Huang Hanzhi: Simülasyon teknolojisi, otonom sürüş geliştirme ve test etme için önemli bir teknolojidir
Editörün notu: 13-14 Temmuz tarihlerinde, Che Yun, Wuhan Economic Development Investment Co., Ltd. ve Wuhan Modern Manufacturing Entrepreneurship Service Center tarafından ortaklaşa desteklenen üçüncü Çin Akıllı Araba İnovasyon ve Geliştirme Forumu Wuhan'da düzenlendi. Siemens Industrial Software'in bir yan kuruluşu olan TASS'ın İcra Direktörü Bay Huang Hanzhi forumda bir konuşma yaptı. Huang Hanzhi, simülasyon geliştirme ve ADAS ve akıllı ağa bağlı sistemlerin test edilmesi ve çarpışma güvenliği performansının simülasyon geliştirilmesi ve test edilmesi alanlarında zengin mühendislik ve pazar deneyimine sahiptir. "Model tabanlı ADAS ve otonom sürüş sistemi geliştirme ve "Test Metodolojisi" konuşması.
Huang Hanzhi, Siemens-TASS'ın İcra Direktörü
Herkese merhaba, ben Huang Hanzhi.
Son yıllarda, otonom sürüş, bağlantılı teknoloji, yeni enerji ve ortak seyahat, otomotiv endüstrisinin, özellikle de dünyada ve Çin'de çok fazla teknik ilgi ve sermaye desteği alan otonom sürüşün gelişme yönleridir. Bu eğilime yanıt olarak, Siemens Industrial Software son on yılda 10 milyar ABD dolarından fazla yatırım yaptı ve TASS International dahil olmak üzere bazı şirketlerin birleşmesi ve satın alınması dahil olmak üzere çok sayıda teknoloji araştırma ve geliştirme çalışması yaptı. Bu çalışmalara dayanarak Siemens, akıllı ağ bağlantılı yeni enerji araçları için genel bir çözüm sunabiliyor. Bunlar arasında, TASS'ın ana teknik alanları iki yönü içerir, biri simülasyon teknolojisi, diğeri test ve mühendislik danışmanlığı hizmetleridir.
Bugün sizinle iletişimin konusu, model tabanlı ADAS ve otonom sürüş sistemlerinin geliştirilmesi ve test metodolojisidir. Bence: Otonom araçların performans gelişimi ile işbirliği yapmak için, saf model simülasyonundan yarı fiziksel simülasyona, saha ve yol testine kadar olumlu bir geliştirme sürecini takip etmeliyiz. Bu geliştirme sürecinin ve yönteminin değeri nedir? Toyota CEO'su Akio Toyoda'ya göre, otonom araçları tam olarak test etmek ve doğrulamak için 14,2 milyar mil yol testi gerekiyor, bu da sınırlı ürün geliştirme süresine ve yaşam döngüsüne açıkça aykırı. Bu klasik bir soruyu gündeme getiriyor: Otonom sürüş ürünlerinin olgun, güvenilir ve piyasaya çıkmaya hazır olduğunu kanıtlamak için kaç test gerekiyor?
Bu soruyu rafine ederek beş özel soru sorulabilir:
-
1. Test geçmişi ve çalışma koşulları neredeyse sınırsızdır
-
2. Zorlu çalışma koşulları ve çok yönlü çalışma koşulları, yol testlerinde ulaşılamaz
-
3. Ağır çalışma koşullarıyla karşılaşsa bile, çoğaltılamaz ve tekrar tekrar doğrulanamaz.
-
4. Yolda, sistem performansını karşılaştırmak ve test etmek için gerçek değer verisi eksikliği var
-
5. Bazı test koşulları tehlikeli ve karmaşıktır
Bu zorlukların üstesinden gelmek için, model tabanlı bir tasarım ve test doğrulama yöntemi öneriyoruz. Bugün, bu metodolojiyi bir dizi gerçek mühendislik vakası aracılığıyla özellikle açıklayacağım. Bu metodolojinin özü, çekirdeği PreScan olan simülasyon teknolojisidir. Bu simülasyon teknolojisine dayanarak, döngü içinde MiL modeli, döngü içinde SiL yazılımı, döngü içinde HiL donanımı ve döngüdeki ViL araç, saha testi ve yol testine kadar gerçekleştirilebilir ve böylece eksiksiz bir geliştirme testi süreci oluşturulur.
Otopilot sistemi dört işlevsel modüle ayrılabilir: Birincisi test koşulu, ikincisi çevresel algılama için sensör, üçüncüsü kontrol karar planlaması için algoritma ve sonuncusu şasi aktüatörüdür. PreScan simülasyon teknolojisi, otonom sürüş sisteminin eksiksiz bir modelini oluşturmak için bu dört işlevsel modülü modelleyebilir ve simüle edebilir.
Ardından, metodolojimizi açıklamak için birkaç örnek vereceğim.
