CN117309429B - 智能网联汽车的淋雨试验检测平台 - Google Patents
智能网联汽车的淋雨试验检测平台 Download PDFInfo
- Publication number
- CN117309429B CN117309429B CN202311304236.XA CN202311304236A CN117309429B CN 117309429 B CN117309429 B CN 117309429B CN 202311304236 A CN202311304236 A CN 202311304236A CN 117309429 B CN117309429 B CN 117309429B
- Authority
- CN
- China
- Prior art keywords
- simulated
- raindrops
- environment
- state
- simulation system
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 56
- 230000008859 change Effects 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000015572 biosynthetic process Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000011056 performance test Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 9
- 230000007423 decrease Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了智能网联汽车的淋雨试验检测平台,涉及汽车检测技术领域,所述平台包括:淋雨模拟***,配置用于构建虚拟的模拟下雨环境;车辆模拟***,配置用于构建虚拟的目标车辆模型;检测分析***,包括:三电分析***和视觉分析***;所述三电分析***,配置用于采集目标车辆模型在模拟下雨环境中行驶过程中的三电参数,对三电参数进行数据分析,以判断三电参数在模拟下雨环境中是否出现异常;所述视觉分析***,配置用于采集目标车辆模型的摄像头图像,以判断摄像头在模拟下雨环境中是否出现异常。本发明为汽车性能测试提供了高度真实的环境条件;通过观测和预测模拟雨滴的行为,实现了对汽车在雨天条件下性能的全面评估。
Description
技术领域
本发明涉及汽车检测技术领域,特别涉及智能网联汽车的淋雨试验检测平台。
背景技术
随着科技的不断发展,智能网联汽车成为汽车行业的新趋势,为驾驶员提供更安全、便捷和智能的驾驶体验。然而,智能网联汽车的研发和测试面临着许多挑战,其中之一是在不同气候条件下对汽车性能进行充分测试。特别是,针对雨天驾驶的测试是非常重要的,因为雨水对车辆的性能和安全性有着显著影响。传统的雨天测试通常是在实际道路上进行的,这种方法存在一些问题。首先,天气不稳定,测试条件难以控制,测试结果不稳定且难以重现。其次,在不同的气候条件下测试需要耗费大量的时间和资源,而且可能会对环境造成影响。此外,某些极端天气条件下的测试可能会对车辆和测试人员的安全构成威胁。
为了克服这些问题,一些现有技术尝试开发虚拟测试平台,以模拟不同气候条件下的驾驶情况。这些虚拟测试平台通常包括计算机模拟和仿真技术,可以在控制条件下模拟各种气象条件,包括雨天。然而,这些现有技术在模拟雨天条件时仍然存在一些问题和限制。首先,现有虚拟测试平台的雨天模拟往往不够精确。它们可能无法准确模拟雨滴的大小、密度和运动轨迹,从而无法真实地模拟雨天的驾驶情况。这种不精确性可能导致对车辆性能的不准确评估。其次,现有虚拟测试平台通常只考虑了雨滴对车辆外部的影响,而忽视了雨滴对车辆内部电子***的影响。在雨天行驶中,电动机、电池和电控***等关键电子组件容易受到雨水的影响,可能导致电路故障或性能下降。然而,现有技术很少考虑这些因素。另一个问题是,现有虚拟测试平台往往没有有效的方法来分析和评估车辆在模拟雨天条件下的性能。缺乏准确的数据分析工具和评估方法,使得难以确定车辆是否满足雨天驾驶的安全性能要求。
发明内容
本发明的目的是提供智能网联汽车的淋雨试验检测平台,为汽车性能测试提供了高度真实的环境条件;通过观测和预测模拟雨滴的行为,实现了对汽车在雨天条件下性能的全面评估。
为解决上述技术问题,本发明提供智能网联汽车的淋雨试验检测平台,平台包括:
淋雨模拟***,配置用于构建虚拟的模拟下雨环境,包括:模拟雨滴环境模拟***,配置用于生成地形模型,创建虚拟大气层;模拟湿度分布,模拟温度分布,模拟气压分布和模拟风场;以及模拟雨滴形成,以得到模拟雨滴;下雨状态模拟***,配置用于观测模拟雨滴初始状态,构建模拟雨滴的观测模型,根据观测模型,不断预测模拟雨滴的预测状态,以完成模拟雨滴的下雨状态模拟;
车辆模拟***,配置用于构建虚拟的目标车辆模型;
检测分析***,包括:三电分析***和视觉分析***;所述三电分析***,配置用于采集目标车辆模型在模拟下雨环境中行驶过程中的三电参数,包括:电机***参数、电池***参数和电控***参数,对三电参数进行数据分析,以判断三电参数在模拟下雨环境中是否出现异常;所述视觉分析***,配置用于采集目标车辆模型在模拟下雨环境中行驶过程中的摄像头图像,以判断摄像头在模拟下雨环境中是否出现异常。
进一步的,所述模拟雨滴环境模拟***使用如下公式生成地形模型:
其中,h(x,y)为地形高度;A是振幅,表示地形的高度范围;λx和λy是波长,控制地形的起伏;x为x轴坐标;y为y轴坐标;
使用如下公式创建虚拟大气层:
ρ0是地面处的密度,H是大气层尺度高度,z是垂直高度,对应z轴坐标;ρ(z)为模拟大气压。
进一步的,所述模拟雨滴环境模拟***使用如下公式模拟湿度分布:
其中,Q(x,y,z)是三维空间中,坐标为(x,y,z)处的湿度;Q0为地面(x,y)处的初始湿度,为设定值;L是湿度高度尺度,控制着湿度在垂直方向变化的速率,越小的L值将导致湿度在垂直方向上变化越快,而越大的L值将导致湿度在垂直方向上变化越慢;
