新能源汽车OTA升级中的UDS通信分析

UDS诊断服务全细节教学+OTA操作 第一步打开canoe创建一个新的500kps的项目选择Diagnostics(戴罗斯替可斯)找到诊断描述根据开发给的文档去配置ECU请求和响应的即可配置完成可以看到26个常用的UDS服务 具体使用哪个服务需要根据文档去操作canoe中进行物理地址和功能地址切换的方法 进入戴罗斯替可斯的基础配置Basic中即可按照测试用例 如果使用27服务我们就可以找到对应的27服务之后右键添加新服务选中01 子服务 或者测试用例需要的子服务点击commit提交即可。 阅读详情
AI摘要

本文详细阐述了新能源汽车OTA升级过程中,Tester与ECU间的统一诊断服务(UDS)通信流程,包括下载验证、环境检查、ECU升级步骤、安全验证、文件传输和CRC校验等关键环节,展示了从开始到结束的完整过程。

1.前言

新能源汽车普遍具备OTA升级的功能。

而ECU往往是通过CAN通信接受升级的数据包并完成更新升级。

本篇文章分析新能源汽车OTA升级中的UDS通信。

OTA升级时UDS通信的双方是Tester和ECU。

2. OTA升级前

2.1 下载OTA升级安装包

OTA升级前,汽车车机需要从远程的服务器上下载到升级安装包,并利用签名算法验证升级安装包的完整性。

2.2 汽车升级环境准备

每次OTA升级大概要花费1个小时的时间。

因此,汽车OTA包下载到本地后车机后,车机和ECU通信前,需要检查汽车是否具备OTA升级的条件。

比如:汽车的电量是否够?汽车是否是停车状态?

如果汽车升级环境不具备,则禁止升级。

3. 升级步骤

每次OTA升级,会涉及多个ECU,他们之间有时有顺序关系,但是对于每个ECU的升级步骤则大同小异,这里针对单个ECU的升级过程做分析。这里拿canid是“710/718”的ECU举例。

UDS报文data的格式为: 

单帧:正文长度 + UDS服务编号 + 填充符

多帧:较为复杂,见具体解释。

3.1 汽车升级环境确认

再次确认汽车升级环境具备了。

大多数情况下,这一步可以忽略。

对于部分使用频率不高的ECU,可能大多数时间处于休眠状态,如果汽车内部通信畅通,ECU在汽车正常工作状态时会受到汽车某其他ECU发过来的请求唤醒的报文。ECU在被唤醒后才可以进行OTA升级。

3.2 进入03扩展会话

tester向ECU发送

canid:0x710
data: [0x02, 0x10, 0x03, 0x55, 0x55, 0x55, 0x55, 0x55]

ECU回复tester

canid:0x718
data: [0x06, 0x50, 0x03, 0x00, 0x32, 0x01, 0xf4, 0xaa]

报文内容解读:

 0x32, 0x01, 0xf4:

 0x0032=50ms=0.05秒:    p2server_max,指的是ECU在收到请求和给出响应之间的这个时间间隔,他描述了ECU的反应速度。       
  0x01f4=0x01F4*10ms=5000ms=5秒:   p2*server_max。
  诊断仪收到这两个参数之后,就对ECU的响应速度有了认知,可以据此来判断ECU的响应是否及时。

推荐阅读资料:

统一诊断服务(UDS) - 诊断会话控制(Diagnostic Session Control)_百战穿甲的博客-CSDN博客_uds会话

3.3 状态更新(判断ECU升级环境是否具备)

tester向ECU发送

canid:0x710
data: [0x04, 0x31, 0x01, 0x02, 0x03, 0x55, 0x55, 0x55]

ECU回复tester

canid:0x718
data: [0x04, 0x71, 0x01, 0x02, 0x03, 0xaa, 0xaa, 0xaa]

推荐阅读资料:

UDS 服务 Service 0x31 - RoutineControl_aFakeProgramer的博客-CSDN博客_uds31服务

3.4 关闭DTC错误诊断功能 与 禁止ECU间数据传输

3.4.1 DTC OFF

tester向ECU发送广播

canid:0x7DF
data: [0x02, 0x85, 0x02, 0x55, 0x55, 0x55, 0x55, 0x55]
基于车载以太网的OTA升级 22年4月份接到一个订单:广汽乘用车M8,OTA升级的开发。OTA(Over-the-Air Technology),理解的话就是:无线传输技术。本次的开发,运用到的知识包括:TCP/IP协议,DoIP协议,UDS协议,开发语言为C语言,开发环境为Linux,gcc编译,Linux环境下调试,Make文件等等。 阅读详情

