免费看男阳茎进女阳道视频

                        24小時論文定制熱線

                        咨詢電話

                        熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                        您當前的位置:論文定制 > 畢業設計論文 >
                        快速導航
                        畢業論文定制
                        關于我們
                        我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                        代做畢業設計
                        常見問題

                        無線通信汽車主動防撞預警系統研究

                        添加時間:2018/09/10 來源:吉林大學 作者:雷雨
                        本文利用ZigBee低功耗通信技術作為車載通信單元、利用高精度GPS——司南導航作為車輛定位設備、利用MicroAutoBox作為系統網關及上層控制器、利用ControlDesk軟件搭建預警系統簡易人機交互界面,設計了一種帶有通信以及預警功能的車載硬件平臺。
                        以下為本篇論文正文:

                        摘要

                          當今社會,汽車保有量的不斷增加致使交通事故日益頻繁,造成的人員傷亡以及經濟損失也在逐年攀升。雖然現有的安全技術在一定程度上能夠保障行人和駕駛員的生命安全,例如被動安全技術安全帶、安全氣囊在車輛發生碰撞時將車內乘客的損傷降至最低;主動安全技術 ABS、ESP、AEB 等在保證車輛行駛穩定性的同時也將車輛對行人、對其他車輛的威脅降到了最低,然而這些主動安全技術都需要車輛本身裝備有昂貴的傳感器來實現,并不適用于所有車輛。

                          近年來,隨著無線通信技術的不斷發展與成熟,智能網聯汽車與智能交通逐漸成為汽車廠商和汽車領域研究人員的關注重點,基于智能網聯技術提高汽車行駛安全性成為了新興的研究熱點。汽車主動防撞預警系統指的是車載預警系統主動向駕駛員提供周邊駕駛環境的信息,例如車輛的位置、行駛速率,并告知駕駛員可能存在的碰撞風險;無線通信技術通常指不同設備之間脫離物理連接之后的信息傳輸與數據共享,例如手機間的通信。將以上二者相結合,汽車則會具有一定的通信能力,實現“聯網”

                          功能,不通車輛之間則可以實現信息傳遞與共享,擴大汽車的感知范圍,從而提高汽車行駛的安全性。本文圍繞無線通信以及汽車主動防撞預警系統,針對車車通信、車輛之間的相互定位以及行駛安全性開展了相關的研究。

                          本文在開篇討論了智能車輛的環境感知技術并指出了這些技術存在的問題,提出通過無線通信技術為車輛獲取有用信息,實現主動預警;隨后介紹了國內外近二十年來關于智能網聯汽車以及防撞預警系統的研究現狀,在前人的基礎上開展了本文的研究。本文第二章主要介紹車載預警系統的硬件架構與軟件需求,包括實現無線通信功能的 ZigBee 技術、實現車輛定位的 GPS 技術、實現對駕駛員進行信息提示的人機交互界面相關理論、實現不同硬件設備之間數據正確傳輸的通信協議,提出了一種帶有通信功能以及預警功能的車載硬件平臺。

                          本文第三章主要介紹實現車載硬件平臺正常工作所需要搭建的模型,包括實現ZigBee 節點間互相聯網通信的通信模型、判斷前后車輛之間行駛安全性的安全距離模型、獲取車輛之間相對位置信息的 GPS 定位模型以及獲取駕駛員初級行駛意圖的識別模型。其中,通信模型、安全距離模型以及車輛定位模型是核心所在:通信模型考慮到了車載硬件平臺不同設備之間的數據傳輸,包括車載 CAN 總線通信與 ZigBee 串口通信之間的數據轉換以及汽車 CAN 總線相關報文信息的獲;本章第 2 小節簡要介紹了傳統基于制動過程分解的安全距離模型并分析了該模型存在的主要缺點,提出了改進的安全距離模型以及預警策略;隨后在車輛定位模型中介紹了 GPS 坐標變換以及基于無跡卡爾曼濾波算法的行駛軌跡修正。

