用于智能互联车辆的先进生态驾驶辅助系统

摘要

汽车行业的快速发展给人们带来了极大的便利。 然而,一些问题,如燃料消耗、污染物排放和交通拥堵已经变得越来越严重。 特别是在城市高速公路上,如何解决这些问题引起了研究人员的注意。因此,本文以“碳峰碳中和”为理念,基于V2X (vehicle-to-everything)通信系统,设计了一套先进的智能网联汽车生态驾驶辅助系统。首先,智能路侧设备在城市高速公路上收集交通和车辆信息。其次,边缘计算服务器融合数据,形成动态交通流的全息感知,并传输区域道路交通安全预警提示。同时,考虑到融合后的数据,提出了一个最小能耗的车辆速度引导模型。第三,在V2X通信中设计了一个应用程序,以显示安全警告提示、交通和车辆的状态,以及最佳速度指导。最后,现场测试的实验结果表明,采用先进的生态驾驶辅助系统的车辆的能源消耗明显减少。此外,驾驶员可以获得当前的交通状况和安全警告提示,从而提高了驾驶安全性。

关键词

碳峰值和碳中和,先进的生态驾驶辅助系统,智能互联车辆,V2X通信系统,最佳速度引导。


I.简介

如今,安全和碳排放是现代交通系统的主要挑战。驾驶员需要大量的道路信息来防止交通事故。同时,随着城市高速公路的增加,交通碳排放的比例也逐渐增加。因此,如何减少交通碳排放成为一个重要的研究课题。

世界各地的研究人员对先进的生态驾驶辅助系统进行了不同的研究。赵晓华等根据北京出租车的实际运营数据,分析了城市快速路不同道路交通条件下驾驶行为与车辆油耗之间的关系,认为综合节能潜力可达到11. 18% [1]. 王振波等人分析了车身轻量化设计对电动汽车能耗的影响,认为能耗与整车质量基本呈线性关系。因此,尽量减少车辆的质量有利于降低能源消耗[2]。宋媛媛提出了不同驾驶条件下电动汽车能耗的定量模型,重点研究了车辆驾驶参数的影响,建立了不同形式的微观能耗模型[3]。

李晓鹏等人利用分段二次函数构建车辆时空轨迹,简化了高速公路环保驾驶的优化控制问题,并将优化变量从有限时间内的多个连续速度值转换为多个函数曲线系数,大大减少了优化变量的数量,提高了求解效率[4]。  考虑到车辆轨迹、瞬时速度曲线和路面坡度对能源消耗的影响,Anastasiadou等人提出了一个基于车辆特定功率的电动汽车能源消耗模型[5]。由于温度、风速、电池SOC、辅助负载、道路海拔、车速和加速度等影响,莫迪等人使用卷积神经网络(CNN)来建立能耗预测模型[6]。

综上所述,关于生态驾驶策略和能耗测量方法的研究很多,但有些研究只考虑了车辆状态信息或道路状况对能耗的影响,没有与交通环境信息相结合,应用有限。此外,道路和车辆状态信息不能被全面提取,一些全局最优方法有大量的计算量,这导致预测的准确性和结果的可信度下降。随着智能互联汽车和5G通信技术的发展,基于车对车(V2V)和车对基础设施(V2I)的智能交通系统为智能绿色出行提供了新的机遇[7]。

因此,我们提出了一个先进的生态驾驶辅助系统,用于智能互联车辆,该系统由V2X通信系统支持。通过对动态交通的立体感知,一方面可以将周围的交通信息反馈给驾驶员进行辅助驾驶,另一方面可以应用于车速引导模型,获得最佳车速,从而实现该地区群体的生态驾驶。

本文的其余部分组织如下。在下一节中,我们介绍了先进的生态驾驶辅助系统和智能互联车辆架构,并提出了一个基于车辆和交通的融合数据计算出能耗最低的速度的最佳速度指导模型。最后,先进的生态驾驶辅助系统在一个真实场景中进行了测试。通过最后的结果,总结了结论并提出了未来的研究方向。

II.设计原理


A.     高级生态驾驶辅助系统的架构

先进的生态驾驶辅助系统由基于V2X通信系统的智能路侧设备和智能互联车辆的车载应用组成。智能路边设备包括多源传感器,如高清摄像头、激光雷达和碳检测器。而车载应用程序用于显示当前交通状况、车辆状态、安全警告提示和最佳速度指导等信息。

