XiaoMi-AI文件搜索系统
World File Search System车中
电动汽车中的机器学习驱动的锂离子电池的数字双模型：评论
摘要：电动汽车（电动汽车）改变了汽车行业，并已成为一种更可靠，更一致的公共交通方式。电池供电的车辆在大力的帮助下，开发了自由污染环境和改善的生态环境。锂离子（锂离子）电池是电动汽车中使用最广泛的电池类型，因为与同行相比，其性能出色。电动汽车的核心是他们的电池管理系统（BMS），可以毫无疑问地改善电池的性能，操作，安全性和寿命。锂离子电池状态估计是BMS实施的最重要部分之一，因为它在安全可靠的电池操作中起着重要作用。最近，研究人员正在研究数字双胞胎模型，以利用机器学习（ML）算法和云计算来自动化和优化BMS状态估计过程。这项研究的目的是审查，表征和比较各种基于ML的方法，以估算不同的锂离子电池状态。首先，本研究描述并表征了近年来提出的几种锂离子电池状态估计方法。其次，讨论了电动汽车的电池状态估计。此外，提出了锂离子电池状态估计的挑战和前景。
电动汽车中的电池热管理系统...
I.简介嵌入式系统是可能设计或以容量固定并为单个目的或为较大系统中的单个函数创建的计算机组件和软件的集合。可以在各种项目中找到一个嵌入式系统，包括工业机械，农业和工艺部门设备，车辆，医疗设备，相机，家用电器，飞机，自动售货机，玩具和移动设备。尽管嵌入式系统是计算机系统，但它们可以具有简单的用户界面（UI）或精心设计的桌面应用程序（GUI），例如在移动设备和具有嵌入式系统的设备中看到的，这些系统旨在执行单个目的。按钮，LED，触摸屏和其他一些类型的用户界面是可行的。此外，某些系统采用远程用户界面。微处理器或微控制器可用于嵌入式系统。在两种情况下都存在一个中央集成电路（IC），通常是为实时过程进行计算的。尽管微处理器在表面上相同，但后者仅包含一个中央处理设备（CPU），该设备要求添加升级套件（例如内存芯片），而前者则构建以独立运行。微芯片或微控制器可用于嵌入式系统。在两种情况下都存在一个主要的集成电路（IC），该电路通常是为实时过程进行计算的。
汽车中的数字服务获利
数字服务将随着技术的进步而继续发展，这对快速发展的产品产生了影响。消费者行为也将继续发展。在一个最近才从一个大流行中出现，经济和地缘政治压力延长，消费者越来越多地转移了优先事项，具体取决于他们的直接情况。因此，他们的购买决策似乎是自相矛盾的 - 使所有企业在任何给定时间都知道要专注于什么和推销更困难。12要跟上，公司将需要一个强大的数字核心，该核心可以收集并提供相关信息，从而为快速发展的客户偏好提供准确的见解。
对未来原材料需求的预测和电动汽车中锂离子电池的回收潜力
过去几年的电气市场不断增长。为了确保未来为电动汽车生产新电池的原材料供应，必须估计对电池金属的未来需求。本研究的重点是通过考虑不同的技术和增长情况，对电动汽车电池阴极原材料原材料，钴，镍和锰的需求。结果表明，在2040年，电动汽车中锂离子电池锂，钴和镍的未来材料需求超过了当前的原料生产。根据增长和技术情景，对锂和钴的未来需求在2040年的生产中超过了8次。镍在一种情况下超过了当今的作品。对于锰而言，2040年的未来需求仍然远低于当今的作品。锂和镍的回收量是2040年对锂离子电池的原材料需求的一半以上。对于钴，回收潜力甚至超过了2040年的原材料需求。总而言之，对于该行业来说，大规模扩大资源生产并专注于将来电池金属的回收，以满足电池越来越多的消耗量的挑战。
混合储能系统的自适应发电机分配方案，以减少电动汽车中的电池能量吞吐量
摘要电池/超级电容器（SC）混合储能系统（HESS）在近年来由于混合系统而广泛应用于电动汽车（EV），该系统结合了两种设备的好处。本文提出了电池/SC HESS的自适应电源分配方案，以根据其存储的能量和负载电流最大化SC的使用情况。在方法中，使用自适应算法开发低通滤波器，以计算合适的截止频率，以分配电池和SC之间的功率需求。该方法可以调整截止频率，但不能更改控制系统的结构，因此其简单实现和稳定性的原始属性不会受到影响。全面的仿真研究验证了电池/SC HESS中提出的自适应发电方案的有效性，并使用Lyapunov方法进一步验证了其稳定性。结果表明，自适应方法的性能优于传统控制系统，在操作过程中，电池能量吞吐量降低了20％–40％，并且可以根据SC的能量能力来调整HESS的动态响应，以进一步提高系统效率。已验证了建议的自适应发电计划，能够在电动汽车应用程序中延长HESS系统的使用寿命。
自动驾驶汽车中的LIDAR和相机数据融合