                          本文第四章主要介紹車載硬件平臺各子系統的仿真測試并對結果進行了詳細的分析,并在校園環境下針對每一個子系統進行了實車測試。通信測試用于評估 ZigBee 通信模塊可靠性和穩定性,包括節點之間的靜態通信測試與動態通信測試;安全距離模型的實車測試是為了評估模型的可靠性,在某些不能進行實車測試的工況下(大于40km/h 的較高行駛車速),進行仿真測試對模型進行驗證;GPS 戶外測試用于評估車輛定位的準確性與可靠性,包括車輛靜止時的靜態定位精度和車輛低速行駛時的動態定位精度;駕駛意圖識別測試包括仿真分析(大于 40km/h 的較高行駛車速)與實車驗證(4 種典型工況:加速行駛、減速行駛、車輛換道、車輛轉彎)。本文最后于第五章進行了全文總結以及對未來工作的展望。

                          關鍵詞:ZigBee 車車通信 防撞預警 GPS

                        Abstract

                          With the rapid growth of running vehicles in modern society, accidents caused by automobiles are rising fast and the number of human injuries and money loss reach a new high level. Although modern safety technology can guarantee driver and pedestrian’s life, for instance, passive safety technologies like safety belt and airbag could minimize the injury level when accidents happened, active safety technologies like ABS, ESP, AEB could maintain vehicle’s driving stability as well as minimizing the threat towards pedestrians and surrounding vehicles, yet those active safety technologies depend on expensive sensor, which is not applicable to all vehicles.

                          In recent years, as communication technology keeps evolving and maturing, connected intelligent vehicle and intelligent transportation system are becoming the new buzzword, countless research institutes and college scholars started studying wireless communication and establishing dedicated experimental area, using wireless communication to improve vehicle safety level is becoming the new researching focus. Vehicle anti-collision warning system means on-board warning system can not only inform driver of surrounding driving situation, like vehicle location and driving speed, but also detect potential accidents and give driver alerts. Wireless communication indicates different devices could establish connection, achieve data exchange and information sharing without physical link, like cellphone communication. Combining these two technologies, vehicle can “talk” and share information with each other after connection, and sensing range is extended to improve vehicle driving safety. This paper considers wireless communication and anti-collision warning system as core issues, focusing on the study of vehicle to vehicle communication, vehicles relative positioning and driving safety calculation.

                          This paper first discussed current environment perceptive technologies and analyzed advantages and disadvantages, proposing obtaining useful information via wireless communication to fulfill pre-warning, then introduced domestic and international studies about connected intelligent vehicle and anti-collision warning system in recent years, and started the research in this paper based on those predecessors. Chapter two mainly contained hardware structure and software requirements of on-board warning system, to be specific, including ZigBee technology that achieves vehicle communication, GPS technology that achieves relative positioning, human machine interface that gives driver alerts and communication protocol that ensures correct data transfer among different devices. Based on selected devices and designed protocol, a vehicular ad-hoc network platform was proposed.

                          System modeling was elaborated in chapter three, including ZigBee communication model that fulfills vehicle communication, improved safe distance model that constantly evaluates longitudinal driving situation, GPS positioning model that locates surrounding vehicles, and driver intention recognition model, therein, communication model, safe distance model and positioning model are core ones. Communication model is mainly responsible for ensuring correct data transmission among different devices, including data transformation between CAN bus and serial port, relevant data acquisition from CAN bus.

                          After communication model, modified safe distance model was proposed since brake-process-analysis-based traditional safe distance model has a few problems, and warning strategies were also briefly introduced. Vehicle positioning model mainly focused on GPS coordinate transformation and unscented Kalman filter algorithm was also used in this paper to improve positioning accuracy.