智能路侧平台融合上述传感器的数据,并传输到边缘计算服务器,再结合边缘计算服务器中的交通事件数据和V2X数据(包括车速、加速度等信息),从而对历史和未来交通流量数据、空间关系轨迹、预测交通流量数据、当前交通状态和车载传感器信息等信息进行处理,进行安全预警提示。同时,车载系统结合路边平台反馈的当前车速、路况、碳排放等信息,计算出最佳车速,以最大限度地减少能源消耗。

最后,先进的生态驾驶辅助系统实现了紧急预警、碰撞预警、道路状态提示和最佳速度引导等功能。高级生态驾驶辅助系统的技术结构如图1所示。

图1. 先进的生态驾驶辅助系统架构

B. 智能互联汽车的V2X通信系统

在驾驶过程中,由于盲点或视线被遮挡,司机可能无法及时、正确地评估当前的驾驶和交通状况。那么,在紧急情况下,司机可能会急剧加速或减速,这很危险,并将大大增加车辆的能耗。因此,我们设计了一个基于V2X通信系统的智能互联汽车架构[8],它将智能路边多源传感器与车载传感器相结合,收集交通状况数据,使司机能够与当前的道路交通状况进行互动。智能互联汽车的架构设计如图2所示[9]。

图2. 用于智能互联车辆的V2X通信系统

中,车辆之间的低延迟和高可靠性的通信可以通过LTE-V-Direct技术实现。此外,在5G蜂窝网络的协助下,交通数据被快速上传和下载,然后实现车辆和路边设备之间的宽频带和覆盖通信。路边设备通过多源传感器感知周围车辆信息,并接收车辆状态数据,包括位置、速度、加速度、航向角、高度等。

车辆通过V2X通信系统获得的路况信息和交通流信息,协助司机评估当前的交通状况。此外,这些信息被用于最小能耗的速度指导模型中,以计算出最佳速度。

C. 最佳速度引导模型

根据碳峰值和碳中和的概念,我们为先进的生态驾驶辅助系统开发了一个最佳速度引导模型[10]。基于动态交通全息感知和车辆运行状态信息,本文提出了智能互联车辆的最优速度引导模型。该模型通过对车辆和交通数据的分析和计算,规划出能耗最低的速度,然后传输给纵向速度控制器,进行加速或制动,以达到经济和环保的目的,如图3所示。

1)  电动汽车能源消耗的预测方法: 当电动汽车减速和制动时,其传动系统可以将部分动能回收到电池。因此,在构建车辆能耗模型时,我们不仅要考虑电池提供给电机和车载设备的电能,还要考虑制动所回收的能量[11]。

图3. 最佳速度采集的流程图

我们研究的是车速对能耗的影响,所以只考虑纵向的车辆动力学模型[12],如公式(1)所示:

其中 Ft   表示驱动力, M 表示质量, v 表示速度,d表示旋转质量的修正系数,f 表示滚动阻力系数, q为道路坡度, CD   表示空气动力阻力系数, A  表示迎风面积,r 为空气密度, v(t) 表示车速,Pwheels   表示电动汽车车轮的功率。电能回收主要受系统结构、行驶路况和驾驶习惯的影响[13],制动能量回收如公式(2)所示:

其中 hr 表示电力回收效率,vi t +D和vi   表示前一时刻和当前制动时刻的速度。电动汽车的车载电子设备能耗计算方法见在公式(3)中:

其中 Ei 分别表示每个机载附件所消耗的能量,ni 表示其相应的效率。

2) 具有最低能耗的速度引导模式: 总之,当电动汽车加速或以恒定速度行驶时,电机作为耗电元件,消耗电池的电能,将其转化为驱动扭矩。在这个过程中,电池SOC(充电状态)的减少是由电机的功率消耗造成的。  当车辆减速时,电机作为一个发电机,将制动扭矩转化为制动能量,为电池供电,电池SOC上升。电池SOC可以反映出车辆的能量消耗。本文建立了一个能量消耗模型,通过确定车速和电池SOC之间的数学关系得到。

我们使用安培小时积分法来估计电池SOC[14],如公式(4)所示:

其中 Q t +Dt 表示电池单元在下一时刻的SOC;Qt  表示电池单元在当前时刻的SOC;C0   表示电池单元的最大容量, ai (t)  表示加速度, Ibat  表示电池单元的电流,Vbat  表示电池单元的电压。

