《德承Cincoze DX-1100工控机:打造自动驾驶采矿车的智能中枢》

  • 来源专题:智能制造
  • 编译者: icad
  • 发布时间:2025-07-17
  • 背景介绍

    随着全球自动驾驶与智慧矿业技术快速发展,自动驾驶采矿卡车已成为现代矿业数字转型的关键推手。这些车辆具备自主导航、避障能力,支持多车协同与远程监控,实现无人化、全天候矿区运输作业。

    Cincoze 的客户为亚洲智能矿业领域的系统整合商,专注推动矿区运输自动化,着重于无人矿车等智能设备的整合解决方案。他们选用DX-1100作为自动驾驶采矿卡车的运算核心,藉以提升整体生产效率,实现 24/7 不间断运作,并透过精准路线规划,有效节省燃油与营运成本。

    产品需求

    高性能、体积紧凑

    安装于自动驾驶采矿卡车的工控机,必须具备强大运算效能,以实时整合并分析多组传感器的大量数据,实现导航与全面环境感知,进而实时掌握车辆周遭状况。同时,考虑安装空间有限,必须体积紧凑,易于安装。

    支援车载I/O与无线通信

    为确保车辆与传感器、镜头、控制单元等设备的实时连接,这台计算机必须有多组的M12 LAN接口并支持PoE功能、同时可支持卫星定位、无线通信与CAN Bus,以实现远程监控、车队协同与数据回传。

    应对矿场严苛环境

    为面对矿场的剧烈温度变化、颠簸路况与大量粉尘,并因应车辆启动与熄火时可能出现的电压不稳或瞬间断电情况,工控机必须具备高度耐用性,且拥有车载的认证,以确保在恶劣条件下长时间稳定运作。

    为何选择德承?

    出色效能,紧凑设计

    德承DX-1100高阶性能工控机,外型紧凑,尺寸大小仅为242 x 173 x 77 mm,却拥有出色的运算处理效能:支持9/8代Intel® Xeon® / Core?处理器,且内存可达64 GB。能充分满足自动驾驶采矿卡车对大量数据分析及判断的需求。

    丰富I/O与高度扩展性

    DX-1100提供丰富I/O,可连接各类传感器与LiDAR;为解决镜头的连接与供电需求,可利用搭配PoE功能的M12 LAN。为实现无线通信、实时定位,或支持与车辆ECU的双向通讯的需求,可透过Mini PCIe扩展4G、GNSS或CAN Bus模块。内建IGN功能支持延迟开关机设定,确保系统稳定运作与数据完整性。

    强固可靠,全天候稳定运作

    DX-1100采无风扇、无线材设计,防止粉尘进入及震动造成线材松脱,提升系统稳定性。具备全面工业级防护,支持宽温(-40°C ~ 70°C)、宽压(9~48V),通过抗震测试(50G/5G),可于矿场严苛环境中稳定运作。产品符合E-Mark车载认证与EN 62368-1安规,确保电磁兼容性与操作安全,为自动驾驶采矿车提供长期可靠保障。

