CN111831265B - 基于autosar的电动汽车传感器信号处理组件接口设计方法 - Google Patents
基于autosar的电动汽车传感器信号处理组件接口设计方法 Download PDFInfo
- Publication number
- CN111831265B CN111831265B CN202010731335.6A CN202010731335A CN111831265B CN 111831265 B CN111831265 B CN 111831265B CN 202010731335 A CN202010731335 A CN 202010731335A CN 111831265 B CN111831265 B CN 111831265B
- Authority
- CN
- China
- Prior art keywords
- information
- sensor
- algorithm
- data fusion
- intelligent electric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 title claims abstract description 17
- 238000013461 design Methods 0.000 title abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims description 42
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/36—Software reuse
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/73—Program documentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Radar, Positioning & Navigation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于AUTOSAR的电动汽车传感器信号处理组件接口设计方法,一方面为智能电动汽车传感器信号处理组件接口函数制定了命名规则及优先级标准,增加了软件复用的可能性,提高了软件可维护性,另一方面对EKF数据融合算法进行了改进,可以提高传感器数据融合的精度。
Description
技术领域
本发明涉及电动车不同控制系统中多传感器数据融合技术领域,具体涉及一种基于AUTOSAR的电动汽车传感器信号处理组件接口设计方法。
背景技术
随着汽车不断向智能化和电动化方向发展,车上传感器数量在不断增加,需要处理的信息也更加复杂,对传感器的精度及可靠性的要求也逐步上升。由于受环境气候多变及单个传感器局限性的影响,常有单个传感器识别不准确的现象发生。如何在能保证后期软件维护简单且软件复用率高的基础上提高多传感器融合技术的精度仍然是一个有待解决的问题。
发明内容
针对现有技术的不足,本发明旨在提供一种基于AUTOSAR的电动汽车传感器信号处理组件接口设计方法。
为了实现上述目的,本发明采用如下技术方案:
基于AUTOSAR的电动汽车传感器信号处理组件接口设计方法,具体过程为:
依据AUTOSAR软件架构标准的通信要求,对智能电动汽车传感器信号处理组件接口函数的命名制定统一格式:
Rte_IRead_RPort_SensorName();
其中,Rte代表在AUTOSAR软件架构中,任何通信都经过RTE;IRead代表智能电动汽车传感器读取数据;RPort代表传感器信号在经过ECU抽象层到达应用层的传感器软件组件时,是通过需求型端口R-Port来实现的;SensorName代表相应的各个不同控制系统中的传感器名称;
对智能电动汽车中各个不同控制系统的不同传感器设定相应的优先级;
利用EKF算法进行传感器信息的数据融合,并利用动态自适应差分进化算法优化EKF算法的过程噪声后运用到下一次进行传感器信息数据融合的EKF算法中。
进一步地,所述利用EKF算法进行传感器信息的数据融合,并利用动态自适应差分进化算法优化EKF算法的过程噪声后运用到下一次进行传感器信息数据融合的EKF算法中的具体过程如下:
1)利用EKF算法进行传感器信息的数据融合;在EKF算法中,设定过程噪声是不断变化的,而非固定值;
2)利用动态自适应差分进化算法计算过程噪声的方差的最优解:经过变异操作、交叉操作、选择操作来反复更迭,在每一次的迭代中,通过互相比较,保留最优解,将计算得到的最优解赋给过程噪声的方差;
3)将利用动态自适应差分进化算法求得的最优解赋给过程噪声的方差后,将该过程噪声的方差Vt运用至下一次EKF算法中,来进行智能电动汽车传感器数据融合。
进一步地,所述对智能电动汽车中各个不同控制系统的不同传感器设定相应的优先级的具体实现过程如下:
传感器信息分为安全信息与非安全信息;安全信息分为周期性安全信息与突发事件安全信息,非安全信息分为动力控制信息、驾驶员意图信息及经济信息;优先级等级分为最高、较高、一般、较低和最低;
所述周期性安全信息是指车辆自身状态信息、道路环境信息及实时天气环境信息,设定为具有较高的优先级;突发事件安全信息是指车辆在行驶过程中由意外因素导致的紧急事件信息,设定为具有最高的优先级;动力控制信息是指驾驶员对车辆动力控制的相关控制指令信息,设定为具有一般的优先级;驾驶员意图信息是指与动力控制信息无关的控制指令信息,设定为具有较低的优先级;经济信息是指用于改善驾驶员个人体验的数据信息,设定为最低的优先级。
进一步地,对于智能电动汽车中摄像头和激光雷达的传感器数据融合,需要先分别对摄像头和激光雷达进行数据预处理;对摄像头进行数据预处理的步骤依次包括检测图像关键点、提取关键点描述符和匹配关键点描述符;对激光雷达进行数据预处理的过程依次包括检测激光雷达点云、将激光雷达点云按距离进行颜色编码以及使用欧几里得聚类激光雷达点云。
本发明的有益效果在于:本发明方法中,一方面为智能电动汽车传感器信号处理组件接口函数制定了命名规则及优先级标准,增加了软件复用的可能性,提高了软件可维护性,另一方面对EKF数据融合算法进行了改进,可以提高传感器数据融合的精度。
附图说明
图1为本发明实施例中所述的AUTOSAR标准分层架构示意图;
图2为本发明实施例中所述的智能电动汽车中电池管理系统的传感器列表示意图;
图3为本发明实施例中所述的智能电动汽车中车身控制系统的传感器列表示意图;
图4为本发明实施例中所述的智能电动汽车中底盘控制系统的传感器列表示意图;
图5为本发明实施例中所述的智能电动汽车中信息安全系统的传感器列表示意图;
图6为本发明实施例中所述的激光雷达与摄像头分别进行数据预处理示意图;
图7为本发明实施例中所述的激光雷达与摄像头使用改进的EKF算法进行数据融合示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
实施例1
本实施例提供一种基于AUTOSAR的电动汽车传感器信号处理组件接口设计方法,具体包括三个方面:
依据AUTOSAR软件架构标准的通信要求,设计并制定规范和统一的智能电动汽车传感器信号处理组件接口函数的命名规则;
对智能电动汽车中各个不同控制系统的不同传感器设定相应的优先级,以解决在复杂的实时交通环境中同时触发多个条件从而导致控制信号在同一时间传入造成的互相冲突的问题;
利用EKF算法进行传感器信息的数据融合,并利用动态自适应差分进化算法优化EKF算法的过程噪声后运用到下一次进行传感器信息数据融合的EKF算法中。通过EKF算法与动态自适应差分进化算法相结合,来解决传统的EKF算法在进行传感器数据融合时需要假设过程噪声固定不变而产生误差,导致精度不高的问题。
具体地,所述依据AUTOSAR软件架构标准的通信要求,设计并制定规范和统一的智能电动汽车传感器信号处理组件接口函数的命名规则的具体实现方式如下:
所述AUTOSAR软件架构标准的通信要求是通过运行时环境层(RTE)来向上层的软件组件提供通信接口并向下层屏蔽实现的细节;本实施例中,给智能电动汽车传感器信号处理组件接口函数命名设定统一格式如下:
Rte_IRead_RPort_SensorName();
其中,Rte代表在AUTOSAR软件架构中,任何通信都经过RTE;IRead代表智能电动汽车传感器读取数据;RPort代表传感器信号在经过ECU抽象层到达应用层的传感器软件组件时,是通过需求型端口R-Port来实现的;SensorName代表相应的各个不同控制系统中的传感器名称。
需要说明的是,智能电动汽车的控制系统包括电池管理系统、车身控制系统、底盘控制系统和信息安全系统。
具体地,所述对智能电动汽车中的各个不同控制系统中的不同传感器设定相应的优先级的具体实现方式如下:
设定优先级以安全性为首要标准,从传感器信息的紧急程度及重要程度这两个方面制定;传感器信息分为安全信息与非安全信息;安全信息分为周期性安全信息与突发事件安全信息,非安全信息分为动力控制信息、驾驶员意图信息及经济信息;优先级等级分为最高、较高、一般、较低和最低。
所述周期性安全信息是指车辆自身状态信息、道路环境信息及实时天气环境信息,设定为具有较高的优先级;突发事件安全信息是指车辆在行驶过程中由意外因素导致的紧急事件信息,设定为具有最高的优先级,所述紧急事件信息包括传感器获取的紧急制动刹车、车辆失去控制及周围突然出现障碍物(如行人等)信息;动力控制信息是指驾驶员对车辆动力控制的相关控制指令信息,设定为具有一般的优先级;驾驶员意图信息是指与动力控制信息无关的控制指令信息,设定为具有较低的优先级;经济信息是指用于改善驾驶员个人体验的数据信息,设定为最低的优先级。
具体地,所述利用EKF算法进行传感器信息的数据融合,并利用动态自适应差分进化算法优化EKF算法的过程噪声后运用到下一次进行传感器信息数据融合的EKF算法中的具体实现方式如下:
