引 言

隨著近幾年的技術(shù)發(fā)展，智能駕駛已然成為眾多汽車品牌競(jìng)相研發(fā)的前沿領(lǐng)域，目前市面上配備智能駕駛輔助系統(tǒng)的量產(chǎn)車也越來(lái)越多。然而，我們也知道對(duì)于（高階）智能駕駛系統(tǒng)、以及無(wú)人駕駛這個(gè)終極目標(biāo)而言，如何更高效地展開測(cè)試也是行業(yè)一直以來(lái)的痛點(diǎn)之一。眾所周知，現(xiàn)在沒(méi)有一個(gè)明確的標(biāo)準(zhǔn)定義為了達(dá)到系統(tǒng)的安全性到底需要測(cè)試多少里程、多少場(chǎng)景。因此，依靠傳統(tǒng)的公路實(shí)車測(cè)試顯然很難滿足測(cè)試需求，而利用仿真測(cè)試作為重要的補(bǔ)充手段，已經(jīng)成為汽車企業(yè)必不可少的選擇。

仿真的意義

為什么說(shuō)公路實(shí)車測(cè)試已經(jīng)不能滿足測(cè)試需求，而只能引入仿真呢？至少以下幾個(gè)要點(diǎn)：

一、安全考慮，智能駕駛車輛的測(cè)試含有很多危險(xiǎn)工況（對(duì)于駕駛員，也對(duì)于其他道路使用者），如果沒(méi)有經(jīng)過(guò)測(cè)試就直接上路，危險(xiǎn)極大。而仿真提供了一個(gè)很安全的驗(yàn)證方法。

二、效率考慮，據(jù)有些企業(yè)報(bào)道至少需要跑幾千萬(wàn)公里甚至上億公里的測(cè)試才有可能保證安全。而當(dāng)下整車開發(fā)的周期相較于多年之前是在不斷縮短的，因此如何提高測(cè)試效率成為了關(guān)鍵。正好仿真測(cè)試具備自動(dòng)化（可以24小時(shí)不間斷運(yùn)行）、超實(shí)時(shí)（仿真世界的1s可以是真實(shí)世界的n倍速）、可并發(fā)（或者說(shuō)并發(fā)的成本比實(shí)車測(cè)試大大降低）的優(yōu)勢(shì)，可以大大彌補(bǔ)實(shí)車測(cè)試的覆蓋里程。

三、測(cè)試邊界考慮，真實(shí)道路中有很多Corner case可能無(wú)法覆蓋，或者場(chǎng)景的搭建難度很大，而利用仿真，就可以輕松構(gòu)建此類場(chǎng)景，可以有效擴(kuò)展測(cè)試的邊界。

仿真現(xiàn)存的問(wèn)題

當(dāng)然，仿真也不是完美的，它也存在一些問(wèn)題。比如，仿真與實(shí)車測(cè)試的差距有多少？差距達(dá)到多少算是可以接受？這是用戶最常問(wèn)的問(wèn)題。要回答這個(gè)問(wèn)題，我們首先得了解仿真世界運(yùn)行的原理。

假設(shè)，我們希望搭建模型的置信度很高，可以很好地貼近真實(shí)情況。那么顯而易見此模型肯定會(huì)很復(fù)雜，因?yàn)樗枰紤]地很周全。雖然可以縮小和真實(shí)的差距，但是又會(huì)存在運(yùn)算周期的問(wèn)題——無(wú)法實(shí)時(shí)。無(wú)法實(shí)時(shí)這一點(diǎn)就大大限制了仿真測(cè)試的應(yīng)用，因?yàn)樵谟布诃h(huán)（HIL）、車輛在環(huán)（VIL）的階段它根本就用不了。比如FTire輪胎模型，它對(duì)輪胎-地面的整體接地面進(jìn)行建模，比只考慮一個(gè)輪胎-地面接觸點(diǎn)的Realtime tire具有更加逼近真實(shí)輪胎的工作特性，但是它沒(méi)辦法實(shí)時(shí)運(yùn)算，在HIL,VIL測(cè)試中沒(méi)辦法使用而通常采用Realtime tire。所以，為了能夠運(yùn)行仿真，在當(dāng)下的計(jì)算水平限制下，必須有所取舍。

