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
  • 案例1 2008款保时捷卡宴车行驶中发动机偶发熄火故障现象 一辆2008款保时捷卡宴车,搭载4.8 L 自然吸气发动机,累计行驶里程约为21万km。车主反映,该车行驶中发动机偶发熄火;重新起动,发动机能够起动着机,只是起动时间延长,且组合仪表上的发动机故障灯异常点亮。 故障诊断接车后试车,发动机起动及怠速运转正常。用故障检测仪检测,发动机控制单元(DME)中存储有故障代码“P0335 曲轴位置传感器A电路”,由此怀疑曲轴位置传感器信号偶尔异常,导致发动机熄火。用虹科Pico汽车示波器测
    虹科Pico汽车示波器 2025-03-05 11:00 62浏览
  • 文/Leon编辑/cc孙聪颖2025年全国两会进行时,作为“十四五”规划收官之年,本届两会释放出坚定目标、稳中求进、以进促稳等信号。其中,企业家们的建议备受关注,关系到民营经济在2025年的走向。作为国内科技制造业的“老兵”,全国人大代表、TCL集团创始人及董事长李东生在本届两会中提出三份代表建议,包括《关于优化中国科技制造业融资环境的建议》、《关于加强AI深度伪造欺诈管理的建议》和《关于降低灵活就业人员社会保险参保门槛的建议》,表现出对科技制造、AI发展和劳动者保障方面的关注。会后,李东生接受
    华尔街科技眼 2025-03-06 19:41 47浏览
  • 引言嘿,各位电动汽车的爱好者们!咱们今儿个就来聊聊电动汽车里那些“看不见,摸不着”,但又至关重要的零部件。要说电动汽车这玩意儿,那可真是科技含量满满,各种高精尖的技术都往里堆。但要让这些高科技玩意儿协同工作,稳定可靠地运转,那就得靠一些幕后英雄,比如说——电容器。你可能会想,电容器?这不就是电子电路里常见的元件嘛,能有多重要? 哎,你可别小瞧了这小小的电容器。在电动汽车的心脏地带——高压直流转换器(DC-DC转换器)里,车规级的电容器那可是扮演着举足轻重的角色。 今天,咱们就聚焦分析三星电机车规
    贞光科技 2025-03-05 17:02 90浏览
  • 服务器应用环境与客户需求PCIe 5.0高速接口技术的成熟驱动着生成式AI与高效能运算等相关应用蓬勃发展。在随着企业对服务器性能的要求日益严苛,服务器更新换代的周期也持续加快。在此背景下,白牌与DIY(Do It Yourself)服务器市场迎来了新的发展契机,但同时也面临着更趋复杂的技术挑战。传统上,白牌与DIY服务器以其高度客制化与成本效益优势受到市场青睐。然而,随着PCIe 5.0等高速技术的导入,服务器系统的复杂度大幅提升,对组装技术与组件兼容性也就提出更高的要求。举个简单的例子来说,P
    百佳泰测试实验室 2025-03-06 17:00 50浏览
  • 在六西格玛项目中,团队的选择往往决定了最终的成败。合适的团队成员不仅能推动项目顺利进行,更能确保最终成果符合预期。因此,组建六西格玛团队时,必须挑选最合适的人才,确保他们具备必要的能力和特质。团队主管的关键特质每个精益六西格玛项目都需要一位主管来带领团队。他们不仅需要具备领导力,还要能够分析数据、制定策略,并与管理层和团队成员高效沟通。团队主管的核心职责包括:领导团队行动:能够激励成员,确保团队朝着既定目标前进。数据分析能力:精通数据处理和分析,能基于数据做出决策。沟通协调:能够在管理层和团队之
    优思学院 2025-03-06 12:51 98浏览
  • 概述随着工业4.0的深入推进,制造业对自动化和智能化的需求日益增长。传统生产线面临空间不足、效率低下、灵活性差等问题,尤其在现有工厂改造项目中,如何在有限空间内实现高效自动化成为一大挑战。此次项目的客户需要在现有工厂基础上进行改造,空间有限。为此,客户选择了SCARA型线性轴机器人作为执行设备。然而,SCARA机器人的高效运行离不开强大的控制系统支持。宏集凭借其先进的智能控制系统,为客户提供了高效、灵活的自动化解决方案,确保SCARA机器人在有限空间内发挥最大效能。一、客户需求在此次改造项目中,
    宏集科技 2025-03-06 11:27 120浏览
  • 在当今竞争激烈的市场环境中,企业不仅需要优化成本,还需积极响应国家的能源政策,减少对环境的影响。提升工业能源效率正是实现这一双重目标的关键。中国近年来大力推进“双碳”目标(碳达峰、碳中和),并出台了一系列政策鼓励企业节能减排。通过宏集CODRA的Panorama解决方案,企业可以获得专为这一目标设计的SCADA工具,实时监控和调整所有工业设备的能耗。特别是其中的能源管理模块,能够有效分析数据,预防故障,避免能源浪费。Panorama的优化技术宏集CODRA提供的解决方案,尤其是Panorama
    宏集科技 2025-03-06 11:25 115浏览
