本次論壇完整覆蓋汽車行業(yè)技術(shù)領(lǐng)域的研討，旨在進(jìn)一步促進(jìn)整車企業(yè)與零部件企業(yè)之間對技術(shù)發(fā)展趨勢的探討、加強汽車行業(yè)專家之間的交流互動、增強整車與零部件企業(yè)的交流、搭建合作平臺，通過活動促進(jìn)汽車零部件產(chǎn)業(yè)創(chuàng)新轉(zhuǎn)型升級、打造更具競爭力的整零協(xié)同創(chuàng)新關(guān)系，助力實現(xiàn)向汽車強國的轉(zhuǎn)變。

2018年12月7日-8日，以“創(chuàng)新驅(qū)動、技術(shù)引領(lǐng)”為主題的2018第六屆“汽車與環(huán)境”創(chuàng)新論壇在上海·安亭正式舉辦。

本次論壇完整覆蓋汽車行業(yè)技術(shù)領(lǐng)域的研討，旨在進(jìn)一步促進(jìn)整車企業(yè)與零部件企業(yè)之間對技術(shù)發(fā)展趨勢的探討、加強汽車行業(yè)專家之間的交流互動、增強整車與零部件企業(yè)的交流、搭建合作平臺，通過活動促進(jìn)汽車零部件產(chǎn)業(yè)創(chuàng)新轉(zhuǎn)型升級、打造更具競爭力的整零協(xié)同創(chuàng)新關(guān)系，助力實現(xiàn)向汽車強國的轉(zhuǎn)變。

以下是西門子工業(yè)軟件總監(jiān)黃漢知的發(fā)言：

西門子工業(yè)軟件總監(jiān) 黃漢知

各位嘉賓下午好！我是西門子工業(yè)軟件的黃漢知。自動駕駛是汽車未來的發(fā)展方向，技術(shù)發(fā)展迅速，資本踴躍的進(jìn)入，市場關(guān)注密切。一直以來，人類都在探索，自動駕駛什么時候能夠產(chǎn)業(yè)化，進(jìn)入到我們的生活當(dāng)中。但在人類熱情探討這個話題的時候，地球上似乎已經(jīng)有一種生物實現(xiàn)了L4級別的自動駕駛。請看這個視頻。不知道大家有沒有機會看到過成千上萬的蝙蝠密集飛行的場面。偉大的自然進(jìn)化造就了蝙蝠的這種能力，某種程度上實現(xiàn)了L4級別的自動駕駛。具體它是使用端到端的解決方案，還是分別處理了場景、感知、控制規(guī)劃決策、執(zhí)行，我們不得而知。但它們實現(xiàn)了密集飛行時的零事故零傷亡。

但看看人類是怎么樣駕駛的呢？看看這張圖，可能在座的每一位嘉賓，都不能說自己在開車的時候從來沒有摸過手機。也許，自動駕駛技術(shù)，是解決這些人類固有頑癥很好的出路。

再看看這個視頻。其中可以歸納出三個客觀事實，第一就是絕大部分的交通事故傷亡都是人為因素導(dǎo)致的。第二目前自動駕駛車輛水準(zhǔn)，需要平均每行駛5500英里，就需要一次人工干預(yù)，以避免事故的發(fā)生。第三為了充分測試驗證自動駕駛車輛，需要超過88億英里的路試?yán)锍?。這體現(xiàn)了一個典型的困境：明知無法遍歷所有的測試場景，那么，究竟需要多少的測試?yán)锍蹋拍苷J(rèn)為自動駕駛技術(shù)是成熟可靠可以上市的呢？

為了解決這個困境，西門子工業(yè)軟件認(rèn)為，必須要經(jīng)歷從虛擬仿真到半實物的測試，到封閉園區(qū)，再到公共道路，最后法規(guī)認(rèn)證，這樣一個基于模型的、正向的開發(fā)和測試方法，才能最大程度上節(jié)省測試時間，實現(xiàn)產(chǎn)品的快速優(yōu)化迭代，早日上市。這一正向方法論的核心是PreScan仿真技術(shù)。

從技術(shù)結(jié)構(gòu)上，自動駕駛系統(tǒng)可以分為四個部分：場景工況、環(huán)境感知、控制規(guī)劃決策算法、執(zhí)行機構(gòu)，在PreScan仿真環(huán)境中，這四個模型都必須要建立起來。今天，我試圖通過一系列的客戶案例，來向大家描述怎么樣實現(xiàn)從仿真到半實物，到封閉場地和道路測試的開發(fā)流程。

大家都知道，誰的測試工況多、代表性強，誰的測試就充分。在第一個項目案例中，我們使用的是歐洲的GIDAS交通事故數(shù)據(jù)自動轉(zhuǎn)換為PreScan測試工況模型。因為GIDAS數(shù)據(jù)量非常大，數(shù)以萬計，所以我們多PC多GPU的硬件方案可能已經(jīng)不能滿足，所以選擇了大規(guī)模集群Cluster計算的方案，使得PreScan在集群計算機上把任務(wù)部署上去，從而實現(xiàn)快速計算，縮短開發(fā)時間、周期以及成本。

