车载智能计算平台白皮书（自动驾驶）
车载智能计算平台白皮书（自动驾驶）版权声明本白皮书版权属于中国软件评测中心,并受法律保护。转载、摘编或利用其它方式使用本白皮书文字或者观点的,应注明“来源:中国软件评测中心”。违反上述声明者,本单位将追究其相关法律责任目录、编制概要(一)编制背景二)编制目标三)编制方法四)特别声明车载智能计算平台内涵与范畴(一)自动驾驶技术目前存在三种发展路线二)汽车智能计算平台包括“车、云、网、库”三)车载智能计算平台是。级及以上自动驾驶的必要解决方案(四)车载智能计算平合的功能定位、车载智能计算平台关键技术发展现状(一)芯片由通用走向专用,类脑芯片提供全新架构二)车载智能计算平台操作系统功能需求不断细化成为主流软件架构三)车载以太网受到广泛关注和进入竞争关键期(四)实现实时动态高精度定位需多技术融合(五)安全需求不断拓展,预期功能安全备受关注(六)测试需求不断细化,车载智能计算平台测试标准尚未形成四、车载智能计算平台相关产业发展现状(一)国内外企业纷纷布局车载智能计算平台(二)互联网企业、整车厂与半导体企业积极布局芯片领域三)车控操作系统国外占据发展先机,开源操作系统或成最大赢家四)国内外汽车网络通信技术产业蓬勃发展(五)“集中众包”成为高精度地图制图新模式五、车载智能计算平台发展现状国内外对比)车载智能计算平台性能方面国外处于领先地位二)国外部分计算平台已实现量产、国内计算平台仍处于样机阶段三)忐片性能方面国内典型产品存在优势六、车载智能计算平台中长期发展趋势(一)自主式和网联式协同推进自动驾驶发展二)电子信息、通信技术与汽车多产业交叉愈加突显三)软硬件协同开发提高车载智能计算平合的综合效率(四)高度集成是未来车载智能计算平台的发展方向五)多种数据处理模式并存的现状仍将持续七、推动车载智能计算平台发展的措施建议(一)明确发展方向前瞻规划布局(二)建立专项基金培育创新能力(三)夯实产业基础完善产业结构四)对外开放交流加强国际合作附件:缩略语、编制概要(一)编制背景汽车工业是中国产业发展的重要驱动。中国汽车工业经过近年的发展,年汽车工业总产值占全国工业总产值的比重达到%,占全国的比重达%。中国汽车市场目前已是全球最大单体汽车市场,年产销量分别占世界汽车产销量的%和%,但千人汽车保有量仅为世界平均值的%,发展空间较大。随着汽车智能化、网联化、电动化和共享化的发展,汽车产业发展面临新一轮的变革机遇,我国应该加大投入,抓住机遇,加快推进汽车强国建设。智能网联汽车从交通运输工具日益转变为新型移动智能终端。汽车功能和属性的改变导致其电子电气架构随之改变,进而需要更强的计算、数据存储和通信能力作为基础,车载智能计算平台是满足上述要求的重要解决方案。作为汽车的“大脑”,车载智能计算平台是新型汽车电子电气架构的核心,也是新犁智能汽车电子产业竞争的主战场明确车载智能计算平合的定义和范畴、关键技术、产业现状以及发展路线,在此基础之上为车载智能计算平台关键技术进步和产业化应用推广提供措施建议,对推动我国智能网联汽车产业持续健康快速发展具有重要意义。《中国公路学报》编辑部口国汽车工稈学术研究综述中国公路学报(二)编制目标通过明确车载智能计算平台的内涵与范畴,界定汽车智能计算平台基本架构和车载智能计算平台功能定位。研究车载智能计算平台的技术框架,梳理车载智能计算平台的关键技术。探索车载智能计算平合相关产业组成,分析车载智能计算平合的产业链结构,研判产业发展趋势。旨在提出促进车载智能计算平台相关技术及产业发展的可行性措施建议,为行业主管部门提供决策参考,为行业健康有序发展提供指导依据(三)编制方法是研究学习国内外相关政策文献,充分借鉴参考国内外主要研究动态和成果。是调研国内外知名车载智能计算平台相关企业,汇集整理和分析来自实践应用的相关素材。三是邀请行业专家咨询评审。(四)特别声明研究范围聚焦技术和产业发展车载智能计算平台将涉及法律、道德、伦理、文化等诸多领域。本白皮书的编制主要是为了给相关行业主管部门和企业提供决策参考依据,集中在技术和产业两大层面展开研究,暂未涉及其他方面。研究内容仍有待进一步丰富完善本白皮书的主要观点和内容仅代表编制组目前对车载智能计算平台的研判和思考,欢迎各方专家学者和企业代表提出宝贵意见,共同推动白皮书的及时更新和纠偏。本白皮书为《车载智能计算平合白皮书(年)》,后续中国软件评测中心将会继续推出《汽车智能计算平台白皮书(系列)。二、车载智能计算平台内涵与范畴(一)自动驾驶技术目前存在三种发展路线年(国际汽车工程师协会)发布《标准道路机动车驾驶自动化系统分类和定义》,并于年月对标准进行了修订更新。标准将自动驾驶分为共个级别。人工驾驶(),即完全由驾驶员执行全部动态驾驶任务(),包括有主动安全系统介入的情况。辅助驾驶(),即由自动驾驶系统在连续的特定设计运行工况(下执行动态驾驶任务的横向或纵向车辆运动控制子任务(但不能同时),并由驾驶员负责完成动态驾驶任务的其余内容。部分自动驾驶(),即由自动驾驶系统在连续的特定设计运行工况下执行动态驾驶任务的横向和纵向车辆运动控制子任务,并由驾驶员负责完成驾驶环境监控,并对道路目标和状态做岀有效回应。条件自动驾驶(),即由自动驾驶系统在连续的特定设计运行工况下执行所有动态驾驶任务。但是要求驾驶员具备汽车功能保障意识,并随时可以对自动驾驶系统发布的干预请求,以及与动态驾驶任务相关的其他车辆系统的故障做出有效回应。高度自动驾驶(),即自动驾驶系统在连续的特定设计运行工况下执行全部动态驾驶任务和功能保障,不要求任何用户对干预请求做出回应。完全自动驾驶(),即由自动驾驶系统在任意连续的运行环境下,执行全部动态驾驶任务和功能保障,不要求任何用户对自动驾驶系统的干颈请求做出回应。
