自動駕駛涉及廣泛的自動駕駛級別，從ADAS到完全自動駕駛（AD）。隨著自動駕駛級別的提高，測試要求也在擴大，這使得在虛擬世界中的模擬場景的需求更加關鍵。
開發(fā)這些自動駕駛應用需要多學科的技能，從規(guī)劃和控制到感知學科，如檢測、定位、跟蹤和融合。而且必須在一個支持設計、驗證和部署日益復雜的軟件環(huán)境中完成。
為了讓汽車工程師在構建自動駕駛產(chǎn)品的同時成功管理這種復雜性，需要對汽車工程進行根本性的改變，包括仿真的使用、工程師的技能以及軟件的開發(fā)和部署。
以仿真為例，它需要反映現(xiàn)實世界。而現(xiàn)實世界是非常復雜的，比如像十字路口這種典型的復雜情景。但情景只是一個起點。
接下來是創(chuàng)建一個場景，包括情景、車輛和行人、天氣和光源。接下來，需要對車輛進行建模，包括作為AV傳感器套件一部分的傳感器和車輛動力學?，F(xiàn)在你要開始模擬，允許感知、規(guī)劃和控制的算法的迭代改善。

ADAS/AD開發(fā)

很多時候，我們談到ADAS/AD開發(fā)很快就會進入到感知的話題，進而又會涉及到AI和AI建模。然而，ADAS/AD的開發(fā)不僅僅是感知。它跨越了虛擬世界（情景、場景、車輛、動力學），需要多學科的技能，使用多種工具開發(fā)算法，并將這些算法部署為軟件應用（圖1）。

此外，這些工程師往往花大量時間來開發(fā)和微調環(huán)境、車輛和算法的模型。是的，建模是工作流程中的一個重要步驟，但模型并不是過程的終點。在ADAS/AD應用的實際開發(fā)中，成功的關鍵因素是盡早發(fā)現(xiàn)任何問題，并知道工作流程的哪些方面需要集中時間和資源以獲得最佳結果。
在深入研究典型的工作流程之前，應該考慮兩個重要的旁證：

• ADAS和AD是多學科的領域，有許多開發(fā)工具和供應商。這反過來又強調了對良好的連接器的需求，以便能夠建立一個集成的仿真平臺。集成允許將所有的算法（在許多平臺上開發(fā)的）放在一起，進行系統(tǒng)仿真，以獲得洞察力。

• 除了集成，另一個關鍵要求是工具或平臺，能夠輕松實現(xiàn)可視化，以評估整個工作流程中算法的性能。

典型的ADAS/AD工作流程首先是創(chuàng)建一個情景，然后是創(chuàng)建一個包括場景、演員（車輛、行人）、天氣和光源的情景。接下來，必須對自車輛進行建模，包括屬于AV傳感器套件的傳感器以及車輛動力學（用于橫向、縱向控制）。有了這些準備，你現(xiàn)在就可以開始模擬這個場景了，這樣就可以反復完善感知、規(guī)劃和控制的算法。
在你對這些算法獲得信心之后，就可以創(chuàng)建軟件了。這些代碼要么是由工具自動生成的，要么是手寫的。然后，整合代碼，進行系統(tǒng)級仿真，以獲得對代碼在系統(tǒng)級上功能正確的信心。最后，作為測試的一部分，以交互方式或自動方式（在桌面、集群上或云上）運行模擬。

在虛擬世界中的模擬

你可能聽說過運行上百萬個場景的概念。在測試場景之前，你需要在虛擬世界中模擬一個場景，需要反映現(xiàn)實世界，這可能很復雜。一個真實的道路情景必須以一種快速和實用的方式重建，即使這個現(xiàn)實是相當復雜的（圖2）。對于AD來說，道路是情景的一個關鍵部分。

重現(xiàn)的情景需要一定的格式，以便能夠導出用于目前主流的模擬器，如CARLA、CarMaker和NVIDIA DRIVE Sim。如果你需要創(chuàng)建很長的道路情景，手動方法可能很麻煩。此時，如果有自動的方法就會很方便?，F(xiàn)在可以從HERE實時高精地圖中導入較長的3D路段。

駕駛場景可以基于這些情景編寫。場景的一個來源可能來自記錄的數(shù)據(jù)。福特通過事件識別和從記錄數(shù)據(jù)中生成場景來開發(fā)主動泊車輔助功能。同樣，通用從記錄的車輛數(shù)據(jù)中生成場景，以驗證車道居中系統(tǒng)。

你可以從記錄的數(shù)據(jù)中識別新的場景，并從CAN日志或直接從攝像頭或激光雷達中提取信息。你可以將數(shù)據(jù)可視化，然后進行標注。標注可以使用公共或自定義算法自動進行。隨后，你可以從記錄和標記的數(shù)據(jù)中確定感興趣的場景，重新創(chuàng)建模擬測試用例。這個過程通常是一個開環(huán)工作流。