1)利用EKF算法融合传感器数据的原理在于,EKF算法中的状态输出矩阵包含智能电动汽车每种传感器的测量值,每个测量值都是真实状态的不完全表现,从几种不完全表达中推断出智能电动汽车的真实状态,数据融合功能就是在状态输出转换矩阵中体现出来的。
在本实施例中,利用EKF算法进行传感器数据的融合,并在EKF算法中,设定过程噪声是不断变化的,而非固定值;
EKF算法中,状态预测公式为:
预测协方差矩阵公式为:
C(t+1|t)=Φ(t+1|t)C(t|t)ΦT(t+1|t)+V(t);
其中,Φ(t+1|t)为状态转移矩阵,ΦT(t+1|t)为状态转移矩阵的转置,V(t)为协方差矩阵,表示预测模型本身带来的噪声,t表示时刻;
滤波增益公式为:
L(t+1)=C(t+1|t)HT(t+1)[H(t+1)C(t+1|t)HT(t+1)+P(t+1)]-1;
其中,H(t+1)为状态输出转换矩阵,HT(t+1)为状态输出转换矩阵的转置,P(t+1)为t+1时刻的观测噪声的方差;
状态更新公式为:
其中,Z(t+1)表示实际观测值,表示预期观测值,/>表示实际观测值与预期观测值间的残差,乘以卡尔曼系数L可以修正预测值;
协方差矩阵更新公式为:
C(t+1)=[I-L(t+1)H(t+1)]C(t+1|t)。
其中I为单位矩阵;
所述过程噪声由滤波值减去观测值来计算,公式为:
过程噪声的方差计算公式为:
Vt+1=var(Nt+1)。
2)利用动态自适应差分进化算法计算过程噪声的方差V1,V2,V3,......,Vt,Vt+1中的最优解:经过变异操作、交叉操作、选择操作来反复更迭,在每一次的迭代中,通过互相比较,保留最优解,将计算得到的最优解赋给过程噪声方差。
所述动态自适应差分进化算法中,初始化种群表达式为:
其中x代表种群大小;y代表空间维数;代表搜索空间下限;/>代表搜索空间上限,/>代表第0代的第x个的第y维;rand(0,1)代表(0,1)内服从均匀分布的随机数;
变异操作表达式为:
其中为第k+1代的第x个变异向量的值,n1、n2、n3为互不相同的整数,/>为第n1个第k代的种群;
动态自适应变异因子表达式为:
H=Hmax-(Hmax-Hmin)·k;
其中k表示第k代,Hmax与Hmin分别表示变异因子的最大值与最小值;
交叉操作表达式为:
其中为第k代的第x个的第y维种群,/>为第k+1代的第x个的第y维的试验向量,/>为第k+1代的第x个的第y维的变异向量的值,yrand∈[1,2,...,N],为随机整数;
动态自适应交叉因子表达式为:
G=g0×sin(ωπt),其中
其中g0为动态自适应交叉因子的交叉系数,ω为频率,tx,y(k)为第k代第x个第y维的t值,jy(k)为第k代第y维变异向量的值;
选择操作表达式为:
其中为第k代的第x个种群;/>为第k+1代的第x个试验向量;
经过上述变异操作、交叉操作、选择操作来反复更迭,在每一次的迭代中,通过互相比较,保留最优解。
3)所述利用动态自适应差分进化算法求得的最优解赋给过程噪声方差后,将该过程噪声的方差运用至下一次进行智能电动汽车传感器数据融合的EKF算法中。
在本实施例中,特别地,对于智能电动汽车上的摄像头与激光雷达传感器的数据融合,先分别对摄像头和激光雷达进行数据预处理;对摄像头进行数据预处理的步骤依次包括检测图像关键点、提取关键点描述符和匹配关键点描述符;对激光雷达进行数据预处理的过程依次包括检测激光雷达点云、将激光雷达点云按距离进行颜色编码以及使用欧几里得聚类激光雷达点云。
利用本实施例中改进的EKF算法实现智能电动汽车上摄像头与激光雷达的数据融合,数据融合结果既能够清晰的看出智能电动汽车周围车辆的形状及大小又能够根据点云的颜色直观的判断车辆的距离,克服了单个传感器工作的局限性。
实施例2
本实施例基于实施例1所述方法进行更加详细的描述。
本实施例1方法中,智能电动汽车传感器信号处理组件接口函数的命名规则及优先级标准是基于AUTOSAR汽车开放式系统架构来实现的,如图1所示,由上往下依次包括应用层、运行时环境层和基础软件层。所述传感器软件组件(SWC)在应用层中,通过RTE来完成SWC之间的通讯及SWC与BSW间的通信,使开发人员在对底层硬件环境不够了解或者不熟悉时也可以开发应用组件;RTE是AUTOSAR实现软件复用的基础,真正实现了SWC与BSW间的分离,屏蔽了底层的细节,使应用层的ECU软件不再依赖于具体的硬件。
实施例1的方法基于AUTOSAR,通过RTE来向上层的SWC提供通信接口,实现了运行与平台无关,且传感器信号在经过ECU抽象层到达应用层的传感器软件组件时,是通过需求型端口(R-Port)来实现的。
本实施例基于AUTOSAR架构对智能电动汽车电池管理系统列出了传感器列表,如图2所示,所述电池管理系统在智能电动汽车中主要起到提供能源的作用,是智能电动汽车中的基础控制系统,所以该系统内的传感器信息属于重要信息,因此将电池管理系统内的传感器信号优先级设置为最高,命名按照基于AUTOSAR设计的统一命名格式Rte_IRead_RPort_SensorName()制定。