相关推荐

汽车ECU BootLoader升级

Bootloader是一段独立的程序。它包含启动代码、中断、主程序(Boot_main函数)、操作系统(非必须)。Bootloader存在的意义就是指更新App程序。

m0_56208280的博客 1万+

汽车OTA升级中UDS协议的关键作用全面讲解

深入探讨UDS协议如何支撑汽车OTA升级的稳定与安全,揭示其在整车远程更新中的关键机制。通过精准诊断与可靠通信,uds成为连接车辆与云端的核心桥梁。

weixin_32673065的博客 981

从CAN总线到云端:新能源汽车OTA升级全链路技术揭秘(含UDS安全机制)

本文深入解析了新能源汽车OTA升级的全链路技术,涵盖从云端服务、车端网关到车内总线设备的三层架构。重点探讨了UDS通信协议中的27服务安全解锁机制、差分升级技术如何大幅节省流量,以及多ECU协同升级的序列编排与故障回滚策略,为工程师提供了系统性的架构视角和实操参考。

k6l7m8n9的博客 1051

TBOX+OTA+UDS

Tbox的作用和功能Tbox在车联网系统中扮演着重要的角色,具备以下作用和功能::Tbox可以通过内置的传感器等,然后将这些信息或手机终端。:TbOx可以实现远程控制车辆的功能,包括远程启动、停止、锁车等操作,让车主可以更加方便地管理自己的车辆。:Tbox可以,如等,当车辆发生异常情况时,Tbox可以及时报警,确保车辆和车主的安全。

小郑 2381

【 OTA升级技术详解】

文章摘要 OTA(空中下载)技术通过无线网络实现汽车软件远程更新,改变了传统汽车升级模式。该技术经历了从信息娱乐系统更新到整车OTA集成的演进过程,相比传统4S店升级具有显著优势。OTA系统由云端平台、车载终端和通讯网络三部分组成,其中T-Box作为核心硬件承担网关功能。随着电子电气架构演进,域控制器在OTA中扮演更重要的角色。升级流程采用双分区策略确保安全,包含任务创建、软件下载分发、预检查和ECU刷写等严谨步骤。OTA技术使汽车能够持续获得功能更新和问题修复,大幅提升了用户体验和安全性。

qq_31532979的贺公子之数据科学与艺术博客,致力于科技向善,拥抱开源,要用技术的影响力来领导团队,而不是威权和职位! 2582

新能源汽车OTA升级实战:UDS通信报文解析与常见问题排查指南

本文深入解析新能源汽车OTA升级中的UDS通信报文,提供从会话控制到安全访问的完整流程指南,并分享常见问题排查技巧。通过实战案例和代码示例,帮助工程师掌握ECU刷写的关键步骤,避免升级失败风险,提升新能源汽车诊断与维护效率。

weixin_30505225的博客 414

uds28服务详解:汽车电子中使能诊断的深度剖析

深入探讨uds28服务在汽车电子系统中的核心作用,解析其如何实现诊断通信的动态控制与状态管理,帮助工程师更好掌握uds28服务的实际应用与配置要点。

weixin_28721743的博客 989

通俗解释UDS 31服务在OTA升级中的角色定位

深入浅出讲解uds31服务如何在OTA升级过程中实现安全可靠的刷写操作,突出其在整车远程升级中的关键控制逻辑与执行能力,帮助理解uds31服务与车载通信的深度协同。

weixin_42612804的博客 413

从手机OTA到汽车刷写:深入对比UDS BootLoader与消费电子升级的异同

本文深入对比了手机OTA与汽车UDS BootLoader在软件升级领域的核心差异,包括触发机制、数据传输协议、安全验证体系及可靠性保障机制。重点解析了UDS BootLoader在汽车ECU刷写流程中的独特设计,如诊断触发、CAN总线传输及三段式编程,为开发者提供技术参考。

weixin_30800807的博客 393

从BootLoader到OTA:聊聊汽车ECU无线升级背后的那些‘规矩’(UDS服务详解)