实际功率不是一个固定值。它随着电机的角速度和电机的实际扭矩而变化。

当电动汽车加速或匀速行驶时,随着电机的角速度和电机的实际扭矩的增加,电机的实际功率也在增加,这意味着电机的耗电能力变强,电池SOC下降得更快。当电动车减速时,随着电机角速度和实际电机扭矩的绝对值增加,实际电机功率的绝对值也增加,这意味着电机的充电能力变强,电池SOC上升得更快。在本文中,电机的实际功率是由电机的角速度和电机的实际扭矩得到的。电机的实际功率用公式(5)表示,其中 L  是电机实际功率的数值函数,Tmot _ act (v) 表示电机实际扭矩, w mot 表示电机角速度。

3)  V2X通信中速度引导的最佳解决方案:  在V2X场景下,当前电动汽车的车速和交通信息可以通过智能路侧设备获得,因此我们提出了一种基于智能互联交通的车速即时优化控制方法,如式(6)所示。

在电动汽车的驾驶过程中,我们在V2X通信中计算出车辆的最佳瞬时速度。根据当前的车速和不同的下一刻加速度,我们可以计算出不同的转速以及电机的扭矩,并进一步计算出不同的电池在下一刻的剩余电量。因此,我们可以找到与电池的最高剩余功率水平相对应的速度和加速度。因此,通过使用即时最优控制方法,可以实时调整速度和加速度,使车辆在行驶过程中的能量消耗降到最低。

其中 veco (t +t) 表示下一时刻的经济车速, tf   表示驶出道路的时间, v(t)  表示当前的车辆速度,  vi (t +t) 表示所有可以为车辆的下一个时刻选择的速度点。

将下一时刻的所有速度点带入SOC公式,我们可以得到下一时刻所有速度点对应的电池单元,然后我们可以找到使下一时刻电池单元的SOC最高的点,此时能耗最低,速度是下一时刻车辆的最佳速度。

此外,我们设计了一个车载辅助驾驶系统的应用,它是基于C#和.NET框架实现的,用于与用户进行视觉交互,如图4所示。根据功能,分为七个模块:最佳速度引导模块、紧急预警或最佳速度引导、信号状态、车辆状态分析、路况指示、驾驶记录、风险指示和碰撞预警。

在安全验证场景中,当车辆行驶在十字路口路段时,路边的摄像头和LiDAR检测到周围的行人和车辆信息,并将其传输给边缘计算服务器,服务器会将处理后的当前路口交通状态信息发送给车辆终端,并在应用程序中显示行人警告,以提醒驾驶员注意行人的位置。如果有潜在的车辆碰撞风险,则会弹出代表其他车辆碰撞风险的 "红色感叹号",以确保车辆和行人安全。

图4. 限速提醒和注意行人警告


III.真实场景下的实验


为了验证本文提出的最优速度算法,我们在北京市石景山区阜石路进行了V2X多源传感器数据融合的真实场景测试,如图5和图6所示,绿色粗线描述了选定的路段。在实验中,我们定义了电动车、电池和配方的参数,如表一所示,其余的参数可以通过路边设备获得。此外,我们还通过先进的生态驾驶辅助系统预测能源消耗。经过验证,预测值与实际值的误差如图7所示。可以看出,相对误差的绝对值不超过4%,平均误差为2.996%,可以满足实际场景要求,为速度预测模型提供数据支持。

图5. 真实场景下的测试路


图6. 实验测试场景


图7. 能源消耗比较的预测误差


在相同的道路条件下,我们分别收集了一天中9:00至10:00的辅助驾驶和一般驾驶的相应能耗。经过一周的观察和统计,结果如图8所示,其中橙色线代表高级生态驾驶辅助策略下的能耗变化,蓝色线代表一般驾驶条件下的能耗变化。从图7可以看出,辅助驾驶在相同的道路条件下可以减少9.3%的能耗,并有效增加车辆的续航能力,达到了经济和环保的双重目的。

图8. 一周内的能源消耗比较


在低碳场景的验证中,当车辆行驶在路况平稳的城市高速公路上时,路边的传感器会检测路况信息和环境碳排放数据,然后将它们传输到边缘计算服务器。根据最小能耗速度指导模型,边缘计算服务器计算出最佳速度,并将其发送到车载终端,在生态驾驶系统应用中显示,如图9所示。

