近年來，自動(dòng)駕駛、網(wǎng)聯(lián)技術(shù)、新能源、共享出行是汽車工業(yè)的發(fā)展方向，尤其是自動(dòng)駕駛，在全球和中國(guó)獲得了非常多的技術(shù)關(guān)注和資本支持。為了應(yīng)對(duì)這個(gè)趨勢(shì)，西門子工業(yè)軟件在過去十年累計(jì)投入超過100億美元，做了很多技術(shù)研發(fā)的努力，包括并購(gòu)一些公司，包括TASS International。基于這些工作，Siemens能夠提供智能網(wǎng)聯(lián)新能源車的整體解決方案。其中，TASS的主要技術(shù)領(lǐng)域包括兩個(gè)方面，一個(gè)是仿真技術(shù)，一個(gè)是測(cè)試和工程咨詢服務(wù)。

本文與大家交流的主題是基于模型的ADAS和自動(dòng)駕駛系統(tǒng)開發(fā)和測(cè)試方法論。要配合自動(dòng)駕駛汽車的性能開發(fā)，我們必須遵循從純模型的仿真、到半實(shí)物的仿真、到場(chǎng)地和道路測(cè)試這一正向開發(fā)流程。這一開發(fā)流程和方法價(jià)值何在呢？要對(duì)自動(dòng)駕駛車輛進(jìn)行充分的測(cè)試驗(yàn)證，需要多達(dá)142億英里的路試，這顯然與有限的產(chǎn)品開發(fā)時(shí)間和生命周期是相悖的。這帶來一個(gè)經(jīng)典的問題：究竟需要多少測(cè)試，才能證明自動(dòng)駕駛產(chǎn)品是成熟可靠、可以上市的呢？

把這一問題細(xì)化，可以提出五個(gè)具體問題：

1.測(cè)試歷程和工況場(chǎng)景幾乎是無限的

2.嚴(yán)苛工況和全面工況在道路測(cè)試中可遇不可求

3.即使能遇到嚴(yán)苛工況，也不可重現(xiàn)，無法重復(fù)驗(yàn)證

4.在道路上，缺乏真值數(shù)據(jù)來對(duì)比檢驗(yàn)系統(tǒng)性能

5.部分測(cè)試工況具有危險(xiǎn)性和復(fù)雜性

為了應(yīng)對(duì)這些挑戰(zhàn)，我們提出了基于模型的設(shè)計(jì)和測(cè)試驗(yàn)證方法。本文將通過一系列的實(shí)際工程案例，來具體闡發(fā)這一方法論。這一方法論的核心，是以PreScan為核心的仿真技術(shù)?；谶@一仿真技術(shù)，可以進(jìn)行MiL-模型在環(huán)，SiL軟件在環(huán)，HiL硬件在環(huán)，ViL車輛在環(huán)，直到場(chǎng)地測(cè)試和道路測(cè)試，從而構(gòu)成完整的開發(fā)測(cè)試流程。

自動(dòng)駕駛系統(tǒng)可以劃分為四個(gè)功能模塊，第一是測(cè)試工況，第二是環(huán)境感知的傳感器，第三是控制決策規(guī)劃的算法，最后是底盤執(zhí)行器。PreScan仿真技術(shù)，可以對(duì)這四個(gè)功能模塊進(jìn)行建模仿真，構(gòu)成完整的自動(dòng)駕駛系統(tǒng)的模型。

接下來為大家介紹幾個(gè)案例，來說明我們的方法論。

第一個(gè)案例是為北歐某OEM做的測(cè)試項(xiàng)目。我們知道，測(cè)試工況的種類、數(shù)量、覆蓋度對(duì)系統(tǒng)的測(cè)試至關(guān)重要，測(cè)試工況的來源有多種。本項(xiàng)目中，我們使用了德國(guó)GIDAS交通事故數(shù)據(jù)，PreScan可以自動(dòng)的把GIDAS事故數(shù)據(jù)轉(zhuǎn)換成測(cè)試場(chǎng)景模型。有了場(chǎng)景工況的模型，再結(jié)合環(huán)境感知、控制算法、底盤動(dòng)力學(xué)的模型，就會(huì)構(gòu)成非常完整的系統(tǒng)仿真方案。GIDAS數(shù)據(jù)庫(kù)的場(chǎng)景非常多，所以我們提供了基于集群計(jì)算機(jī)服務(wù)器的計(jì)算方法，使得我們可以進(jìn)行高效的大規(guī)模的工況計(jì)算。當(dāng)然，今天PreScan也支持中國(guó)的交通事故數(shù)據(jù)庫(kù)CIDAS，這都是非常有價(jià)值的測(cè)試工況來源之一。

