特斯拉事故频发背后，自动驾驶测试能帮什么忙？

电子发烧友网报道（文/黄晶晶）近日，在第九届EEVIA年度中国电子ICT媒体论坛暨2021产业和技术展望研讨会上，NI资深汽车行业客户经理郭堉分享了“平台化测试方案应对无限自动驾驶测试场景”的演讲。
 

自动驾驶的现状与挑战

 
我们知道汽车行业的三大愿意是零事故、零排放、零损耗。郭堉表示，我们的半导体技术起到非常关键的作用，例如激光雷达等感知技术帮助我们实现L2到L4级的自动驾驶。
 
目前自动驾驶主要有四个趋势，一是电子电气结构，从原来的传感器都有ECU，到现在用中央域控制器进行处理，这个会带来很多的新挑战。二是目前的汽车法规不是特别完善，我们的场景库拾建也不完善，这会给新的测试需求带来挑战。三是软件定义汽车，例如特斯拉的OTA技术，通过软件的投入和测试会显得非常重要。四是AI和深度学习，部署在ADAS里的算法通过真实的道路场景去不断优化这些算法，从而提升安全性，令消费者拥有更好的自动驾驶体验。
 
郭堉解析，在这个V字型汽车测试研发和验证流程中，左边是设计环节，从最底层系统的要求，慢慢部署到每一个子部件的研发，左边主要依赖于软件，包括原型验证的环节。右边是从部件的测试，再上升到整车级的，比如NVH可靠性的测试。但以往都是更多精力投入在右边的测试环节，尤其是整车测试，但是我们随着ADAS技术的不断完善，更需要的是左边，也就是测试需求向左移，我们需要更多进行软件测试，提高测试效率。
 


由此带来的测试挑战在于测试的复杂度日益增加，自动化测试硬件和软件需要不断迭代更新，包括提供完整的工具链。另外，测试开发流程的效率需要加强。因为今后汽车会向消费电子的模式去发展，就需要快速的验证平台，最大化测试效率。此外，还有更多的仿真。我们需要很多真实的场景不断地训练算法，如果部署很多车队，让它去跑真实的道路，要花费的成本和时间无法想象，因此我们就需要构建一个高保真度的软件测试环境，去训练AI的算法，识别目标物，从而达到避障和主动驾驶的功能等。
 

自动驾驶验证测试流程

 
数字孪生与仿真测试
 
目前99.9%的测试都是通过仿真进行，那么仿真测试的数据可靠性就非常重要，怎么保证数据是真实的，可以跟真实的道路匹配，并且给传感器一个真实的反馈。
 
NI在今年正式宣布收购了monoDrive公司，可以通过monoDrive的数据进行数据重构和孪生。郭堉分析，在实际效果中，我们看到，下图是在美国奥斯汀实际录制的场景，我们通过monoDrive进行数字孪生，重构为一个非常高保真度的场景，比如对面来车，可以还原出来，monoDrive可以把树叶、栏杆、地面上的标志图形完整地复现出来。目前只有monoDrive这个软件可以做到。
 
 
 
另外不仅是道路的状态，monoDrive也可以仿真天气状况，包括路面积水，路面积水状况会影响我们反射的条件，这些反射条件会影响到传感器的功能。monoDrive软件甚至可以把路灯、垃圾筒表面、日落黄昏的参数系数、反射系数实时仿真出来。
 
道路信息记录, 传感器数据采集
 
NI也用软件平台做道路实时数据的记录，目前很多算力可以支持12路摄像头，甚至是高清摄像头，只有这些数据都是同步被记录下来，才是真实有效的。而对录制的要求会有很多的挑战，其中包括很多硬件接口。此外，我们面对的数据量是非常大的，NI提供了PXI平台，硬件上具有丰富的接口，不仅支持摄像头接口，还有车载以太网等，能够保存所有数据，支持上传云端，可进行数据压缩、数据管理、数据回放等。


 
数据回放与硬件在环(HIL)
 
一般来说，测试对象是ECU里面的控制或算法，那就需要去模仿外围的设备，让ECU以为连接的是真实的电机。郭堉解析，NI提供包括FPGA板卡这样的硬件，用软件导入模型，部署到FPGA里面，FPGA板卡提供纳秒级的运算。编辑到系统里面可以达到毫秒级的运算，就可以跑车辆动力学模型，真实的反馈车辆在虚拟场景中如何运转。然后连到DUT，这就是用AI完整的链路和平台，包括软件去实现的一个框架。
 
NI的软硬件平台可以做到从研发开始到最后的生产部署，都用同样的工具链去实现，对于一个工程师来讲，就不需要去学习各种厂商不同的接口，学习各种厂商的硬件平台的操作，学习新的软件。用NI的平台就可以实现整个从研发到部署的流程。


 
如今，NI携手合作伙伴建立起强大的生态圈，合作伙伴包括云端的AWS、微软云等等，以及众多的集成商伙伴。在汽车行业的生态链中，NI不仅基于自己的硬件和软件进行测试，也支持友商的接口，以开放的姿态，连接不同友商，不同协议，不同厂商的场景仿真软件，一起携手为客户提供交钥匙的解决方案。