探析自动驾驶性能开发和测试解决方案

本次论坛完整覆盖汽车行业技术领域的研讨，旨在进一步促进整车企业与零部件企业之间对技术发展趋势的探讨、加强汽车行业专家之间的交流互动、增强整车与零部件企业的交流、搭建合作平台，通过活动促进汽车零部件产业创新转型升级、打造更具竞争力的整零协同创新关系，助力实现向汽车强国的转变。

2018年12月7日-8日，以“创新驱动、技术引领”为主题的2018第六届“汽车与环境”创新论坛在上海·安亭正式举办。

本次论坛完整覆盖汽车行业技术领域的研讨，旨在进一步促进整车企业与零部件企业之间对技术发展趋势的探讨、加强汽车行业专家之间的交流互动、增强整车与零部件企业的交流、搭建合作平台，通过活动促进汽车零部件产业创新转型升级、打造更具竞争力的整零协同创新关系，助力实现向汽车强国的转变。

以下是西门子工业软件总监黄汉知的发言：

西门子工业软件总监 黄汉知

各位嘉宾下午好！我是西门子工业软件的黄汉知。自动驾驶是汽车未来的发展方向，技术发展迅速，资本踊跃的进入，市场关注密切。一直以来，人类都在探索，自动驾驶什么时候能够产业化，进入到我们的生活当中。但在人类热情探讨这个话题的时候，地球上似乎已经有一种生物实现了L4级别的自动驾驶。请看这个视频。不知道大家有没有机会看到过成千上万的蝙蝠密集飞行的场面。伟大的自然进化造就了蝙蝠的这种能力，某种程度上实现了L4级别的自动驾驶。具体它是使用端到端的解决方案，还是分别处理了场景、感知、控制规划决策、执行，我们不得而知。但它们实现了密集飞行时的零事故零伤亡。

但看看人类是怎么样驾驶的呢？看看这张图，可能在座的每一位嘉宾，都不能说自己在开车的时候从来没有摸过手机。也许，自动驾驶技术，是解决这些人类固有顽症很好的出路。

再看看这个视频。其中可以归纳出三个客观事实，第一就是绝大部分的交通事故伤亡都是人为因素导致的。第二目前自动驾驶车辆水准，需要平均每行驶5500英里，就需要一次人工干预，以避免事故的发生。第三为了充分测试验证自动驾驶车辆，需要超过88亿英里的路试里程。这体现了一个典型的困境：明知无法遍历所有的测试场景，那么，究竟需要多少的测试里程，才能认为自动驾驶技术是成熟可靠可以上市的呢？

为了解决这个困境，西门子工业软件认为，必须要经历从虚拟仿真到半实物的测试，到封闭园区，再到公共道路，最后法规认证，这样一个基于模型的、正向的开发和测试方法，才能最大程度上节省测试时间，实现产品的快速优化迭代，早日上市。这一正向方法论的核心是PreScan仿真技术。

从技术结构上，自动驾驶系统可以分为四个部分：场景工况、环境感知、控制规划决策算法、执行机构，在PreScan仿真环境中，这四个模型都必须要建立起来。今天，我试图通过一系列的客户案例，来向大家描述怎么样实现从仿真到半实物，到封闭场地和道路测试的开发流程。

大家都知道，谁的测试工况多、代表性强，谁的测试就充分。在第一个项目案例中，我们使用的是欧洲的GIDAS交通事故数据自动转换为PreScan测试工况模型。因为GIDAS数据量非常大，数以万计，所以我们多PC多GPU的硬件方案可能已经不能满足，所以选择了大规模集群Cluster计算的方案，使得PreScan在集群计算机上把任务部署上去，从而实现快速计算，缩短开发时间、周期以及成本。

当我没有交通事故数据的时候，用什么方式呢？推荐用测试自动化的方式。比如，要测试ACC，要看ACC 切入工况，这个工况有不同的特征参数，每个参数取不同的值，一个切入工况可以变化为60万种之多。这是第二个案例。

第三个案例，ACC系统有一个重要的性能参数就是加速度的变化率，即所谓的jerk，影响它的有很多参数，包括雷达传感器的检测延时、ACC控制算法包括PID参数的标定、执行机构对加减速的响应延迟和上升特性、底盘动力学的特性等，我们要想定量的分析决定优化的参数，靠路试的主观评价是远远不够的，必须通过模型和参数的分析来决定最优的参数组合。

当产品从算法和软件的层面过度到控制器阶段时，就可以做HiL半实物仿真测试。这是摄像头在环的典型案例。为什么要做这样一个HiL台架，为什么不做路试？我们知道，要充分测试的测试基于视觉的LKA系统的性能，需要在大量的、不同车道状态组合的工况下进行测试。道路测试很难遍历不同的车道组合，比如不同转弯半径的车道，难以在真实道路上都找得到。

我们也可以用仿真的数据来测试人工智能算法。在这个案例中，我们使用PreScan仿真技术产生的传感器原始数据，测试Mentor DRS360硬件以及人工智能算法。在另一个案例中，我们用虚拟的数据测试基于双目视觉的SLAM算法。在这个案例中，PreScan仿真数据用于测试Nvidia Drive PX2硬件及其AI算法。在这些案例当中我们没有很详细的介绍细节，但有两个要点可以和大家分享，第一，人工智能现在越来越会用传感器的原始数据来做数据融合。第二，AI人工智能算法的训练质量与测试工况的数量和覆盖度相关，为了弥补路采素材代表性不足的缺陷，可以使用仿真技术来定制生成特定的训练素材，加入训练集中，提高训练质量。

