诉讼

Luigi Milia MathWorks
Shwetha Bhadravathi Patil, MathWorks

我们的驾驶体验很快将由运行在车内和云端的软件来定义。基于服务和面向服务的通信的软件体系结构的一种新的整体方法正在出现。这种方法使创新软件功能的持续开发和部署成为可能，并使原始设备制造商和软件平台供应商之间的新型协作成为可能。

加入本课程学习如何使用Simulink^®根据AUTOSAR Adaptive、DDS和ROS等行业标准，设计、模拟和部署应用程序到这些新的软件体系结构中。

科特·希利尔，恩智浦半导体公司

车辆的功能和性能正从主要由机械定义向软件定义过渡。oem正在采用敏捷的软件开发方法来更新和维护该软件，推动了对DevOps的需求。NXP半导体、MathWorks和AWS合作开发了一个基于模型设计的DevOps解决方案，该方案利用了先进的车辆控制算法。在本次演讲中，恩智浦将使用针对恩智浦汽车处理器的MathWorks设计工具，通过AMS CodeSuite服务构建完整的云到汽车解决方案。本次演讲还涉及了NXP^®基于模型的设计工具箱支持在NXP S32S GreenBox II和NXP S32G GoldBox上的代码执行和分析。

Tjorben总值,MathWorks

许多开发团队已经开始将基于模型的设计集成到他们的持续集成(CI)管道中。接下来是什么?学习如何优化交互开发实践，以提高CI流量，最大化流程中的自动化程度，并计划将CI扩展到DevOps。

杰森的消沉,康明斯
特朗布利布兰登,MathWorks

为了满足现代高速公路市场的需求，工程团队正在转向使用持续集成和交付开发方法的敏捷开发。要采用这种新方法，有时产品和过程的渐进式变化是不够的，必须采用革命性的方法，包括了解100年的发展中哪些部分对公司不可或缺，哪些部分阻碍了公司的发展。康明斯一直在重塑其产品和流程，以应对这些挑战，将更多精力放在基于模拟的产品开发上。MathWorks产2022世界杯八强谁会赢？品和服务是该愿景的战略部分。我们将讨论执行支持和愿景、AUTOSAR、CICD和“模拟一切”等关键促成因素是如何帮助巩固变革并克服文化、遗留技术债务和技能集方面的挑战的。

吉姆·罗斯MathWorks

当今产品的复杂性不断增加——由不断增加的软件内容所驱动，再加上交付新2022世界杯八强谁会赢？产品的时间线不断缩短——要求工程师在现有的工作流程上“扭转局面”。敏捷基于模型的设计的核心原则集中在减少返工的思想上。典型的工作流在开发周期结束时进行产品上的验证。在这一点上发现的需求问题驱动返工——通常会再次将设计贯穿整个开发周期。通过敏捷的基于模型的设计(Model-Based Design)进行早期的集成和验证，提供了通过预先的、快速的架构和需求迭代最小化返工的机会。

约书亚·麦克里迪，福特汽车公司
汉斯·冈瓦尔，福特汽车公司

ISO 26262的采用使得开发方法从手工代码扩展到基于模型的设计。确定了许多过程改进，以实现跨系统工程过程的可追溯性和线程牵引，包括连接体系结构模型和实现模型，实现需求和模型之间的可追溯性，以及理解模型体系结构对影响分析的含义。本演示将提供解决方案的早期概述，该解决方案包括一个集成的基于模型的设计-基于模型的系统工程工作流、事实来源的有限复制、用需求管理工具建立可追溯性和覆盖率，以及一个组件化的建模风格。

迈克尔•博伊尔MathWorks

尽管AUTOSAR标准从一开始就包含了支持功能安全概念的结构，但汽车功能安全标准ISO 26262后来来自不同的团体。世界杯预选赛小组名单因此，当同时应用这两个标准时，工程团队需要了解这两个标准之间的差距。如果操作得当，团队可以减少实现法规遵循所需要的工作。然而，找到正确的解决方案可能是耗时的，并且以牺牲产品的工程时间为代价。在本报告中，我们将探讨AUTOSAR在遵守ISO 26262方面的一组最佳实践，这些实践来自于过去5年与汽车工程师的合作，涵盖架构、数据管理和传输以及工作流。