此外，你可以從場景變化中確定新的場景。在這種方法中，你創(chuàng)建一個場景，然后創(chuàng)建各種場景變體并使用模擬來幫助識別感興趣的新場景，并添加到你的回歸測試中。這個過程實現(xiàn)了一個閉環(huán)的工作流。通過這些方法，你能夠識別并添加新的測試用例到你的設計和模擬工作流中。

情景和場景可以通過交互或編程方式創(chuàng)建。

虛擬世界的逼真度可以根據(jù)模擬特定用例的需要來選擇。例如，雷達的跟蹤探測可用于開發(fā)規(guī)控算法，而攝像頭的檢測可用于開發(fā)感知算法。MathWorks為虛擬世界提供了兩種環(huán)境：

• Cuboid：你可以使用Cuboid World表示法來模擬駕駛場景，使用傳感器模型，并生成合成數(shù)據(jù)來測試模擬環(huán)境中的自動駕駛算法，包括控制、傳感器融合和路徑規(guī)劃。例如，你可以利用這種方法來確定傳感器的最佳位置和傳感器的數(shù)量。

• Unreal Engine：你可以在Epic Games的Unreal Engine渲染的三維模擬環(huán)境中開發(fā)、測試和可視化駕駛算法的性能。除了Cuboid World中提到的算法外，你還可以開發(fā)和測試由不同攝像頭模型的攝像頭數(shù)據(jù)驅動的感知算法。

圖3顯示了屬于典型AV傳感器套件的傳感器。

雷達、激光雷達和攝像頭檢測物體，傳感器和檢測結果對應于不同的模擬環(huán)境。位置傳感器可以在這兩種仿真環(huán)境中使用。為了模擬車輛動力學，你需要多軸車輛、卡車和拖車、動力系統(tǒng)、轉向、懸掛、車輪和輪胎的模型。

重申一下，開發(fā)虛擬世界包括創(chuàng)建情景、創(chuàng)建場景、對傳感器進行建模以及對車輛動力學進行建模。這個過程是可擴展的，使用戶可以靈活地應用他們領域的專業(yè)知識，而不必成為其他領域的專家。

建立多學科的技能

AV開發(fā)的多學科性質要求ADAS/AD算法存在于一個更大的系統(tǒng)中，并能與汽車系統(tǒng)的其他組成部分互操作。在ADAS/AD應用中，你不僅有檢測對象（行人、汽車、停車標識）的感知系統(tǒng)，而且這個系統(tǒng)必須與其他系統(tǒng)集成，以進行定位、路徑規(guī)劃、控制等等。

開發(fā)這個復雜的系統(tǒng)需要多學科的技能來開發(fā)ADAS/AD功能的算法，如ACC、AEB，以及更高層次的功能，如高速公路變道和自動泊車/代客泊車。圖4顯示了AD功能的幾個例子。

這些算法涵蓋了規(guī)劃、控制和感知等學科：

• 規(guī)劃和控制：包括運動規(guī)劃、決策邏輯以及縱向和橫向控制。

• 感知：涉及檢測、物體跟蹤和傳感器融合及定位。

Automated Driving Toolbox中包含的例子可以作為一個框架，幫助你開始設計自己的ADAS/AD功能。剛進入汽車行業(yè)的工程師需要了解典型的車輛和它的子系統(tǒng)，如控制系統(tǒng)。例如，他們可以利用Control System Toolbox快速開始設計控制系統(tǒng)，并利用Vehicle Dynamics Blockset組進行車輛動力學建模。

考慮到ADAS/AD系統(tǒng)的復雜性和快節(jié)奏的軟件開發(fā)周期，從其他領域進入這個領域的工程師可以通過Automated Driving Toolbox和Sensor Fusion and Tracking Toolbox等工具快速開始學習。此外，他們能夠開始開發(fā)先進的控制系統(tǒng)算法，如使用Model Predictive Control Toolbox開發(fā)Model Predictive Control（MPC）算法。

考慮一下高速公路變道的例子。開發(fā)這個功能的工作流程需要你從綜合Cuboid World中的場景，到設計規(guī)劃器，到使用MPC設計控制，到對車輛動力學建模，最后到可視化結果，通過仿真獲得洞察力。

另一個例子是代客泊車。開發(fā)這個功能的工作流程需要你從路徑規(guī)劃到軌跡生成，再到車輛控制。這個領域的其他例子包括使用非線性MPC的軌跡生成和跟蹤，以及使用強化學習的自動搜索和停車任務的控制器。

像MATLAB和Simulink這樣的工具為工程師提供了在迭代環(huán)境中所需要的支持。雖然算法和預建模型是一個好的開始，但它們不是完整的畫面。工程師們要學習如何使用這些算法，并通過實例找到適合他們具體問題的最佳方法。