第二個(gè)案例是ACC的性能標(biāo)定案例。ACC的測(cè)試，有一個(gè)典型工況，即所謂的Cut-In目標(biāo)車突然變道到主車車道上的工況。構(gòu)成這一工況有很多的元素，比如車速、切入的時(shí)機(jī)、切入之后目標(biāo)車的狀態(tài)等等，如果各個(gè)元素的多種取值做排列組合，會(huì)發(fā)現(xiàn)這個(gè)單一工況可以輕易地衍生出幾十萬種組合。

有了這么多的工況，怎么樣進(jìn)行ACC的性能分析呢？ACC系統(tǒng)有一個(gè)重要的性能參數(shù)就是加速度的變化率，即所謂的jerk，影響它的有很多參數(shù)，包括雷達(dá)傳感器的檢測(cè)延時(shí)、ACC控制算法包括PID參數(shù)的標(biāo)定、執(zhí)行機(jī)構(gòu)對(duì)加減速的響應(yīng)延遲和上升特性、底盤動(dòng)力學(xué)的特性等，我們要想定量的分析決定優(yōu)化的參數(shù)，靠路試的主觀評(píng)價(jià)是遠(yuǎn)遠(yuǎn)不夠的，必須通過模型和參數(shù)的分析來決定最優(yōu)的參數(shù)組合。

當(dāng)產(chǎn)品有了原型，就可以進(jìn)行HiL硬件在環(huán)的測(cè)試，這里有一個(gè)我們給某日系主機(jī)廠和供應(yīng)商提供的攝像頭LKA系統(tǒng)HiL項(xiàng)目案例。我們知道，要充分測(cè)試LKA系統(tǒng)的性能，需要在大量的、不同車道狀態(tài)組合的工況下進(jìn)行測(cè)試。道路測(cè)試很難遍歷不同的車道組合，比如不同轉(zhuǎn)彎半徑的車道，難以在真實(shí)道路上都找得到。這時(shí)候，毫無疑問，能夠輕易定制測(cè)試工況的HiL的測(cè)試效率遠(yuǎn)超道路測(cè)試。

下一個(gè)案例，我想分享我們使用仿真產(chǎn)生的場(chǎng)景數(shù)據(jù)用于AI人工智能算法的優(yōu)化迭代，PreScan場(chǎng)景工況測(cè)試能夠基于Nvidia PX的人工智能算法，進(jìn)行可行駛區(qū)域Free Space Detection，也可以用來測(cè)試3D SLAM算法。這其中，有兩個(gè)重要的技術(shù)點(diǎn)：

第一個(gè)，當(dāng)今的人工智能駕駛技術(shù)越來越傾向于使用感知傳感器的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，這也是PreScan環(huán)境感知傳感器的開發(fā)方向，盡量地提供原始數(shù)據(jù)輸出；

第二個(gè)，我們知道AI人工智能算法的訓(xùn)練結(jié)果質(zhì)量與測(cè)試工況的數(shù)量和覆蓋度相關(guān)，因此，為了彌補(bǔ)路采素材代表性不足的缺陷，可以使用仿真技術(shù)的路況可定制的優(yōu)勢(shì)，生成仿真數(shù)據(jù)，加入訓(xùn)練集中，可以提高算法訓(xùn)練結(jié)果的質(zhì)量。

當(dāng)我們產(chǎn)品可以上市裝車的時(shí)候，車輛在環(huán)ViL就成為了一個(gè)手段。這是案例，是我們向上海某整車廠提供的基于毫米波雷達(dá)的ACC/AEB系統(tǒng)的ViL測(cè)試平臺(tái)。這樣的解決方案具有什么價(jià)值？以前，該主機(jī)廠主要是通過道路測(cè)試和主觀評(píng)價(jià)來進(jìn)行性能的驗(yàn)證，但這一手段具有一系列的缺陷。比如，測(cè)試工況沒有辦法去定制，定制之后很難精確的控制實(shí)現(xiàn)，實(shí)現(xiàn)之后也很難重現(xiàn)和重復(fù)測(cè)試，有時(shí)候，道路測(cè)試忙了一天，上百個(gè)測(cè)試工況下來，發(fā)現(xiàn)效果都不一定很好。而ViL車輛在環(huán)的方法順利的克服了上述難點(diǎn)，大大提高了測(cè)試效率。當(dāng)然，PreScan也可以支持動(dòng)態(tài)的駕駛模擬儀。

