#汽車電子 #車聯網V2X #先進駕駛輔助系統ADAS #感測器融合SensorsFusion #協同雷達 #慣性測量單元IMU #電池管理系統BMS
【智慧車新趨勢】
成像雷達和慣性導航技術強化汽車感知系統先進的駕駛輔助系統已大量普及，自動駕駛即將到來，而道路安全至關重要。利用現有車載雷達感測器硬體的「協同雷達」是未來汽車領域的發展方向；這種方法允許實現經濟高效的感測器設計，可將感測器放在車輛周圍的多個點上，支援卓越的物體檢測和分類。有專家預言：「融合」將成為未來實施先進駕駛輔助系統 (ADAS) 的標準方式！
「雷達融合」即是：透過多個具有「重疊視場」的雷達波束實現相關性演算法，透過融合兩個獨立的雷達視圖得到更高的解析度。借助先進的振動感測和演算法技術，可在車輛出現安全風險之前檢測出車輛的潛在問題；融合毫米波雷達、光達 (LiDAR) 和慣性測量單元 (IMU) 等產品組合，能可靠地檢測形狀更小、移動速度更快、距離更遠的物體 (如摩托車、行人、動物等)。
對於不依賴於外部資訊、也不向外部輻射能量且不受外界天氣狀況等影響的慣性導航系統而言，「慣性導航」則是目前最有可能在車輛發生緊急狀況時幫助將車停到安全位置的技術。另值得留意的是，12V 和 48V 電池將並存於自駕車市場：車輛內部系統將使用 48V 鋰電池或 12V 封閉式鉛酸 (SLA) 電池，惟現有多數車種仍無法同時使用這兩種電池系統。
由於這兩種電池各自的化學性質，除了要為其設計兩個獨立的充電電路外，還必須使用一種機制，允許電荷在其之間流動而不會對電池或車內任何系統造成任何損害。此外，考慮到其中一種電池運行可能出現故障，使用兩種電池可提供冗餘電源；採用雙向 DC-DC 控制器，與降壓轉換相同的外部功率元件進行升壓轉換，能以非常高的效率實現能量轉換，在節能的同時最大限度減少散熱設計問題。
延伸閱讀：
《ADI：感測融合、雙電池、BMS 引領智慧車走向》
http://www.compotechasia.com/a/feature/2021/0514/47901.html
#亞德諾ADI #SuperRADAR #Drive360 #LT8228
imu感測器 在 Re: [問題] 六軸IMU使用- 看板Electronics - 批踢踢實業坊 的推薦與評價
※ 引述《adaj (ada)》之銘言：
: 標題: [問題] 六軸IMU使用
: 時間: Wed Apr 20 17:36:39 2016
:
: 大家好
: 最近小弟想使用一顆六軸的慣性感測器
: 他可得到三軸加速度及角速度（100Hz)
: 想要積分兩次得到位移的軌跡
: 但是怎麼計算都不太對
: 想問各位大大有沒有使用過的經驗能夠指導一下小弟QQ
我做機器人大概10幾年 IMU跟KF玩了大概10年，略懂一點。(叔叔有練過小朋友不要學)
一顆六軸IMU可以經由sensor fusion估測出兩軸角度 (X,Y軸)
Z | 重力(g)
^ |
| |
| V
|
/--------->X
/
/
Y
原理是利用重力夾角的關係,因為Z軸怎麼轉跟重力夾角都固定,有一軸(Z軸)算不出來
要算那一軸一般用三軸電磁感測器(electrical compass)去得到地磁數據,算出來的。
這就是為啥有些IMU會到9軸的原因(加速度*3,角速度*3,磁力*3)。
OK,回到你的問題。
那......... 用IMU算位移哩?? 用積分不行嗎???
當然不行 很不準 因為加速度計有漂移 有誤差 你一直積 累積誤差會很大
新手1: 很大?! 請問誤差有多大?
ANS: 我8年前的經驗,用日本的IMU大概1美元,用DSP 100HZ兩次積分誤差會一直變大
變大的速度大概20~50cm/sec,因為這誤差還會隨時間增加...
