当产品有了原型,就可以进行HiL硬件在环的测试,这里有一个我们给某日系主机厂和供应商提供的摄像头LKA系统HiL项目案例。我们知道,要充分测试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。这时候,毫无疑问,能够轻易定制测试工况的HiL的测试效率远超道路测试。
下一个案例,我想分享我们使用仿真产生的场景数据用于AI人工智能算法的优化迭代,PreScan场景工况测试能够基于Nvidia PX的人工智能算法,进行可行驶区域Free Space Detection,也可以用来测试3D SLAM算法。这其中,有两个重要的技术点:
第一个,当今的人工智能驾驶技术越来越倾向于使用感知传感器的原始数据进行数据融合,这也是PreScan环境感知传感器的开发方向,尽量地提供原始数据输出;
第二个,我们知道AI人工智能算法的训练结果质量与测试工况的数量和覆盖度相关,因此,为了弥补路采素材代表性不足的缺陷,可以使用仿真技术的路况可定制的优势,生成仿真数据,加入训练集中,可以提高算法训练结果的质量。
当我们产品可以上市装车的时候,车辆在环ViL就成为了一个手段。这是案例,是我们向上海某整车厂提供的基于毫米波雷达的ACC/AEB系统的ViL测试平台。这样的解决方案具有什么价值?以前,该主机厂主要是通过道路测试和主观评价来进行性能的验证,但这一手段具有一系列的缺陷。比如,测试工况没有办法去定制,定制之后很难精确的控制实现,实现之后也很难重现和重复测试,有时候,道路测试忙了一天,上百个测试工况下来,发现效果都不一定很好。而ViL车辆在环的方法顺利的克服了上述难点,大大提高了测试效率。当然,PreScan也可以支持动态的驾驶模拟仪。
除了仿真测试技术,TASS也有丰富的道路测试经验,我们是EuroNCAP组织授权的官方试验场,有丰富的AEB/LDA/ISA等系统的法规测试经验。在TASS荷兰,我们还运营着基于7公里高速公路的自动驾驶试验场,这是全球最早的自动驾驶道路试验场。
基于此,我们也能输出自动驾驶试验场的设计技术。比如,在美国密西根大学的Mcity,就曾经使用PreScan进行试验场的可视化设计和仿真测试应用。在ACM-America Center for Mobility,TASS向其提供了场地设计咨询服务,Siemens和TASS也是ACM的紧密合作伙伴。
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。
虽然仿真技术作为一种工具,带来了很大的价值,但是也有很多的技术难点,我们可以举几个例子。
第一是场景的渲染能力,这是当前PreScan场景渲染质量的示意图例,下一步我们会进一步提升我们的渲染能力,不排除利用Unreal等游戏引擎进行场景渲染,提高场景渲染质量。
第二,我们计划逐步把测试工况里面的所有元素参数化,并将参数开放,可以用外部程序来控制,从而可以轻易地获得自动生成的、大量的、不同类型的测试工况。
第三,环境感知传感器的建模能力需要对传感器物理原理的大量先验知识和经验,这也是PreScan仿真技术一直在全球领先的重要技术之一。
以摄像头为例,我们可以仿真从光源、传播媒介、目标表面材质、光进入镜头、到达成像器件、甚至后续的AD转换等等成像的所有物理环节。最终的实际效果是非常好的。
以毫米波雷达为例,我们知道毫米波雷达的感知特性,首先是感知精度和分辨率的问题,然后是目标的反射回的能量的问题,随后还有一系列的常见缺陷特性:漏检测、误检测、目标分列、过大的延迟等问题。我们还计划发布对雷达天线发射和接收端的性能模型。