图9. 最佳速度引导情景验证

IV.总结


为了实现可持续交通,我们选择城市高速公路作为应用场景。本文以低碳排放为理念,为智能互联车辆设计了一个先进的生态驾驶辅助系统。 首先,我们介绍了先进的生态驾驶辅助系统的架构和用于智能互联车辆的V2X通信系统,通过数据融合对车辆周围的交通物体进行分类和识别。其次,边缘计算服务器获得道路和车辆状态信息,并计算出最佳速度,然后将这些数据发送给高级生态驾驶辅助系统。最后,该应用显示车辆状态信息、安全警告提示和最佳速度指导,以帮助司机安全和低碳驾驶。通过在真实场景中的测试,实验结果表明,能耗比较的预测误差不超过4%,平均误差为2.996%。此外,配备先进的生态驾驶辅助系统的电动汽车在同等路况下可降低9.3%的能耗,能够满足实际智能互联交通场景下的安全低碳驾驶要求,推动未来 "碳峰碳中 "时代绿色安全出行方式的不断创新和发展。


参考文献:

[1] X. Zhao, C. Chen, Y. Wu, J. Rong, Y. Liu, Y. Cheng, et al. , “The Effect

and Potential  Study  of Eco-driving  on  Taxi  Fuel  Consumption, 

Journal of  Transportation  Systems  Engineering  and  Information Technology, 2015, 15(4): 85.

[2]    G. De-Las-Heras, J. Sánchez-Soriano, E. Puertas, “Advanceddriver

assistance systems (ADAS) based on machinelearning techniques for the detection   and   transcription   of  variable   message   signs   on roads.”Sensors, 2021, 21(17): 5866.

[3]    Z. Han, J. Liang, J. Li, “Design of intelligent road recognition and

warning system for vehiclesbased on binocular vision,” IEEE Access, 2018, 6: 62880-62889.

[4]    X. Li, A. Ghiasi, Z. Xu, “Exact Method for a SimplifiedTrajectory

Smoothing Problem    with    Connected    Automated    Vehicles,” Proceedings of 96th Annual Meeting of the Transportation Research Board, Washington, DC. 2017.

[5]    E. Arnold, M. Dianati, R. de Temple, S. Fallah, et al., “Cooperative

Perception for  3D  Object  Detection  in  Driving  Scenarios  Using Infrastructure     Sensors,”     IEEE     Transactions     on     IntelligentTransportation Systems,2020:1- 13.

[6] S.  Zhang,  Y.  Luo,  J. Wang,  X. Wang,  K.  Li,  Predictive  Energy

Management Strategy for Fully Electric VehiclesBased on Preceding Vehicle Movement,” IEEE Transactions on Intelligent Transportation Systems, 2017, 18(11): 3049-3060.

[7] P. Wang , Y. Jiang , L. Xiao , Y. Zhao, Y. Li, " Ajoint control model

for connected vehicle platoon and arterial signal coordination," Journal of Intelligent Transportation Systems, 2020, 24(1): 81-92.

[8]   X. Wang, J. Han, C. Bai, H. Shi, J. Zhang, G. Wang, “Research on the

impacts of generalized preceding vehicle information on traffic flow in V2Xenvironment,” Fut. Int. 2021, 13, 88.

[9]    P. Wang , H. Deng , J. Zhang ,L. Wang, M. Zhang,Y. Li,"Model

predictive control  for  connected  vehicle  platoon  under  switching communication    topology,"    IEEE    Transactions    on    Intelligent Transportation Systems, 2021.

[10]  P. Liao, T. Tang, R. Liu, H. Huang,  An  eco-driving  strategy for

electric vehicle based on the powertrain.” Applied Energy,2021,302.

[11] I. Ullah, K. Liu, T. Yamamoto,M. Zahid, A. Jamal, “Electricvehicle

energy consumption  prediction  using  stacked  generalization:  An ensemble learning approach,”International Journal of Green Energy,2021, 18(9): 896-909.

[12]  Qian L, Qiu L, “A novel coordination control of plug-in 4WD hybrid

electric vehicle using  fuzzy  PID,”  The  28th  International  Electric Vehicle Symposiumand Exhibition, 2015:1-12.

[13] L. Li, X. Ping, J. Shi J, X. Wang, X. Wu, “Energy recovery strategy for

regenerative braking system of fourwheel independent drive electric vehicles,” IET Intelligent Transport Systems,2018,15(1):14-21.