传感器融合是自动驾驶汽车中感知问题的重要解决方案之一，其中主要目的是增强对系统的感知而不会失去实时性能。因此，这是一个权衡问题，通常观察到大多数具有高环境感知的模型无法实时执行。我们的文章与相机和激光雷达数据融合有关，以实现自动驾驶汽车的更好环境感知，考虑到3个主要类别是汽车，骑自行车的人和行人。我们从3D检测器模型中融合了输出，该模型从LiDar中获取了其输入以及从相机中获取其输入的2D检测器的输出，以比单独分别提供更好的感知输出，以确保其能够实时工作。我们使用3D检测器模型（复杂的Yolov3）和2D检测器模型（YOLO-V3）解决了问题，其中我们应用了基于图像的融合方法，该方法可以在本文中详细讨论了LIDAR和摄像机信息之间的融合和相机信息之间的融合。我们使用平均平均精度（MAP）度量，以评估我们的对象检测模型并将所提出的方法与它们进行比较。最后，我们在Kitti数据集以及我们的真实硬件设置上展示了结果，该设置由LIDAR Velodyne 16和Leopard USB摄像机组成。我们使用Python开发了我们的算法，然后在Kitti数据集上验证了它。我们将ROS2与C ++一起使用，以验证从硬件配置获得的数据集上的算法，证明我们提出的方法可以以实时的方式在实际情况下有效地提供良好的结果并有效地工作。
高度自动化汽车中的避障 - 南特 - LS2N
方法来协助驾驶员控制车辆。目前，该方法正在考虑用于制定手动和自动驾驶模式之间平稳过渡的策略。本文有两个目标。首先，它提出采用现有的触觉共享控制策略来实现手动和自动驾驶模式之间的转换，并在驾驶模拟器上对真实驾驶员评估这种方法。其次，它提出在避障环境中评估四种不同的过渡曲线。第一个曲线是从自动驾驶模式逐渐过渡到共享控制模式，然后在越过障碍物后从共享控制模式再次过渡到自动驾驶模式。第二个曲线是从自动驾驶模式逐渐过渡到手动模式。第三个曲线是从自动驾驶模式到手动模式的二元过渡。最后，在第四种条件下，驾驶员超越自动驾驶模式。这些过渡曲线在驾驶模拟器上以曲线和直线进行评估。结果首先验证了使用触觉共享控制策略来执行手动和自动驾驶模式之间的转换。自动化系统和驾驶员提供的扭矩分配与预期共享水平的进展相对应。其次，无论是在转向性能还是主观评价方面，渐进式过渡都比二元过渡和自动驾驶模式的覆盖更具优势。
在智能电池电动汽车中使用数字双胞胎
摘要 - 相信使用电动汽车（EV）进行运输对于应对环境和可持续发展挑战至关重要。当前的环境友好问题，例如化石燃料的快速消耗，空气污染的增加，能源需求的上升，全球变暖和气候变化，使运输业使运输行业成为可能。电动汽车可以解决上述所有问题。用于电动汽车（EV），尤其是由锂离子（Li-ion）电池提供动力的电动汽车，便携式电源已变得必不可少。尽管很长一段时间以来，锂离子电池一直是电动汽车研究的重点，但是电池老化和安全等问题尚未完全理解。根据我们当前对智能技术的理解，我们有能力使用数字双胞胎（DT）来克服阻碍电池开发的问题，以及在复杂系统（例如工业4.0）中的初步DT应用程序。这项研究重点介绍电池的特征及其与其建模，状态估计，保持可用的寿命预测，安全性和控制方式。我们整理了对电池预后和健康监测中一些最新成就的分析。最后，我们为电动电池领域的DTS开发提供了前景。索引术语 - 电动车辆，锂离子电池，数字双技术，健康监测，行业4.0
联网和自动驾驶汽车中基于人工智能的车道变换模块的设计：一项调查
摘要 变道是一项复杂的驾驶任务，因为它要求车辆了解高度动态的周围环境，做出决策并及时执行。通过利用传感器和车辆间通信，网联和自动驾驶汽车 (CAV) 有可能显著提高变道的安全性和效率。任务的复杂性和实时性要求使得变道成为特别适合人工智能 (AI) 方法的问题。在本文中，我们调查了基于 AI 的 CAV 变道 (LC) 模块的设计。首先，我们确定可能影响 LC 模块设计的关键因素。接下来，我们调查了基于 AI 的变道的最新发展。最后，我们从关键影响因素的维度分析这些方法，并总结尚未解决的挑战和可以指导基于 AI 的 LC 模块未来发展的机遇。
汽车中的人工智能
在当今时代，人工智能或 AI 一词是一场席卷全球所有领域的技术革命。无论是软件行业还是制造业，人工智能在各个方面都取得了长足的发展。然而，作为当今如此普遍的技术，这项技术的真正精神对许多人来说仍然是抽象的，因此首先了解人工智能是什么非常重要。尽管这项技术有许多定义，但定义人工智能的简单方法如下： - 人工智能 (AI) 是机器或软件表现出的智力，完成了智能代理的研究和项目，其中智能代理是一个观察其环境并采取行动利用其成功机会的系统。因此，当一种机制模仿类似人类的行为时，例如学习、规划、认知、解决问题、对情况的意识、自然语言处理等，它就属于人工智能类别。1955 年发明该术语的约翰·麦卡锡 (John McCarthy) 将其描述为“构建智能机器的科学和工程”。谷歌母公司 Alphabet 执行董事长埃里克·施密特 (Eric Schmidt) 表示，人工智能可以用来解决重大挑战，包括气候变化、疾病分析、药物检测、微观经济学、定理证明和蛋白质分解。Facebook 首席技术官迈克·斯科洛普夫 (Mike Schroepfer) 也表达了类似的希望，即利用人工智能技术解决影响整个世界的难题。从 20 世纪 50 年代开始，现代人工智能吸收了