Mahesh Ghivari, KPIT科技有限公司
Debango Chakraborty, KPIT科技有限公司

KPIT开发了一种混合方法，以克服现有的SOC和SOH评估方法的缺点。该方法将电池模型与神经网络相结合，对电池荷电状态进行预测，并利用得到的荷电状态计算SOH参数。深度学习工具箱™和MATLAB^®用于训练前馈神经网络，然后广泛验证其鲁棒性。神经网络被整合到Simulink中^®并使用embedded Coder部署到基于powerpc的嵌入式平台^®AUTOSAR Blockset。该工作流程已在LFP和LCO化学的多个数据集上得到验证。它提供了SOC和SOH估计，提高了精度，在不同的驾驶周期范围内保持在+- 5%以内。

特雷弗·琼斯，Gotion公司

利用深度学习工具箱™的电池循环器充电数据，我们训练并验证了一个神经网络，以估计车辆充电过程中的电池组充电状态(SOC)。我们在Simulink中创建了一个SOC估计策略原型^®使用训练过的神经网络。随后，我们使用Simulink Test™验证该策略满足功能需求的能力，并将其作为“影子”策略部署在现有AUTOSAR SOC软件组件中。我们评估对BMS上的CPU和内存资源的影响。我们还在测试车辆上对该策略进行了评估，发现结果是有希望的。

哈维尔·Gazzarri MathWorks

荷电状态(SOC)估计是电池管理系统(BMS)最重要的任务之一。SOC估计通常通过电流积分或使用卡尔曼滤波器来实现。在这节课中，我们将介绍一种基于人工智能的替代方法。深度神经网络被训练来预测基于电压、电流和温度测量的SOC。然后在Simulink中实现得到的网络^®并被纳入闭环BMS模型。最后，从网络中自动生成C代码，用于在PIL模式下的NXP S32K3板上进行硬件实现。

拉斐尔Átila席尔瓦，斯特兰提斯

本报告介绍了一种将人工智能技术应用于车辆传感器建模的方法。该方法采用非参数回归的机器学习方法。利用Simulink软件建立了详细的GT-SUITE车辆模型^®生成传感器建模所需的设计数据。选择相关预测因子。应用了人工智能训练算法。氮氧化物传感器模型是基于GT-SUITE车辆模型生成的详细数据设计的。FTP-75, US06和HWFET用于车辆运行设置。将所开发的NOx传感器模型嵌入到Simulink中，并与GT车辆模型耦合，验证其预测能力。采用LA92行驶工况和巴西道路试验对传感器模型进行了验证。机器学习技术在氮氧化物传感器建模方面是成功的，将在汽车行业中有广泛的应用。

艾米丽·福斯特，福特汽车公司

这个项目的目标是创建一个工具，将基于电子表格的场景定义转换为OpenSCENARIO标准格式，以方便福特工程师进行交换、可用性和存储。通过标准化，该工具允许场景重用，而不管模拟工具和测试用例格式如何。该工具最初用于支持将复杂电子表格中定义的场景自动转换为OpenSCENARIO的beta版本。该工具能够在自动驾驶工具箱™driingscenario工具中显示结果场景，并导出代表相应CarSim场景的OpenSCENARIO 0.9.1文件。最后，对应用程序进行了修改，以便用户可以输入OpenSCENARIO所需的信息，从其他文档构建场景——支持可重用性和跨Ford的易共享性。

宋德祯，德州农工大学

按时间顺序，通过四个案例研究，了解我们二十年来在自动驾驶汽车和机器人导航方面的经验教训。我们开始了我们的旅程，通过开发世界上第一辆自动驾驶摩托车参加2004年和2005年的DARPA大挑战(DGCs)。我们为这个非最小相位系统开发了感知、车辆导航和控制算法，以在沙漠地形中导航。在DGC之后，我们开发了用于滑车的智能导航算法。我们还与约翰逊航天中心合作，为NASA Robonaut(一种在国际空间站服务的人形机器人)开发了定位和绘图算法。最近，我们的学生成功参加了第一届通用汽车/SAE自动驾驶挑战赛。MATLAB^®一直是我们开发经验中不可替代的工具集和不可或缺的一部分。

MathWorks Seo-Wook公园

学习如何为具有车对车(V2V)通信的车辆排驶应用程序设计控制器。每一辆排在后面的车辆与前面的车辆保持恒定的距离。车辆以密集的排程行驶可以改善交通流量、安全性和燃油经济性。每辆车通过V2V通信方式无线获取排内其他车辆的位置和运动信息。给定的加速度曲线驱动着前车，每一辆尾随车辆都跟随前车，同时保持由排队控制器设定的预定空间。