如何利用仿真

因此，市場(chǎng)上有些聲音會(huì)說(shuō)“如果不能貼近真實(shí)，仿真就沒(méi)有意義”，這句話有些極端。仿真可以覆蓋絕大多數(shù)的功能測(cè)試，對(duì)于性能測(cè)試而言會(huì)有一些局限，我們完全可以采取“分而治之”的思路來(lái)對(duì)待實(shí)車測(cè)試和仿真測(cè)試。我們不是要用仿真測(cè)試去取代實(shí)車測(cè)試，而是去補(bǔ)充實(shí)車測(cè)試。特別是在智能駕駛測(cè)試中，如果沒(méi)有經(jīng)過(guò)仿真測(cè)試就直接上路，也可視為非常不負(fù)責(zé)任的做法。原因很簡(jiǎn)單，如果仿真世界都bug百出，實(shí)車測(cè)試會(huì)超常發(fā)揮的概率有多大？

回到上文那兩個(gè)問(wèn)題，目前只能說(shuō)這兩個(gè)問(wèn)題都是未知的，還有待產(chǎn)業(yè)界、學(xué)術(shù)界地進(jìn)一步探索。前陣子筆者就有幸去奧地利的TU Graz參加了關(guān)于仿真置信度的技術(shù)討論，目睹了那邊產(chǎn)業(yè)界和學(xué)術(shù)界是如何通過(guò)有效合作來(lái)共同推動(dòng)仿真測(cè)試技術(shù)的落地應(yīng)用。

案例分享

下面筆者就從TU Graz的技術(shù)分享中提取關(guān)鍵要點(diǎn)進(jìn)行闡述，他們的應(yīng)用具有非常高的指導(dǎo)性，真真切切呼應(yīng)了IPG的Purpose-driven fidelity理念。

此案例是TU Graz的Arno Eichberger教授及其李赫瑄博士的成果展示，其研究課題正好跟我們今天的話題強(qiáng)相關(guān)《Closing the Simulation to Reality Gap in ADAS Testing》。

圖 1. Arno教授分享主題

為了更好地了解其課題背后的動(dòng)機(jī)，這里對(duì)作者及其單位做一個(gè)簡(jiǎn)單的介紹，Arno Eichberger教授隸屬于TU Graz汽車工程學(xué)院，主要研究方向是ADAS傳感器和控制器開發(fā)及測(cè)試，以及人機(jī)交互等方面（1）。特別是在建模和仿真測(cè)試領(lǐng)域有多年的研究和項(xiàng)目經(jīng)驗(yàn)。李赫瑄博士是中國(guó)人，在TU Graz攻讀博士之前，曾任職于主機(jī)廠的ADAS仿真及測(cè)試部門，擁有多年的實(shí)戰(zhàn)經(jīng)驗(yàn)。

圖 2. Arno教授團(tuán)隊(duì)的研究方向

他們的研究方法主要包含三個(gè)步驟，分別是場(chǎng)地測(cè)試、離線仿真測(cè)試和車輛在環(huán)測(cè)試。研究目標(biāo)有兩個(gè)，一是進(jìn)行傳感器建模及驗(yàn)證，二是探索利用VIL測(cè)試方法減少仿真與實(shí)車測(cè)試的差距。為了對(duì)比仿真與實(shí)車測(cè)試的差距，課題組首先在場(chǎng)地中做了一系列測(cè)試，收集到了一系列的數(shù)據(jù)（包含傳感器數(shù)據(jù)和車輛運(yùn)行數(shù)據(jù)），此數(shù)據(jù)一方面可作為后續(xù)對(duì)比試驗(yàn)的參照，同時(shí)也可以驅(qū)動(dòng)感知模型的建模和用來(lái)創(chuàng)建數(shù)字孿生的仿真場(chǎng)景。

圖 3. 課題研究方法概述

A.   傳感器建模及驗(yàn)證

場(chǎng)地測(cè)試結(jié)束之后，通過(guò)IPG的ScenarioRRR，對(duì)場(chǎng)地和環(huán)境進(jìn)行數(shù)字孿生，在CarMaker中重構(gòu)與真實(shí)場(chǎng)地測(cè)試相同的測(cè)試環(huán)境。同時(shí)，還利用真實(shí)采集數(shù)據(jù)進(jìn)行感知模型的訓(xùn)練，他這里采用機(jī)器學(xué)習(xí)方法對(duì)傳感器輸出的目標(biāo)列表進(jìn)行殘值建模，最后將此訓(xùn)練模型集成到CarMaker中進(jìn)行仿真實(shí)驗(yàn)，與CarMaker的真值系統(tǒng)進(jìn)行對(duì)比，最終評(píng)判其感知結(jié)果的置信度。

