Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Autonomes FAhren Autonome Fahrzeuge verfügen über Hunderte von Sensoren die alle innerhalb des Fahrzeugs und mit anderen intelligenten Fahrzeugen in ihrer Umgebung zusammenarbeiten müssen Die Softwarealgorithmen die autonomes Fahren ermöglichen müssen letztlich alle von diesen Sensoren gesammelten Informationen zusammenführen um sicherzustellen dass das Fahrzeug angemessen reagiert Die Vision vom vollständig autonomen Fahrzeug rückt immer näher und neben der Verbesserung der Gesamteffizienz von Verkehrssystemen ist die Sicherheit von Fahrern und Passagieren der überzeugendste Vorteil selbstfahrender Fahrzeuge Jüngsten Daten zufolge könnten selbstfahrende Autos die Zahl der Verkehrstoten um bis zu neunzig Prozent reduzieren Bild 1 [1 2] Mehr Autonomie für Fahrzeuge Fortschrittliche Fahrerassistenzsysteme in Serienfahrzeugen haben Level 2 und 3 erreicht was in den meisten Verkehrssituationen die Steuerung des Fahrzeugs durch den Fahrer erfordert Viele OEMs und Branchenexperten sind der Ansicht dass die weitere Entwicklung hin zu den Autonomie-Levels 4 und 5 unsere Straßen sicherer machen wird – wobei Level 5 für Fahrzeuge steht die keinerlei menschliche Interaktion benötigen Bild 2 Um den nächsten Level der Fahrzeugautonomie zu erreichen sind noch viele Fortschritte erforderlich Es muss massiv in Sensortechnologien wie Radar Lidar und Kamera investiert werden um die Umgebungserfassung weiter zu verbessern Da jeder Sensortyp seine eigenen Vorund Nachteile hat müssen die unterschiedlichen Sensortypen einander ergänzen um sicherzustellen dass der Objekterkennungsprozess die erforderliche eingebaute Redundanz aufweist Außerdem sind enorme Investitionen in rechenstarke Softwarealgorithmen erforderlich um die große Menge an hochauflösenden Sensordaten einschließlich der Eingaben aus der Vehicleto-Everything-Kommunikation V2X zu kombinieren und zu übertragen Machine Learning ist die etablierte Methode für das Training selbst verbessernder Algorithmen und künstlicher Intelligenz Diese Algorithmen treffen dann Entscheidungen um die Sicherheit in komplexen Verkehrssituationen zu gewährleisten Das Training dieser Algorithmen mit den realistischsten verfügbaren Stimuli in einer reproduzierbaren und kontrollierten Weise im Labor ist entscheidend für ihre Genauigkeit und ihren sicheren Einsatz Die Kluft zwischen Straße und Simulation Heutzutage wird ein großer Teil der Testzeit auf Sensoren und ihre Steuermodule ECUs verwendet indem Umgebungen in Softwareoder Softwareinthe-Loop-Tests SIL simuliert werden Straßentests des vollständig integrierten Systems in einem Prototyp oder einem Fahrzeug mit Straßenzulassung ermöglichen es den OEMs das Endprodukt zu validieren bevor es auf den Markt kommt Die Nachbildung einer virtuellen Welt im Labor mit einer genauen Wiedergabe der Szenen sowie echten Radarsensoren und -signalen schließt die Lücke zwischen Simulation und Straßentests Die Herausforderung besteht heute in der Emulation vollständiger Radarszenen insbesondere wenn die Szenen komplex sind und viele Variablen enthalten Ziel ist es alle Fahrszenarien Bild 1 Nach Angaben der NHTSA sind 94 % der Verkehrsunfälle auf menschliches Versagen zurückzuführen Bild Keysight www coilcraft de Serie XGL6060 Leistungsinduktivitäten mit sehr geringen Verlusten • Derzeit niedrigster DC-Widerstand auf dem Markt – bis zu 40% niedriger als andere • Nennstromstärken bis 38 0 Ampere mit weicher Sättigung • Für Hochfrequenz-DC-DC-Wandler bis über 5 MHz • Zwanzig Induktivitätswerte von 0 22 bis 47 µH email sales@coilcrafteurope com Kostenlose Muster @