在当今快速发展的汽车行业中,智能化、网联化和自动驾驶技术的兴起正在重塑汽车的电子架构。随着车辆功能的日益复杂,从高级驾驶辅助系统(ADAS)到车联网(V2X)通信,再到整车级的软件更新(OTA),汽车内部的数据传输需求呈指数级增长。传统 CAN 总线技术由德国博世公司于1986年推出,在面对当今复杂多变的汽车电子架构时,已逐渐显露出其性能瓶颈。为了突破这一限制,满足汽车行业对高速数据传输和高可靠性通信的需求,2015年由ISO 11898-1标准定义,CAN-FD(CAN with Flexible Data-Rate)总线技术应运而生,为汽车电子通信带来了更高的带宽、更大的数据帧容量和更强的容错能力。
根据市场研究机构的数据显示,截至2024年,全球汽车电子系统中传统 CAN 总线的市场占比已从2018年的90%以上下降至约60%,而 CAN-FD 总线的市场占比则从2018年的不足5%迅速增长至2024年的约25%,根据行业调研,2025年新上市车型中CAN-FD渗透率将超过60%。随着新一代智能化汽车迅猛发展,CAN-FD逐渐成为新一代车载网络的核心协议,尤其在L3级以上自动驾驶系统中,其高带宽和低延迟优势愈发显著。这一趋势表明,汽车行业对更高带宽和更高效通信协议的需求正在快速增长。
RIGOL 作为电子测试测量领域的佼佼者,凭借其先进的示波器技术和专业的总线分析解决方案,为CAN-FD总线的开发、测试和验证提供了强有力的支持。
一、CAN-FD总线技术:突破传统CAN总线的限制
在传统的CAN总线架构下,一帧报文最多只能传输64位(8个字节)的数据,而在实际应用中,总线负载率已接近70%,已难以满足现代汽车电子系统的需求。CAN-FD总线技术实现三大突破:


CAN和CAN-FD总线的数据帧差异
CAN-FD总线具有多种优异性能:
二、CAN-FD总线分析对示波器的需求
CAN-FD总线技术的复杂性和高性能要求对测试设备提出了更高的挑战。示波器在CAN-FD总线的开发、调试和验证过程中扮演着至关重要的角色。为了确保CAN-FD总线的可靠性和性能,示波器需要具备以下关键特性:
三、RIGOL CAN-FD总线分析解决方案
RIGOL提供完善的CAN-FD的总线分析解决方案,通过高性能数字示波搭载协议分析功能,在实际设计场景中,能够帮助工程师准确捕获实际的CAN-FD总线波形,不仅可以清晰观察到CAN-FD总线的物理信号,还可以通过协议解码功能轻松地发现错误、调试硬件、加快开发进度,为高速度、高质量完成工程提供保障。
RIGOL MHO/DHO5000 系列数字示波器:高性能测试平台
RIGOL MHO/DHO5000 系列数字示波器是RIGOL为满足复杂电子系统测试需求而推出的高性能示波器。该系列示波器搭载RIGOL自研的半人马座技术平台,具备以下突出优势:


协议解码与分析:精准定位问题
RIGOL MHO/DHO5000 系列示波器的串行总线分析功能为CAN-FD总线的开发和测试提供了强大的支持,能够满足CAN-FD总线物理信号的测试需求,并且能够提供简便的解码设置操作界面,支持:
让工程师可以轻松地对CAN-FD总线信号进行解码和分析。实时观测总线上的数据帧结构、传输速率、信号质量等关键信息,帮助工程师快速定位和解决问题。
四、总结
随着汽车电子系统的不断发展,CAN-FD总线技术凭借其高速数据传输能力和强大的容错处理功能,已成为现代汽车电子通信的关键技术。RIGOL MHO/DHO5000系列数字示波器以其卓越的性能和强大的总线分析功能,为CAN-FD总线的开发、测试和验证提供了全面的解决方案。通过RIGOL的先进测试工具,工程师能够更加高效地进行协议解码、信号分析和问题诊断,从而推动汽车电子技术的创新和发展。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
这项由卡内基梅隆大学和东北大学联合开展的研究通过分析1322篇AI隐私论文,发现学术界92%的注意力都集中在训练数据泄露这一相对较小的威胁上,而聊天记录泄露、AI助手背叛、隐私推断和信息聚合等更严重的隐私威胁却被严重忽视,呼吁学术界和产业界重新审视AI隐私保护的优先级和策略。