[14] B.  Fan,  X.  Luan,  R.  Zhang,  T. Niu,  Y.  Xie,  Research  on  SOC

Estimation Algorithm for Lithium Battery Based on EKF Algorithm and Ampere-hour  Integration  Method,”  Science  and  Engineering Research Center. Proceedings of 2017 2nd International Conference on Electrical,  Control   and  Automation   Engineering   (ECAE  2017). Science and Engineering Research Center: Scienceand Engineering Research Center. 2017: 110-114.

END


分享不易,恳请点个【👍】和【在看】

智能汽车开发者平台 分享汽车最新前言技术解读,行业分析,与授权行业资料分享平台。
评论
  • 一、VSM的基本原理震动样品磁强计(Vibrating Sample Magnetometer,简称VSM)是一种灵敏且高效的磁性测量仪器。其基本工作原理是利用震动样品在探测线圈中引起的变化磁场来产生感应电压,这个感应电压与样品的磁矩成正比。因此,通过测量这个感应电压,我们就能够精确地确定样品的磁矩。在VSM中,被测量的样品通常被固定在一个震动头上,并以一定的频率和振幅震动。这种震动在探测线圈中引起了变化的磁通量,从而产生了一个交流电信号。这个信号的幅度和样品的磁矩有着直接的关系。因此,通过仔细
    锦正茂科技 2025-02-28 13:30 100浏览
  • Matter 协议,原名 CHIP(Connected Home over IP),是由苹果、谷歌、亚马逊和三星等科技巨头联合ZigBee联盟(现连接标准联盟CSA)共同推出的一套基于IP协议的智能家居连接标准,旨在打破智能家居设备之间的 “语言障碍”,实现真正的互联互通。然而,目标与现实之间总有落差,前期阶段的Matter 协议由于设备支持类型有限、设备生态协同滞后以及设备通信协议割裂等原因,并未能彻底消除智能家居中的“设备孤岛”现象,但随着2025年的到来,这些现象都将得到完美的解决。近期,
    华普微HOPERF 2025-02-27 10:32 212浏览
  • 在2024年的科技征程中,具身智能的发展已成为全球关注的焦点。从实验室到现实应用,这一领域正以前所未有的速度推进,改写着人类与机器的互动边界。这一年,我们见证了具身智能技术的突破与变革,它不仅落地各行各业,带来新的机遇,更在深刻影响着我们的生活方式和思维方式。随着相关技术的飞速发展,具身智能不再仅仅是一个技术概念,更像是一把神奇的钥匙。身后的众多行业,无论愿意与否,都像是被卷入一场伟大变革浪潮中的船只,注定要被这股汹涌的力量重塑航向。01为什么是具身智能?为什么在中国?最近,中国具身智能行业的进
    艾迈斯欧司朗 2025-02-28 15:45 221浏览
  • 在物联网领域中,无线射频技术作为设备间通信的核心手段,已深度渗透工业自动化、智慧城市及智能家居等多元场景。然而,随着物联网设备接入规模的不断扩大,如何降低运维成本,提升通信数据的传输速度和响应时间,实现更广泛、更稳定的覆盖已成为当前亟待解决的系统性难题。SoC无线收发模块-RFM25A12在此背景下,华普微创新推出了一款高性能、远距离与高性价比的Sub-GHz无线SoC收发模块RFM25A12,旨在提升射频性能以满足行业中日益增长与复杂的设备互联需求。值得一提的是,RFM25A12还支持Wi-S
    华普微HOPERF 2025-02-28 09:06 143浏览
  • 应用趋势与客户需求,AI PC的未来展望随着人工智能(AI)技术的日益成熟,AI PC(人工智能个人电脑)逐渐成为消费者和企业工作中的重要工具。这类产品集成了最新的AI处理器,如NPU、CPU和GPU,并具备许多智能化功能,为用户带来更高效且直观的操作体验。AI PC的目标是提升工作和日常生活的效率,通过深度学习与自然语言处理等技术,实现更流畅的多任务处理、实时翻译、语音助手、图像生成等功能,满足现代用户对生产力和娱乐的双重需求。随着各行各业对数字转型需求的增长,AI PC也开始在各个领域中显示
    百佳泰测试实验室 2025-02-27 14:08 255浏览