所述模拟雨滴环境模拟***使用如下公式模拟温度分布:
其中,T(x,y,z)是三维空间中,坐标为(x,y,z)处的温度;HT是温度尺度高度,控制着温度在垂直方向的变化速率,越小的HT值将导致温度在垂直方向上变化越快,而越大的HT值将导致温度在垂直方向上变化越慢;LT为温度调整系数,为设定值;T0为地面(x,y)处的初始温度,为设定值。
进一步的,所述模拟雨滴环境模拟***使用如下公式模拟气压分布:
P(x,y,z)是三维空间中,坐标为(x,y,z)处的气压;P0为地面(x,y)处的初始气压,为设定值;
所述模拟雨滴环境模拟***使用如下公式模拟风场:
其中,u(x,y,z)是水平方向坐标为(x,y,z)处的风速分量;v(x,y,z)是垂直方向坐标为(x,y,z)处的风速分量;u0是水平方向坐标为(x,y,z)处的初始风速,为设定值;v0是垂直方向坐标为(x,y,z)处的初始风速,为设定值;Hu和Hv均是风速尺度高度,为设定值;kx和ky是波数,影响风场的空间分布;ω是角频率;t是时间。
进一步的,所述模拟雨滴环境模拟***模拟雨滴形成的方法包括:设定湿度阈值Qcloud和温度阈值Tcloud,当满足以下条件时,云开始形成:
云形成后,模拟雨滴开始形成,使用以下公式生成模拟雨滴的数量N(x,y,z):
其中,C是雨量常数,为设定值,当C大于设定的第一阈值时,生成的模拟雨滴为大雨;当C小于设定的第二阈值时,生成的模拟雨滴为小雨;当C介于设定的第二阈值和第一阈值之间时,生成的模拟雨滴为中雨;N(x,y,z)为坐标为(x,y,z)处的模拟雨滴数量。Qr为湿度变化率,当Q(x,y,z)>Qcloud时,控制模拟雨滴的形成速率,进而控制模拟雨滴数量。
进一步的,所述下雨状态模拟***观测模拟雨滴初始状态为:
其中,和/>表示均匀分布,W和H分别是虚拟环境的宽度和高度;v是雨滴的初始速度,服从正态分布/>r是雨滴的初始半径,服从正态分布σv为初始速度的噪声;σr为初始半径的噪声。
进一步的,所述下雨状态模拟***预测模拟雨滴的预测状态为:
其中,为预测x轴坐标;/>为预测y轴坐标;/>为预测速度;/>为预测半径;Δt为预测状态时的时间与上一状态所处的时间的差值;θ为水平方向的风场与x轴的夹角;g为重力加速度;K为半径变化系数,为设定值。
进一步的,所述下雨状态模拟***建立的观测模型为:
其中,为观测噪声协方差矩阵;U为观测模型。
进一步的,所述下雨状态模拟***使用如下公式不断预测模拟雨滴的预测状态:
其中,X为后续不断预测得到的预测状态中的x轴坐标;Y为后续不断预测得到的预测状态中的y轴坐标;Ki为预测变化系数;V为后续不断预测得到的预测状态中的速度;τ为后续不断预测得到的预测状态中的半径。
进一步的,所述观测噪声协方差矩阵使用如下公式进行更新:
其中,I为单位矩阵。
本发明的智能网联汽车的淋雨试验检测平台,具有以下有益效果:传统的雨天测试难以控制和重现,因为天气条件不稳定。本发明通过淋雨试验检测平台,能够在控制条件下精确模拟不同的雨天情况。模拟雨滴的大小和运动轨迹等因素能够精确控制,使得测试结果更为准确和可靠。这对于评估智能网联汽车在雨天行驶时的性能至关重要,有助于车辆制造商更好地了解其产品的表现。本发明不仅关注了雨滴对车辆外部的影响,还考虑了雨水对车辆内部电子***的潜在影响。在雨天行驶中,电机***、电池***和电控***等关键电子组件容易受到雨水的侵害,可能导致电路故障或性能下降。淋雨试验检测平台能够模拟这些内部电子***在雨天条件下的工作环境,有助于检测潜在问题并采取预防措施。
在本发明中淋雨模拟***负责构建虚拟的环境,包括地形和大气层的模拟。地形模型的生成采用了振幅、波长等参数,通过正弦函数构建地形的高度分布。虚拟大气层的模拟则考虑了密度、高度和垂直高度的关系,通过指数函数模拟大气压力分布。这些模拟有助于为整个环境创造出更真实的下雨场景。同时,淋雨模拟***模拟了雨天中常见的气象条件。湿度分布的模拟考虑了地面湿度和高度的关系,通过指数函数来模拟湿度在垂直方向上的变化。温度分布模拟考虑了温度尺度高度和温度调整系数,控制温度在垂直方向上的变化速率。气压分布的模拟采用了气压变化系数和地形高度的参数,通过指数函数表达气压的分布。风场的模拟则包括水平和垂直方向的风速分量,受到指数函数和正弦、余弦函数的影响。这些模拟数据反映了雨天中复杂的气象条件,对于测试车辆在各种雨天环境中的性能至关重要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的智能网联汽车的淋雨试验检测平台的平台结构示意图。
具体实施方式
本发明的核心是提供智能网联汽车的淋雨试验检测平台,。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:参考图1,智能网联汽车的淋雨试验检测平台,平台包括:
淋雨模拟***,配置用于构建虚拟的模拟下雨环境,包括:模拟雨滴环境模拟***,配置用于生成地形模型,创建虚拟大气层;模拟湿度分布,模拟温度分布,模拟气压分布和模拟风场;以及模拟雨滴形成,以得到模拟雨滴;下雨状态模拟***,配置用于观测模拟雨滴初始状态,构建模拟雨滴的观测模型,根据观测模型,不断预测模拟雨滴的预测状态,以完成模拟雨滴的下雨状态模拟;