除了仿真測(cè)試技術(shù)，TASS也有豐富的道路測(cè)試經(jīng)驗(yàn)，我們是EuroNCAP組織授權(quán)的官方試驗(yàn)場(chǎng)，有豐富的AEB/LDA/ISA等系統(tǒng)的法規(guī)測(cè)試經(jīng)驗(yàn)。在TASS荷蘭，我們還運(yùn)營(yíng)著基于7公里高速公路的自動(dòng)駕駛試驗(yàn)場(chǎng)，這是全球最早的自動(dòng)駕駛道路試驗(yàn)場(chǎng)。

基于此，我們也能輸出自動(dòng)駕駛試驗(yàn)場(chǎng)的設(shè)計(jì)技術(shù)。比如，在美國(guó)密西根大學(xué)的Mcity，就曾經(jīng)使用PreScan進(jìn)行試驗(yàn)場(chǎng)的可視化設(shè)計(jì)和仿真測(cè)試應(yīng)用。在ACM-America Center for Mobility，TASS向其提供了場(chǎng)地設(shè)計(jì)咨詢服務(wù)，Siemens和TASS也是ACM的緊密合作伙伴。

今天通過一些實(shí)際的案例，闡述了基于模型和以PreScan仿真技術(shù)為核心的自動(dòng)駕駛系統(tǒng)正向開發(fā)、測(cè)試流程。

雖然仿真技術(shù)作為一種工具，帶來了很大的價(jià)值，但是也有很多的技術(shù)難點(diǎn)，我們可以舉幾個(gè)例子。
第一是場(chǎng)景的渲染能力，這是當(dāng)前PreScan場(chǎng)景渲染質(zhì)量的示意圖例，下一步我們會(huì)進(jìn)一步提升我們的渲染能力，不排除利用Unreal等游戲引擎進(jìn)行場(chǎng)景渲染，提高場(chǎng)景渲染質(zhì)量。

第二，我們計(jì)劃逐步把測(cè)試工況里面的所有元素參數(shù)化，并將參數(shù)開放，可以用外部程序來控制，從而可以輕易地獲得自動(dòng)生成的、大量的、不同類型的測(cè)試工況。

第三，環(huán)境感知傳感器的建模能力需要對(duì)傳感器物理原理的大量先驗(yàn)知識(shí)和經(jīng)驗(yàn)，這也是PreScan仿真技術(shù)一直在全球領(lǐng)先的重要技術(shù)之一。

以攝像頭為例，我們可以仿真從光源、傳播媒介、目標(biāo)表面材質(zhì)、光進(jìn)入鏡頭、到達(dá)成像器件、甚至后續(xù)的AD轉(zhuǎn)換等等成像的所有物理環(huán)節(jié)。最終的實(shí)際效果是非常好的。

以毫米波雷達(dá)為例，我們知道毫米波雷達(dá)的感知特性，首先是感知精度和分辨率的問題，然后是目標(biāo)的反射回的能量的問題，隨后還有一系列的常見缺陷特性：漏檢測(cè)、誤檢測(cè)、目標(biāo)分列、過大的延遲等問題。我們還計(jì)劃發(fā)布對(duì)雷達(dá)天線發(fā)射和接收端的性能模型。

以激光雷達(dá)為例，PreScan可以建立其感知模型并輸出目標(biāo)級(jí)別、或點(diǎn)云級(jí)別的結(jié)果。同時(shí)，還提供單獨(dú)的點(diǎn)云傳感器模型。

本文所分享的技術(shù)和案例充分表明，基于模型的自動(dòng)駕駛系統(tǒng)性能開發(fā)的正向流程，必須經(jīng)歷從純模型仿真、半實(shí)物仿真、受控場(chǎng)地測(cè)試和道路測(cè)試這一流程，才是符合工程實(shí)際的、效用合理的過程，這構(gòu)成了今天的主題：基于模型的自動(dòng)駕駛性能測(cè)試和開發(fā)流程。

自動(dòng)駕駛的技術(shù)浪潮洶涌，希望西門子-TASS通過完整的仿真開發(fā)工具和解決方案，為自動(dòng)駕駛產(chǎn)品開發(fā)提供良好的支撐，大家攜起手來，共同成為自動(dòng)駕駛技術(shù)浪潮中的一分子。