- 2020-12-04下载
- 积分：1
三维装箱问题的模型与改进遗传算法
关于三维装箱算法问题, 一些算法理论, 感觉对这方面的应用有一定帮助144效学的实践与认识40着∑(B,*v)≤VB,B,PD,PWy=0或者1v∈{1,2,…,D},y∈{1,2,…,W},z∈{1,2,…,H},j∈{1,2,…,n}(12目标函数是箱子未装填物品的空间最少(亦即空间浪费最少)条件(2)确保子的1个装填空间单元被装填不超过1次即保证物品间不会互相嵌入;(3)式说明上层物品会有支撑,不会悬空(4),(5),(6)式说明物品装箱位置约束;(7),(8},(9)说明物品的摆放问;(11)是箱子的容积约束2這传算法21遗俊法遗传算法(GAs)是建立在达尔文进化论基础上的搜索算法,它从代表问题潜在解的个种群( population)开始,而一个种群则由经过基因(gene)编码 coding)的一定数目的个体individual)组成遗传算法采用了自然进化模型,如选择,交叉变异等计算开始时,一定数目S个个体(父个体1、父个体2……)即种群随机地初始化,并计算每个个体的适应度函数第一代也即初始代产生如果不满足优化准则,开始产生新一代的计算为了产生新一代按照适应度选择个体,父代通过基因重组(交叉)而产生子代所有的子代按一定的概率变异然后重新计算子代的适应度,将子代插入到种群中取代父代构成新的一代循环执行这一过程,直到满足优化准则22算法设计2.21编码方法采用矩阵编码方法,用多维数组(二维矩阵表示染色体结构,数组元素表示染色体基因,编码清晰,易于理解,遗传算子操作方便染色体S=(L,P,Px,Py,T)来表示问题的一个解其中:向量L=(Li,L1,…,Ln)为待装箱物品的一个排列;向量P=(Bn,B1,…,B3n)为对应于排列L的B,一个排列向量Px=(PB,PB,…,PB)为对应于排列L的PB一个排列向量Py=(PB,PB},…,PB为对应于排列L的PBx一个排列矩阵T=(x2=欢面为对应于排列L的装箱物品坐标22适值函数问题的目标是最小化箱子的浪费空间,适应度函数可定义为空间利用率函数(S代表染色体C1994-2010ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net2期陈德良,等:三维装箱问题的模型与改进遗传算法Fitness(s)(∑B3*v/若∑(B;*v)≤V否则23解的不可行性,罚函数与评估函数由于对染色体作遗传运算时可能获得不可行的子代,惩罚技术是用遗传算法解约束优化问题中最常用的技术,本质上它是通过惩罚不可行解将约束优化问题转化为无约爽问题就本文讨论的问题而言,惩罚项包括:1)物品在装箱时不交叠,即满足约束条件{2},有着∑By≤1g:(S)1,否则2)物品装箱时不能出现悬空即满足约束条件(3),有0若∑B-B+)>0g2(S)=(151,否则3)物品装箱不能超出箱子边界,即满足约束条件(4,(5)和(6),有0若吃+B(Pp++Pwy*吗)≤D1,否则0若+B*(PD*+PWy*m)≤W941,否则(17)95(S)=0,若x+B*h;≤H8)1,否则eat(s=∑9(S)b=1那么,式(14)至(18)任何一个取值为1,都是不可行评估函数eval(S)=Fitness(S)*(5-Genalty (S)24算法步骤)初始化进化代数计数器,随机产生一定数目(大于设定的初始种群规模)的染色体;2)利用式(14)检验初始种群染色体可行性,对不可行解旋转赌轮接受小部分不可行解,与可行解构成初始种群3)对初始种群染色体进行遗传运算;①按照式(14)至(20)计算评估函数:⑩按顺序交叉方法产生子代;④变异算子;4)旋转赌轮选择染色体;)重复3至4)直到完成给定的循环次数;C1994-2010ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net数学的实践与认识40卷6)确定最好的染色体作为最优解3实验结果我们用C++编程实现了上述算法在配置为CPU24GH/512 Mb ram的微机上,用随机产生的数据进行实验取遗传算法运行参数为:{群体大小进化代数,交叉概率,变异概率}-{100,50,0.85,0.05}用随机产生的数据进行实验,求解20个种类100件物品的装箱问题,得到最好解耗时小于1秒;计算50个种类200件物品的装箱问题,得到最好解耗时小于2秒以下是3类共16件物品的装箱问题.实验数据图2,第!行为箱子尺『;第2至第4行为待装箱物品,每行第1个数据表小序号第2至镌4数据分别为物品尺寸,第5个数据表示物品件数在计算转桌中包含数据依次是:序号,是否装载,物品长,物品宽,物品高,纵向坐标横向坐标,垂向坐标纵向长度,横向长度,垂向长度(图4).从图4可知第12号物品未能装箱,物品装箱的顺序可以从“序号列中得出.