好一點的Sensor誤差小一點,但這積出來的數據不能用。
你用尺量都比較準!
新手2: 那誤差跟實際值不會剛好一正一負加加減減抵銷嗎? 積分後不就沒有誤差了!
ANS: 這機率比買樂透十次都中還低。
OK. 所以到底要怎麼用IMU量到比較精確的位移呢?
答案是 sensor fusion, 你需要另外一個sensor幫助IMU才能算位移
例如你現在手邊有個不太準的sonar, IR or Laser 可以量直線距離
你可以用Kalman filter 把加速規 跟 sonar 的數據作融合得到更精確的數據。
(當然前提是假設你的sensor 量距離不太準, 準的話用這個量就好了,IMU直接丟掉)
:
: --
: ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.136.252.126
: ※ 文章網址: https://www.ptt.cc/bbs/Electronics/M.1461145001.A.015.html
: → Schottky: 這會準才有鬼 04/20 17:45
Sch大講話真實在....
: → adaj: 短時間內也不行嗎？ 04/20 20:01
: → MasterChang: 用ADIS16448試試，會好一點點。 04/20 20:32
: → adaj: 想請問有計算的流程能參考一下嗎 04/20 21:31
你的問題不在於積分計算 你的問題在於不懂sensor特性(感測的物理量跟更新頻率etc.)
聽好了,接下來講的從Wii搖桿用到火星機器人,再到擴增實境(AR)
你現在可能聽不懂,但多年後你會挖出這篇廢文,一拍天靈蓋說:阿!~賭喜阿內!
以下教一個解這問題的正途,未來也可以延伸到更複雜應用。
Kalman filter在台灣一般修"估測理論"的課,也幾乎不教或提點皮毛,
所以找個應用,蒐集一些相關PAPER,tutorial,自己練習是一個可行的方案。
當然最好有一些機率,隨機程序的基礎
參考一下以下這篇論文:
https://www.cs.unc.edu/~welch/media/pdf/kalman_intro.pdf
計算流程:
(Equation 1.9~1.13) 因為你問題是1D而已,寫出來大概5行CODE。
假設你有兩個sensors, sonar 量到是zk, IMU量到的加速度是uk (k是time step)
已知sensor 起始位置離牆壁 L cm, 求IMU的即時位移X=?
L
冏牆<---------Sonar (量到距離 zk)
IMU (量到加速度 uk)
KF 有兩個步驟,"Prediction" 跟 "Correction"
Prediction:
根據國中學的v=v0+at & x=v0t+0.5*at^2 你可以推算出EQ1.9內的 A跟 B 矩陣
Correction:
根據國小學的 L-zk=X 你可以推算出 EQ1.12~1.13的 H矩陣
寫出 Equation 1.9~1.13, Q,R 參數調好 單晶片就能自動估測出IMU的位移了。
這個會了以後,你就可以開始挑戰2D,3D的sensor fusion了,
現實中9成9的應用Model會有非線性, 所以要用 Extended Kalman filter (EKF)
用泰勒展開式(Taylor series,就是你高中學過但不知道有啥用的東西)線性逼近
EQ1.9~1.13 變成 EQ2.14~2.18 還是一樣5行CODE (當然要CALL一些線代library)
這個好好學以後一定有飯碗,現在越來越多手機,AR應用需要即時估測
人或環境的狀態，這些只有上帝才知道的真實數據,
我們人類能做的就是用sensor fusion猜一猜! Good Luck!
--
他高傲,但是宅心仁厚;他謙虛,但是受萬人敬仰:
他可以把神仙賜給人的機械運用的出神入化...
可以做出堪稱神之藝術的超級機械!
他究竟是神仙的化身?還是地獄的使者?沒人知道!
但是可以肯定,每個人都給他一個稱號............................機械小天才!!
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 160.94.47.18
※ 文章網址: https://www.ptt.cc/bbs/Electronics/M.1461388077.A.3C1.html
※ 編輯: Seabook (160.94.47.18), 04/23/2016 13:15:28
... <看更多>