本实施例基于AUTOSAR架构对智能电动汽车车身控制系统列出了传感器列表,如图3所示,所述车身控制系统中安全气囊控制系统的传感器用于保护驾驶员人身安全,属于突发事件安全信息,将其中的传感器信息设定为具有最高的优先级;安全带控制系统属于周期性安全信息,将其设定为具有较高的优先级;车门、车窗、电动后视镜、自动雨刮器、灯光条件、电动座椅等控制系统属于驾驶员意图信息,将其设定为较低的优先级。命名按照基于AUTOSAR设计的统一命名格式Rte_IRead_RPort_SensorName()制定。
本实施例基于AUTOSAR架构对智能电动汽车底盘控制系统列出了传感器列表,如图4所示,所述底盘控制系统中电控防抱死(ABS)系统与车上人员的安全息息相关,属于突发事件安全信息,将其中的传感器信息设定为最高的优先级;由于底盘控制系统中传感器多属于周期性安全信息,而车身控制系统中传感器多属于驾驶员意图信息,因此设定底盘控制系统的优先级高于车身控制系统的优先级。命名按照基于AUTOSAR设计的统一命名格式Rte_IRead_RPort_SensorName()制定。
本实施例基于AUTOSAR架构对智能电动汽车信息安全系统列出了传感器列表,如图5所示,所述信息安全系统中雷达防撞、倒车安全及驱动防滑控制系统中传感器检测行车过程中的道路信息,可为驾驶员发出安全预警,属于周期性安全信息,将其中的传感器信息设定为较高的优先级;语音信息及导航信息属于上节提出的经济信息,与车上人员的安全关系不紧密,将其中的传感器信息设定为最低的优先级。命名按照基于AUTOSAR设计的统一命名格式Rte_IRead_RPort_SensorName()制定。
本实施例中,对各个传感器信息给出了更为具体的优先级排序,图2-5中各个传感器信息后所描述的优先级数字即为其排序,数字越小,优先级越高。
本实施例中,先针对智能电动汽车上的激光雷达与摄像头传感器分别进行数据预处理后再使用改进的EKF融合算法进行数据融合。如图6所示,所述摄像头数据预处理首先使用哈里斯角检测方法进行关键点检测,检测关键点的条件是不应与周围其他的关键点重叠太多,避免在一个地方聚集太多点;其次提取关键点描述符依赖图像本身,并将围绕一个关键点的信息进行编码,可以帮助不同图像中的相似关键点彼此分配;最后匹配关键点描述符为了可以在同一个摄像头的下一帧图像上再次找到他们。
激光雷达数据预处理首先收集来自环境的激光束的所有反射形成了激光雷达点云;其次为了能清晰的分辨距离的远近,按距离对激光雷达点云进行颜色编码,靠近的点以红色显示,而远离的点以绿色显示;最后使用KD树进行欧几里得聚类来分割点,删除路面上的所有激光雷达点,保留对场景中障碍物的测量,可以清晰的分辨哪些是智能电动汽车车身周围障碍物。
本实例使用改进的EKF融合算法对智能电动汽车上的激光雷达与摄像头传感器进行数据融合,如图7所示,将动态自适应差分进化算法与EKF算法相结合,把动态自适应差分进化算法求得的最优解赋给过程噪声,在EKF算法进行下一轮迭代时使用该值。使用改进的EKF融合算法,降低了过程噪声对融合结果的影响,使得改进的EKF融合算法具有较高的检测率及较低的漏检率与误检率,并且在算法的处理速度上也得到了一定的提高,对于实时性要求很高的智能电动汽车多传感器数据融合方面,该算法更具有实用性及应用前景。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,给出各种相应的改变和变形,而所有的这些改变和变形,都应该包括在本发明权利要求的保护范围之内。
Claims (4)
1.基于AUTOSAR的电动汽车传感器信号处理组件接口设计方法,其特征在于,具体过程为:
依据AUTOSAR软件架构标准的通信要求,对智能电动汽车传感器信号处理组件接口函数的命名制定统一格式:
Rte_IRead_RPort_SensorName();
其中,Rte代表在AUTOSAR软件架构中,任何通信都经过RTE;IRead代表智能电动汽车传感器读取数据;RPort代表传感器信号在经过ECU抽象层到达应用层的传感器软件组件时,是通过需求型端口R-Port来实现的;SensorName代表相应的各个不同控制系统中的传感器名称;
对智能电动汽车中各个不同控制系统的不同传感器设定相应的优先级;
利用EKF算法进行传感器信息的数据融合,并利用动态自适应差分进化算法优化EKF算法的过程噪声后运用到下一次进行传感器信息数据融合的EKF算法中。
2.根据权利要求1所述的方法,其特征在于,所述利用EKF算法进行传感器信息的数据融合,并利用动态自适应差分进化算法优化EKF算法的过程噪声后运用到下一次进行传感器信息数据融合的EKF算法中的具体过程如下:
1)利用EKF算法进行传感器信息的数据融合;在EKF算法中,设定过程噪声是不断变化的,而非固定值;