车辆模拟***,配置用于构建虚拟的目标车辆模型;车辆模拟***的原理是基于物理建模和仿真技术。它使用数学方程和物理模型来描述车辆的运动和相互作用,以及车辆与环境的交互。这些模型包括车辆动力学模型、悬挂***模型、轮胎模型等。这些模型会考虑车辆的质量、惯性、摩擦、空气阻力等因素,以模拟真实的车辆行为。首先,需要基于实际要测试的汽车,对其进行车型建模。这包括车辆的外观、尺寸、重量、车轮布局等方面的建模,以确保虚拟模型与实际车辆尽可能一致。在建立车型的基础上,进行运动学建模,确定车辆的运动学特性,如加速度、速度、转向半径等。这可以通过考虑车辆的动力学特性和悬挂***来实现。为了模拟在雨天行驶的情况,需要考虑环境因素,包括道路条件、雨水密度、路面湿度等。这些因素会影响车辆的行驶性能和稳定性。车辆模拟***还需要模拟车辆的控制***,包括刹车、油门、转向等控制输入。这可以通过虚拟控制器来实现,以模拟驾驶员的操作。一旦车辆模型和环境模拟准备就绪,***会进行实时仿真,模拟车辆在模拟下雨环境中的行驶过程。在仿真过程中,***会持续更新车辆状态,包括位置、速度、方向等。仿真过程中,***会记录车辆的各种数据,如位置、速度、加速度、转向角度等,以便后续的分析。在仿真过程中,***会根据这些模型和输入参数,使用数值积分方法来求解车辆的运动状态。这包括车辆的位置、速度、加速度、转向角度等。同时,***还会考虑环境模拟中的雨滴影响,如路面湿滑、视线受阻等。检测分析***,包括:三电分析***和视觉分析***;所述三电分析***,配置用于采集目标车辆模型在模拟下雨环境中行驶过程中的三电参数,包括:电机***参数、电池***参数和电控***参数,对三电参数进行数据分析,以判断三电参数在模拟下雨环境中是否出现异常;所述视觉分析***,配置用于采集目标车辆模型在模拟下雨环境中行驶过程中的摄像头图像,以判断摄像头在模拟下雨环境中是否出现异常。
首先,***需要从模拟的车辆模型中采集电气***的相关数据。这包括电机***、电池***和电控***的参数。传感器和模拟器可用于模拟和捕获这些参数的实时数据。采集到的电气数据会被传输到分析***,通常以数字形式进行传输,以便后续处理和分析。在分析***中,采集到的数据将被处理和解析。这可能涉及到数据清洗、校正和转换,以确保数据的准确性和一致性。一旦数据被处理,***将对电气参数进行实时监测和分析,以检测是否存在异常情况。这可以通过与事先定义的电气参数范围进行比较来实现。如果某些参数超出了正常范围,***会触发警报或记录异常事件。***还可以评估电气***的性能,包括电机的输出功率、电池的电量状态、电控***的稳定性等。这有助于了解电气***在模拟下雨环境中的工作情况。最终,***可以生成电气性能报告,以便用户了解模拟车辆在虚拟下雨环境中的电气性能表现,并对可能的问题提供详细信息。
三电分析***的使用传感器和数据传输协议(如CAN总线)来实时采集电气参数的数据。这些数据可以包括电压、电流、温度、电池状态等。异常检测基于已知的电气参数范围和阈值。如果某个参数超出了正常范围,***会认为发生了异常情况。这可以帮助检测电池过热、电机故障等问题。性能评估可以基于电气参数的变化和动态响应来进行。例如,电机的输出功率可以通过监测电流和电压的变化来评估。虚拟环境中的车辆模型和环境模拟可以提供实时的电气数据。这些数据可以通过模拟电气***的工作来生成,以便进行分析和测试。
通过采集车辆在行驶过程中的三电参数,三电参数包括电机***参数、电池***参数和电控***参数。这些参数的采集可以通过车辆上的传感器、监控设备或者车辆自身的诊断***来实现。电机***参数包括电机转速、扭矩、电流等。电池***参数包括电池电压、电流、温度等。电控***参数包括控制器状态、错误代码等。采集到的参数数据需要被存储并进行预处理。这可能包括数据的时间戳、单位转换、滤波和校正等操作,以确保数据的质量和一致性。三电参数的数据分析可以使用各种算法和方法,例如统计分析、机器学习等。对于电机***,可以计算电机的效率、扭矩曲线、功率输出等。对于电池***,可以分析电池的电压、电流特性,以及温度对电池性能的影响。对于电控***,可以监测控制器的状态,检测是否出现错误代码或异常操作。
视觉分析***需要采集模拟车辆在虚拟下雨环境中行驶时的摄像头图像。这些图像可以模拟汽车上的各种摄像头,如前视摄像头、后视摄像头、侧视摄像头等。采集到的图像会被传输到视觉分析***,通常以数字图像格式进行传输,以便后续的图像处理和分析。在视觉分析***中,采集到的图像将被进行预处理,包括去噪、图像增强、边缘检测等。这些处理有助于提高图像质量和清晰度。一旦图像被预处理,***将使用计算机视觉算法来检测和跟踪感兴趣的对象,如其他车辆、行人、路标、障碍物等。这可以通过物体识别、边界框检测等技术来实现。
视觉分析***可以检测在模拟下雨环境中是否出现异常情况,例如视线受阻、雨水强度过大、雾气等。这可以通过图像分析和模式识别来实现。最终,***可以生成视觉分析报告,以汇总模拟车辆在虚拟下雨环境中的视觉情况,并提供有关检测到的对象、异常情况以及视觉***性能的信息。在视觉分析***中,图像处理涉及到对采集到的图像进行一系列操作,以改善其质量和可分析性。这可以包括降噪、增强对比度、颜色校正等。对象检测和跟踪是计算机视觉中的核心任务。它们使用算法来检测图像中的对象,并跟踪它们的运动。常见的方法包括卷积神经网络(CNN)、背景建模、光流法等。异常检测是通过比较当前图像与预期的正常情况来识别异常。这可以通过检测图像中不寻常的模式、颜色变化、物***置等来实现。视觉分析***的效果也受到模拟环境的质量和精确度影响。模拟环境需要准确模拟雨滴、雾气、路面状况等因素,以确保视觉分析的真实性。
视觉分析***的具体执行过程包括:
步骤1:图像采集
首先,我们采集一张待评估的图像,表示为I。
步骤2:灰度转换
将图像转换为灰度图像,表示为Igray。这可以使用以下公式实现:
Igray(x,y)=0.299·I(x,y)R+0.587·I(x,y)G+0.114·I(x,y)B;
其中,I(x,y)R,I(x,y)G,和I(x,y)B分别表示图像I在位置(x,y)处的红色、绿色和蓝色通道的像素值。
步骤3:高通滤波对灰度图像应用高通滤波,以增强图像中的高频信息。使用以下卷积公式:
Ihighpass(x,y)=Igray(x,y)-(Igray*G)(x,y);
其中,G是高斯滤波核。
步骤4:梯度幅值计算计算图像的梯度幅值,以突出图像中的边缘。使用以下公式:
步骤5:图像块划分
将图像分成小块,每个块的大小为N×N像素。
步骤6:块内梯度平均对每个图像块计算梯度幅值的平均值,表示为M(x,y),其中(x,y)是块的中心像素位置。
步骤7:清晰度评分为每个图像块分配一个清晰度评分S(x,y),评分可通过以下公式计算:
其中,α和β是调整参数,用于控制评分的范围。
步骤8:整体清晰度评估将所有图像块的清晰度评分取平均,得到整体清晰度评估值Soverall。
其中,Nblocks是图像块的总数。
实施例2:在上一实施例的基础上,所述模拟雨滴环境模拟***使用如下公式生成地形模型:
其中,h(x,y)为地形高度;A是振幅,表示地形的高度范围;λx和λy是波长,控制地形的起伏;x为x轴坐标;y为y轴坐标;
地形模型的生成公式基于正弦函数的组合,具体来说,是二维正弦波函数的叠加。这个公式的主要元素如下:
h(x,y):地形高度,表示地面上的某个点(x,y)处的高度。
A:振幅,表示地形的高度范围。它控制了地形的最高点和最低点之间的距离。
λx和λy:波长,它们分别控制了地形的水平和垂直方向的起伏。更长的波长会导致更温和的地形变化,而较短的波长会导致更陡峭的地形。
sin(·)函数:正弦函数用于描述波动。正弦函数的变量是(x,y)坐标,所以地形呈现出波浪状的特征。
通过调整振幅、波长以及正弦函数的相位和频率,可以生成不同类型的地形,如山脉、丘陵、平原等。这个公式的基本思想是通过叠加不同波长和振幅的正弦波来模拟地形的复杂性。地形模型生成公式的主要作用是在虚拟环境中生成具有各种地形特征的地表,这对淋雨试验检测平台具有重要意义:通过调整振幅和波长,可以生成不同类型的地形,从平坦的道路到崎岖的山地,以更准确地模拟不同道路条件下的淋雨试验。地形模型的使用使得淋雨试验更加真实。不同地形特征会影响汽车的悬挂***、轮胎抓地力等性能,因此能够更全面地评估汽车在雨天的性能。
使用如下公式创建虚拟大气层:
ρ0是地面处的密度,H是大气层尺度高度,z是垂直高度,对应z轴坐标;ρ(z)为模拟大气压。
虚拟大气层生成公式基于指数衰减函数,它描述了大气压力随着高度的增加而指数级减小。公式的主要元素如下:
ρ(z):模拟大气压力,表示垂直高度z处的大气压力。
ρ0:地面处的密度,表示大气压力在地面的基准值。
H:大气层尺度高度,控制了大气压力的衰减速率。H越大,大气压力随高度变化的越慢。
z:垂直高度,对应于z轴坐标。它表示从地面起多高的位置。
这个公式的基本原理是模拟大气层的压力分布,其中大气压力随着高度的增加而逐渐减小。H控制了压力随高度变化的速率,而ρ0则确定了大气压力在地面的初始值。虚拟大气层生成公式的主要作用是在虚拟环境中模拟大气压力的变化,这对淋雨试验检测平台具有以下重要意义:通过调整H和ρ0的值,可以模拟不同高度和气压条件下的大气层。这对于测试汽车在不同高度地区(如高山地区)的性能非常重要。大气压力的变化会影响雨滴的行为,如雨滴大小、速度和密度。通过模拟不同的大气压力条件,可以更准确地模拟不同类型的雨滴。在淋雨试验中,考虑不同气压条件下的雨水行为对于评估汽车的雨天性能至关重要。这可以帮助确定雨天制动距离、雨刷效果等。
实施例3:在上一实施例的基础上,所述模拟雨滴环境模拟***使用如下公式模拟湿度分布:
其中,Q(x,y,z)是三维空间中,坐标为(x,y,z)处的湿度;Q0为地面(x,y)处的初始湿度,为设定值;L是湿度高度尺度,控制着湿度在垂直方向变化的速率,越小的L值将导致湿度在垂直方向上变化越快,而越大的L值将导致湿度在垂直方向上变化越慢;
湿度是指大气中水蒸气的含量。在淋雨试验中,湿度的分布可以影响雨滴的形成、大小以及对汽车的影响。湿度通常以相对湿度或比湿来表示,但在模拟中可以采用其他表示湿度的方式。实际大气中,湿度随着高度的变化而变化。通常情况下,地面上的湿度较高,随着高度的增加,湿度逐渐减小。这是因为地面上有水源,而在高空湿度较低。湿度分布模拟公式中采用了指数衰减函数来表示湿度随高度z变化的情况。这个函数表明随着高度的增加,湿度呈指数级递减,这是大气中湿度变化的一种常见模式。湿度分布模拟公式考虑了地形高度h(x,y)对湿度的影响。这意味着地形的不同高度会导致湿度在不同地点的分布有所不同。例如,山区可能会有不同的湿度分布。公式中的参数L是湿度高度尺度,它控制了湿度在垂直方向上的变化速率。较小的L值将导致湿度在垂直方向上变化较快,而较大的L值将导致湿度在垂直方向上变化较慢。
所述模拟雨滴环境模拟***使用如下公式模拟温度分布:
其中,T(x,y,z)是三维空间中,坐标为(x,y,z)处的温度;HT是温度尺度高度,控制着温度在垂直方向的变化速率,越小的HT值将导致温度在垂直方向上变化越快,而越大的HT值将导致温度在垂直方向上变化越慢;LT为温度调整系数,为设定值;T0为地面(x,y)处的初始温度,为设定值。
通过温度分布模拟,可以模拟不同位置和高度上的温度差异。温度差异可能影响雨滴的状态(如冰雨)以及路面的温度和湿度情况,从而影响汽车的操控和制动性能。地形高度h(x,y)的考虑使温度分布模拟更加现实,因为不同地点的地形高度会导致温度分布的差异。例如,山区和平原可能具有不同的温度条件。通过调整温度尺度高度HT的值,可以控制温度在垂直方向上的变化速率。这对于模拟不同气象条件下的温度分布非常重要,因为天气条件可能影响温度变化的速度。温度是雨滴状态和路面状况的关键因素之一。通过模拟温度分布,淋雨试验更接近实际雨天的情况,从而提高了测试的真实性和可靠性。
实施例4:在上一实施例的基础上,所述模拟雨滴环境模拟***使用如下公式模拟气压分布:
P(x,y,z)是三维空间中,坐标为(x,y,z)处的气压;P0为地面(x,y)处的初始气压,为设定值;
公式中的第一部分描述了气压随着高度z和地形高度h(x,y)的变化而变化。这部分是根据大气物理学中的标准大气模型来建模的,考虑了温度和重力对气压的影响。在大气中,气压随高度指数级别地减小,这一部分模拟了这种趋势。L控制了气压在垂直方向上的变化速率。较小的L值表示气压在垂直方向上的变化较快,而较大的L值表示变化较慢。这个参数允许调整气压分布的陡峭程度。公式中的(z-h(x,y))部分表示地形高度对气压的影响。地形高度是地面上某个点的高度,对于气压分布的局部变化非常重要。例如,在山区和平原地区,地形高度不同,会导致气压分布的差异。重力加速度g和气体常数R是物理常数,用于计算气压。它们反映了大气的基本性质。
所述模拟雨滴环境模拟***使用如下公式模拟风场:
其中,u(x,y,z)是水平方向坐标为(x,y,z)处的风速分量;v(x,y,z)是垂直方向坐标为(x,y,z)处的风速分量;u0是水平方向坐标为(x,y,z)处的初始风速,为设定值;v0是垂直方向坐标为(x,y,z)处的初始风速,为设定值;Hu和Hv均是风速尺度高度,为设定值;kx和ky是波数,影响风场的空间分布;ω是角频率;t是时间。