绘制的物品装箱示意图见图31421,2,乙2,2,图2实验数据图3装箱示意图文件((格式(Q帮助新 s REPORT耗时:.1 most g sec次数:01615积:7580001016每a0库:92.875989名寸:=280;y=1210;2=300NO: P st Din 1 Din 2 in 3 C xC YPu y Pu 2202002002002001002812B20020012010010020012鲁2020012010020020020020012B100100212021201215024015824815015561111111111115152每000ao00015150240202020055020200201002001215502D0200120100100201205s012020028012015024075000015024815015024075015015024a152002009o002002001002012090020012日未装相物品121501502年图1计算结果o1994-2010ChinaAcademicJournalElectronicPublishingHousealLrightsreservedhttp://www.cnki.net2期陈德良,等:三维装箱问题的模型与改进遗传算法1474结束语装箱问题是一常见而难解的优化问题,利用遗传算法求解时,随机产生的初始解会出现大量的不可行解(装箱物品占用空间出现大量交叠),本文将箱子内部空间划分为一个个立方体单元:算法的第2)步对标准遗传算法做了修改通过剔除大量不可行解提高算法的收敛速度,实验结果表明此算法运算过程及绪果稳定,具有较强的实际应用价值能有效解决复杂的三维装箱何题,今后将继续研究将该方法运用到其它不同的有关装箱问题或组合优化问题中参考文献[1] John J, et al. An improved algctithra for the ncn-guillctine-constraincd cutting-stock problem(JIOperational Resee ch Society, 19 /0,+1: 141-149[2] Coffmau E. G, et al. ver age-case analysis of cutting and packing in two dimensions [J]. Euro. Jof Operatic al Reseaich, 1990, 44: 134-14413) Fabien C, et al. A Two-phase heuristic for the two-dinensional cutting-stock problem [J. Opera-tional Research Society, 1991, 42: 39-744 Martello Silvano, Pisinger, David, and Vigo, Daniele. The Three-Dimensional Bin Packing ProblemJ. Operations Research, 2000 Informs. Vol. 48: 256-267]何大勇,査建中,姜义东遗传算法求解复杂集装箱装载问题方法研究向]软件学报,201,12(9):13801385阿]张德富魏丽军陈青山陈火旺等.三维装箱问题的组合启发式算法软件学报,2007,18(9):20832089A Mixed Integer Programming Model ofThree-Dimensional Bin-Packing Problem and ImprovedGenetic AlgorithmsCHEN De-liang, 2, CHEN Zhi-yaSchool of Traffc &z transportation Engineering, Central South University, Changsha 41076, China)(2. Logistics School, Central South University of Forestry Technology, Changsha 410004, ChinaAbstracts The three-dimensional bin-packing problem is complicated but a high level ofinterest in developing effective way to solve this kinds of NP-hard problem. First a MixedInteger Programming model was worked out in this paper, which resorted to dividing box spaceinto unit cube. Then an improved genetic algorithm was mainly developed. Tests on hundredsof problems show that this algorithm makes the most of volume utilization in minimal timeKeywords: three-dimensional bin-packing problem; space division; mixed integer program-ming model; improved genetic algorithmso01994-2010ChinaAcademicJournalElectronicPublishinghOuse.Allrightsreservedhttp://www.cnki.net
- 2020-12-05下载
- 积分：1