  • 振动样品磁强计是一种用于测量材料磁性的精密仪器,广泛应用于科研、工业检测等领域。然而,其测量准确度会受到多种因素的影响,下面我们将逐一分析这些因素。一、温度因素温度是影响振动样品磁强计测量准确度的重要因素之一。随着温度的变化,材料的磁性也会发生变化,从而影响测量结果的准确性。因此,在进行磁性测量时,应确保恒温环境,以减少温度波动对测量结果的影响。二、样品制备样品的制备过程同样会影响振动样品磁强计的测量准确度。样品的形状、尺寸和表面处理等因素都会对测量结果产生影响。为了确保测量准确度,应严格按照规
    锦正茂科技 2025-02-28 14:05 134浏览
  •         近日,广电计量在聚焦离子束(FIB)领域编写的专业著作《聚焦离子束:失效分析》正式出版,填补了国内聚焦离子束领域实践性专业书籍的空白,为该领域的技术发展与知识传播提供了重要助力。         随着芯片技术不断发展,芯片的集成度越来越高,结构也日益复杂。这使得传统的失效分析方法面临巨大挑战。FIB技术的出现,为芯片失效分析带来了新的解决方案。它能够在纳米尺度上对芯片进行精确加工和分析。当芯
    广电计量 2025-02-28 09:15 116浏览
  • RGB灯光无法同步?细致的动态光效设定反而成为产品客诉来源!随着科技的进步和消费者需求变化,电脑接口设备单一功能性已无法满足市场需求,因此在产品上增加「动态光效」的形式便应运而生,藉此吸引消费者目光。这种RGB灯光效果,不仅能增强电脑周边产品的视觉吸引力,还能为用户提供个性化的体验,展现独特自我风格。如今,笔记本电脑、键盘、鼠标、鼠标垫、耳机、显示器等多种电脑接口设备多数已配备动态光效。这些设备的灯光效果会随着音乐节奏、游戏情节或使用者的设置而变化。想象一个画面,当一名游戏玩家,按下电源开关,整
    百佳泰测试实验室 2025-02-27 14:15 137浏览
  • 美国加州CEC能效跟DOE能效有什么区别?CEC/DOE是什么关系?美国加州CEC能效跟DOE能效有什么区别?CEC/DOE是什么关系?‌美国加州CEC能效认证与美国DOE能效认证在多个方面存在显著差异‌。认证范围和适用地区‌CEC能效认证‌:仅适用于在加利福尼亚州销售的电器产品。CEC认证的范围包括制冷设备、房间空调、中央空调、便携式空调、加热器、热水器、游泳池加热器、卫浴配件、光源、应急灯具、交通信号模块、灯具、洗碗机、洗衣机、干衣机、烹饪器具、电机和压缩机、变压器、外置电源、消费类电子设备
    张工nx808593 2025-02-27 18:04 120浏览
  • 1,微软下载免费Visual Studio Code2,安装C/C++插件,如果无法直接点击下载, 可以选择手动install from VSIX:ms-vscode.cpptools-1.23.6@win32-x64.vsix3,安装C/C++编译器MniGW (MinGW在 Windows 环境下提供类似于 Unix/Linux 环境下的开发工具,使开发者能够轻松地在 Windows 上编写和编译 C、C++ 等程序.)4,C/C++插件扩展设置中添加Include Path 5,
    黎查 2025-02-28 14:39 140浏览
  •           近日受某专业机构邀请,参加了官方举办的《广东省科技创新条例》宣讲会。在与会之前,作为一名技术工作者一直认为技术的法例都是保密和侵权方面的,而潜意识中感觉法律有束缚创新工作的进行可能。通过一个上午学习新法,对广东省的科技创新有了新的认识。广东是改革的前沿阵地,是科技创新的沃土,企业是创新的主要个体。《广东省科技创新条例》是广东省为促进科技创新、推动高质量发展而制定的地方性法规,主要内容包括: 总则:明确立法目
    广州铁金刚 2025-02-28 10:14 103浏览
  • 更多生命体征指标风靡的背后都只有一个原因:更多人将健康排在人生第一顺位!“AGEs,也就是晚期糖基化终末产物,英文名Advanced Glycation End-products,是存在于我们体内的一种代谢产物” 艾迈斯欧司朗亚太区健康监测高级市场经理王亚琴说道,“相信业内的朋友都会有关注,最近该指标的热度很高,它可以用来评估人的生活方式是否健康。”据悉,AGEs是可穿戴健康监测领域的一个“萌新”指标,近来备受关注。如果站在学术角度来理解它,那么AGEs是在非酶促条件下,蛋白质、氨基酸
    艾迈斯欧司朗 2025-02-27 14:50 400浏览
我要评论
0
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