                          Simulations and outcome analysis of each model, main system functions’ outdoor verification under campus environment were presented in chapter four. Communication tests, including static and dynamic link tests between nodes, were used to evaluate accuracy and stability of ZigBee module. In order to validate safe distance model’s reliability, outdoor tests were conducted when driving speed was below 40km/h, otherwise, simulation tests were conducted to verify the model. GPS model validations also contained static (vehicle not moving) and dynamic (vehicle moving) tests. Like safe distance model, driver intention recognition model consisted of outdoor tests (vehicle speed below 40km/h) and simulations (vehicle speed over 40km/h). Four typical driving situations were tested outdoors, including acceleration, deceleration, lane change and turn. Summarization and future works were presented in the last chapter.

                          Keywords:ZigBee; V2V; FCWS; GPS

                          德國 2008 年的道路交通事故統計報告中指出[1],所有事故中由駕駛員造成的占到了 86%;由于車輛本身存在問題(輪胎老化、制動系統失效等)、行人問題以及其他不可知因素造成的事故占到了10%;4%的交通事故是由于天氣原因造成的可視距離下降、道路濕滑所引發的。根據警方統計,造成人員受傷或死亡的交通事故的主要因素是超速(12.3%)、車距過低(9.9%)以及交叉路口會車時出現的駕駛違章和通行爭搶(26.4%)。

                          美國交通部(USDOT)2010 年的數據統計表明:每年有超過 3 萬人死于交通事故,4-34 歲年齡段死因中排名第一的是道路交通事故。由交通事故直接造成的經濟損失超過 2000 億美元,日常道路交通擁堵問題造成的時間浪費每年達到了 42 億小時,道路擁堵間接引發的經濟損失預計超過 870 億美元。

                          2016 年 5 月,一輛特斯拉 Model S 在自動駕駛模式下于美國佛羅里達州與一輛拖車相撞,駕駛員不幸喪生。由于駕駛環境明亮而且天空白云眾多,以及傳感器性能、安裝位置的限制以及識別算法的局限性(特斯拉裝備的前方車輛感知設備是由以色列Mobileye 公司提供的產品,當時的識別算法只支持識別車輛的正前方和正后方,而當時拖車是橫向處于道路中間),特斯拉的智能傳感設備將遠處白色的掛車車身識別為了天空中的白云,導致系統判斷安全,沒有減速制動,從而釀成了悲劇。盡管自動駕駛的車輛測試里程數早已達到了很高的水平,特斯拉宣稱 Autopilot 半自動駕駛系統已經安全行駛超過了 2.22 億英里,谷歌也宣稱自家自動駕駛汽車的測試里程超過了 200 萬英里,然后一旦發生事故,業界仍然會譴責自動駕駛技術不成熟,自動駕駛再次受到了前所未有的挑戰。

                          在經歷了 2016 年 5 月那次嚴重的交通事故之后,同年 10 月,特斯拉公司宣布旗下所有在產車型(包括 Model 3)都將進行硬件升級以實現全功能的自動駕駛(Fullself-driving),新的智能駕駛套件更新如下:車身四周一共配有 8 個高清攝像頭實現 360 度視野覆蓋,最大檢測范圍 250 米。此外,整車還裝有 12 個超聲波傳感器,最大探測距離達到了上一代產品的 2 倍以上。車頭前向的毫米波雷達也得到了相應的升級,提升了雨、雪、霧、沙塵等較惡劣天氣條件下的檢測準確性和工作穩定性。

                          傳感器的增多使數據量也大幅增加,為了更高效地處理傳感器收集到的數據,特斯拉采用了全新的車載電腦--Tesla Neural Net。新的處理核心基于英偉達(NVIDIA)公司的 Titan GPU,每秒鐘的計算量高達 12 萬億次,運算效率是上一代產品的 40 倍,這樣才能滿足同時處理攝像頭、超聲波雷達和毫米波雷達實時采集到的數據。

