标签: 汽车

故障现象　 一辆 2013款宝马116i车，搭载N13B16A 发动机，累计行驶里程约为12.1万km。车主反映，该车行驶中偶尔加速无反应，且发动机故障灯异常点亮。 故障诊断 接车后试车，故障现象无法再现。用故障检测仪检测，发动机控制单元（ DME）中存储有多个与节气门相关的故障代码（图1），分析故障代码，推断故障可能是由节气门翻板过脏，偶尔卡滞引起的。 图 1　DME中存储的故障代码 拆下节气门总成检查，并不算脏；反复多次直接给节气门电动机短暂供电，节气门翻板打开及回位均无明显异常。用虹科 Pico示波器测量给节气门电动机供电时的电流波形（图2），发现起动瞬间的电流约为5.4 A，运转时的电流约为3.0 A，电流波动较大且不规律，由此推断节气门电动机的炭刷与换向器接触不良。 图 2　给旧的节气门电动机供电时的电流波形 订购新的节气门总成，首先多次直接给节气门电动机短暂供电，发现节气门打开及回位动作确实比旧的节气门总成反应快；测量给节气门电动机供电时的电流波形（图 3），发现起动瞬间的电流约为2.8 A，运转时的电流约为0.8 A，电流波动较小且规律。 图 3　给新的节气门电动机供电时的电流波形 故障排除　 更换节气门总成后交车，半个月后进行电话回访，车主反映故障未再出现，故障排除。 故障总结　 拆解旧的节气门总成，发现节气门电动机的炭刷磨损并不严重，但换向器磨损严重（图 4），且存在短路现象。 图 4　换向器磨损严重 作者： 余姚东江名车专修厂　叶正祥 免拆诊断 “不靠猜” ，精准修 车更高效！ 30余家主机厂的选择，用科技助力您的成功——欢迎前往虹科Pico官网了解： https://www.qichebo.com/

在 ADTF(Automotive Data and Time-Triggered Framework) 中， 过滤器（Filter） 扮演着数据处理的核心角色。过滤器是处理数据流的基本单元，它们接收、处理并发送数据。接下来，将 分享ADTF中创建和使用过滤器 ，包括设置输入输出针脚（Pins）、配置触发器（Triggers）以及处理数据样本（Samples）。 一、过滤器基础 过滤器是ADTF中用于数据处理和转换的小型处理单元，可以通过特定的接口接收和发送数据，如图1所示。 图1 Filter 过滤器核心能力如下： 1.数据接收： 通过输入引脚（In Pins）和对应的样本读取器（Sample Reader）接收数据。 2.数据发送： 通过输出引脚（Out Pins）和对应的样本写入器（Sample Writer）发送数据。 3.数据处理： 在运行器（Runners）（也称为触发上下文、可运行对象或可调用对象）的上下文中处理数据。 在进行过滤器的设计，考虑将数据传输与运行时行为分离。因此引入了触发机制，包括数据触发和时间触发。 1.数据触发： 功能在传入数据事件上运行。 2.时间触发： 功能在传入时间事件上运行。 通过这种设计支持构建一个强大且可适应的系统，使用过滤器可以轻松集成和定制。比如在数采系统中，通过不同的时间触发设计，以适应不同频率的传感器数据采集。或者利用cDataTriggerHint类来确保当车辆传感器数据（如摄像头图像）到达时，触发相应的数据处理算法运行，从而实现实时数据流的高效响应和处理。 二、创建过滤器 通常，在ADTF中滤波器会被打包成一个插件。通过ADTF 的插件机制使其能够在 ADTF 的运行时加载。在滤波器中，可以通过可以创建输出引脚或输入引脚，这里我们以输出引脚为例。引脚传输出去的数据，在ADTF中称为样本（Sample）。其代码案例如下，创建一个滤波器并添加一个输出引脚及样本数据。 三、 样本（Sample） 样本（Sample）是 ADTF中用于数据传输的基本单元。它们不仅包含数据本身，还包含与数据流相关的元信息，如图2所示。 图2 Sample 一般来说，样本通过 streaming::ISample 接口进行操作。其样本组成包含以下内容： 1.时间戳（Timestamp）： 为每个数据提供时间关联。 2.样本缓冲区（SampleBuffer）： 通常是一个内存块的引用，包含用户数据。 3.样本信息（Sample Info）（可选）： 提供额外的元数据。 4.子流 ID（Substream Id）（可选）： 用于标识特定的数据子流。 比如我们可以轻易实现将内存缓冲区内容复制到样本中，实现数据传输。 四、过滤器应用 ADTF过滤器的应用场景广泛，它们不仅能够处理和转换数据，还能够根据特定的需求定制功能。在图3所示，在人脸识别算法工程中，过滤器被用于处理从摄像头捕获的视频流。 首先，一个过滤器用于解码视频流，将原始数据转换为图像帧。接下来，通过一个复杂的过滤器（OpenCV Face Detector Filter）实现人脸识别算法，识别并跟踪视频中的人脸。通过这些过滤器的协同工作，系统能够实时处理视频数据，并提供有用的输出，如安全监控或人流量统计。 图3 人脸识别算法工程 此外，过滤器可用于多种用途，包括但不限于： 1.解码来自CAN、MOST或FlexRay等设备的流源数据。 2.预处理传入数据，为算法实现做准备。 3.通过复杂的算法实现重新计算和合并传入数据。 4.实现循环控制器。 5.接收传入数据并进行数据可视化。 五、总结 ADTF过滤器提供了一个灵活且强大的平台，用于构建和集成数据处理流程。无论是在汽车、工业自动化等领域，过滤器都能够提供定制化的解决方案，满足特定的技术需求。通过合理设计和配置过滤器，可以大大提高数据处理的效率和可靠性。