Peter Abowd, Kugler Maag Cie
Steve Tengler, Kugler Maag Cie

在基于模型和基于代码的混合环境中克服有效的软件体系结构和详细设计的挑战，并以兼容的方式进行这些工作，需要项目团队之间的战略决策。这些策略，以及遵从性，通常都不能被项目团队很好地形成或理解，并且在混合环境中答案是复杂的。本节将演示基于模型的开发如何以与手工代码类似的方式兼容，同时又具有明显的优势，特别是在利用Simulink的关键特性时^®．

帕特里克•Munier MathWorks

增加C/ c++软件内容和更快的交付需求是汽车软件开发组织的共同趋势。静态分析是验证代码是否满足质量、安全和安全性目标的关键技术。了解在软件开发工作流的每个步骤(从编码开始和在代码集成期间)使用静态代码分析的好处。看到Polyspace^®代码验证工具可以集成到开发人员的IDE和软件工厂中，以实现更快的软件交付和更高质量的代码。

威尔逊,MathWorks

创建、验证和关联物理资产的模型对于构建数字双胞胎很重要，但建模只是开发和部署数字双胞胎的整个过程的一个方面。在本报告中，您将探索一个项目，从开发电动汽车电池模型，将其部署到云中并连接到数据基础设施，到基于来自现实世界电动汽车车队的数据预测电池健康状态。您还将了解在规划您的数字双胞胎项目时的关键考虑因素。

Shusen张MathWorks

先进的驾驶辅助系统(ADAS)和自动驾驶应用的发展往往依赖于模拟来减少车内测试。汽车行业正在投资于OpenSCENARIO等标准，以描述这些驾驶模拟环境中的动态内容。在本节课中，您将学习如何在RoadRunner中设计的现实道路网络上编写场景。您可以使用此工作流来模拟具有内置代理的场景，以及编写和集成在MATLAB中设计的自定义代理^®,仿真软件^®,或者卡拉。如果需要，可以将场景导出到OpenSCENARIO，以便在外部工具中进行模拟和分析。使用此工作流，您可以快速编写和模拟场景，以获得系统洞察力并测试您的设计。

Pitambar新德里MathWorks

MATLAB^®,仿真软件^®RoadRunner帮助工程师建立自动化程度不断提高的自动驾驶系统。在本课程中，您将发现R2021b和R2022a中的新特性和示例，将允许您:

• 编写模拟驾驶的场景和场景
• 模拟传感器和车辆动力学
• 设计检测、定位、传感器融合、规划和控制算法
• 支持C、c++、GPU、ROS四种语言
• 测试功能和代码

詹森•罗杰斯MathWorks

与传统燃料电池系统相比，多层燃料电池提供了各种性能改进。在这个演讲中，看看MATLAB是如何^®和仿真软件^®可以用于在组件和系统级别上模拟这些系统。作为这类模型的一个应用，研究一种控制方法，以提高这种多层电动汽车模型在给定驾驶周期下的整体效率。

迈克•Sasena MathWorks
布拉德•Hieb MathWorks
MathWorks斯科特•毛茸茸的

随着汽车工业向更加电气化、自动驾驶和互联的世界转变，虚拟汽车仿真的重要性只会增加。然而，它们对整个组织的影响受到构建模型的挑战的限制，这些模型能够以可接受的准确性和速度回答工程问题。建立车辆模型只是一个开始，该平台必须支持扩大工程决策所需的仿真研究的需要。在MathWorks上发现最新的进展，使构建灵活的、可定制的模拟平台的过程更容易、更自动化。请参阅一个示例，该示例展示如何将虚拟车辆模型部署到云中进行大规模仿真研究。

David Jauernig, Gotion, Inc.

在本节课中，了解我们如何开发一种基于差分电压(DVA)和增量容量分析(ICA)的高精度车载电池健康状态估计方法。利用锂离子电池在不同温度下的循环数据，提取了充电周期，计算了DVA和ICA曲线，然后用iir滤波器进行滤波以降低噪声。提取和分析多个特征(即曲线的峰或谷)，并选择最有希望的特征进行进一步的步骤。将所选特征与容量衰减进行相关性分析，计算所选特征在不同温度下的线性回归模型。对于这些线性模型，通过插值线性模型之间的值来创建一个2D查找表(LUT)。对于板载实现，我们开发了一个Simulink^®模型实现了ICA-和dva曲线的计算和滤波。同时，我们实现了一种特征检测算法，检测和验证所选特征，这些特征被转发到2D LUT，计算当前SOH。我们对该模型进行了测试并将其转换为autosar兼容的代码，并将在Gotion的内部开发的BMS上进行验证。