯系统（AFS）的工作原理、传感器的应用、步进电机的控制以及模糊控制策略等。当下时代的智能汽车灯光控制系统通过车载网关控制单元集中控制，表现特殊点的有特斯拉，仅通过前车身控制器，整个系统就包括了灯光旋转开关、车灯变光开关、左LED前照灯总成、右LED前照灯总成、转向柱电子控制单元、CAN数据总线接口、组合仪表控制单元、车载网关控制单元等器件。变光开关、转向开关和辅助操作系统一般连为一体，开关之间通过内部线束和转向柱装置连接为多，
    lauguo2013 2024-12-10 15:53 84浏览
  • 霍尔电流传感器的应用
            在有电流流过的导线周围会感生出磁场，再用霍尔器件检测由电流感生的磁场，即可测出产生这个磁场的电流的量值。由此就可以构成霍尔电流、电压传感器。因为霍尔器件的输出电压与加在它上面的磁感应强度以及流过其中的工作电流的乘积成比例，是一个具有乘法器功能的器件，并且可与各种逻辑电路直接接口，还可以直接驱动各种性质的负载。因为霍尔器件的应用原理简单，信号处理方便，器件本身又具有一系列的du特优点，所以在变频器中也发挥了非常重要的作用。  &nb
    锦正茂科技 2024-12-10 12:57 76浏览
我要评论
1
点击右上角，分享到朋友圈 我知道啦
请使用浏览器分享功能 我知道啦