这是基于雷达的ACC/AEB车辆在环ViL的案例。最终这个台架安装在被测车上，可以在空旷的道路上做测试，也可以在转鼓上做大规模的实验。可以克服ACC/AEB路试的诸多不利因素。首先测试工况可以精确定制，第二是可以大规模运行海量的工况组合，可以做重复性的测试等等。这是在空旷的场地上进行了ACC的测试的一个视频，通过仿真技术给出两个车道，每个车道都有目标车辆，弯道上的工况，最终发现弯道上该系统并不能够稳定的跟踪本车道目标车。这是一个ViL的案例。当然我们也可以支持DiL，这是PreScan+AMESim 车辆动力学模型实现动态驾驶模拟仪的案例。

接下来的一个阶段，我们就可以进入到场地测试，TASS拥有Euro NCAP组织的官方实验室和试验场。同时，在TASS总部，荷兰的城市Helmond，2012年就已经商业化的在运作自己的基于高速公路的智能网联的测试场。

由于我们拥有的从仿真、半实物仿真、封闭场地等全面的能力和丰富的经验，我们也输出封闭试验场的技术。这个案例，是TASS提供PreScan仿真技术，以及场地设计咨询，帮助美国Willow Run实现ACM试验场规划、建设、运营的案例。

今天通过一些实际的案例，阐述了基于模型和以PreScan仿真技术为核心的自动驾驶系统正向开发、测试流程。我们这里面有一个非常核心的原则：在最早期纯模型的阶段，用仿真去运行数以百万计的测试工况，当到半实物测试的时候希望是数以万计的，在场地测试的时候是数以百计的，从而在系统开发的最早期暴漏最多的技术问题，通过优化迭代加以解决，而不是在产品上市之后，通过实物的、路试的方式去试错，这样迭代成本就太高了。

今天，通过这么多案例介绍了系统开发和测试的流程，可见，基于PreScan仿真的技术,构建了非常好的整体解决方案。但是，仿真技术也有一系列的挑战，我今天试图列出几个主要的挑战点。

第一个我们想说说测试的场景工况。刚才一直在反复地说，谁的测试工况多，代表性强，谁的测试就充分。那我们场景来源有哪些呢？我们看看PreScan的开放式生态对场景来源多样化的支持。第一个是DataModel API，场景所有元素参数化之后，通过API接口方式开放给用户，是的通过代码脚本自动创建海量场景成为可能。第二我们刚才也提到支持中国交通数据库CIDAS，德国交通数据库GIDAS的自动导入。第三目前是支持Open DRIVE高精度地图的导入，以及OpenStreetMap二维开源地图数据导入，以及PTV VISSIM的微观交通流耦合，PreScan还集成了全球大多数法规机构发布的测试工况等。最近，PreScan更是发布了基于UNREAL游戏引擎的场景渲染。

在基于UNREAL游戏引擎的场景渲染中，我们可以看一下这个视频，视觉细节和逼真度有了大幅度提高，比如说恶劣天气下雨情况下泊车工况的仿真。

这是场景的渲染和视觉效果的部分，除了PreScan支持的这些标准格式和工具之外，我们知道像中国的天津中汽中心、重庆中汽院以及世界上第三方机构都纷纷发布了自己的工况库。我们和天津也是正在合作，把从道路上采集和归纳的数以千计的工况放入PreScan当中。我们也是重庆中汽院的智能网联汽车测试评价国际联合创新中心的成员，也可以应用它们的数据导入PreScan仿真平台中。这个视频，展示了我们和国际的工程公司Bently合作，导入路采数据生成测试场景的案例，其载体是.json文件格式。

环境感知传感器的模型，一直是PreScan全球领先的技术。在摄像头模型中，像我们就从光源，到光的传播媒介，到光打到目标表面的材质和反射特性、光学镜头以及后面的CMOS成像器件，直到最后的AD转换所有环节都有物理的模型，输出的就不再是可见光RGB像素的信息，而是多光谱、高动态范围的模型。

这是摄像头的模型，毫米波雷达的仿真也分成多种层次。第零层，首先提供一个非常理想化和简化的模型，第一个层级就包含了目标物体检测的精度和分辨率的特性，输出包含目标物体精度、分辨率特性的位置、速度、角度信息。。第二个层级是目是含能量输出的目标级别的雷达模型，第三个级别，是包含漏检测、误检测、单目标聚类成多个反射点等诸多的缺陷特性的模型。目的是说，我们把雷达它在道路当中所展现出的一些表现，一些性能都完美的体现到仿真环节当中来。

在激光雷达领域，我们也可以输出激光雷达的点云传感信息，除此之外我们也正在开发基于物理的、基于反射特性的激光雷达。PreScan也支持比如DSRC V2X的传输衰减、延迟、丢包率等特性的模型。

今天，我们试图通过一系列案例、仿真关键技术的探讨，向大家描述我们从纯模型的仿真、到半实物仿真、到封闭试验场、到最后道路测试和法规认证这一正向的测试和验证方法论的一系列流程。在过去的十年当中，西门子工业软件累计投入超过百亿美元，也进行了很多技术研发，包括一系列的公司的收购，包括收购我所在的TASS International，构建了覆盖汽车自动驾驶、碰撞安全性、轮胎动力学、结构耐久疲劳、CFD、NVH、1维和3维动力学等全方位的汽车性能开发测试解决方案，具备了全球领先的Digital Twin方案。