  • ASL6328芯片支持高达 6.0 Gbps 运行速率的交流和直流耦合输入T-MDS 信号,具备可编程均衡和抖动清理功能。ASL6328 是一款单端口 HDMI/DVI 电平转换 / 中继器,具有重新定时功能。它包含 TypeC双模式 DP 线缆适配器寄存器,可用于识别线缆适配器的性能。抖动清理 PLL(锁相环)能够消除输入抖动,并完全重置系统抖动容限,因此能更好地满足更高数据速率下 HDMI 抖动合规性要求。设备的运行和配置可通过引脚设置或 I2C 总线实现。自动断电和静噪功能提供了灵活的电
    QQ1540182856 2025-03-06 14:26 86浏览
  • 随着自动驾驶技术的迅猛发展,构建高保真、动态的仿真场景成为了行业的迫切需求。传统的三维重建方法在处理复杂场景时常常面临效率和精度的挑战。在此背景下,3D高斯点阵渲染(3DGS)技术应运而生,成为自动驾驶仿真场景重建的关键突破。一、3DGS技术概述与原理1、3DGS的技术概述3DGS是一种基于3D高斯分布的三维场景表示方法。通过将场景中的对象转化为多个3D高斯点,每个点包含位置、协方差矩阵和不透明度等信息,3DGS能够精确地表达复杂场景的几何形状和光照特性。与传统的神经辐射场(NeRF)方法相比,
    康谋 2025-03-06 13:17 120浏览
  • 产品质量合格率偏低会引起质量成本(也称“劣质成本”)的大幅增加。质量成本通常分为内部损失成本和外部损失成本两部分。内部损失成本是指产品交付前因质量不合格造成的损失,包括返工、报废等;外部损失成本是指产品交付后因质量问题导致的损失,如退货、召回等。此外,质量问题还会影响生产效率,带来额外人工和停工损失。下面分别介绍各类损失的具体计算方法和公式。直接成本损失(内部故障成本)直接成本是由于产品在出厂前质量不合格所造成的看得见的损失。常见的直接损失包括返工、报废以及由此产生的额外原材料消耗等。返工成本:
    优思学院 2025-03-05 15:25 77浏览
  • 配电自动化终端DTU(数据终端单元)在智能电网的建设中扮演着至关重要的角色,它通过信息采集与控制,实现配电线路的遥测、故障检测及远程操作,极大提升了供电可靠性和效率。在国网新规的推动下,采用多核异构处理器设计的DTU方案日益成为主流,其中实时核与控制核的协同工作,为配电系统的实时监控与高效管理提供了有力保障。在此背景下,飞凌嵌入式基于FET536-C核心板的RISC-V核DTU解决方案应运而生,凭借卓越的性能和灵活的多核架构,引领配电自动化进入全新时代。1. T536核心板的优势飞凌嵌入式FET
    飞凌嵌入式 2025-03-05 10:42 78浏览
  • 文/Leon编辑/侯煜‍2008至2021年间,创维以高举高打的凌厉之势,果断进行投资,一度成为中国市场大屏OLED产业的旗手,引领着显示技术的发展方向。但近年来,创维在 OLED 领域的发展轨迹却逐渐模糊,态度陷入暧昧不明的混沌状态。究其根源,一方面,创维对过往的押注难以割舍,在技术革新与市场变化的浪潮中,不愿轻易推翻曾经的战略布局;另一方面,早期在大屏OLED 技术研发、市场推广等环节投入的巨额资金,已然形成沉没成本,极大地限制了创维在显示技术路线上的重新抉择。但市场瞬息万变,为适应激烈的行
    华尔街科技眼 2025-03-05 20:03 147浏览
  • 多人同时共享相同无线网络,以下场景是否是您熟悉的日常?姐姐:「妈~我在房间在线上课,影音一直断断续续的怎么上课啊!」奶奶:「媳妇啊~我在在线追剧,影片一直卡卡的,实在让人生气!」除此之外,同时间有老公在跟客户开在线会议,还有弟弟在玩在线游戏,而妈妈自己其实也在客厅追剧,同时间加总起来,共有五个人同时使用这个网络!我们不论是在家里、咖啡厅、餐厅、商场或是公司,都会面临到周遭充斥着非常多的无线路由器(AP),若同时间每位使用者透过手机、平板或是笔电连接到相同的一个网络,可想而知网络上的壅塞及相互干扰
    百佳泰测试实验室 2025-03-06 16:50 42浏览
  • 1. 背景在汽车电子系统测试中,CANoe作为主流的仿真测试工具,常需与云端服务器、第三方软件或物联网设备进行交互。随着CANoe与外部软件、服务器或设备交互越来越多,直接使用Socket进行通信往往不能满足使用需求,依托于CANoe 的连接功能集(Connectivity Feature Set),以及Distributed Object(DO)功能,可以仿真HTTP节点,实现设备与服务器等之间的通信,保证数据处理的可靠性和便捷性。本文详细解析如何利用CANoe搭建HTTP测试环境,并提供典型
    北汇信息 2025-03-05 11:56 87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