當(dāng)我沒有交通事故數(shù)據(jù)的時候，用什么方式呢？推薦用測試自動化的方式。比如，要測試ACC，要看ACC 切入工況，這個工況有不同的特征參數(shù)，每個參數(shù)取不同的值，一個切入工況可以變化為60萬種之多。這是第二個案例。

第三個案例，ACC系統(tǒng)有一個重要的性能參數(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)傳感器的檢測延時、ACC控制算法包括PID參數(shù)的標(biāo)定、執(zhí)行機構(gòu)對加減速的響應(yīng)延遲和上升特性、底盤動力學(xué)的特性等，我們要想定量的分析決定優(yōu)化的參數(shù)，靠路試的主觀評價是遠(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)品從算法和軟件的層面過度到控制器階段時，就可以做HiL半實物仿真測試。這是攝像頭在環(huán)的典型案例。為什么要做這樣一個HiL臺架，為什么不做路試？我們知道，要充分測試的測試基于視覺的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)行測試。道路測試很難遍歷不同的車道組合，比如不同轉(zhuǎn)彎半徑的車道，難以在真實道路上都找得到。

我們也可以用仿真的數(shù)據(jù)來測試人工智能算法。在這個案例中，我們使用PreScan仿真技術(shù)產(chǎn)生的傳感器原始數(shù)據(jù)，測試Mentor DRS360硬件以及人工智能算法。在另一個案例中，我們用虛擬的數(shù)據(jù)測試基于雙目視覺的SLAM算法。在這個案例中，PreScan仿真數(shù)據(jù)用于測試Nvidia Drive PX2硬件及其AI算法。在這些案例當(dāng)中我們沒有很詳細(xì)的介紹細(xì)節(jié)，但有兩個要點可以和大家分享，第一，人工智能現(xiàn)在越來越會用傳感器的原始數(shù)據(jù)來做數(shù)據(jù)融合。第二，AI人工智能算法的訓(xùn)練質(zhì)量與測試工況的數(shù)量和覆蓋度相關(guān)，為了彌補路采素材代表性不足的缺陷，可以使用仿真技術(shù)來定制生成特定的訓(xùn)練素材，加入訓(xùn)練集中，提高訓(xùn)練質(zhì)量。

這是基于雷達(dá)的ACC/AEB車輛在環(huán)ViL的案例。最終這個臺架安裝在被測車上，可以在空曠的道路上做測試，也可以在轉(zhuǎn)鼓上做大規(guī)模的實驗。可以克服ACC/AEB路試的諸多不利因素。首先測試工況可以精確定制，第二是可以大規(guī)模運行海量的工況組合，可以做重復(fù)性的測試等等。這是在空曠的場地上進(jìn)行了ACC的測試的一個視頻，通過仿真技術(shù)給出兩個車道，每個車道都有目標(biāo)車輛，彎道上的工況，最終發(fā)現(xiàn)彎道上該系統(tǒng)并不能夠穩(wěn)定的跟蹤本車道目標(biāo)車。這是一個ViL的案例。當(dāng)然我們也可以支持DiL，這是PreScan+AMESim 車輛動力學(xué)模型實現(xiàn)動態(tài)駕駛模擬儀的案例。

接下來的一個階段，我們就可以進(jìn)入到場地測試，TASS擁有Euro NCAP組織的官方實驗室和試驗場。同時，在TASS總部，荷蘭的城市Helmond，2012年就已經(jīng)商業(yè)化的在運作自己的基于高速公路的智能網(wǎng)聯(lián)的測試場。

由于我們擁有的從仿真、半實物仿真、封閉場地等全面的能力和豐富的經(jīng)驗，我們也輸出封閉試驗場的技術(shù)。這個案例，是TASS提供PreScan仿真技術(shù)，以及場地設(shè)計咨詢，幫助美國Willow Run實現(xiàn)ACM試驗場規(guī)劃、建設(shè)、運營的案例。

今天通過一些實際的案例，闡述了基于模型和以PreScan仿真技術(shù)為核心的自動駕駛系統(tǒng)正向開發(fā)、測試流程。我們這里面有一個非常核心的原則：在最早期純模型的階段，用仿真去運行數(shù)以百萬計的測試工況，當(dāng)?shù)桨雽嵨餃y試的時候希望是數(shù)以萬計的，在場地測試的時候是數(shù)以百計的，從而在系統(tǒng)開發(fā)的最早期暴漏最多的技術(shù)問題，通過優(yōu)化迭代加以解決，而不是在產(chǎn)品上市之后，通過實物的、路試的方式去試錯，這樣迭代成本就太高了。