公式中的u(x,y,z)和v(x,y,z)分别表示水平和垂直方向上的风速分布。这两个方程构成了一个风场模拟,可以描述风速在三维空间中的分布。初始风速u0和v0是模拟风场的起始条件,代表了空气在某个点的初始速度。这些值可以根据具体试验的需求进行设定。Hu和Hv控制了风速在水平和垂直方向上的变化速率。较小的H值表示风速在该方向上的变化较快,而较大的H值表示变化较慢。这些参数允许调整风场的陡峭程度。波数kx和ky影响了风场的空间分布。它们决定了风速的波动特性和方向。通过调整这些参数,可以模拟不同空间尺度和方向的风场。角频率ω和时间t使风场模拟具有时间变化性质。风速在时间上随着t的变化而变化,模拟了实际环境中风速的时变性。这两个项表示风速随着高度z的增加而减小,这是因为通常情况下,风速在地面上较高,在高空较低。指数衰减项模拟了这种垂直风速变化的趋势。正弦和余弦函数的组合用于模拟风速的周期性变化。这些函数使风场具有波动性,可以模拟风的方向和速度的变化。
实施例5:在上一实施例的基础上,所述模拟雨滴环境模拟***模拟雨滴形成的方法包括:设定湿度阈值Qcloud和温度阈值Tcloud,当满足以下条件时,云开始形成:
云形成后,模拟雨滴开始形成,使用以下公式生成模拟雨滴的数量N(x,y,z):
其中,C是雨量常数,为设定值,当C大于设定的第一阈值时,生成的模拟雨滴为大雨;当C小于设定的第二阈值时,生成的模拟雨滴为小雨;当C介于设定的第二阈值和第一阈值之间时,生成的模拟雨滴为中雨;N(x,y,z)为坐标为(x,y,z)处的模拟雨滴数量。Qr为湿度变化率,当Q(x,y,z)>Qcloud时,控制模拟雨滴的形成速率,进而控制模拟雨滴数量。
首先,公式会检查坐标(x,y,z)处的湿度Q(x,y,z)是否大于湿度阈值Qcloud。如果湿度足够高,满足了云开始形成的条件,那么生成雨滴的可能性增加。公式中的Q(x,y,z)-Qcloud表示当前湿度与湿度阈值之间的差异。这个差异值越大,雨滴的生成概率越高。差异值除以湿度变化率Qr后,通过指数函数进行处理。这个指数函数使得差异值越大,指数项越接近零,生成的雨滴数量越少。反之,如果差异值接近零,指数项接近1,生成的雨滴数量越多。最后,将指数项与雨量常数C和气压P(x,y,z)相乘,以确定生成的模拟雨滴数量N(x,y,z)。这个数量的大小受到湿度、气压、湿度阈值、湿度变化率和雨量常数的综合影响。
实施例6:在上一实施例的基础上,所述下雨状态模拟***观测模拟雨滴初始状态为:
其中,和/>表示均匀分布,W和H分别是虚拟环境的宽度和高度;v是雨滴的初始速度,服从正态分布/>r是雨滴的初始半径,服从正态分布σv为初始速度的噪声;σr为初始半径的噪声。
位置的模拟:x和y是模拟雨滴的初始位置,它们分别服从均匀分布和这表示雨滴的初始位置在虚拟环境的宽度和高度范围内均匀分布。W和H分别是虚拟环境的宽度和高度。通过这两个参数,可以控制雨滴的初始位置在虚拟环境中的分布情况。
速度的模拟:v表示雨滴的初始速度,它服从正态分布这意味着雨滴的初始速度是一个随机变量,其均值为μv,标准差为σv。μv可以视为雨滴速度的平均值,而σv则表示速度的噪声。正态分布使得模拟的雨滴速度具有一定的随机性,更接近实际情况。
半径的模拟:r表示雨滴的初始半径,它服从正态分布与速度类似,这意味着雨滴的初始半径也是一个随机变量,其均值为μr,标准差为σr。μr表示半径的平均值,而σr表示半径的噪声。正态分布使得生成的雨滴具有不同大小的随机性。
通过均匀分布,模拟了雨滴的初始位置。这允许雨滴在虚拟环境中随机分布,从而更真实地模拟了雨滴的落下过程。通过正态分布,模拟了雨滴的初始速度。这使得生成的雨滴具有不同速度,并且速度之间存在一定的随机性。这有助于模拟真实雨滴的速度分布。同样通过正态分布,模拟了雨滴的初始半径。不同大小的雨滴会对视线产生不同的影响,因此生成不同大小的雨滴有助于更精确地模拟雨滴对视野的影响。
实施例7:在上一实施例的基础上,所述下雨状态模拟***预测模拟雨滴的预测状态为:
其中,为预测x轴坐标;/>为预测y轴坐标;/>为预测速度;/>为预测半径;Δt为预测状态时的时间与上一状态所处的时间的差值;θ为水平方向的风场与x轴的夹角;g为重力加速度;K为半径变化系数,为设定值。
和/>分别表示预测的x和y轴坐标。这里使用了基本的运动学原理,即距离等于速度乘以时间,来预测下一个时间步骤内的位置。公式中的Δt
表示预测状态时的时间与上一状态所处的时间的差值。u(x,y,z)表示当前时刻的水平风速,θ表示水平方向的风场与x轴的夹角。这两个参数表示了雨滴在水平方向上的移动。
表示预测速度。预测速度的计算基于上一状态的速度v和重力加速度g,并且考虑了时间间隔Δt。重力加速度g表示雨滴在垂直方向上受到的重力作用,它会导致速度增加。
表示预测半径。预测半径的计算基于上一状态的半径r和半径变化系数K。半径变化系数K表示半径的增长或缩小,它与水平风速u(x,y,z)相关。
实施例8:在上一实施例的基础上,所述下雨状态模拟***建立的观测模型为:
其中,为观测噪声协方差矩阵;U为观测模型。
观测状态向量U包含了四个元素,分别是和/>这些元素代表了预测状态向量中的预测x轴坐标、y轴坐标、速度和半径。观测模型矩阵U是一个3×4的矩阵,用于将预测状态向量映射到观测状态向量。它的作用是确定如何从模拟状态中获得观测状态。观测噪声协方差矩阵/>表示了观测过程中的噪声和不确定性。通常,观测过程中会有测量误差或不确定性,/>可以描述这些误差的大小和相关性。预测状态向量包含了雨滴在下一个时间步骤内的位置、速度和半径的估计值。观测模型矩阵U通过线性映射将这些估计值转化为观测状态向量,这种映射是基于***的物理模型和观测过程的特性建立的。观测噪声协方差矩阵/>考虑了观测过程中的不确定性和测量误差。它通常是一个对角矩阵,对角线上的元素表示不同观测状态之间的协方差。观测模型的作用是将模拟状态映射到观测状态,并考虑了观测过程中的噪声。通过观测模型,可以将模拟状态与实际观测进行比较,并通过滤波技术(如卡尔曼滤波器)来估计最可能的实际状态。这有助于更准确地模拟雨滴的状态,并在淋雨试验中提供更可靠的数据,以评估汽车在不同雨量条件下的性能。