                          新的智能駕駛系統可以同時在車輛周圍各個方位進行實時檢測,覆蓋范圍相當廣。

                          這樣大幅的升級自然也造成了硬件成本的大幅增加,一套新系統的成本約為8000美元,而上一代 Autopilot 則只有 3000 美元,是原先的兩倍還多。智能駕駛硬件升級之后,特斯拉汽車的自動駕駛水平相當于從 SAE 的 Level 2(半自動駕駛)直接晉升到了 Level5(全自動駕駛),違背了傳統汽車廠商逐步研發升級新功能的習慣。

                          一般搭載 ACC 自適應巡航控制、LDW 車道偏離預警以及自動泊車等功能的智能車輛可以歸為 level 2 這一層級,特斯拉公司借助更多的傳感器實現的自動駕駛其實介于 level 2 和 level 3 之間 ,離真正的自動駕駛或無人駕駛還有很長一段路要走。事實上,無論是特斯拉還是谷歌,都沒有宣稱自家的技術完全成熟,自動駕駛系統也需要駕駛員坐在方向盤前,自動駕駛系統一旦無法應對當前行駛工況時,就需要駕駛員人為地進行干涉,這也正是自動駕駛技術難以邁入尋常百姓家的原因之一,一旦涉及到安全性的新技術,無論是汽車廠商還是消費者,態度都會非常謹慎。

                          “無人”駕駛(或自動駕駛)汽車從上個世紀人們有初步的設想以來,經歷了數十年的技術積累,進入到 21 世紀,奔馳、寶馬、奧迪、大眾以及沃爾沃等大牌汽車廠商,都在加強自動駕駛技術方面的研發并積極宣傳自家的安全駕駛技術,例如沃爾沃的 City-safe 技術。在傳統汽車廠商和谷歌、Mobileye 等公司的引領下,自動駕駛汽車由幻想逐步落實到現實生活當中,但目前的技術水平只能實現部分條件下的自動駕駛,還遠未達到成熟。

                          自動駕駛系統想要完整替代人類駕駛員,首先要做到實時“看清”車輛的周邊環境。傳感器作為自動駕駛汽車的眼睛,用來實時感知駕駛環境的動態變化,而汽車行駛環境又十分復雜,單一傳感器無法勝任所有工作,需要多種傳感器分工合作[3]。

                          GPS:用于車輛定位,不同車用定位設備定位精度從 1 米到 1cm 不等。高精度定位設備,如 DGPS、GNSS 或 RTK-GPS,需要在實驗場地單獨架設差分基站,并且高精度定位范圍有限,同時易受建筑樓群、茂密樹木遮擋影響,不過在視野開闊地帶定位效果極佳。

                          攝像頭(Camera):同等價格下,現代社會的攝像頭分辨率(>4k)遠遠高于其他傳感器,可以捕獲足夠多的視覺信息,尤其是顏色信息,車道線檢測、交通指示牌和交通信號燈的識別幾乎都依賴于攝像頭。眾所周知,人眼是靠雙眼同時工作實現物體的精確定位,單目攝像頭只能獲取畫面的平面信息,無法得到畫面內容中各個物體的景深信息,也就無法準確進行定位,而雙目攝像頭的計算量又太大,實時性不好。攝像頭靠進光量感知環境,感知能力受光照條件影響,工作穩定性不好,例如陰天情況下,基于車底陰影檢測車輛位置的方法幾乎完全失效;霧霾天氣時,攝像頭的可靠性也會大幅下降。

                          超聲波雷達(Ultrasonic):可感知駕駛員盲區(車尾、車身四角等)內的障礙物,適用于低速行駛工況,成本低、精度較差、最大檢測距離。ㄒ话阒挥袔酌祝,通常只用于倒車雷達。

                          毫米波雷達(24GHz/77GHz):ESR 毫米波雷達最多可同時檢測 64 個物體的運動信息和位置信息,通過目標識別算法,可以實現對前車的追蹤并根據車距來控制車速(ACC),對天氣條件的適應性更好。但和高精度激光雷達相比,識別精度稍低、可視角度(FOV)偏小,所以一般只用于車輛正前方的障礙物檢測識別。此外,和激光雷達衍射類似,毫米波雷達對行人、路燈等細長型物體的檢測效果不佳。