2)利用动态自适应差分进化算法计算过程噪声的方差的最优解:经过变异操作、交叉操作、选择操作来反复更迭,在每一次的迭代中,通过互相比较,保留最优解,将计算得到的最优解赋给过程噪声的方差;
3)将利用动态自适应差分进化算法求得的最优解赋给过程噪声的方差后,将该过程噪声的方差Vt运用至下一次EKF算法中,来进行智能电动汽车传感器数据融合。
3.根据权利要求1所述的方法,其特征在于,所述对智能电动汽车中各个不同控制系统的不同传感器设定相应的优先级的具体实现过程如下:
传感器信息分为安全信息与非安全信息;安全信息分为周期性安全信息与突发事件安全信息,非安全信息分为动力控制信息、驾驶员意图信息及经济信息;优先级等级分为最高、较高、一般、较低和最低;
所述周期性安全信息是指车辆自身状态信息、道路环境信息及实时天气环境信息,设定为具有较高的优先级;突发事件安全信息是指车辆在行驶过程中由意外因素导致的紧急事件信息,设定为具有最高的优先级;动力控制信息是指驾驶员对车辆动力控制的相关控制指令信息,设定为具有一般的优先级;驾驶员意图信息是指与动力控制信息无关的控制指令信息,设定为具有较低的优先级;经济信息是指用于改善驾驶员个人体验的数据信息,设定为最低的优先级。
4.根据权利要求1所述的方法,其特征在于,对于智能电动汽车中摄像头和激光雷达的传感器数据融合,需要先分别对摄像头和激光雷达进行数据预处理;对摄像头进行数据预处理的步骤依次包括检测图像关键点、提取关键点描述符和匹配关键点描述符;对激光雷达进行数据预处理的过程依次包括检测激光雷达点云、将激光雷达点云按距离进行颜色编码以及使用欧几里得聚类激光雷达点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731335.6A CN111831265B (zh) | 2020-07-27 | 2020-07-27 | 基于autosar的电动汽车传感器信号处理组件接口设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731335.6A CN111831265B (zh) | 2020-07-27 | 2020-07-27 | 基于autosar的电动汽车传感器信号处理组件接口设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831265A CN111831265A (zh) | 2020-10-27 |
CN111831265B true CN111831265B (zh) | 2024-02-02 |
Family
ID=72924831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010731335.6A Active CN111831265B (zh) | 2020-07-27 | 2020-07-27 | 基于autosar的电动汽车传感器信号处理组件接口设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831265B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114217234B (zh) * | 2021-12-30 | 2023-08-22 | 南通大学 | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231107A (zh) * | 2011-06-09 | 2011-11-02 | 浙江大学 | 基于autosar的电控单元通信数据格式的自动生成方法 |
CN103529821A (zh) * | 2013-09-29 | 2014-01-22 | 重庆邮电大学 | 一种基于can总线的诊断协议栈系统的可配置化方法及装置 |
KR20140061044A (ko) * | 2012-11-13 | 2014-05-21 | 재단법인대구경북과학기술원 | 차량용 룸램프 제어 시스템의 응용 소프트웨어 설계 방법 |
CN105137943A (zh) * | 2015-09-06 | 2015-12-09 | 同济大学 | 一种微混合动力系统集成控制软件架构 |
CN108382334A (zh) * | 2018-04-03 | 2018-08-10 | 湖北汽车工业学院 | 一种智能驾驶汽车控制器结构 |
-
2020
- 2020-07-27 CN CN202010731335.6A patent/CN111831265B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231107A (zh) * | 2011-06-09 | 2011-11-02 | 浙江大学 | 基于autosar的电控单元通信数据格式的自动生成方法 |
