基于激光傳感器的無人駕駛汽車動態(tài)障礙物檢測跟蹤
發(fā)布時(shí)間:2016-11-21 責(zé)任編輯:wenwei
【導(dǎo)讀】針對激光傳感器在室外環(huán)境中檢測動態(tài)障礙物所遇到的數(shù)據(jù)處理存在延時(shí)、檢測結(jié)果準(zhǔn)確率不高等問題,提出了一種基于3維激光傳感器Velodyne和四線激光傳感器Ibeo信息融合的動態(tài)障礙物檢測及表示方法。該種方法應(yīng)用在了自主研發(fā)的無人駕駛汽車平臺上,大量的實(shí)驗(yàn)以及它們在“中國智能車未來挑戰(zhàn)賽”中的優(yōu)異表現(xiàn)證明該方法具備可靠性和準(zhǔn)確性。
本方法通過分析處理Velodyne激光數(shù)據(jù)對無人駕駛汽車四周的動態(tài)障礙物進(jìn)行檢測跟蹤,對于無人駕駛汽車前方準(zhǔn)確性要求較高的扇形區(qū)域,采用置信距離理論融合Velodyne激光數(shù)據(jù)處理信息和Ibeo輸出的運(yùn)動狀態(tài)信息,較大地提高了對障礙物運(yùn)動狀態(tài)的檢測準(zhǔn)確率,然后根據(jù)融合得到的結(jié)果對運(yùn)動障礙物的位置進(jìn)行延時(shí)修正,最終在障礙物占用柵格圖上將動態(tài)障礙物所占據(jù)位置與靜態(tài)障礙物所占據(jù)位置區(qū)別標(biāo)示。本方法不僅可以在室外環(huán)境中準(zhǔn)確地檢測出障礙物運(yùn)動信息,而且可以消除傳感器數(shù)據(jù)處理延時(shí)所帶來的動態(tài)障礙物位置偏差,更準(zhǔn)確地將環(huán)境中的動靜態(tài)障礙物信息用障礙物占用柵格圖進(jìn)行描述.該種方法應(yīng)用在了自主研發(fā)的無人駕駛汽車平臺上,大量的實(shí)驗(yàn)以及它們在“中國智能車未來挑戰(zhàn)賽”中的優(yōu)異表現(xiàn)證明該方法具備可靠性和準(zhǔn)確性。
1 引言
無人駕駛汽車是人工智能的一個(gè)非常重要的驗(yàn)證平臺,近些年成為國內(nèi)外研究熱點(diǎn)。無人駕駛汽車作為一種陸地輪式機(jī)器人,既與普通機(jī)器人有著很大的相似性,又存在著很大的不同。首先它作為汽車需保證乘員乘坐的舒適性和安全性,這就要求對其行駛方向和速度的控制更加嚴(yán)格;另外,它的體積較大,特別是在復(fù)雜擁擠的交通環(huán)境下,要想能夠順利行駛,對周圍障礙物的動態(tài)信息獲取就有著很高的要求。
國內(nèi)外很多無人駕駛汽車研究團(tuán)隊(duì)都是通過分析激光傳感器數(shù)據(jù)進(jìn)行動態(tài)障礙物的檢測。斯坦福大學(xué)的自主車“Junior”利用激光傳感器對跟蹤目標(biāo)的運(yùn)動幾何特征建模,然后用貝葉斯濾波器分別更新每個(gè)目標(biāo)的狀態(tài);卡耐基·梅隆大學(xué)的“BOSS”從激光傳感器數(shù)據(jù)中提取障礙物特征,通過關(guān)聯(lián)不同時(shí)刻的激光傳感器數(shù)據(jù)對動態(tài)障礙物進(jìn)行檢測跟蹤。
在實(shí)際應(yīng)用中,3維激光傳感器因?yàn)閿?shù)據(jù)處理工作量較大,存在一個(gè)比較小的延時(shí),這在一定程度上降低了無人駕駛汽車對動態(tài)障礙物的反應(yīng)能力,特別是無人駕駛汽車前方區(qū)域的運(yùn)動障礙物,對其安全行駛構(gòu)成了很大的威脅;而普通的四線激光傳感器雖然數(shù)據(jù)處理速度較快,但是探測范圍較小,一般在100?~120?之間;另外,單個(gè)的傳感器在室外復(fù)雜環(huán)境中也存在著檢測準(zhǔn)確率不高的現(xiàn)象。針對這些問題,本文提出一種利用多激光傳感器進(jìn)行動態(tài)障礙物檢測的方法,采用3維激光傳感器Velodyne對無人駕駛汽車周圍的障礙物進(jìn)行檢測跟蹤,利用卡爾曼濾波器對障礙物的運(yùn)動狀態(tài)進(jìn)行跟蹤與預(yù)測,對于無人駕駛汽車前方準(zhǔn)確性要求較高的扇形區(qū)域,采用置信距離理論融合Velodyne和四線激光傳感器Ibeo數(shù)據(jù)來確定障礙物的運(yùn)動信息,提高了障礙物運(yùn)動狀態(tài)的檢測準(zhǔn)確率,最終在柵格圖上不僅對無人駕駛汽車周圍的動、靜態(tài)障礙物進(jìn)行區(qū)別標(biāo)示,而且還根據(jù)融合結(jié)果對動態(tài)障礙物的位置進(jìn)行了延時(shí)修正,消除了傳感器處理數(shù)據(jù)延時(shí)所帶來的位置偏差。這種方法應(yīng)用在了自主研發(fā)的無人駕駛汽車上,在城市和鄉(xiāng)村道路中進(jìn)行了大量的實(shí)車實(shí)驗(yàn),并在國家自然科學(xué)基金委舉辦的“中國智能車未來挑戰(zhàn)賽”中取得了優(yōu)異成績。
2 系統(tǒng)結(jié)構(gòu)
四線激光傳感器Ibeo安裝于無人駕駛汽車的正前方保險(xiǎn)杠位置,3維激光傳感器Velodyne安裝于車頂上方,它們的具體安裝位置如圖1所示。
圖1 傳感器Velodyne和Ibeo安裝位置
本文提出的無人駕駛汽車動態(tài)障礙物檢測及其表示方法流程如圖2所示。首先對Velodyne數(shù)據(jù)進(jìn)行柵格化處理得到一張障礙物占用柵格圖,對不同時(shí)刻的柵格圖進(jìn)行聚類跟蹤可以獲取障礙物的動態(tài)信息,將動態(tài)的障礙物從柵格圖中刪除并存儲在動態(tài)障礙物列表中,這個(gè)刪除了動態(tài)障礙物占用信息的柵格圖也就是一張靜態(tài)障礙物柵格圖,然后將動態(tài)障礙物列表中的動態(tài)障礙物信息和Ibeo獲取的無人駕駛汽車前方區(qū)域內(nèi)的動態(tài)障礙物信息進(jìn)行同步融合得到一個(gè)新的動態(tài)障礙物列表,最后將這個(gè)新的列表中的動態(tài)障礙物合并到靜態(tài)障礙物柵格圖中得到一張動靜態(tài)障礙物區(qū)別標(biāo)示的柵格圖。
圖2 無人駕駛汽車動態(tài)障礙物檢測及其表示方法流程圖
本文創(chuàng)建的障礙物占用柵格圖大小為512×512,每個(gè)柵格的大小為20cm×20cm,無人駕駛汽車車頭朝向與y軸正方向同向且位于這個(gè)柵格地圖中的(256,100)位置。柵格圖和Velodyne、Ibeo的檢測范圍關(guān)系如圖3所示。
圖3 柵格圖和Velodyne、Ibeo的檢測范圍關(guān)系示意圖
3 Velodyne數(shù)據(jù)處理
3.1 Velodyne數(shù)據(jù)柵格化
將激光數(shù)據(jù)柵格化的方法有很多,無人駕駛汽車領(lǐng)域比較成熟的3維激光傳感器數(shù)據(jù)柵格表示方法有均值高度圖和最大最小值高度圖兩種。本文采用最大最小值高度圖法對Velodyne數(shù)據(jù)進(jìn)行柵格化處理,最大最小值高度圖是由Thrun教授提出的一種高度圖的變種,該方法在2007年的DARPA(美國國防部先進(jìn)研究項(xiàng)目局)城市挑戰(zhàn)賽中得到了廣泛的應(yīng)用,并且取得了很好的使用效果。在最大最小值高度圖中地面被建模為一系列的柵格,這些柵格僅包含兩個(gè)值:所有投影到同一柵格中的激光傳感器返回值的最大值和最小值。然后將最大值和最小值之差大于預(yù)先設(shè)定的閾值D的柵格標(biāo)記為障礙物狀態(tài);將差小于D的柵格標(biāo)記為非障礙物狀態(tài)。對于一個(gè)柵格X,如果其為障礙物狀態(tài),則設(shè)置該柵格的占用值T(X)=1;如果為非障礙物狀態(tài),則設(shè)置為T(X)=0.圖4是用最大最小值高度圖法對一個(gè)十字路口的Velodyne數(shù)據(jù)柵格化后所得到的障礙物占用柵格圖。
3.2 障礙物聚類
對障礙物進(jìn)行跟蹤之前需要對柵格地圖中的占用柵格進(jìn)行聚類,本文采用的是一種區(qū)域生長聚類算法,見Function1.Addopen(X)和Addclosed(X)分別表示將柵格X添加進(jìn)open列表和closed列表;Deleteopen(X)和Deleteclosed(X)分別表示將柵格X從open列表和closed列表中刪除;Newlable(X)表示給柵格X賦一個(gè)新的標(biāo)示值;Copylable(X,Y)表示將柵格X的標(biāo)示值賦予給柵格Y;Selectopen(X)和Selectclosed(X)分別表示從open列表和closed列表中隨機(jī)選出一個(gè)柵格X;L(X)表示柵格X是否已經(jīng)被賦予了標(biāo)示值,值為1表示已經(jīng)被賦予,值為0則表示沒有。
圖4 用最大最小值高度圖法柵格化得到的柵格圖
經(jīng)過Function1,柵格地圖中設(shè)定聚類區(qū)域內(nèi)的障礙物占用柵格就被聚類成一個(gè)個(gè)障礙物塊,圖5是對道路內(nèi)的障礙物占用柵格聚類得到的結(jié)果。
3.3 障礙物跟蹤
首先創(chuàng)建一個(gè)動態(tài)障礙物列表來存儲上面聚類得到的障礙物塊信息,并且實(shí)時(shí)更新這些障礙物塊的跟蹤結(jié)果。存儲于這個(gè)動態(tài)障礙物列表中的每一個(gè)障礙物塊包含以下信息:編號,最新一次聚類得到時(shí)的時(shí)間、占據(jù)位置、速度大小方向和加速度大小方向,速度協(xié)方差,加速度協(xié)方差以及存在置信度和運(yùn)動置信度。
圖5 障礙物占用柵格聚類結(jié)果
對障礙物塊進(jìn)行跟蹤時(shí),需要匹配當(dāng)前時(shí)刻聚類得到的障礙物塊和動態(tài)障礙物列表中存儲的障礙物塊,本文采用一種最大關(guān)聯(lián)值法對其進(jìn)行匹配。對于動態(tài)障礙物列表中的每一個(gè)障礙物塊和當(dāng)前時(shí)刻聚類得到的每一個(gè)障礙物塊,存在一個(gè)關(guān)聯(lián)值。這個(gè)關(guān)聯(lián)值的大小與和的位置、大小、形狀有關(guān)。如圖6所示,對于每一個(gè)障礙物塊,用一個(gè)能覆蓋它的最小矩形對其進(jìn)行參數(shù)化:長邊長L,短邊長R,中心位置O(x,y)和障礙物塊對這個(gè)矩形的占用率k。
顯然,和的中心位置不能直接拿來比較,因?yàn)閷λ鼈冞M(jìn)行聚類的時(shí)間不同,所以需要對的中心位置進(jìn)行修正,見式(1)、(2):
其中,和分別是7最新一次聚類得到時(shí)的時(shí)間和當(dāng)前時(shí)刻,和是在動態(tài)障礙物列表中存儲的最新速度和加速度是對的中心位置進(jìn)行修正后得到的中心位置。于是,可以根據(jù)式(3)得到:
其中,a、b和c是權(quán)值,通過實(shí)驗(yàn)可以得到比較合適的經(jīng)驗(yàn)值。
然后就可以得到一個(gè)如下的決策矩陣并設(shè)置一個(gè)門限關(guān)聯(lián)值:
接著從這個(gè)決策矩陣中找到最大的關(guān)聯(lián)值,如果不小于門限值,則認(rèn)為障礙物塊和成功匹配,然后將與和相關(guān)的所有關(guān)聯(lián)值從這個(gè)決策矩陣中刪除,得到一個(gè)新的決策矩陣如下:
再從這個(gè)新的決策矩陣中尋找最大的關(guān)聯(lián)值,依此類推,直到找到的最大關(guān)聯(lián)值小于門限值或者決策矩陣變空為止。
最終的匹配結(jié)果有如下3種情況,分別對其進(jìn)行處理:
①存儲于動態(tài)障礙物列表中但是沒有當(dāng)前聚類得到的障礙物塊與之匹配的障礙物塊,將其存在置信度減1,其它值不變。
②當(dāng)前聚類得到的但是沒有存儲于動態(tài)障礙物列表中的障礙物塊與之匹配的障礙物塊,將其添加進(jìn)動態(tài)障礙物列表中,并將速度大小、方向和加速度大小、方向都置初值為0,速度協(xié)方差和加速度協(xié)方差都置初值為10,存在置信度置初值為10,運(yùn)動置信度置初值為0。
③存儲于動態(tài)障礙物列表中并且有當(dāng)前聚類得到的障礙物塊與之匹配的障礙物塊,將其存在置信度加1,更新其所在位置,并根據(jù)經(jīng)典卡爾曼濾波算法更新得到其速度、加速度以及速度協(xié)方差和加速度協(xié)方差.考慮到傳感器誤差,本文認(rèn)為速度值小于一個(gè)較小值(比如0.5m/s)的障礙物塊是靜止或者接近于靜止的,所以如果更新得到的速度大于這個(gè)較小值,將其運(yùn)動置信度加1,反之減1。
當(dāng)然在實(shí)際操作中,動態(tài)障礙物列表中的障礙物塊運(yùn)動置信度和存在置信度都設(shè)置了上下限值。最后將動態(tài)障礙物列表中那些存在置信度小于一個(gè)設(shè)定值的障礙物塊從列表中刪除,因?yàn)楸疚恼J(rèn)為這些障礙物塊已經(jīng)從無人駕駛汽車周圍環(huán)境中消失,這樣還能保證動態(tài)障礙物列表中的障礙物塊數(shù)目不會隨著時(shí)間累積而無限增大。
3.4 靜態(tài)障礙物柵格圖生成
更新完動態(tài)障礙物列表后,按照如下的Func-tion2對前面柵格化后得到的柵格圖進(jìn)行處理,可以生成一張靜態(tài)障礙物柵格圖。
4 傳感器數(shù)據(jù)融合
4.1 傳感器數(shù)據(jù)同步匹配
因?yàn)樗木€激光傳感器Ibeo能直接輸出環(huán)境中的動態(tài)障礙物信息,而Velodyne數(shù)據(jù)經(jīng)過上文中的一系列處理才能得到環(huán)境中動態(tài)障礙物信息,兩者的數(shù)據(jù)采集和處理耗時(shí)不同,所以首先需要同步匹配兩者的障礙物信息。
Ibeo輸出的動態(tài)障礙物信息是用一個(gè)個(gè)box的格式進(jìn)行表示的,每個(gè)box的參數(shù)包括邊長a、b,中心位置和速度v的大小方向,如圖7所示。
圖7 Ibeo輸出動態(tài)障礙物信息示意圖
圖8Velodyne數(shù)據(jù)和Ibeo數(shù)據(jù)同步示意圖
本文將box的中心位置朝其速度方向的反方向平移距離S,如圖8所示,S的大小滿足式(4):
其中和分別是采集處理Velodyne數(shù)據(jù)和Ibeo數(shù)據(jù)的耗時(shí),λ是參數(shù)。
同步完成后,就可以匹配兩個(gè)傳感器的障礙物塊信息,本文認(rèn)定,與某個(gè)box有區(qū)域重疊的障礙物塊,即和該box成功匹配,這樣匹配的結(jié)果也有以下3種:
①沒有Velodyne檢測到的障礙物塊與之成功匹配的box,不作任何處理。
②沒有box與之成功匹配的Velodyne檢測到的障礙物塊,如圖9中的,也不作任何處理,仍然采用Velodyne的檢測結(jié)果作為最終結(jié)果。
③有box與之成功匹配的Velodyne檢測到的障礙物塊,如圖9中的和,它們都需要融合Velodyne和Ibeo數(shù)據(jù)得到最終運(yùn)動狀態(tài),具體的融合方法見下節(jié)。
圖9 Velodyne數(shù)據(jù)和Ibeo數(shù)據(jù)匹配示意圖
4.2 傳感器數(shù)據(jù)融合
同步匹配完成后,采用置信距離理論對匹配成功的兩個(gè)傳感器數(shù)據(jù)進(jìn)行融合,假設(shè)和分別是Velodyne數(shù)據(jù)計(jì)算得到的運(yùn)動狀態(tài)和Ibeo輸出的運(yùn)動狀態(tài),它們都服從高斯分布,某次測量它們得到的數(shù)據(jù)分別是和,則它們的概率密度函數(shù)見式(5)、(6):
最后對滿足輸出支持傳感器個(gè)數(shù)為2的傳感器數(shù)據(jù)按照式(12)進(jìn)行融合,最終得到障礙物塊的運(yùn)動狀態(tài)X,其中l(wèi)是滿足輸出支持傳感器個(gè)數(shù)為2的傳感器個(gè)數(shù)。
融合完成后,考慮到Velodyne數(shù)據(jù)采集處理耗時(shí),動態(tài)障礙物的占據(jù)位置在這段時(shí)間內(nèi)實(shí)際發(fā)生了變化,需要對這些占據(jù)位置進(jìn)行修正。修正方式為,將動態(tài)障礙物列表中那些運(yùn)動置信度大于上面設(shè)定值的障礙物塊的所有占據(jù)位置朝其速度方向平移距離S′,如圖10所示,S′的大小滿足式(13),其中v′是經(jīng)過融合后的障礙物塊運(yùn)動速度.這些經(jīng)過融合、修正后的障礙物塊信息都更新存儲在動態(tài)障礙物列表中。
圖10 動態(tài)障礙物位置修正示意圖
5 合并動靜態(tài)障礙物占用柵格圖
經(jīng)過上面的步驟,得到了一個(gè)融合了Velodyne數(shù)據(jù)計(jì)算結(jié)果和Ibeo輸出結(jié)果的動態(tài)障礙物列表以及一張靜態(tài)障礙物占用柵格圖。在本文中,障礙物占用柵格圖作為無人駕駛汽車描述周圍環(huán)境的唯一方式,最后還要將動態(tài)障礙物的占用信息添加進(jìn)來,參見Function3對靜態(tài)障礙物占用柵格圖進(jìn)行處理即可得到最終的障礙物占用柵格圖。最終得到的這張障礙物占用柵格圖中不僅將動靜態(tài)障礙物進(jìn)行了區(qū)別標(biāo)示(靜態(tài)障礙物占用柵格標(biāo)示為T=1,動態(tài)障礙物占用柵格標(biāo)示為T=2),實(shí)現(xiàn)了動靜態(tài)障礙物的分割,而且消除了傳感器處理數(shù)據(jù)延時(shí)所帶來的動態(tài)障礙物位置偏差,更準(zhǔn)確地對環(huán)境信息進(jìn)行了描述。
6 實(shí)驗(yàn)結(jié)果
6.1 實(shí)驗(yàn)平臺及場景
本方法被應(yīng)用到自主研發(fā)的無人駕駛汽車“智能先鋒”號上,在一個(gè)開放的城區(qū)環(huán)境中進(jìn)行了大量的實(shí)車測試,如圖11所示。這個(gè)開放的城區(qū)環(huán)境南北長6800m,東西長2600m,其中存在著大量的機(jī)動車、非機(jī)動車以及行人,在這個(gè)真實(shí)駕駛環(huán)境的區(qū)域內(nèi)測試了無人車對各種類型的動態(tài)障礙物的檢測性能。
圖11 無人駕駛汽車實(shí)車測試區(qū)域
另外,應(yīng)用該方法的無人駕駛汽車參加了由國家自然科學(xué)基金委主辦的“中國智能車未來挑戰(zhàn)賽”,并取得了優(yōu)異的成績,見圖12。
圖12“智能先鋒”號在2012年“中國智能車未來挑戰(zhàn)賽”上成功檢測到運(yùn)動車輛并完成超車
6.2 結(jié)果
在實(shí)驗(yàn)和比賽中,“智能先鋒”號的一些參數(shù)設(shè)置如表1所示。
“智能先鋒”號用Velodyne和Ibeo對環(huán)境中的動靜態(tài)障礙物進(jìn)行檢測,然后將檢測到的結(jié)果表示在障礙物占用柵格地圖上,如圖13所示,黑色方框?yàn)楦鶕?jù)本車行駛狀態(tài)與環(huán)境信息自適應(yīng)設(shè)定的聚類區(qū)域,進(jìn)入到這個(gè)黑色方框內(nèi)的動態(tài)障礙物都被成功檢測到,并區(qū)別于其它的靜態(tài)障礙物標(biāo)示在柵格圖上,這兩個(gè)運(yùn)動目標(biāo)的檢測結(jié)果和實(shí)際結(jié)果對比如表2所示。
圖13 檢測到動態(tài)障礙物并表示在柵格圖上
表2顯示編號為0#的運(yùn)動目標(biāo)無論是速度大小
還是速度方向,其誤差都小于編號為2#的運(yùn)動目標(biāo),因?yàn)?#運(yùn)動目標(biāo)正好處于Ibeo的檢測范圍內(nèi),其運(yùn)動狀態(tài)信息是融合了Velodyne和Ibeo的數(shù)據(jù),而2#的狀態(tài)信息只來自Velodyne的數(shù)據(jù)處理結(jié)果。為了得到這兩種結(jié)果準(zhǔn)確率之間具體差異,對一輛基本保持速度大小為30km/h、航向?yàn)?80?(正南方向)的車輛分別用這兩種方式進(jìn)行檢測,并且在實(shí)驗(yàn)中,讓“智能先鋒”按照S形路線行駛,以測試無人駕駛汽車與目標(biāo)障礙物運(yùn)動方向在不同夾角下的檢測穩(wěn)定性,結(jié)果見圖14和圖15。
圖14 兩種檢測方式得到的速度大小對比圖
圖15 兩種檢測方式得到的速度方向?qū)Ρ葓D