本文深入解析了汽车ECU无线升级(OTA)背后的UDS协议规范与BootLoader设计。详细介绍了UDS服务在ECU软件更新中的关键作用,包括会话控制、安全访问和数据传输等核心流程,并探讨了OTA升级中的特殊挑战与安全设计策略,为汽车电子系统的可靠升级提供技术指导。

weixin_29171129的博客 234

UDS升级入门,手把手教你——OTA升级时序

( d)写入数据$2E $F0 $11:在擦除内存例程( $31 $01 $FF $00)执行之前, ECU 需要将应用数据指。注:如果 ECU 在未收到“检查预编程条件”例程($31 $01 $02 $02) 的情况下,收到“ $10 $02”请求,( c)驱动下载$34, $36, $37, $31: Flash 驱动的下载应该按照如下时序来进行:请求下载、传输数。( f)下载过程$34, $36, $37:应用程序或数据的每一个连续的数据块下载到 ECU 非易失性内存中,ECU 应该在跳转到。

不断debug,优化中…… 4803

abap中使用Screen painter为普通屏幕创建单选按钮组radiobutton组的过程

选择屏幕中,创建radiobutton组直接使用代码实现,如下所示 SELECTION-SCREEN BEGIN OF BLOCK BK1 WITH FRAME TITLE TEXT-001. PARAMETERS R1 RADIOBUTTON GROUP GR1. PARAMETERS R2 RADIOBUTTON GROUP GR1. PARAMETERS R3 RADIOBUTTON GR

charliefromkansas的博客 8305

保姆级教程:用OpenCV和MediaPipe在Python里实现实时手势识别(附完整代码)

本文提供了一份详细的Python教程,教你如何使用OpenCV和MediaPipe实现实时手势识别系统。从环境配置、手部关键点检测到手势分类算法,逐步讲解如何构建高精度手势识别应用,适用于智能家居控制、PPT操作等场景。教程包含完整代码示例和性能优化技巧,特别适合计算机视觉初学者和开发者实践。

weixin_28677005的博客 335

从零部署Stable Diffusion:本地环境搭建完整教程

本文专为“想自己跑Stable Diffusion但完全没经验”的新手设计,覆盖从硬件准备到生成第一张图的完整流程。不涉及复杂算法原理,但会讲清每个操作的“为什么”(比如为什么需要显卡?为什么要装CUDA?),帮你知其然更知其所以然。先检查硬件是否达标(显卡是核心!安装必要软件(操作系统、Python、CUDA)下载Stable Diffusion核心代码和模型解决常见报错,生成第一张图附赠模型库推荐和性能优化技巧显卡是核心:N卡+足够显存(至少6G)是本地部署的基础。CUDA是翻译。

AI算力网络与通信的博客 1302

【QT开发教程】使用Qt进行蓝牙低功耗(BLE)编程

蓝牙低功耗(BLE,Bluetooth Low Energy)技术广泛应用于现代设备中,例如智能手表、健身追踪器和物联网设备。Qt提供了一套完整的Bluetooth模块,使开发者可以轻松地在应用程序中实现BLE通信功能。本文将介绍如何在Qt中进行BLE编程,包括基本概念、使用方法以及一些实际的示例。

科技改变人类,技术成就未来 2872

Qt C++ 信号发生器控制软件

waveformComboBox->addItems({"正弦波", "方波", "三角波", "锯齿波", "脉冲波"});frequencyLabel = new QLabel("频率 (Hz):");amplitudeLabel = new QLabel("幅值 (V):");offsetLabel = new QLabel("直流偏移 (V):");} else if (currentWaveform == "三角波") {} else if (currentWaveform == "方波") {

寒寒豆豆软件公司的博客 127

华为OD机试双机位C卷:流量波峰 (C/C++/Py/Java/Js/Go)

华为OD机试双机位C卷 流量波峰,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。华为OD机试 - 流量波峰。

qq_45776114的博客 2450

数据本体论如何指导数仓建模?

数据本体论指导数仓建模的核心在于构建业务语义与数据结构的桥梁。该方法从业务域中抽象标准化知识体系,包含核心概念、属性、关系和规则五大要素,并将其映射为分层数仓模型。通过"业务本体梳理→本体建模→模型映射→治理迭代"的流程,实现数仓从"结构存储"到"语义载体"的升级。相比传统建模,该方法能解决语义不一致、跨域融合难等问题,使数仓具备更好的可扩展性和业务对齐性。实践表明,以数据本体论为指导的数仓建模能显著提升数据资产的可理解性和复用价值。

石榴姐yyds 397

LPDDR6与LPDDR5 ZQ Calibration技术探讨

LPDDR6与LPDDR5 ZQ Calibration技术探讨

zilan23的博客 1109

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

上一篇: Django Web框架的使用
下一篇: ACM模式各种输入整理(C++)
晓翔仔
博客等级 码龄11年 691粉丝 169原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

晓翔仔

星光很亮,我们永远胸怀梦想

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址