KR20140061044A (ko) * | 2012-11-13 | 2014-05-21 | 재단법인대구경북과학기술원 | 차량용 룸램프 제어 시스템의 응용 소프트웨어 설계 방법 |
CN103529821A (zh) * | 2013-09-29 | 2014-01-22 | 重庆邮电大学 | 一种基于can总线的诊断协议栈系统的可配置化方法及装置 |
CN105137943A (zh) * | 2015-09-06 | 2015-12-09 | 同济大学 | 一种微混合动力系统集成控制软件架构 |
CN108382334A (zh) * | 2018-04-03 | 2018-08-10 | 湖北汽车工业学院 | 一种智能驾驶汽车控制器结构 |
Non-Patent Citations (1)
Title |
---|
基于AUTOSAR的电控汽油机ECU软件设计与实现;胡琦;李红;赵民德;吴锋;姚栋伟;方正;浙江大学学报. 工学版;第45卷(第6期);1119-1123 * |
Also Published As
Publication number | Publication date |
---|---|
CN111831265A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10733755B2 (en) | Learning geometric differentials for matching 3D models to objects in a 2D image | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
WO2020135810A1 (zh) | 多传感器数据融合方法和装置 | |
JP7090105B2 (ja) | 珍しい事例の分類 | |
US11430224B2 (en) | Systems and methods for camera-LiDAR fused object detection with segment filtering | |
US20220128702A1 (en) | Systems and methods for camera-lidar fused object detection with local variation segmentation | |
US20220128700A1 (en) | Systems and methods for camera-lidar fused object detection with point pruning | |
CN111292366B (zh) | 一种基于深度学习和边缘计算的视觉行车测距算法 | |
US20220126873A1 (en) | Systems and methods for camera-lidar fused object detection with segment merging | |
CN113895464B (zh) | 融合个性化驾驶风格的智能车驾驶地图生成方法及系统 | |
CN115393680B (zh) | 雾天场景下多模态信息时空融合的3d目标检测方法及系统 | |
CN116830164A (zh) | LiDAR去相关对象检测系统与方法 | |
CN112509032A (zh) | 一种基于汽车分布式感知平台的前方感知模块的设计方法 | |
CN111339830A (zh) | 一种基于多模态数据特征的目标分类方法 | |
WO2022086739A2 (en) | Systems and methods for camera-lidar fused object detection | |
CN111831265B (zh) | 基于autosar的电动汽车传感器信号处理组件接口设计方法 | |
CN116486368A (zh) | 基于自动驾驶场景下的多模态融合三维目标鲁棒检测方法 | |
CN114048536A (zh) | 一种基于多任务神经网络的道路结构预测与目标检测方法 | |
CN114120270A (zh) | 一种基于注意力和采样学习的点云目标检测方法 | |
CN113870246A (zh) | 一种基于深度学习的障碍物探测和识别方法 | |
CN114120246B (zh) | 一种基于复杂环境的前方车辆检测算法 | |
CN116486359A (zh) | 一种面向全天候的智能车环境感知网络自适应选择方法 | |
CN116311113A (zh) | 一种基于车载单目摄像头的驾驶环境感知方法 | |
US20220188621A1 (en) | Generative domain adaptation in a neural network | |
CN114154510A (zh) | 自动驾驶车辆的控制方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |