无码精品国产一区二区三区免费,97视频在线观看免费播放,国产成人人人97超碰超爽8

“實(shí)時(shí)控制”介紹及其重要性[嵌入式技術(shù)][汽車(chē)電子]

　　從汽車(chē)示例引出文章主題，我們假設(shè)汽車(chē)是一個(gè)系統(tǒng)，外界條件（司機(jī)）踩下油門(mén)即增加車(chē)速，則系統(tǒng)實(shí)現(xiàn)了所謂的“實(shí)時(shí)控制”。實(shí)時(shí)控制是閉環(huán)系統(tǒng)在定義的時(shí)間窗口內(nèi)收集數(shù)據(jù)、處理數(shù)據(jù)并更新系統(tǒng)的能力。如果系統(tǒng)錯(cuò)過(guò)定義的時(shí)間窗口，其穩(wěn)定性、精度和效率都會(huì)降低。控制能力下降可能會(huì)影響系統(tǒng)性能；例如，不能達(dá)到所需速度，甚至過(guò)熱。本文將介紹實(shí)時(shí)控制系統(tǒng)的功能塊，并以機(jī)器人應(yīng)用為例進(jìn)行說(shuō)明。

發(fā)表于：7/18/2022

國(guó)產(chǎn)EDA驗(yàn)證調(diào)試工具實(shí)現(xiàn)破局助力芯片設(shè)計(jì)效率提升[EDA與制造][工業(yè)自動(dòng)化]

經(jīng)過(guò)數(shù)十年的發(fā)展，如今芯片設(shè)計(jì)的每個(gè)環(huán)節(jié)已離不開(kāi)EDA工具的參與，涉及驗(yàn)證、調(diào)試、邏輯綜合、布局布線等全流程。尤其是在關(guān)鍵的驗(yàn)證和調(diào)試環(huán)節(jié)，可謂是打通芯片流片的“任督二脈”，如果在這一環(huán)節(jié)受阻，那帶來(lái)的“次生傷害”將難以想象。

發(fā)表于：7/12/2022

如何通過(guò)傳感器融合技術(shù)提升自動(dòng)駕駛水平[MEMS|傳感技術(shù)][汽車(chē)電子]

隨著ADAS技術(shù)擴(kuò)展至緊急剎車(chē)、前方碰撞警告和避讓以及盲點(diǎn)探測(cè)等時(shí)間敏感型關(guān)鍵應(yīng)用領(lǐng)域，它可通過(guò)結(jié)合來(lái)自多個(gè)傳感器的數(shù)據(jù)實(shí)時(shí)提供可靠的決策，從而帶來(lái)更安全的自動(dòng)駕駛體驗(yàn)。

發(fā)表于：7/11/2022

打破內(nèi)存墻、功耗墻國(guó)產(chǎn)芯片AI-NPU的現(xiàn)在和未來(lái)[人工智能][物聯(lián)網(wǎng)]

隨著5G的落地，物聯(lián)網(wǎng)的成本效益顯現(xiàn)，工業(yè)數(shù)字化、城市智慧化等演進(jìn)趨勢(shì)日益明顯，越來(lái)越多的企業(yè)和城市開(kāi)始在物聯(lián)網(wǎng)創(chuàng)新中加入數(shù)字孿生這種顛覆性的概念，來(lái)提高生產(chǎn)力和生產(chǎn)效率、降低成本，加速新型智慧城市的建設(shè)。值得一提的是，數(shù)字孿生技術(shù)已被寫(xiě)進(jìn)國(guó)家“十四五”規(guī)劃，為數(shù)字孿生城市建設(shè)提供國(guó)家戰(zhàn)略指引。

發(fā)表于：7/9/2022

超高數(shù)據(jù)流通量FPGA新品類(lèi)中的Block RAM級(jí)聯(lián)架構(gòu)[嵌入式技術(shù)][數(shù)據(jù)中心]

隨著數(shù)據(jù)中心、人工智能、自動(dòng)駕駛、5G、計(jì)算存儲(chǔ)和先進(jìn)測(cè)試等應(yīng)用的數(shù)據(jù)量和數(shù)據(jù)流量不斷增大，不僅需要引入高性能、高密度FPGA來(lái)發(fā)揮其并行計(jì)算和可編程硬件加速功能，而且還對(duì)大量數(shù)據(jù)在FPGA芯片內(nèi)外流動(dòng)提出了更高的要求。于是，在FPGA芯片中集成包括片上二維網(wǎng)絡(luò)（2D NoC）和各種最新高速接口的新品類(lèi)FPGA芯片應(yīng)運(yùn)而生，成為FPGA產(chǎn)業(yè)和相關(guān)應(yīng)用的新熱點(diǎn)。