結(jié)果顯示,采用融合Velodyne和Ibeo信息得到運(yùn)動目標(biāo)狀態(tài)的方式相比于只用Velodyne處理結(jié)果的方式,檢測結(jié)果的準(zhǔn)確率和穩(wěn)定性都得到了較大的提升.本方法對無人駕駛汽車前方關(guān)鍵區(qū)域采用前者方式進(jìn)行動態(tài)障礙物檢測,對其它區(qū)域采用后者方式進(jìn)行檢測,既合理地對傳感器進(jìn)行了配置,又保證了無人駕駛汽車行駛的安全性。
7 結(jié)論
本文提出的應(yīng)用于無人駕駛汽車的動態(tài)障礙物檢測及其表示方法,對傳感器進(jìn)行了合理配置,采用3維激光傳感器Velodyne檢測大范圍環(huán)境中的動態(tài)障礙物信息,對于無人駕駛汽車前方關(guān)鍵區(qū)域,采用置信距離理論融合四線激光雷達(dá)Ibeo數(shù)據(jù)和Velodyne檢測結(jié)果來提高檢測準(zhǔn)確率,并且根據(jù)障礙物的運(yùn)動狀態(tài)消除傳感器數(shù)據(jù)處理延時(shí)所帶來的障礙物位置誤差,最終將動態(tài)障礙物和靜態(tài)障礙物區(qū)別標(biāo)示于障礙物占用柵格圖上。大量的實(shí)驗(yàn)以及自主研發(fā)的無人駕駛汽車在“中國智能車未來挑戰(zhàn)賽”中的優(yōu)異表現(xiàn)證明了本方法的可靠性。但是由于傳感器自身的局限性,在極其復(fù)雜的城市環(huán)境中,現(xiàn)有的檢測準(zhǔn)確率仍然難以滿足要求,怎樣對傳感器進(jìn)行更合理的配置以及提升檢測算法的有效性來進(jìn)一步提高動態(tài)障礙物檢測準(zhǔn)確率是下一步研究的重點(diǎn)。
推薦閱讀:
特別推薦
- 利用自動化技術(shù)賦能中國基礎(chǔ)設(shè)施現(xiàn)代化
- 三極管電路輸入電壓阻抗
- 晶振怎么用,你真的知道嗎?
- 康佳特推出搭載AMD 銳龍嵌入式 8000系列的COM Express緊湊型模塊
- 村田推出3225尺寸車載PoC電感器LQW32FT_8H系列
- 思特威推出超星光級系列4MP圖像傳感器SC485SL
- HOLTEK新推出HT32F59045脈搏血氧儀MCU
技術(shù)文章更多>>
- 車用開關(guān)電源的開關(guān)頻率定多高才不影響EMC?
- 貿(mào)澤推出針對基礎(chǔ)設(shè)施和智慧城市的工程技術(shù)資源中心
- “扒開”超級電容的“外衣”,看看超級電容“超級”在哪兒
- DigiKey 誠邀各位參會者蒞臨SPS 2024?展會參觀交流,體驗(yàn)最新自動化產(chǎn)品
- 提前圍觀第104屆中國電子展高端元器件展區(qū)
技術(shù)白皮書下載更多>>
- 車規(guī)與基于V2X的車輛協(xié)同主動避撞技術(shù)展望
- 數(shù)字隔離助力新能源汽車安全隔離的新挑戰(zhàn)
- 汽車模塊拋負(fù)載的解決方案
- 車用連接器的安全創(chuàng)新應(yīng)用
- Melexis Actuators Business Unit
- Position / Current Sensors - Triaxis Hall
熱門搜索
濾波電感
濾波器
路由器設(shè)置
鋁電解電容
鋁殼電阻
邏輯IC
馬達(dá)控制
麥克風(fēng)
脈沖變壓器
鉚接設(shè)備
夢想電子
模擬鎖相環(huán)
耐壓測試儀
逆變器
逆導(dǎo)可控硅
鎳鎘電池
鎳氫電池
紐扣電池
歐勝
耦合技術(shù)
排電阻
排母連接器
排針連接器
片狀電感
偏光片
偏轉(zhuǎn)線圈
頻率測量儀
頻率器件
頻譜測試儀
平板電腦