• セッションNo.81 エレクトロニクス・通信 -設計・評価・センサー-
  • 5月23日 パシフィコ横浜 G416+G417 9:30-12:35
  • 座長:森野 博章(芝浦工業大学)
後日配信がない講演は,「配信」の欄に「✕」を表示していますのでご確認ください。
No. 配信 タイトル・著者(所属)
1

高密度実装電子部品の製造品質を担保するためのロバスト設計の検討と考察

西森 久雄・武藤 潤・古川 智之・折中 ミイユ・柴田 靖文(トヨタ自動車)

電子部品の高機能化要求に伴い,先端半導体や構成素子をプリント基板上に高密度実装する技術において,製造時に安定してはんだ接合を形成できる設計技術が重要である.実験基板ではんだ接合のリフトオフが観測されたため,シミュレーションによる再現とAIを活用したロバスト設計に向けた重要な設計パラメータについての検討と考察を紹介する.

2

重回帰モデルによるエンジンの物理量センサー値の予測

矢野 佑樹・森実 健一・和田 幸史朗・柚木 伸夫・小林 謙太(マツダ)

車載センサーをAIモデルに置き換えることは重量やコスト削減, レイアウト自由度の確保等多くの利点がある.
特に重回帰モデルは, 軽量で解釈が容易なモデルであり実装に適している.
本研究では, ディーゼルエンジンの排気温度と排気圧力を高精度に予測する重回帰モデルの育成プロセスと実車検証結果を紹介する.

3

ステアバイワイヤEPS用ストロークセンサのロバスト性向上検討

白川 洋平・柳澤 宜昭・池田 幸雄(プロテリアル)

ステアバイワイヤEPSのラックシャフト変位を検知するインダクティブ方式ストロークセンサを検討している.ラックシャフトのセンサに対する傾きによる検知精度劣化のメカニズムを調査し,精度劣化を抑制するロバスト性の高い2つの新規センサ構造を考案し,電磁界シミュレーションにより効果を検証した.

4

電装部品における実車ノイズ評価予測技術について

芹澤 幸宏(株式会社 Sohwa & Sophia Technologies)

電動化が進む中,効率良く開発を進めるには,EMIの課題をクリアする必要がある.本技術は実機計測前に電磁ノイズを予測し,CAEの活用によりテストレスなどMBDに貢献することが可能である.ここでは,事例の紹介と,将来への進め方を提案する.

5

自動運転用センサ評価に向けた動的気象環境を再現する人工気象室の開発とその評価法(第3報)

赤池 聡士・榎 浩之・齋藤 結莉・嶋 寿泰(エスペック)

自動運転技術の進展に伴い,搭載センサが各種気象環境の影響を受ける可能性があるため,その新たな評価方法が求められている.
本報告では,今後の自動ブレーキ搭載義務化と悪天候時の性能評価の強化に対応するため,前報に引き続き,霧および降雨環境下でのセンサ視認性評価を実施したので報告する.

6

How AI shapes smooth vehicle user experience with Small Language Models - today

Dr. Johannes Richenhagen・Tobias Schafer・Dr. Dirk Macke・Jorg Kottig・Alexander Kugler・Thomas Hulshorst (FEV.io)

Generative AI with Large Language Models (LLM) faces challenges regarding latency, privacy, cost, and system and user customization. Small Language Models (SLM) address challenges of LLM with onboard privacy, real-time performance, and vehicle integration, enhancing user interaction.
This technology is demonstrated with an intuitive, user-configurable dashboard on a Software-Defined Vehicle platform, combining SLM and LLM. Spoken language is converted to text, interpreted, formalized and executed. By this, both language model benefits are leveraged for seamless driver companionship.
This enables quick roll-out of AI features at optimum costs, latency, privacy and reliability - paving the road for more AI in Software-Defined Vehicles.

7

AI-based low pressure fuel pump pressure sensor prediction model by Super TML

TACKOON KIM・JUNYOUNG SHIN・SOOIN LEE (Hyundai Motor)

With the development of on-board AI, we need to think about how to use integrated AI sensors in vehicles. In this paper, we verified whether AI sensors can replace hardware sensors by utilizing sensor information provided to users on behalf of sensor values of low-pressure pumps. We also verified the accuracy of AI sensors by comparing them with actual vehicle driving data. A statistical guide on which sensor values should be used as inputs was also verified.

Back to Top