今天，通過這么多案例介紹了系統(tǒng)開發(fā)和測試的流程，可見，基于PreScan仿真的技術(shù),構(gòu)建了非常好的整體解決方案。但是，仿真技術(shù)也有一系列的挑戰(zhàn)，我今天試圖列出幾個主要的挑戰(zhàn)點。

第一個我們想說說測試的場景工況。剛才一直在反復(fù)地說，誰的測試工況多，代表性強，誰的測試就充分。那我們場景來源有哪些呢？我們看看PreScan的開放式生態(tài)對場景來源多樣化的支持。第一個是DataModel API，場景所有元素參數(shù)化之后，通過API接口方式開放給用戶，是的通過代碼腳本自動創(chuàng)建海量場景成為可能。第二我們剛才也提到支持中國交通數(shù)據(jù)庫CIDAS，德國交通數(shù)據(jù)庫GIDAS的自動導(dǎo)入。第三目前是支持Open DRIVE高精度地圖的導(dǎo)入，以及OpenStreetMap二維開源地圖數(shù)據(jù)導(dǎo)入，以及PTV VISSIM的微觀交通流耦合，PreScan還集成了全球大多數(shù)法規(guī)機構(gòu)發(fā)布的測試工況等。最近，PreScan更是發(fā)布了基于UNREAL游戲引擎的場景渲染。

在基于UNREAL游戲引擎的場景渲染中，我們可以看一下這個視頻，視覺細(xì)節(jié)和逼真度有了大幅度提高，比如說惡劣天氣下雨情況下泊車工況的仿真。

這是場景的渲染和視覺效果的部分，除了PreScan支持的這些標(biāo)準(zhǔn)格式和工具之外，我們知道像中國的天津中汽中心、重慶中汽院以及世界上第三方機構(gòu)都紛紛發(fā)布了自己的工況庫。我們和天津也是正在合作，把從道路上采集和歸納的數(shù)以千計的工況放入PreScan當(dāng)中。我們也是重慶中汽院的智能網(wǎng)聯(lián)汽車測試評價國際聯(lián)合創(chuàng)新中心的成員，也可以應(yīng)用它們的數(shù)據(jù)導(dǎo)入PreScan仿真平臺中。這個視頻，展示了我們和國際的工程公司Bently合作，導(dǎo)入路采數(shù)據(jù)生成測試場景的案例，其載體是.json文件格式。

環(huán)境感知傳感器的模型，一直是PreScan全球領(lǐng)先的技術(shù)。在攝像頭模型中，像我們就從光源，到光的傳播媒介，到光打到目標(biāo)表面的材質(zhì)和反射特性、光學(xué)鏡頭以及后面的CMOS成像器件，直到最后的AD轉(zhuǎn)換所有環(huán)節(jié)都有物理的模型，輸出的就不再是可見光RGB像素的信息，而是多光譜、高動態(tài)范圍的模型。

這是攝像頭的模型，毫米波雷達(dá)的仿真也分成多種層次。第零層，首先提供一個非常理想化和簡化的模型，第一個層級就包含了目標(biāo)物體檢測的精度和分辨率的特性，輸出包含目標(biāo)物體精度、分辨率特性的位置、速度、角度信息。。第二個層級是目是含能量輸出的目標(biāo)級別的雷達(dá)模型，第三個級別，是包含漏檢測、誤檢測、單目標(biāo)聚類成多個反射點等諸多的缺陷特性的模型。目的是說，我們把雷達(dá)它在道路當(dāng)中所展現(xiàn)出的一些表現(xiàn)，一些性能都完美的體現(xiàn)到仿真環(huán)節(jié)當(dāng)中來。

在激光雷達(dá)領(lǐng)域，我們也可以輸出激光雷達(dá)的點云傳感信息，除此之外我們也正在開發(fā)基于物理的、基于反射特性的激光雷達(dá)。PreScan也支持比如DSRC V2X的傳輸衰減、延遲、丟包率等特性的模型。

今天，我們試圖通過一系列案例、仿真關(guān)鍵技術(shù)的探討，向大家描述我們從純模型的仿真、到半實物仿真、到封閉試驗場、到最后道路測試和法規(guī)認(rèn)證這一正向的測試和驗證方法論的一系列流程。在過去的十年當(dāng)中，西門子工業(yè)軟件累計投入超過百億美元，也進(jìn)行了很多技術(shù)研發(fā)，包括一系列的公司的收購，包括收購我所在的TASS International，構(gòu)建了覆蓋汽車自動駕駛、碰撞安全性、輪胎動力學(xué)、結(jié)構(gòu)耐久疲勞、CFD、NVH、1維和3維動力學(xué)等全方位的汽車性能開發(fā)測試解決方案，具備了全球領(lǐng)先的Digital Twin方案。