發(fā)表于：7/8/2022

MaxLinear 與 Qorvo 合作，為大規(guī)模 MIMO 無(wú)線電解決方案提供高效功率放大器[電源技術(shù)][智能電網(wǎng)]

中國(guó)北京 - 2022 年 6 月 30 日-MaxLinear Inc. (NASDAQ: MXL) 和 Qorvo (NASDAQ: QRVO) 今天宣布推出一項(xiàng)聯(lián)合解決方案，旨在應(yīng)對(duì) 32x32 和 64x64 大規(guī)模 MIMO 無(wú)線電在尺寸、重量和功耗方面的關(guān)鍵挑戰(zhàn)。該解決方案支持高效功率放大器 (PA)，減小了無(wú)線電的功率、重量和體積，使大規(guī)模 MIMO 無(wú)線電更加實(shí)用。此外，此解決方案在功耗和功率損耗方面為每個(gè)多元件無(wú)線電節(jié)省了數(shù)百瓦的功率。

發(fā)表于：7/7/2022

基于交叉口多維狀態(tài)評(píng)估的信號(hào)配時(shí)優(yōu)化研究[其他][其他]

交叉口運(yùn)行狀態(tài)的準(zhǔn)確評(píng)估能夠?yàn)榻煌ü芾硐到y(tǒng)提供可量化的交叉口信息，為優(yōu)化交叉口信號(hào)控制提供依據(jù)。針對(duì)當(dāng)前交叉口運(yùn)行狀態(tài)評(píng)估側(cè)重行車(chē)感受，客觀性不強(qiáng)，確定了結(jié)合機(jī)動(dòng)車(chē)和行人需求的多維評(píng)估指標(biāo)體系，利用AHP-變異系數(shù)雙層集成賦權(quán)模型確定各指標(biāo)權(quán)重，得到交叉口運(yùn)行評(píng)估模型。基于評(píng)估模型采用含噪聲的深度Q學(xué)習(xí)（NoisyNet DQN）算法進(jìn)行信號(hào)配時(shí)優(yōu)化研究。以合肥市某交叉口為例，基于交通仿真軟件證明了該方法能有效減緩交通擁堵，提高行人感受，具備較高的應(yīng)用拓展性。

發(fā)表于：7/5/2022

基于緩存機(jī)制的Hyperledger Fabric并發(fā)沖突檢測(cè)方法[其他][其他]

Hyperledger Fabric(Fabric)是一個(gè)受關(guān)注度較高的許可鏈平臺(tái)，具有高度模塊化、可定制化和可插拔的特點(diǎn)。針對(duì)Fabric在高并發(fā)的場(chǎng)景下會(huì)出現(xiàn)并發(fā)沖突導(dǎo)致交易無(wú)效的問(wèn)題，提出一種沖突檢測(cè)與處理的方法,即利用緩存交易寫(xiě)集的方式在執(zhí)行階段檢測(cè)交易是否沖突，最大程度減小沖突交易在Fabric系統(tǒng)的資源消耗。實(shí)驗(yàn)結(jié)果表明，在具有沖突交易的場(chǎng)景下，提出的方法能降低平均交易時(shí)延，提高系統(tǒng)有效交易吞吐量；并且在沒(méi)有沖突交易的情況下，不會(huì)明顯降低性能。

發(fā)表于：7/5/2022

分布式VANETs中車(chē)流自適應(yīng)的低沖突TDMA-MAC協(xié)議[通信與網(wǎng)絡(luò)][汽車(chē)電子]

在分布式車(chē)載自組織網(wǎng)絡(luò)中，動(dòng)態(tài)變化的雙向車(chē)流會(huì)嚴(yán)重影響基于slot分組的TDMA-MAC協(xié)議降低沖突的效果以及整體協(xié)議的安全性與可靠性，對(duì)此設(shè)計(jì)一種車(chē)流自適應(yīng)的低沖突TDMA-MAC協(xié)議TALC-MAC。采用slot占用率作為分組調(diào)整的判斷依據(jù)，設(shè)計(jì)詳細(xì)的分組擴(kuò)展與收縮策略以適應(yīng)車(chē)流實(shí)際分布。同時(shí)優(yōu)化幀內(nèi)slot分組方案與節(jié)點(diǎn)預(yù)約slot的策略，進(jìn)一步降低網(wǎng)絡(luò)中發(fā)生沖突的概率。仿真實(shí)驗(yàn)結(jié)果表明TALC-MAC能有效適應(yīng)雙向車(chē)流的動(dòng)態(tài)變化，保持協(xié)議整體低沖突的特性。