在自动驾驶领域，实现 高质量的虚拟传感器输出 是一项关键的挑战。所有的架构和实现都会涉及来自质量、性能和功能集成等方面的需求。aiSim也不例外，因此我们会更加关注于多个因素的协调，其中， aiSim传感器实现的神经网络渲染仿真方案 ，在aiSim能够在现有功能上实现多用途扩展的同时，也可以最大程度上保留原始特性。 一、现有问题 从当前学术界对于神经渲染的研究来看，不同的方案都会给虚拟世界带来一定的限制，从而无法让仿真充分发挥作用。我们在aiSim中提供了一种不同且具有更高集成度的方案，即 aiSim的通用高斯泼溅渲染器 （General Gaussian Splatting Renderer），这一方案结合了 渲染速度、集成灵活性和卓越的视觉保真效果 ，为当下的神经网络三维重建技术带来了新的内容。 其中一点就是传统方案中，广角镜头的渲染和处理总是不尽人意，但这一传感器又是自动驾驶仿真中最为常见的用例之一，但在aiSim的方案中我们克服了这一局限性。 二、康谋方案 原始的算法在高斯泼溅投射的处理过程中往往会引入若干限制，阻碍了传感器的合理渲染，主要源于是近似误差（approximation error），当处理FOV更大的镜头时，误差会显著增大。 左边是原始解决方案，它无法从六个摄像头中一致地生成图像。右边是aiSim的解决方案，它消除了这个问题， 并能投射出一致的图像。 这种独有的方案不仅能够处理相机传感器，还能够处理其他基于光线追踪的传感器类型，比如LiDAR和Radar。而在之前的ADAS/AD仿真中，无法扩展到不同传感器模式则是大多数神经渲染解决方案面临的最大挑战之一。 为此，我们重现思考了高斯泼溅解决方案，重建算法流程，通过新一套的高斯泼溅渲染器完美解决了前述的限制，完 美的组合了各种虚拟镜头组合的畸变图像。 1、aiSim通用高斯泼溅渲染器 （1）一致性 aiSim通用 高斯 溅射渲染器和现有光栅化解决方案具有 相当的性能水平 ，即使在硬件在环方案中，也可以模拟高端（4K）多摄像头传感器设置。由于该算法的通用性，您可以从基于光线追踪的传感器模式（如LiDAR和雷达）中一致地获得相同结果。 这意味着您 无需牺牲运行性能 ，因为渲染器可以保持足够快的速度以实时帧率工作。 （2）自由视角 此外，aiSim通用高斯泼溅渲染器还允许您在模拟场景中 自由移动摄像头 ，并使用不同的位置或传感器设置，且不会产生不可预测的伪影或故障。它使您能够近距离亲自查看各种物体表面的复杂细节。由于该算法可用于物理模拟甚至表面重建，因此其应用范围可以进一步扩大。 （3）完善的前置工作 以上的关键在于我们预先结构良好的数据采集和灵活的渲染方案位为所有物理级传感器的仿真提供了坚实的基础。 期待您继续关注康谋之后的文章，我们将分享更多有关aiSim的方案内容。