規(guī)控算法是由跟蹤和融合算法驅動的。圖5顯示了典型的檢測。

你可以利用圖5中提到的例子和工具來設計跟蹤和融合算法，將雷達、激光雷達和攝像頭等傳感器的檢測結果轉換為物體、車道和網(wǎng)格等跟蹤信息。

可以從攝像頭和激光雷達數(shù)據(jù)中設計檢測和定位算法。此外，可以利用地圖和慣性融合來加強定位。圖6顯示了AD的檢測和定位算法的設計。

請注意，激光雷達被用來開發(fā)更高級別的自動駕駛功能，或作為額外的傳感器來驗證低級別自動駕駛功能的檢測。傳感器檢測到的輸出作為定位的輸入。這些輸出也被用于與地圖數(shù)據(jù)相關聯(lián)，以改善定位算法。

你可以把來自攝像頭和激光雷達的檢測，以及HERE實時高精地圖數(shù)據(jù)和GPS，用來提高車輛定位的準確性。在一些沒有地圖信息的情況下，你可以依靠SLAM，使用來自激光雷達和攝像頭的數(shù)據(jù)。

交付ADAS/AD軟件

仿真和準確性測試是驗證系統(tǒng)正常工作的關鍵，并且在部署到現(xiàn)實世界之前，要讓所有的東西都能在一個系統(tǒng)中很好地協(xié)同工作。為了在部署前建立這種水平的準確性和穩(wěn)健性，工程師們必須確保系統(tǒng)在任何情況下都能以其預期的方式響應。在這個階段，你應該問的問題是：

• 每個算法/功能的整體性能是什么？

• 系統(tǒng)的整體性能是什么？

• 它在每種情況下的表現(xiàn)是否符合預期？

• 它是否涵蓋了所有的邊緣場景？

一旦算法在功能上是正確的，它們就需要作為嵌入式軟件來實現(xiàn)。在生成代碼之前，將規(guī)范添加到模型中，以確保仿真模型和實現(xiàn)的代碼在整個開發(fā)過程中保持功能上的一致性。

算法必須準備好最終的實現(xiàn)語言。這個指定的硬件環(huán)境可以是從桌面到云、邊緣或深度嵌入式設備。實施的靈活性為工程師提供了在各種環(huán)境中部署其算法的余地，而不必重寫原始代碼。

工程師可以將他們的算法部署為獨立的可執(zhí)行文件（包括web應用）或代碼（C、C++、GPU的CUDA代碼、HDL），用于面向服務的架構（ROS、AUTOSAR）和實時硬件（CPU、GPU、FPGA）。使用這些部署，你可以與150多個工具接口集成。還可以與CAN、FMI/FMU、Python和ONNX集成。此外，還需要工具來適應常見的軟件開發(fā)工作流，如持續(xù)集成、自動測試、代碼分析和ISO 26262（圖7）。

總結

一旦你成功地模擬和測試了所有你希望算法/功能和系統(tǒng)看到的用例，并且能夠驗證它們的性能，信任就實現(xiàn)了。一個測試工作流應該包括與需求的鏈接，單元級的評估，以及單元的集成，然后是系統(tǒng)層面的評估。評估應該包括功能評估和代碼評估。

工程師可以根據(jù)需求在純模擬模式（模型在環(huán)）、軟件在環(huán)、處理器在環(huán)、硬件在環(huán)或真實系統(tǒng)本身進行系統(tǒng)測試。由于有成百上千的場景需要測試，AD工程師將從自動化測試中獲益，而不是手動運行它們。

這個自動化測試的例子顯示了如何評估ADAS/AD功能，方法是根據(jù)需求定義場景，自動測試組件和這些組件生成的代碼。這樣的測試自動化也能很好地與持續(xù)集成工具如Jenkins配合。

開發(fā)ADAS/AD應用是一個令人興奮的領域，它匯集了多個工程學科。它也引入了汽車行業(yè)以前沒有見過的復雜性。為了讓汽車工程師在構建ADAS/AD應用時成功管理這種復雜性，需要對汽車工程進行根本性的改變，包括仿真的使用、工程師的技能以及軟件的開發(fā)和部署。

工程師們需要工具來驗證功能或系統(tǒng)在所有預期的用例中都能正常地工作，避免重新設計，因為這在成本和時間上都是昂貴的。MATLAB、Simulink和RoadRunner可以幫助工程師駕馭這些不同的學科，并成功地開發(fā)和將ADAS/AD應用推向市場。

智駕之芯：滿足功能安全的車規(guī)級芯片研發(fā)流程

[參考文章]

Building Key Competencies for Autonomous-Vehicle Development — Govind Malleichervu