İlk vaka, Kuzey Avrupa'daki bir OEM için bir test projesidir. Test koşullarının türü, miktarı ve kapsamının sistem testi için kritik olduğunu ve birçok test koşulu kaynağı olduğunu biliyoruz. Bu projede Alman GIDAS trafik kazası verilerini kullandık.PreScan, GIDAS kaza verilerini otomatik olarak test senaryo modellerine dönüştürebilir. Ortam algısı, kontrol algoritması ve şasi dinamikleri modeli ile birlikte sahne çalışma koşulu modeli ile çok eksiksiz bir sistem simülasyon programı oluşturacaktır. GIDAS veritabanında birçok senaryo vardır, bu nedenle, verimli büyük ölçekli hesaplamalar yapmamızı sağlayan küme bilgisayarı sunucularına dayalı bir hesaplama yöntemi sağlıyoruz. Tabii ki bugün PreScan, test koşullarının çok değerli kaynaklarından biri olan Çin'in trafik kazası veritabanı CIDAS'ı da destekliyor.
İkinci durum, ACC'nin performans kalibrasyon durumudur. ACC testinin tipik bir çalışma koşulu vardır, yani Cut-In olarak adlandırılan hedef araç aniden ana araç şeridine şerit değiştirir. Bu çalışma koşulunu oluşturan araç hızı, devreye sokma zamanlaması, devreye girdikten sonra hedef arabanın durumu vb. Gibi birçok unsur vardır. Her bir elemanın birden fazla değeri birleştirilirse, bu tek çalışma koşulunun kolayca birkaç tane türetebileceğini göreceksiniz. Yüz bin kombinasyon.
Bu kadar çok çalışma koşulunda ACC performans analizi nasıl yapılır? ACC sisteminin önemli bir performans parametresi, sarsıntı olarak adlandırılan hızlanma değişim oranıdır.Radar sensörünün algılama gecikmesi, PID parametrelerinin kalibrasyonu dahil ACC kontrol algoritması ve aktüatörün hızlanma ve yavaşlamaya tepkisi dahil olmak üzere onu etkileyen birçok parametre vardır. Gecikme ve yükselme özellikleri, şasi dinamikleri özellikleri, vb. Optimize edilmiş parametreleri niceliksel olarak analiz etmek ve belirlemek istiyorsak, yol testinin öznel değerlendirmesine güvenmek yeterli değildir.En uygun parametre kombinasyonu, modellerin ve parametrelerin analizi yoluyla belirlenmelidir.
Ürün bir prototipe sahip olduğunda, HiL donanım-in-the-loop ile test edilebilir.İşte, bir Japon OEM ve tedarikçisine sağladığımız bir kamera LKA sistemi HiL projesi örneği. LKA sisteminin performansını tam olarak test etmek için çok sayıda farklı şerit durumu kombinasyonu altında test edilmesi gerektiğini biliyoruz. Yol testinde, gerçek yollarda bulunması zor olan farklı dönüş yarıçaplarına sahip şeritler gibi farklı şerit kombinasyonlarını geçmek zordur. Şu anda, test koşullarını kolayca özelleştirebilen HiL'nin test verimliliğinin yol testinin çok ötesinde olduğuna şüphe yok.
Bir sonraki durumda, AI yapay zeka algoritmasının optimizasyon yinelemesi için simülasyon kullanarak oluşturduğumuz sahne verilerini paylaşmak istiyorum.PreScan sahne koşulu testi, sürülebilir alanda Boş Alan Tespiti yapmak için Nvidia PX yapay zeka algoritmasına dayanabilir. Ayrıca kullanılabilir. 3D SLAM algoritmasını test edin. Bunların arasında iki önemli teknik nokta var:
Birincisi, günümüzün yapay zeka sürüş teknolojisi, ham veri çıkışı sağlamak için mümkün olduğunca PreScan ortam algılama sensörünün geliştirme yönü olan veri füzyonu için algı sensörünün ham verilerini kullanma eğiliminde;
İkincisi, AI yapay zeka algoritması eğitim sonuçlarının kalitesinin test koşullarının sayısı ve kapsamı ile ilgili olduğunu biliyoruz.Bu nedenle, yol malzemelerinin temsili eksikliğini telafi etmek için, yol koşullarını özelleştirmek için simülasyon teknolojisinin avantajını kullanabiliriz. Eğitim setine eklenen simülasyon verileri, algoritma eğitim sonuçlarının kalitesini artırabilir.
Ürünlerimiz yükleme için piyasaya sürüldüğünde araçlar ViL ringde araç haline gelecektir. Şangaylı bir otomobil üreticisine sağladığımız milimetre dalga radar tabanlı ACC / AEB sisteminin ViL test platformudur. Böyle bir çözümün değeri nedir? Geçmişte, OEM performansı doğrulamak için çoğunlukla yol testleri ve öznel değerlendirmeler kullandı, ancak bu yöntemin bir dizi kusuru var. Örneğin, test koşullarını özelleştirmenin bir yolu yoktur. Özelleştirmeden sonra uygulamayı doğru bir şekilde kontrol etmek zordur. Uygulamadan sonra testi yeniden üretmek ve tekrarlamak da zordur. Bazen yol testi bir gün meşguldür ve yüzlerce test koşulu kullanılır ve sonuçların tümü Mutlaka çok iyi değil. ViL araç içi döngü yöntemi, yukarıda bahsedilen zorlukların üstesinden başarıyla gelir ve test verimliliğini büyük ölçüde iyileştirir. Elbette PreScan, dinamik sürüş simülatörlerini de destekleyebilir.