發(fā)表于：7/5/2022

基于凸優(yōu)化的FSO/RF自動(dòng)請(qǐng)求重傳協(xié)議方案[其他][其他]

針對(duì)FSO/RF混合鏈路的高效可靠數(shù)據(jù)傳輸問(wèn)題,研究系統(tǒng)在二進(jìn)制相移鍵控（BPSK）調(diào)制與ARQ差錯(cuò)控制模式下雙鏈路重傳協(xié)作的優(yōu)化設(shè)計(jì)方法?；贔SO信道雙伽馬（Gamma-Gamma）分布的湍流模型和RF信道Nakagami-m分布的衰落模型,推導(dǎo)得出混合鏈路平均包錯(cuò)誤率與吞吐量的解析表達(dá)式,并運(yùn)用凸優(yōu)化求解方法得出吞吐量最優(yōu)解時(shí)的數(shù)據(jù)重傳協(xié)作比例系數(shù)。在不同大氣湍流強(qiáng)度與衰落因子條件下,計(jì)算分析了FSO/RF混合鏈路ARQ數(shù)傳方案的平均包錯(cuò)誤率與吞吐量性能。數(shù)值結(jié)果表明,采用優(yōu)化后的ARQ雙鏈路重傳比例策略,可有效提高混合鏈路傳輸?shù)目煽啃耘c數(shù)據(jù)吞吐量性能。

發(fā)表于：7/5/2022

基于直接高階注意力和多尺度路由的圖神經(jīng)網(wǎng)絡(luò)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

圖神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制在處理圖結(jié)構(gòu)化數(shù)據(jù)方面表現(xiàn)出優(yōu)異的性能。傳統(tǒng)的圖注意力計(jì)算直接連接的節(jié)點(diǎn)之間的注意力，并通過(guò)堆疊層數(shù)隱式獲取高階信息。盡管在圖注意力機(jī)制方面目前已有廣泛的研究，但用于注意力計(jì)算的堆疊范式在建模遠(yuǎn)程依賴(lài)方面效果較差。為了提高表達(dá)能力，設(shè)計(jì)了一種新穎的直接注意力機(jī)制，這一機(jī)制通過(guò)K階鄰接矩陣直接計(jì)算高階鄰居之間的注意力。通過(guò)自適應(yīng)路由聚合過(guò)程進(jìn)一步傳播高階信息，這使得聚合過(guò)程更靈活地適應(yīng)不同圖的特性。在引文網(wǎng)絡(luò)上的節(jié)點(diǎn)分類(lèi)任務(wù)上進(jìn)行了大量的實(shí)驗(yàn)。實(shí)驗(yàn)表明，該方法優(yōu)于最先進(jìn)的基線模型。

發(fā)表于：7/5/2022

地鐵運(yùn)營(yíng)崗位應(yīng)急處置培訓(xùn)的語(yǔ)音識(shí)別研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

地鐵交通運(yùn)營(yíng)是一種整體性活動(dòng)，離不開(kāi)各部門(mén)間的協(xié)調(diào)配合,地鐵運(yùn)營(yíng)崗位應(yīng)急處置培訓(xùn)系統(tǒng)應(yīng)用于多個(gè)崗位的聯(lián)合培訓(xùn)。該系統(tǒng)通過(guò)語(yǔ)音識(shí)別來(lái)實(shí)現(xiàn)模擬崗位間語(yǔ)音交互及對(duì)培訓(xùn)過(guò)程智能評(píng)價(jià)的功能。提出的語(yǔ)音識(shí)別方法可實(shí)現(xiàn)離線網(wǎng)絡(luò)下對(duì)地鐵培訓(xùn)專(zhuān)業(yè)術(shù)語(yǔ)的高識(shí)別精度，利用深度全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）和鏈接時(shí)序分類(lèi)（CTC）構(gòu)建聲學(xué)模型，對(duì)應(yīng)急處置培訓(xùn)用語(yǔ)進(jìn)行整理并構(gòu)建專(zhuān)業(yè)術(shù)語(yǔ)庫(kù)，基于統(tǒng)計(jì)學(xué)構(gòu)建語(yǔ)言模型。實(shí)驗(yàn)結(jié)果表明，該語(yǔ)音識(shí)別方法能夠有效識(shí)別地鐵應(yīng)急處置培訓(xùn)用語(yǔ)，為地鐵運(yùn)營(yíng)崗位人員的培訓(xùn)和考核提供更全面的評(píng)價(jià)指標(biāo)。