实施例9:在上一实施例的基础上,所述下雨状态模拟***使用如下公式不断预测模拟雨滴的预测状态:
其中,X为后续不断预测得到的预测状态中的x轴坐标;Y为后续不断预测得到的预测状态中的y轴坐标;Ki为预测变化系数;V为后续不断预测得到的预测状态中的速度;τ为后续不断预测得到的预测状态中的半径。
Ki是卡尔曼滤波器中的增益系数,用于权衡预测状态和观测状态之间的差异。它的计算涉及观测噪声协方差矩阵和观测模型矩阵U。Ki的计算是通过将/>与观测模型的转置相乘,然后除以一个调整系数得到的。这个调整系数考虑了观测噪声和观测模型的相对权重。X和Y分别表示后续不断预测得到的预测状态中的x轴坐标和y轴坐标。V和τ分别表示后续不断预测得到的预测状态中的速度和半径。这些预测状态的更新是通过将卡尔曼增益Ki与预测状态的变化量相乘得到的。预测状态中的坐标、速度和半径是通过将预测状态向量中的各个元素与相应的变化量相乘来更新的。
卡尔曼滤波器用于融合预测状态和观测状态,以获得更准确的估计。预测变化系数Ki通过比较观测状态和预测状态的不确定性来确定权衡因子。较大的权衡因子表示更加信任观测状态,而较小的权衡因子表示更加信任预测状态。预测状态的更新通过将预测状态与卡尔曼增益Ki相乘来调整,这有助于纠正预测状态的误差,并将观测信息融入到估计中。
实施例10:在上一实施例的基础上,所述观测噪声协方差矩阵使用如下公式进行更新:
其中,I为单位矩阵。
单位矩阵是一个方阵,其对角线上的元素都为1,其他元素都为0。在矩阵运算中,单位矩阵乘以任何矩阵都会保持原矩阵不变,类似于数字中的1对乘法的作用。卡尔曼增益是卡尔曼滤波器中的关键参数,用于权衡预测状态和观测状态的相对权重。它的值是根据观测模型、观测噪声协方差矩阵和预测状态的不确定性计算得出的。观测噪声协方差矩阵描述了观测过程中的噪声和不确定性,通常是一个对角矩阵,对角线上的元素表示不同观测状态之间的协方差。更新的目的是根据卡尔曼增益Ki来调整观测噪声协方差矩阵/>以反映观测和预测之间的关系。具体地,新的观测噪声协方差矩阵/>的计算公式中,通过从单位矩阵I中减去Ki[10]的乘积来更新。这个更新过程的效果是根据卡尔曼增益Ki来调整观测噪声协方差矩阵/>以更准确地反映观测的质量和可靠性。如果卡尔曼增益Ki较大,表明观测相对可信,那么新的观测噪声协方差矩阵/>的对角线元素可能会较小,表示较小的观测误差。反之,如果Ki较小,表明观测不太可信,那么/>的对角线元素可能会较大,表示较大的观测误差。
这个更新过程有助于确保卡尔曼滤波器在融合观测和预测状态时能够适应不同的观测质量和可靠性。通过根据卡尔曼增益来自适应地更新观测噪声协方差矩阵,可以提高滤波器的性能,以更准确地估计***状态。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本发明进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (1)
1.智能网联汽车的淋雨试验检测平台,其特征在于,所述平台包括:
淋雨模拟***,配置用于构建虚拟的模拟下雨环境,包括:模拟雨滴环境模拟***,配置用于生成地形模型,创建虚拟大气层;模拟湿度分布,模拟温度分布,模拟气压分布和模拟风场;以及模拟雨滴形成,以得到模拟雨滴;下雨状态模拟***,配置用于观测模拟雨滴初始状态,构建模拟雨滴的观测模型,根据观测模型,不断预测模拟雨滴的预测状态,以完成模拟雨滴的下雨状态模拟;
车辆模拟***,配置用于构建虚拟的目标车辆模型;
检测分析***,包括:三电分析***和视觉分析***;所述三电分析***,配置用于采集目标车辆模型在模拟下雨环境中行驶过程中的三电参数,包括:电机***参数、电池***参数和电控***参数,对三电参数进行数据分析,以判断三电参数在模拟下雨环境中是否出现异常;所述视觉分析***,配置用于采集目标车辆模型在模拟下雨环境中行驶过程中的摄像头图像,以判断摄像头在模拟下雨环境中是否出现异常;
所述下雨状态模拟***观测模拟雨滴初始状态为:
其中,和/>表示均匀分布,W和H分别是虚拟环境的宽度和高度;v是雨滴的初始速度,服从正态分布/>r是雨滴的初始半径,服从正态分布/>σv为初始速度的噪声;σr为初始半径的噪声;x为x轴坐标;y为y轴坐标;z是垂直高度,对应z轴坐标;u(x,y,z)是水平方向坐标为(x,y,z)处的风速分量;v(x,y,z)是垂直方向坐标为(x,y,z)处的风速分量;
所述下雨状态模拟***预测模拟雨滴的预测状态为:
其中,为预测x轴坐标;/>为预测y轴坐标;/>为预测速度;/>为预测半径;Δt为预测状态时的时间与上一状态所处的时间的差值;θ为水平方向的风场与x轴的夹角;g为重力加速度;K为半径变化系数,为设定值;
所述下雨状态模拟***建立的观测模型为:
其中,为观测噪声协方差矩阵;U为观测模型;
所述下雨状态模拟***使用如下公式不断预测模拟雨滴的预测状态:
其中,X为后续不断预测得到的预测状态中的x轴坐标;Y为后续不断预测得到的预测状态中的y轴坐标;Ki为预测变化系数;V为后续不断预测得到的预测状态中的速度;τ为后续不断预测得到的预测状态中的半径;
所述模拟雨滴环境模拟***使用如下公式生成地形模型:
其中,h(x,y)为地形高度;A是振幅,表示地形的高度范围;λx和λy是波长,控制地形的起伏;
使用如下公式创建虚拟大气层:
ρ0是地面处的密度,H是大气层尺度高度;ρ(z)为模拟大气压;x为x轴坐标;y为y轴坐标;z是垂直高度;
所述模拟雨滴环境模拟***使用如下公式模拟湿度分布:
其中,Q(x,y,z)是三维空间中,坐标为(x,y,z)处的湿度;Q0为地面(x,y)处的初始湿度,为设定值;L是湿度高度尺度,控制着湿度在垂直方向变化的速率,越小的L值将导致湿度在垂直方向上变化越快,而越大的L值将导致湿度在垂直方向上变化越慢;
所述模拟雨滴环境模拟***使用如下公式模拟温度分布:
其中,T(x,y,z)是三维空间中,坐标为(x,y,z)处的温度;HT是温度尺度高度,控制着温度在垂直方向的变化速率,越小的HT值将导致温度在垂直方向上变化越快,而越大的HT值将导致温度在垂直方向上变化越慢;LT为温度调整系数,为设定值;T0为地面(x,y)处的初始温度,为设定值;
