3.2 一取一带诊断表决逻辑1oo1D 该结构由一个普通通道和一个诊断通道构成。 如图4所示。 图4 1oo1D表决结构图 可靠性框图如图5所示。 注： λDU为未检测到的危险失效率（下同） 图5 1oo1D可靠性框图 假定不考虑诊断测试间隔的影响（以下同）， 其要求时平均失效率PFDavg简化计算公式为： 可见由于带有诊断通路，不但系统的可靠性得 以提高，而且能通过自诊断检测出发生故障的元件， 向系统或操作员报警，通知工厂相关人员及时对故障 元件进行维修，保障系统的整体安全。 3.3 二取一表决逻辑1oo2 据标准GB/T20438，1oo2结构为两个并联的通道 构成，无论哪一个通道都能处理安全功能。如图6所 示。 可靠性框图如图7所示。 考虑共同原因失效影响，引入共因失效因子β （分析计算方法参见标准GB/T20438.6），其要求时 平均失效率PFDavg为： 若检验测试时间间隔足够短，那么非共因失效 部分 的数量级将远小于 共因部分 ，上式可近似为： 若两通道采用相同的结构，即λD1=λD2=λD，则 可见由于系统采取了冗余结构（二取一结 构），能有效地抵御危险失效的发生。由于采用的是 失电停车，通过将两个PLC单元串联起来，如果一个 单元故障发生了危险失效，但由于系统或操作人员不 知道，它将仍有假性正常输出，而另一个单元仍然可 以检测到故障，发出命令使系统进入安全状态，起到 保护作用。从公式可以看出，此时共同原因失效成为 系统发生失效的关键因素，在实际设计过程中应尽量 避免。总的来说系统安全性较好，但可用性差。 3.4 二取一带诊断表决逻辑1oo2D 1oo2D结构中有4个通道，其中包括两个诊断电 路通道。1oo2D结构由双重1oo1D系统并联接线，每 个诊断电路通道，不仅受到自身所在电路单元的控 制，同时也受到另外一个冗余电路单元的控制。正常 工作期间，在发生安全功能之前，两个通道都要求安 全功能。如果任一通道中诊断测试检测到一个故障， 则将采用输出表决，因此整个输出状态则按照另一通 道给出的输出状态。如果诊断测试在两个通道同时检 测到故障、或者检测到两个通道间存在差异时，输出 （2） （1） 图6 1oo2表决结构图 注：λCC为共因失效部分（下同） 图7 1oo2可靠性框图 （3）

自动驾驶规划控制岗位面试题知识点，适合相关求职人员

《无人驾驶车辆模型预测控制 [龚建伟，姜岩，徐威著]》，带有目录，查看方便。 本书主要介绍模型预测控制理论与方法在无人驾驶车辆运动规划与跟踪控制中的应用。由于模型预测控制理论数学抽象特点明显，初涉者往往需要较长时间的探索才能真正理解和掌握，而进一步应用到具体研究，则需要更长的过程。本书详细介绍了应用模型预测控制理论进行无人驾驶车辆控制的基础方法，结合运动规划与跟踪实例详细说明了预测模型建立、方法优化、约束处理和反馈校正的方法，给出了Matlab仿真代码和详细图解仿真步骤。所有代码都详细提供了详尽的注解，并且融入了研究团队在本领域的研究成果。, 本书可以作为地面无人车辆、空中无人机、无人艇及移动机器人等无人车辆模型预测控制的研究参考资料，同时也可以作为学习模型预测控制理论的应用教材。

基于脑电信号的驾驶疲劳检测

摘要：针对目前严重的疲劳驾驶行为，研制了一种疲劳驾驶检测装置。在座椅头枕上前方正对驾驶员头部的位置安装1个红外线发射二极管和2个红外线接收头，由单片机控制红外线发射的电流强度，同时检测接收头的信息就可以检测头部的相对位置。如果驾驶员处在疲劳驾驶状态中，头部必定偏离正常位置并且时间超过设定值，则输出报警和制动控制信号。在几种典型车辆上对该系统进行了实验，验证了方法的正确性和有效性，并能达到较高的测量精度。 　　1　检测仪结构特点 　　该检测仪由单片机控制反射式红外线传感器对驾驶员头部位置进行检测，通过检测驾驶员在常规坐姿下的头部与座椅头枕的相对位置，自动判断驾驶员是否处在疲劳驾驶状态中。

SUSTechPOINTS：点云3D边界框注释工具 消息 2020.4.2自动偏航角（z轴）预测。 笔记 该项目仍处于开发阶段，某些功能/算法需要尚未上传的软件包，我们将尽快上载它们。 特征 9自由度框编辑 编辑透视图和投影视图 多个摄像机图像作为上下文，并具有自动摄像机切换功能 相机-LiDAR融合 二进制/ ASCII PCD文件 jpg / png图像文件 半自动盒注释（需要额外的包装） 对象/盒子的颜色按类别 对焦模式可隐藏背景以轻松查看详细信息 流播放/停止 自动对象跟踪ID生成 互动盒装 要求 python，cherrypy，张量流> = 2.1 安装 安装软件包 pip install -r requirement.txt 下载模型 下载预训练的模型文件 ，将其放入./algos/models wget https://github.com/naurril/SUSTech

Obstacle Detection for Self-Driving Cars Using Only Monocular Cameras and Wheel Odometry

模型开发建模规范指导文档

一个基于Python项目开发的源码，是一个人脸识别系统，主要是用来识别驾驶员的，同时还可以识别他当下的疲劳状态是否需要休息。学生可以用来做毕业设计。同样这个源码可以用在交警摄像头上，可以看看马路上是否有疲劳驾驶的司机，也可以用于高速收费站，毕竟高速上疲劳驾驶是一件非常危险的事情。源码压缩包直接上传了，下载即可运行。

2D目标检测在自动驾驶领域存在很多问题，因为自动驾驶的空间首先是在3D层面上的，而且需要使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息。这一类检测称为3D目标检测。随着Faster-RCNN的出现，2D目标检测达到了空前的繁荣，各种新的方法不断涌现，百家争鸣，但是在无人驾驶、机器人、增强现实的应用场景下，普通2D检测并不能提供感知环境所需要的全部信息，2D检测仅能提供目标物体在二维图片中的位置和对应类别的置信度，但是在真实的三维世界中，物体都是有三维形状的，大部分应用都需要有目标物体的长宽高还有偏转角等信息。例如下图Fig.1中，在自动驾驶场景下