                          激光雷達(LiDAR):用于精確定位以及車身周圍障礙物檢測。由于激光能量集中、方向性好,商用激光雷達使用的激光波長一般在 600nm 到 1000nm 之間(在汽車上安裝的激光雷達的波長一般為905納米),納米級的波長不易在駕駛環境中發生衍射現象,檢測準確性高。與雷達原理相似,激光雷達使用的距離檢測技術是飛行時間(TOF,Time of Flight),通過計算激光從發射出去到接收器接收到該束發射激光的時間差,可以準確測量障礙物與汽車之間的相對距離和相對速度(或絕對速度),激光線束越多,定位誤差越。ǹ蛇_厘米級),但同時數據計算量也越大。例如,64 線的 Velodyne 激光雷達每秒掃描的數據點達到了 133 萬個。根據障礙物的相對距離及激光本身的發射角度(FOV),3 維數據信息可以形成點云,即對車輛周邊所有障礙物進行精準的 3D建模,強大的車載計算機系統甚至可以實時還原出周圍的駕駛環境,精度最高可達厘米級。但激光雷達在特殊環境條件下會出現精度下降,例如在北京的霧霾天氣下,PM2.5 的直徑和激光的波長屬于同一個數量級,此時激光容易發生散射,使得 TOF 數據失真,利用點云還原出來的 3D 地圖也會嚴重失真,無法使用。此外,高精度的激光雷達成本十分昂貴,64 線的 Velodyne 激光雷達售價高達 75000 美元,不過 4 線或 8 線(IBEO)、16 線(Velodyne)的成本則相對較低,技術成熟后,適合大規模商用。

                          高精度地圖:天氣條件十分惡劣時,各種傳感器都無法 100%正常工作[59],此時就需要借助高精度地圖來進行導航。例如當路面有積水或結冰時,基于攝像頭的車道線檢測功能會受到抑制,此時只能依賴高精度地圖來指導車輛行駛。早期的 DARPA(Defense Advanced Research Projects Agency)智能車大賽,各家參賽單位都是在擁有比賽場地的電子地圖基礎上完成的全程無人駕駛。

                          高精度地圖還有如下優勢:可以提供當前行駛道路的各項數據,包括曲率、坡度等。如果駕駛員能提前得知道路的曲率,車輛在經過急彎前駕駛員就可以提前減速,避免事故的發生,確保行車安全;道路曲率信息還可以作為輸入量,輔助 ACC 系統正確識別目標;此外,道路曲率信息可以優化車道線識別功能,改進車道偏離預警系統;車輛在進出入隧道時光線變化比較突然,對攝像頭的影響比較大,有了地圖信息,在出入隧道的瞬時,攝像頭可以調節曝光度來盡快適應環境光線的變化,保證基于攝像頭的駕駛輔助功能不會失效。另一方面,利用地圖信息可以獲知最佳的行駛車速,地圖不僅可以告訴車輛當前行駛路段的限速情況,還可以在高危險路段,比如交叉路口、隧道、匝道等,提前告知駕駛員減速慢行,這一功能在很多公交車上都已經得到了使用?v使高精度地圖有如上諸多優點,但高精度地圖的數據量十分龐大,而且獲取 100%還原度的高精度地圖的工作量也十分巨大,此外道路狀態還隨時有可能發生變化,大范圍的應用因此受阻。