故障现象 一辆 2013款捷豹XF车，搭载3.0 L机械增压发动机（型号为AJ126），累计行驶里程约为20.6万km。车主反映，该车发动机偶尔无法起动，同时组合仪表上会提示很多故障信息；多按几次起动按钮或等待一会儿，发动机又能起动着机了。 故障诊断　 接车后试车，故障未能再现。用故障检测仪检测，发现多个控制模块中均存储有间歇故障代码 “U0001-88 高速CAN通信总线”（图1），以及与其他控制模块失去通信的故障代码。梳理丢失通信的控制模块，如防抱死制动控制模块（ABS）、变速器控制模块（TCM）、发动机控制模块（ECM）、组合仪表控制模块（IPC）等均在高速CAN通信总线上，由此推断该车高速CAN通信总线偶尔工作不良。 图 1　存储的故障代码 用虹科 Pico示波器从ECM侧测量高速CAN信号波形，反复试车，捕捉到故障发生时的高速CAN信号波形如图2 所示。CAN H信号下翻，且能够与CAN L信号重合，持续了约4 s，由此怀疑CAN H线路虚接。 图 2　故障发生时的高速CAN信号波形 依次晃动 ECM、TCM、ABS、IPC等高速CAN通信总线上控制模块的导线连接器，尤其要单独晃动CAN H线，发现当晃动IPC导线连接器上的CAN H线时，高速CAN信号波形与故障时的一致。 脱开 IPC导线连接器，检查CAN H端子（图3），无退缩、松旷等异常情况，由此怀疑IPC内部电路虚接。 图 3　检查CAN H端子 拆解 IPC，发现CAN H端子的焊点开裂（图4），推断这就是导致CAN H电路虚接的原因。 图 4　CAN H端子的焊点开裂 故障排除 加焊虚接的 CAN H端子后装复试车，晃动CAN H线，故障未再出现。交车1个星期后进行电话回访，车主反映故障未再出现，故障排除。 故障总结　 该车高速 CAN通信总线的2个终端电阻分别内置在IPC和ECM中。如图5所示，人为断开ABS 导线连接器上的CAN H线，CAN H信号也会下翻，且也能够与CAN L信号重合，但持续时间很短，这与图2中的信号波形有所区别。 图 5　人为断开ABS导线连接器上的CAN H线时的高速CAN信号波形 作者： 余姚东江名车专修厂　叶正祥 免拆诊断 “不靠猜” ，精准修 车更高效！ 30余家主机厂的选择，用科技助力您的成功——欢迎前往虹科Pico官网了解： https://www.qichebo.com/

在之前的文章中，我们介绍了如何构建简单的车辆模型，并基于FMI2.0构建了其FMU，其最终结构为： 今天将会和大家分享如何在aiSim中，通过UDP和aiSim车辆动力学API（Vehicle Dynamics Interface, VDI）来实现和外部的FMU车辆动力学模型的联合仿真。 一、操作步骤 车辆动力学仿真是aiSim的核心组件，能够根据驾驶指令来确定车辆的运动变化。基于准确可靠的车辆动力学模型，可以确保车辆模拟更加真实。在aiSim可以将FMU单独视作动态库来实现车辆动力学，也可以基于VDI和UDP来实现和FMU的联合仿真。 1、实例化VDI VDI中提供了5种不同的车辆动力学模型，包括： （1）2d：横向自行车模型 （2）23d：底盘俯仰和侧倾分离的横向自行车模型 （3）3d：具有3D刚性车身和独立车轮悬挂的横向轮胎模型（计算量很大） （4）拖车模型：用于牵引车辆 （5）FMU：基于FMI对于车辆动力学的不同描述 整个联合仿真的进程可以分四个部分： （1）根据车辆名称匹配对应的ego （2）在VehicleDB.json或是ego自己的asset包中确认所定义的车辆动力学模型 （3）实例化专属的VDI来处理FMU，定义必须的输入/输出数据 （4）通过socket和pyfmi处理FMU 在实例化VDI时，我们将会遵循以下四个部分来获取车辆动力学的相关数据 2、通过UDP实现FMU的读取 在实例化VDI的同时，初始化一个UDP接口来处理收到的数据。 如果我们通过UDP来实现FMU的读取（为了分布式系统），那么我们还需要pyfmi和socket来协助我们读取和写入FMU的数据，整个脚本主要实现功能为： （1）创建UDP的socket，用于监听和读取来自VDI的数据 （2）解析来自VDI的数据，获取动力学数据和标志信号，后者主要用于步进操作 （3）基于标志信号步进式执行仿真 （4）基于fmipy读取FMU中定义的各种动力学数据，并将其打包成UDP，在读取时，同样遵循modelDescription.xml中的定义。 3、效果展示 在完成以上工作后，可以启动整个进程，看一下分布式联合仿真的效果。FMU和对应的脚本运行在PC1上，aiSim运行在PC2上。 以上就是关于功能模型接口FMI的联合仿真的全部内容，通过FMU我们可以快速的在不同工具之间进行集成，而不需要进行大规模的模型移植或是繁琐的联调。 如果涉及到联合仿真，每个子系统都需要对应的仿真器进行求解，在通信时数据的交换频率和吞吐量都会对延时造成影响，从而造成仿真的偏差，可以优化不同的通信机制或是采用案例中主动触发的方式来减少负面影响。