SAE J3101：2020 硬件保护安全性 untuk 地面车辆完整英文电子版（80页） 这份技术报告由 SAE 技术标准委员会发布，旨在推进技术和工程科学的发展。该报告的使用完全是自愿的，用户对其适用性和适用性的评估是他们自己的责任。 SAE 每五年至少对每份技术报告进行审查，可以对其进行修订、重新确认、稳定或取消。 SAE 欢迎您的书面评论和建议。 本报告的主要内容是关于硬件保护安全性在地面车辆中的应用。随着汽车电子系统的发展，安全性变得越来越重要。汽车电脑系统需要通过设备身份验证、密封、证明、数据完整性和可用性来确保可靠性。这些系统必须能够抵御各种攻击，而软件安全机制无法满足这些需求。 因此，本报告提供了一个关于硬件保护安全性在汽车应用中的综合视图，包括硬件根信任、硬件安全原语、设备身份验证、密封、证明、数据完整性和可用性等安全机制。此外，本报告还提供了使用这些安全机制的最佳实践。 在汽车电子系统中，硬件保护安全性扮演着非常重要的角色。汽车电脑系统需要在各种攻击中保持可靠性，这些攻击包括恶意软件攻击、未经授权的访问、数据篡改等。为了满足这些需求，本报告提出了硬件保护安全性的解决方案，包括硬件根信任、硬件安全原语、设备身份验证、密封、证明、数据完整性和可用性等。 本报告的主要特点是提供了一个关于硬件保护安全性在汽车应用中的综合视图，包括安全机制、安全原语、安全协议等。此外，本报告还提供了使用这些安全机制的最佳实践，以确保汽车电脑系统的可靠性和安全性。 本报告为汽车电子系统的安全性提供了一个非常重要的指南，帮助汽车制造商和相关企业更好地理解和实施硬件保护安全性，以确保汽车电脑系统的可靠性和安全性。 知识点： 1. 硬件保护安全性在汽车电子系统中的应用 2.汽车电脑系统的安全性需求 3. 硬件根信任和硬件安全原语 4. 设备身份验证、密封、证明、数据完整性和可用性 5. 硬件保护安全性的解决方案 6.汽车电脑系统的安全机制和安全协议 7. 硬件保护安全性的最佳实践 8.汽车电脑系统的可靠性和安全性 相关概念： 1. 硬件保护安全性 2. 软件安全机制 3.汽车电脑系统 4. 设备身份验证 5. 密封 6. 证明 7. 数据完整性 8. 可用性 9. 硬件根信任 10. 硬件安全原语

2.2 Cokriging模型 Cokriging 模型是上个世纪 70 年代发展起来 的一种更有效的地质统计学插值模型 [91]-[95] 。在 地质统计学领域，为了提高对某个抽样比较困难 的量的预测精度，提出了采用更容易抽样的量进 行辅助预测的 kriging 模型，称为 cokriging 模型 [92] 。2000 年，Kennedy 和 O’Hagan[96]首次将 cokriging 模型推广应用于工程科学领域，发展了 一种采用低可信度计算机程序结果，来辅助预测 高可信度计算机程序结果的 cokriging 方法。目前 国际上对 cokriging 模型的研究主要集中在地质统 计学和数学统计学等领域，在航空航天等工程科 学领域的研究也逐渐得到重视 [14][97]-[101] 。 2010 年，文献[101]独立提出了一种可用于 建立变可信度代理模型的实用 cokriging 模型（也 参见[14]）。下面对该模型进行介绍。 对于一个具有 m 个设计变量的优化问题， 在设计空间中同时采用高可信度分析（例如 NS 方程或密网格数值模拟）和低可信度分析（例如 Euler 方程或疏网格数值模拟）进行抽样，并建 立所谓的变可信度代理模型。更多建立变可信度 模型的方法请参见文献[88]。变可信度代理模型 在达到相同近似精度的条件下，可显著提高建立 代理模型的效率。 假设高、低可信度分析程序的抽样位置如下 1 1 2 2 ( )(1) T 1 1 1 ( )(1) T 2 2 2 ( ,..., ) ( ,..., )       S x x S x x   n n m n n m (40) 下标“1”和“2”分别代表高、低可信度，例如 1n 和 2n 分别代表高、低可信度样本点数（假设 2 1n n ）。相应的目标函数或约束函数的响应值 如下 1 1 2 2 ( )(1) T 1 1 1 ( )(1) T 2 2 2 [ ,..., ] , [ ,..., ] .     y y   n n n n y y y y (41) Cokriging 模型预估值定义如下 T T T 1 1 1 2 2ˆ ( )   x λ y λ y λ ySy , (42) 其中 1 2,λ λ 分别为对高、低可信度响应值的加权 系数。假设存在分别与 ,y y1 2 分别对应的 2 个 静态随机过程， ( ) ( ), ( ) ( ).       x x x x Y Z Y Z 1 1 1 2 2 2 (43) 则设计空间不同位置处，随机变量之间的协方差 和交叉协方差定义为 ( ) ( ) ( ) ( )2 (11) 11 1 1 1 ( ) ( ) ( ) ( )2 (22) 22 2 2 2 ( ) ( ) ( ) ( )(12) 1 21 2 1 2 ( ( ), ( )) ( , ) ( ( ), ( )) ( , ) ( ( ), ( )) ( , )        x x x x x x x x x x x x i j i j i j i j i j i j Cov Z Z R Cov Z Z R Cov Z Z R (44) 其中， 21 和 2 2 分别为随机过程 ( )xY1 和 ( )xY2 的过程方差。采用与 kriging 模型类似的推 导方法，可得到 cokriging 模型的预估值如下（具 体推导过程见文献[14]） T T 1 1 Sˆ ( ) ( ) ( )   x φ β r x R y Fβy ， (45) 其中 1 2 1T 1 1 T 11 S 22 1(11) (12) ( ) 2 S 1(21) (22) 2 2 ( )1 , ( ) , , ( )0 , , ,                                                r x φ β F R F F R y r r x y R R 1 0 R y F y 0 1R R      n n (46) 且有

ISO 15118-5：2018 Road vehicles - Vehicle to grid communication i

ISO15118-3-2015 电动汽车充电通信

ISO15118 协议相关资料Road vehicles — Vehicle to grid communication interface 帮助了解15118协议，有需要的可以参考下 1-2013\2-2014\5-2018

本书详细论证阿沛尔方程在机器人建模的应用，并提出机器人的非线性控制方法。

自主驾驶车辆的深度模仿学习 自动驾驶汽车已经引起了学术界（例如牛津，麻省理工学院）和工业界（例如Google，特斯拉）的极大兴趣。 但是，由于普遍的知识，我们发现直接实现全自动驾驶（SAE 5级）非常困难。 为了解决这个问题，深度模仿学习是一种有前途的解决方案，可以从人类的演示中学习知识。 在这个项目中，我们研究了如何使用深度模仿学习来实现车辆动态控制（例如转向角，速度）。 我们使用了Udacity（ ）提供的数据集和模拟器以及现实世界中的comma.ai数据集。

ISO 34501 2022 Road vehicles - Test scenarios for automated driving systems(1)

Cooperative Path Planning of Unmanned Aerial Vehicles

制导控制算法，制导控制一体化设计算法，飞行器控制算法