博客
关于我
面向未来的智能驾驶测试平台
阅读量:162 次
发布时间:2019-02-28

本文共 625 字,大约阅读时间需要 2 分钟。

智能驾驶技术目前正处于充分验证阶段,为了确保达到极低的事故率要求,测试里程需要达到110亿英里。由于标准化场地测试路况单一,而开放道路测试又存在复现难度的问题,因此高效率、高覆盖度的仿真测试成为验证智能驾驶系统的关键手段。作为国内领先的汽车电子服务商,恒润科技推出了面向未来的智能驾驶整车测试平台,能够在实验室环境中充分验证智驾算法。

该系统整合了驱动控制系统测试平台、智驾控制系统测试平台以及智能网联系统测试平台,包含以下重要模块:

  • 高级快速原型:支持智驾算法快速下载与验证
  • 毫米波雷达模拟器:支持多方向多目标回波仿真
  • 超声波雷达模拟器:满足APA测试需求
  • 摄像头视频仿真:实现摄像头传感器信号仿真
  • 激光雷达模拟:支持16-64线激光雷达点云实时模拟
  • 交通流联合仿真:高度还原不同时间段的交通场景
  • GNSS模拟器:联合交通场景实时仿真,提供各制式导航电文及信道模拟
  • 基站模拟器:模拟运营商网络通讯服务,车辆外场行驶网络工况
  • 信道模拟器:模拟各类标准及自定义V2X信道模型
  • 人机交互台架:实现影音娱乐人机交互自动化测试
  • 新能源仿真系统:三电系统集成测试,支持纯电/混动等新能源系统类型
  • 通过该测试平台,国内多家OEM和零部件供应商在恒润科技的支持下建立了自己的"虚拟车辆"实验室,成功将HIL测试技术应用于单ECU或整车电控系统的开发与测试。未来,围绕智能驾驶测试评价体系将更加丰富和完善,恒润科技可以成为您智能驾驶领域的可靠合作伙伴。期待您的垂询!

    转载地址:http://uduj.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
    查看>>
    OpenCV与AI深度学习 | 深入浅出了解OCR识别票据原理
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
    查看>>
    OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
    查看>>
    OpenCV与AI深度学习|16个含源码和数据集的计算机视觉实战项目(建议收藏!)
    查看>>
    Opencv中KNN背景分割器
    查看>>