所述模拟雨滴环境模拟***使用如下公式模拟气压分布:
P(x,y,z)是三维空间中,坐标为(x,y,z)处的气压;P0为地面(x,y)处的初始气压,为设定值;
所述模拟雨滴环境模拟***使用如下公式模拟风场:
其中,u0是水平方向坐标为(x,y,z)处的初始风速,为设定值;v0是垂直方向坐标为(x,y,z)处的初始风速,为设定值;Hu和Hv均是风速尺度高度,为设定值;kx和ky是波数,影响风场的空间分布;ω是角频率;t是时间;g为重力加速度和R为气体常数;
所述模拟雨滴环境模拟***模拟雨滴形成的方法包括:设定湿度阈值Qcloud和温度阈值Tcloud,当满足以下条件时,云开始形成:
云形成后,模拟雨滴开始形成,使用以下公式生成模拟雨滴的数量N(x,y,z):
其中,C是雨量常数,为设定值,当C大于设定的第一阈值时,生成的模拟雨滴为大雨;当C小于设定的第二阈值时,生成的模拟雨滴为小雨;当C介于设定的第二阈值和第一阈值之间时,生成的模拟雨滴为中雨;N(x,y,z)为坐标为(x,y,z)处的模拟雨滴数量;Qr为湿度变化率,当Q(x,y,z)>Qcloud时,控制模拟雨滴的形成速率,进而控制模拟雨滴数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311304236.XA CN117309429B (zh) | 2023-10-10 | 2023-10-10 | 智能网联汽车的淋雨试验检测平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311304236.XA CN117309429B (zh) | 2023-10-10 | 2023-10-10 | 智能网联汽车的淋雨试验检测平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117309429A CN117309429A (zh) | 2023-12-29 |
CN117309429B true CN117309429B (zh) | 2024-05-17 |
Family
ID=89296885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311304236.XA Active CN117309429B (zh) | 2023-10-10 | 2023-10-10 | 智能网联汽车的淋雨试验检测平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117309429B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016164A (zh) * | 2017-03-08 | 2017-08-04 | 北京航空航天大学 | 风驱雨量的目标轨迹追踪计算方法 |
CN110852274A (zh) * | 2019-11-12 | 2020-02-28 | 上海智驾汽车科技有限公司 | 一种基于图像识别的智能雨量感知方法及装置 |
EP3620770A1 (de) * | 2018-09-10 | 2020-03-11 | EDAG Engineering GmbH | Umfeldsimulationssystem für einen prüfstand und prüfstand |
CN212159066U (zh) * | 2020-07-07 | 2020-12-15 | 长春职业技术学院 | 一种汽车用自动化检测平台 |
CN212844180U (zh) * | 2020-08-03 | 2021-03-30 | 株洲中车特种装备科技有限公司 | 一种车辆淋雨试验用喷淋装置 |
CN113049267A (zh) * | 2021-03-16 | 2021-06-29 | 同济大学 | 一种交通环境融合感知在环vthil传感器物理建模方法 |
CN113686591A (zh) * | 2021-08-24 | 2021-11-23 | 中国第一汽车股份有限公司 | 一种用于智能网联汽车的降雨模拟方法 |
CN115266026A (zh) * | 2022-07-22 | 2022-11-01 | 吉林奥测汽车技术服务有限责任公司 | 一种模拟真实降雨环境的车载相机在环测试平台及方法 |
CN116595813A (zh) * | 2023-07-18 | 2023-08-15 | 中交一公局第五工程有限公司 | 智能网联汽车测试的数字孪生构建方法与装置 |
CN116704044A (zh) * | 2023-06-08 | 2023-09-05 | 吉林大学 | 一种面向降雨复杂环境智能汽车测试的相机模型构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6931309B2 (en) * | 2003-05-06 | 2005-08-16 | Innosurance, Inc. | Motor vehicle operating data collection and analysis |
-
2023
- 2023-10-10 CN CN202311304236.XA patent/CN117309429B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016164A (zh) * | 2017-03-08 | 2017-08-04 | 北京航空航天大学 | 风驱雨量的目标轨迹追踪计算方法 |
EP3620770A1 (de) * | 2018-09-10 | 2020-03-11 | EDAG Engineering GmbH | Umfeldsimulationssystem für einen prüfstand und prüfstand |
CN110852274A (zh) * | 2019-11-12 | 2020-02-28 | 上海智驾汽车科技有限公司 | 一种基于图像识别的智能雨量感知方法及装置 |