Simülasyon test teknolojisine ek olarak, TASS yol testlerinde de zengin deneyime sahiptir.EuroNCAP organizasyonu tarafından yetkilendirilmiş resmi bir test sitesiyiz ve AEB / LDA / ISA ve diğer sistem yönetmeliklerinde zengin deneyime sahibiz. TASS Hollanda'da, dünyanın ilk otonom sürüş yolu test sahası olan 7 kilometrelik bir otoyola dayalı otonom bir sürüş testi sahası da işletiyoruz.
Buna dayanarak, otonom sürüş testi alanının tasarım teknolojisini de çıkarabiliriz. Örneğin, Amerika Birleşik Devletleri'ndeki Michigan Üniversitesi'nden Mcity, deneme sahasının görsel tasarım ve simülasyon testi uygulamaları için PreScan'i kullandı. ACM-America Center for Mobility'de TASS, site tasarım danışmanlığı hizmetleri sunarken, Siemens ve TASS da ACM'nin yakın ortaklarıdır.
Bugün, bazı gerçek vakalar üzerinden, modellere dayalı ve çekirdek olarak PreScan simülasyon teknolojisi ile otomatik sürüş sistemlerinin ileriye dönük geliştirme ve test süreci açıklanmaktadır.
Simülasyon teknolojisi bir araç olarak büyük değer katsa da teknik açıdan pek çok zorluk da var, birkaç örnek verebiliriz.
Birincisi, sahnenin render yeteneğidir. , Bu, PreScan sahnelerinin mevcut oluşturma kalitesinin şematik bir örneğidir.Bir sonraki adımda, oluşturma yeteneklerimizi daha da geliştireceğiz. Sahne oluşturma kalitesini iyileştirmek için sahne oluşturma gerçekleştirmek için Unreal gibi oyun motorlarını kullanmayı göz ardı etmiyoruz.
İkinci olarak, test koşullarındaki tüm öğeleri kademeli olarak parametrelendirmeyi ve parametreleri açmayı planlıyoruz. , Harici bir program tarafından kontrol edilebilir, böylece çok sayıda farklı tipte test koşulu otomatik olarak kolayca oluşturulabilir.
Üçüncüsü, çevreye duyarlı sensörlerin modelleme yeteneği, sensör fiziği hakkında çok fazla ön bilgi ve deneyim gerektirir. Bu aynı zamanda PreScan simülasyon teknolojisinin dünyada öncülük ettiği önemli teknolojilerden biridir.
Kamerayı örnek alırsak, ışık kaynağından, yayılma ortamından, hedef yüzey malzemesinden, lense giren ışıktan, görüntüleme cihazına ulaşan ve hatta sonraki AD dönüşümünden görüntülemenin tüm fiziksel yönlerini simüle edebiliriz. Nihai gerçek etki çok iyidir.
Milimetre dalga radarı örnek alırsak, milimetre dalga radarının algılama özelliklerinin önce algılama doğruluğu ve çözünürlüğü sorunu, ardından hedefin yansıyan enerjisi sorunu ve ardından bir dizi ortak kusur özelliği olduğunu biliyoruz: kaçırılmış algılama, yanlış Tespit, hedef sıralama ve aşırı gecikme gibi sorunlar. Ayrıca radar anten vericisi ve alıcısının performans modellerini yayınlamayı planlıyoruz.
Lidar'ı örnek alarak, PreScan kendi algı modelini oluşturabilir ve hedef seviyesi veya nokta bulutu seviyesi sonuçlarını verebilir. Aynı zamanda ayrı bir nokta bulutu sensör modeli de sunulmaktadır.
Simülasyon teknolojisinde pek çok teknik zorluk var ve bunları tek tek özetlemem mümkün değil.
Bugün paylaşılan teknolojiler ve vakalar, model tabanlı otonom sürüş sistemi performans gelişiminin pozitif sürecinin, mühendislik gerçekliğini karşılamak için saf model simülasyonu, yarı fiziksel simülasyon, kontrollü saha testi ve yol testi sürecinden geçmesi gerektiğini tam olarak göstermektedir. Günümüzün temasını oluşturan makul ve etkili süreç: modele dayalı otonom sürüş performansı testi ve geliştirme süreci.
Otonom sürüşün teknolojik dalgası yükseliyor.Siemens-TASS'ın, eksiksiz simülasyon geliştirme araçları ve çözümleri aracılığıyla otonom sürüş ürünlerinin geliştirilmesi için iyi bir destek sağlayacağı umulmaktadır. Otonom sürüşün teknolojik dalgasının bir parçası olmak için el ele vereceğiz.
Değerli konuklar, bu benim paylaşımım, dinlediğiniz için teşekkürler, lütfen beni düzeltmekten çekinmeyin. hepinize teşekkür ederim.