發(fā)表于：7/5/2022

基于方向一致?lián)p失的輕量車(chē)道線檢測(cè)[通信與網(wǎng)絡(luò)][汽車(chē)電子]

目前，輕量型車(chē)道線檢測(cè)網(wǎng)絡(luò)存在彎道檢測(cè)效果差、網(wǎng)絡(luò)感受野不夠與實(shí)時(shí)性受限等問(wèn)題，故提出了一種改進(jìn)的輕量型車(chē)道線檢測(cè)網(wǎng)絡(luò)模型。首先，為提高彎道檢測(cè)效果，設(shè)計(jì)了一種方向一致?lián)p失，以使模型適用于彎道場(chǎng)景。其次，為在增強(qiáng)網(wǎng)絡(luò)實(shí)時(shí)性的同時(shí)提高其感受野，提出將自注意力機(jī)制與RepVGG相融合的網(wǎng)絡(luò)作為模型的主干網(wǎng)絡(luò)。該模型在CULane測(cè)試集上測(cè)試的總F1-measure達(dá)到了70.7%，在Tusimple測(cè)試集上測(cè)試的準(zhǔn)確率達(dá)到95.92%，其平均推斷速度達(dá)到了408 FPS。實(shí)驗(yàn)結(jié)果表明，該模型相較于目前輕量型模型在性能上有一定的提升，尤其對(duì)彎道場(chǎng)景下的車(chē)道線檢測(cè)效果提升明顯。

發(fā)表于：7/5/2022

基于注意力機(jī)制的無(wú)監(jiān)督單目標(biāo)跟蹤算法[其他][其他]

為提升目標(biāo)跟蹤精度，設(shè)計(jì)一種基于注意力機(jī)制的無(wú)監(jiān)督單目標(biāo)跟蹤算法。該算法使用DCFNet網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)，通過(guò)前向跟蹤和后向驗(yàn)證實(shí)現(xiàn)無(wú)監(jiān)督跟蹤。為結(jié)合上下文信息，引入特征融合方法，且將DCFNet網(wǎng)絡(luò)每一層所提取的特征通過(guò)雙線性池化調(diào)整分辨率以便進(jìn)行特征融合；為關(guān)注不同特征通道上的關(guān)系，引入通道注意力機(jī)制SENet模塊；設(shè)計(jì)一個(gè)反向逐幀驗(yàn)證方法，在反向驗(yàn)證中間幀的基礎(chǔ)上再預(yù)測(cè)第一幀，進(jìn)而減少判別位置的誤差。在公共數(shù)據(jù)集OTB-2015上的測(cè)試結(jié)果顯示，本算法AUC分?jǐn)?shù)達(dá)60.6%，速度達(dá)61FPS。與無(wú)監(jiān)督單目標(biāo)跟蹤UDT算法相比，所設(shè)計(jì)算法取得了更優(yōu)的目標(biāo)跟蹤性能。

發(fā)表于：7/5/2022

交通場(chǎng)景下基于深度強(qiáng)化學(xué)習(xí)的感知型路徑分配算法[其他][其他]

路徑分配問(wèn)題是交通數(shù)字孿生系統(tǒng)的重要研究方向之一，其重點(diǎn)是綜合考量行駛需求的動(dòng)態(tài)變化以及路網(wǎng)信息的實(shí)時(shí)改變，實(shí)現(xiàn)高效合理的路徑規(guī)劃?，F(xiàn)階段一些經(jīng)典的分配算法如粒子群、Dijkstra等算法及其優(yōu)化模型僅能達(dá)到全局靜態(tài)最優(yōu)，忽略了現(xiàn)實(shí)交通中的復(fù)雜變化。而逐漸推出的各種深度學(xué)習(xí)算法雖能進(jìn)行全面的時(shí)空預(yù)測(cè)，但受限于海量歷史數(shù)據(jù)的歸納分析以及較高的運(yùn)算成本，難以大規(guī)模應(yīng)用。鑒于此，提出了一種靜態(tài)分配算法與深度強(qiáng)化學(xué)習(xí)算法結(jié)合的感知型路徑分配算法,在行駛中依據(jù)實(shí)時(shí)路網(wǎng)信息和車(chē)輛當(dāng)前狀態(tài)，實(shí)現(xiàn)全局路徑動(dòng)態(tài)再分配及更新，相關(guān)算法的精度和效率在仿真實(shí)驗(yàn)中得到驗(yàn)證。

發(fā)表于：7/5/2022