CN212159066U (zh) * | 2020-07-07 | 2020-12-15 | 长春职业技术学院 | 一种汽车用自动化检测平台 |
CN212844180U (zh) * | 2020-08-03 | 2021-03-30 | 株洲中车特种装备科技有限公司 | 一种车辆淋雨试验用喷淋装置 |
CN113049267A (zh) * | 2021-03-16 | 2021-06-29 | 同济大学 | 一种交通环境融合感知在环vthil传感器物理建模方法 |
CN113686591A (zh) * | 2021-08-24 | 2021-11-23 | 中国第一汽车股份有限公司 | 一种用于智能网联汽车的降雨模拟方法 |
CN115266026A (zh) * | 2022-07-22 | 2022-11-01 | 吉林奥测汽车技术服务有限责任公司 | 一种模拟真实降雨环境的车载相机在环测试平台及方法 |
CN116704044A (zh) * | 2023-06-08 | 2023-09-05 | 吉林大学 | 一种面向降雨复杂环境智能汽车测试的相机模型构建方法 |
CN116595813A (zh) * | 2023-07-18 | 2023-08-15 | 中交一公局第五工程有限公司 | 智能网联汽车测试的数字孪生构建方法与装置 |
Non-Patent Citations (3)
Title |
---|
wind and turbulence effects on raindrop fall speed;Testik, Firat Y.;《Journal of The Atmospheric Sciences》;20230412;第80卷(第4期);1065-1086 * |
基于云模型与粒子***自然雨模拟;王兆红;《计算机应用与软件》;20091231;第26卷(第12期);102-104 * |
基于最优化理论的双偏振雷达降雨参数反演研究;黄浩;《中国博士学位论文全文数据库 基础科学辑》;20180915;A009-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN117309429A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112703459B (zh) | 对抗场景的迭代生成 | |
CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
CN109211575A (zh) | 无人驾驶汽车及其场地测试方法、装置及可读介质 | |
RU2626424C1 (ru) | Устройство оценки позиции и угла пространственной ориентации транспортного средства и способ оценки позиции и угла пространственной ориентации транспортного средства | |
KR102517546B1 (ko) | 차량 주행 위험 예측 시스템 및 그 방법 | |
JP7354295B2 (ja) | 車両信号を処理して挙動危険性の測度を計算するための装置及び方法 | |
CN111460676B (zh) | 多旋翼飞行器在大气紊流扰动下的健康性能评估方法 | |
Yu et al. | Pavement roughness index estimation and anomaly detection using smartphones | |
US10684622B2 (en) | Vehicle dynamics monitor for autonomous vehicle | |
Chellaswamy et al. | Deep learning based pothole detection and reporting system | |
US11270164B1 (en) | Vehicle neural network | |
CN111881029A (zh) | 一种面向自动驾驶的多场景自动化点云扩增方法 | |
CN111016901A (zh) | 基于深度学习的智能驾驶决策方法及*** | |
CN111198032A (zh) | 汽车质量实时估算方法 | |
Derbel | Driving style assessment based on the GPS data and fuzzy inference systems | |
CN113283460A (zh) | 机器学习***和用于操作该***以便确定时间序列的方法 | |
Teufel et al. | Simulating realistic rain, snow, and fog variations for comprehensive performance characterization of lidar perception | |
CN110660141B (zh) | 路面状况检测方法、装置、电子设备及可读存储介质 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及*** | |
CN117309429B (zh) | 智能网联汽车的淋雨试验检测平台 | |
CN105468888A (zh) | 一种汽车运动控制性能的评估方法及装置 | |
JP2020109386A (ja) | モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム | |
CN112729366B (zh) | 自动驾驶场地测试的天气模拟设备测试评价方法及装置 | |
CN112415518A (zh) | 基于车载毫米波雷达的可通行空间检测方法 | |
CN113312976A (zh) | 一种基于图像处理与路面附着系数相结合的制动距离计算方法 |
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 |