                          單純依靠雷達與攝像頭來實現的自動駕駛都是不穩健的,77GHz 的毫米波雷達最大檢測距離一般是 200 米,而且檢測角度(FOV)與最大檢測距離是矛盾量,所以一般用作自適應巡航控制(ACC)的傳感器,而且由于檢測角度受限,在匝道或者彎路上工作效果比較差。攝像頭可以用來進行行人識別和車輛識別,而識別精度和識別速度又不可兼得,攝像頭分辨率越高、每秒幀數越高,識別效果越好,但同時識別時間也會大幅增加。至于激光雷達,雖然也有 360 度感知環境的能力,但由于成本太過昂貴、數據量過于龐大,傳統汽車廠商不會輕易考慮使用。綜合來看,基于單一傳感器的環境感知都會一定程度受到限制,如果采用多傳感器成本又控制不下來,相比較而言,無線通信倒是擁有成本低、感知范圍廣、后裝比較容易等優點,而且基于車車通信(V2V)、車路通信(V2X)的車輛預警功能也是最近幾年交通領域、汽車安全領域以及車聯網領域研究的熱點。

                          無線通信汽車主動防撞預警系統仿真測試:

                        車路通信測試場景
                        車路通信測試場景

                        ZigBee 通信
                        ZigBee 通信

                        測試場地示意
                        測試場地示意

                        短天線通信測試
                        短天線通信測試

                        長天線通信測試
                        長天線通信測試

                        安全距離模型測試
                        安全距離模型測試

                        GPS 設備安裝示意
                        GPS 設備安裝示意

                        GPS 定位測試道路
                        GPS 定位測試道路

                        GPS 動態定位誤差
                        GPS 動態定位誤差

                        兩車橫向車距
                        兩車橫向車距

                        車道定位場景介紹
                        車道定位場景介紹

                        目 錄

                          第 1 章 緒論
                            1.1 研究背景
                            1.2 國內的研究現狀
                            1.3 國外的研究現狀
                            1.4 本文的主要研究內容
                          第 2 章 汽車防撞預警系統的硬件平臺
                            2.1 硬件平臺.
                            2.2 ZigBee
                              2.2.1 ZigBee 技術簡介
                              2.2.2 ZigBee 硬件方案
                            2.3 GPS
                            2.4 HMI
                            2.5 通信協議
                            2.6 本章小結
                          第 3 章 汽車防撞預警系統的模型搭建
                            3.1 ZigBee 通信模型的構建
                            3.2 安全距離模型的構建
                              3.2.1 安全距離模型
                              3.2.2 駕駛場景與預警策略
                            3.3 車輛相對定位模型的構建
                              3.3.1 GPS 坐標變換
                              3.3.2 車輛相對定位及 UKF 濾波算法
                            3.4 基于 Stateflow 的駕駛員初級意圖識別模型的構建
                              3.4.1 Stateflow 基本流程圖
                              3.4.2 系統模型
                            3.5 本章小結
                          第 4 章 汽車防撞預警系統的仿真測試與分析
                            4.1 ZigBee 通信測試與分析
                              4.1.1 靜態通信測試
                              4.1.2 動態通信測試
                            4.2 安全距離模型測試與分析
                              4.2.1 聯合仿真
                              4.2.2 預警系統實際道路測試
                            4.3 車輛定位測試與分析
                              4.3.1 GPS 性能測試
                              4.3.2 車輛定位測試
                            4.4 駕駛員初級意圖識別模型測試與分析
                              4.4.1 車輛直線行駛
                              4.4.2 車輛駛過 S 型彎路
                              4.4.3 轉彎行駛過程中車輛的安全性評估
                              4.4.4 初級意圖識別實際道路測試
                            4.5 本章小結
                          第 5 章 全文總結與未來展望
                          參考文獻
                          在學期間所取得的科研成果
                          致謝

                        (如您需要查看本篇畢業設計全文,請您聯系客服索。

                        相關內容
                        好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                        所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                        如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!

                        將微信二維碼保存到相冊

                        打開微信掃一掃從相冊識別

                        1.點擊下面按鈕復制QQ號

                        3008637063

                        2.打開QQ→添加好友/群

                        粘貼QQ號,加我為好友

                        免费看男阳茎进女阳道视频