  • 原文来源:http://www.gongkong.com/news/202507/443842.html
相关报告
  • 《自动驾驶汽车的新型预警系统》

    • 来源专题:宽带移动通信
    • 编译者:张卓然
    • 发布时间:2021-05-21
    • 德国慕尼黑工业大学(TUM)的一个研究人员团队开发了一款新型车辆预警系统,这个系统能利用人工智能学习数千种真实的交通情景。这个系统的一项研究是与宝马集团合作进行的。结果显示,如果用在当今的自动驾驶车辆上,该系统能提前七秒钟对车辆无法独自处理的潜在危险情形进行预警,准确性超过85%。 为了使未来的自动驾驶汽车更安全,开发工作通常依赖于复杂精密的模型,致力于使车辆有能力对所有交通参与人的行为进行分析。但是,如果模型仍然不能处理一些复杂或没有预见到的情形,会发生什么呢? 与埃克哈德·斯坦巴赫教授开展合作的一个团队正在采取一种新方法,埃克哈德·斯坦巴赫教授是媒介技术的主席,还是慕尼黑工业大学慕尼黑机器人与机器智能学院(MSRM)董事会的一名董事。借助人工智能(AI),他们的系统可以学习过去自动驾驶试验车辆在现实道路交通中被推到极限的情形。这些情形是人类驾驶员会接手的情形——要么是因为汽车发出需要人工干预的信号,要么是因为驾驶员出于安全考虑决定进行干预。 通过递归神经网络进行模式识别 这项技术使用传感器和摄像头来捕捉周围的情况,并且记录车辆的状态数据,如方向盘角度、道路状况、天气、能见度和速度。基于递归神经网络(RNN)的人工智能系统学习用数据识别出模式。如果这个系统在新的驾驶情形中发现了控制系统过去无法处理的一个模式,那么驾驶员将在可能的严重情况发生之前得到警告。 “为了让汽车更加自主,许多现有的方法都是研究汽车现在对交通状况的了解,然后试图改进车辆使用的模型。我们技术的大优势是:我们完全不理会汽车的想法。取而代之的是,我们根据实际发生的情况将自己限制在数据上,并且寻找模式,”斯坦巴赫说道。“通过这种方式,人工智能可以发现模型可能无法识别或尚未发现的潜在关键情形。因此,我们的系统提供了一个安全功能,可以知道汽车在何时何地有缺陷。” 提前7秒发出警告 这个研究团队与宝马集团用宝马集团开发的自动驾驶汽车在公共道路上对这项技术进行了测试,并且分析了大约2500种司机不得不干预的情况。研究表明,这项人工智能技术已经能够预测潜在的危险情形,准确性超过了85%,即在这些潜在危险情形发生前最长可提前七秒钟发出警告。 数据收集无需付出更多努力 需要大量数据才能让这项技术发挥作用。这项人工智能技术毕竟只能在系统极限情况下的体验进行识别和预测,前提是这些情形是过去见到过的。随着大量试用车辆的上路,数据实际上是车辆自己产生的,这项研究的一位作者克里斯托弗·库恩说:“每次试驾遇到潜在的紧急情况时,我们最终都会得到一个新的培训示例。”数据的集中存储使每辆车都有可能学习整个车队记录的所有数据。”
  • 《粒子加速器的“自动驾驶”:机器学习开启智能调控新时代》

    • 来源专题:能源情报网监测服务平台
    • 编译者:郭楷模
    • 发布时间:2025-02-06
    • 在AI for Science这一前沿领域的蓬勃推动下,人工智能技术正以前所未有的速度引领着科研范式的变革,同时也在深刻的改变着我们的日常生活。近年来,随着人工智能技术的高速发展,自动驾驶技术逐渐进入人们的视野。那么,对于一个包含成千上万个元件的大型科学装置,例如粒子加速器,其稳定运行是否也能依赖于类似的“自动驾驶”技术呢?答案是肯定的。科学家们正借助机器学习来实现加速器粒子束的智能调控,从而为高功率强束流加速器的调试和运行开辟新的途径。粒子加速器是探索物质结构和基本规律的关键工具,其运行要求极高的精度。长期以来,加速器的调试与运行高度依赖人工操作,这一过程不仅耗费了大量的人力资源,而且极大地增加了科研的时间成本。机器学习技术的引入为这些挑战提供了新的解决方案。通过训练智能控制系统,机器学习能够显著减少人工干预,提高加速器的运行效率,并为设备控制开辟全新的可能性。 然而,在推进这一技术的过程中,研究者们仍然面临着不少理论和技术上的难题。例如,粒子加速器动力学过程非常迅速,观测器所能获取的大多为稳态数据,而无法完整捕捉动力学演化过程。这一特性使得传统的非线性动力学系统控制理论无法直接应用。此外,由于加速器是一个具有极高自由度的时空演化系统,观测器只能采集到部分变量的信息,这对于控制器的设计和调试带来了极大的困难。与此同时,由于获取加速器的真实运行数据成本高昂,依赖虚拟加速器进行离线训练成为一种可行的选择,但如何实现控制器从虚拟加速器到真实加速器的无缝迁移,仍然是一项重大的技术挑战。