傳感器是智能電動汽車中不可或缺的重要組成部分,承擔(dān)信息采集的工作,汽車不斷向智能化方向發(fā)展,汽車上傳感器數(shù)量在不斷增加,需要處理的信息也更加復(fù)雜,對傳感器的精度及可靠性的要求也逐步上升,由于受環(huán)境氣候多變及單個傳感器局限性的影響,常有單個傳感器識別不準(zhǔn)確的現(xiàn)象發(fā)生。本文闡述了智能電動汽車中在AUTOSAR架構(gòu)基礎(chǔ)上建立傳感器信號處理組件接口庫及進(jìn)行多傳感器數(shù)據(jù)融合的重要性,描述了國內(nèi)外針對融合算法的研究現(xiàn)狀,總結(jié)并分析了智能電動汽車中現(xiàn)有的傳感器及多傳感器融合算法,提出了一種將擴(kuò)展卡爾曼濾波（Extended Kalman Filter,EKF）算法與動態(tài)自適應(yīng)差分進(jìn)化算法結(jié)合的方法對攝像頭與激光雷達(dá)進(jìn)行數(shù)據(jù)融合。本文的研究內(nèi)容主要包括以下幾點(diǎn):（1）基于AUTOSAR汽車開放式系統(tǒng)架構(gòu),設(shè)計并制定了智能電動汽車傳感器信號處理組件接口庫,為庫中的每個傳感器接口函數(shù)制定了統(tǒng)一的命名標(biāo)準(zhǔn),且制定了一套優(yōu)先級標(biāo)準(zhǔn),并為智能電動汽車的各個控制系統(tǒng)列出了傳感器列表;（2）通過對多傳感器數(shù)據(jù)融合算法中EKF算法的研究,提出了一種改進(jìn)的EKF算法,通過將動態(tài)自適應(yīng)差分進(jìn)化算法與EKF算法結(jié)合來進(jìn)行改... 

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的內(nèi)容與結(jié)構(gòu)
第2章 相關(guān)理論及工作基礎(chǔ)
    2.1 基于AUTOSAR開發(fā)方式的特點(diǎn)
        2.1.1 AUTOSAR分層架構(gòu)
        2.1.2 AUTOSAR接口類型
        2.1.3 AUTOSAR方法論
    2.2 智能電動汽車傳感器
        2.2.1 電動車與傳統(tǒng)車傳感器的差異
        2.2.2 智能電動汽車環(huán)境感知傳感器
    2.3 多傳感器數(shù)據(jù)融合技術(shù)
        2.3.1 多傳感器信息融合層次
        2.3.2 多傳感器信息融合方法
    2.4 本章小結(jié)
第3章 基于AUTOSAR的智能電動汽車傳感器信號處理組件接口的設(shè)計
    3.1 傳感器信號處理組件接口的設(shè)計
        3.1.1 基于AUTOSAR的信號傳遞關(guān)系
        3.1.2 傳感器信號處理組件接口函數(shù)的命名設(shè)計
    3.2 傳感器信號處理組件優(yōu)先級的設(shè)計
    3.3 智能電動汽車傳感器列表
        3.3.1 電池管理系統(tǒng)中的傳感器
        3.3.2 車身控制系統(tǒng)中的傳感器
        3.3.3 底盤控制系統(tǒng)中的傳感器
        3.3.4 信息安全系統(tǒng)中的傳感器
    3.4 本章小結(jié)
第4章 一種改進(jìn)的智能電動汽車傳感器數(shù)據(jù)融合算法
    4.1 卡爾曼濾波算法(Kalman Filtering)
        4.1.1 預(yù)測階段(Prediction)
        4.1.2 更新階段(Update)
    4.2 擴(kuò)展卡爾曼濾波算法(Extended Kalman Filter)
    4.3 一種改進(jìn)的擴(kuò)展卡爾曼濾波算法
        4.3.1 動態(tài)自適應(yīng)差分進(jìn)化算法
        4.3.2 EKF結(jié)合動態(tài)自適應(yīng)差分進(jìn)化算法
    4.4 本章小結(jié)
第5章 實(shí)驗(yàn)測試與結(jié)果分析
    5.1 傳感器基礎(chǔ)數(shù)據(jù)處理實(shí)驗(yàn)
        5.1.1 智能電動汽車camera數(shù)據(jù)預(yù)處理實(shí)驗(yàn)
        5.1.2 智能電動汽車lidar數(shù)據(jù)預(yù)處理實(shí)驗(yàn)
    5.2 EKF融合算法改進(jìn)實(shí)驗(yàn)與結(jié)果分析
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
作者簡介及在學(xué)期間所取得的科研成果
致謝



本文編號：3661628