這里需要指出的是，課題組之所以利用目標(biāo)列表進(jìn)行訓(xùn)練，而不是采用原始數(shù)據(jù)，其原因是他們最終的目的是驗(yàn)證ADAS功能，因此課題組最關(guān)心的是此感知模型能夠趨近于真實(shí)傳感器輸出的結(jié)果，而對(duì)傳感器具體的工作原理不做具體探索。這就是一種基于目的來(lái)選擇建模精度的真實(shí)案例。

圖 4. 傳感器建模及驗(yàn)證工作流

當(dāng)然，他們還將CarMaker的HIFI Radar與真實(shí)采集數(shù)據(jù)和其訓(xùn)練模型做對(duì)比，這里課題組采用特征值（下圖的longitudinal distance）對(duì)比，從下圖可見，三者之間具有較好的相似性。但是，要評(píng)價(jià)仿真與實(shí)車測(cè)試的差距究竟是多少不能光從趨勢(shì)判斷，需要有更加理性的量化指標(biāo)來(lái)評(píng)價(jià)。這里課題組嘗試采用Pearson-correlation coefficients, Cross-correlation coefficients，以及Chebyshe distance方法對(duì)特征值進(jìn)行量化分析。這是一個(gè)非常有意義的嘗試，因?yàn)槟壳霸谡麄€(gè)行業(yè)內(nèi)，尚沒(méi)有統(tǒng)一的量化指標(biāo)來(lái)評(píng)價(jià)仿真與實(shí)車測(cè)試的差距。因此，課題組在這里只是做了一個(gè)他們的嘗試，采用上述三種指標(biāo)來(lái)進(jìn)行量化分析。本文不對(duì)課題組的量化分析結(jié)果做過(guò)多的描述，感興趣的朋友可以查看課題組發(fā)表的相關(guān)論文（2）。

圖 5. 模型數(shù)據(jù)與實(shí)采數(shù)據(jù)的對(duì)比

B．探索利用VIL測(cè)試方法減少仿真與實(shí)車測(cè)試的差距

我們不禁會(huì)問(wèn)，為什么VIL測(cè)試方法能夠減少仿真與實(shí)車測(cè)試的差距？我們都知道在汽車開發(fā)V流程的右半分支是真實(shí)部件不斷遞增的階段，到了VIL階段我們已經(jīng)有真實(shí)的樣車了。對(duì)于ADAS測(cè)試而言，最關(guān)鍵的兩部分分別是感知模塊和執(zhí)行模塊，感知模塊在上一步中已經(jīng)與真實(shí)采集數(shù)據(jù)進(jìn)行了對(duì)比，數(shù)據(jù)具有較高的置信度。那么就剩下執(zhí)行模塊了，執(zhí)行模塊的建模（即整車的建模）因模塊眾多而具有比較高的難度。這么看來(lái)，的確引入真實(shí)車輛是最省事的方法，避免了整車建模的復(fù)雜性。

課題組在此使用了軸耦合測(cè)功機(jī)臺(tái)架來(lái)進(jìn)行VIL的搭建，國(guó)內(nèi)可能更喜歡稱之為靜態(tài)VIL。值得注意的是，課題組還破解了待測(cè)車的ESP通訊，可以將仿真的車身姿態(tài)和輪速注入ESP，從而讓ESP也能正常在臺(tái)架中正常工作，這樣一來(lái)就能在臺(tái)架上進(jìn)行一些如對(duì)開路面和低附路面的測(cè)試。這是這個(gè)臺(tái)架的一個(gè)特點(diǎn)，我們?cè)谥皠e的靜態(tài)VIL中還沒(méi)有見過(guò)類似的案例。因此，此臺(tái)架可以覆蓋更多的測(cè)試場(chǎng)景。

圖 6. 課題組所使用的測(cè)功機(jī)臺(tái)架

同時(shí)，課題組還引入了交通流仿真工具Vissim，能夠給主車提供更多交通壓力測(cè)試場(chǎng)景（具有隨機(jī)、不可預(yù)知的交通場(chǎng)景）。交通流的引入可以更加真實(shí)地還原日常駕駛場(chǎng)景，而不局限于抽象場(chǎng)景的測(cè)試。針對(duì)測(cè)試中遇到的危險(xiǎn)場(chǎng)景，還可以單獨(dú)篩選并且進(jìn)行泛化。

據(jù)課題組透露，針對(duì)他們挑選出來(lái)的278個(gè)典型工況，如果在封閉場(chǎng)地中測(cè)試至少需要數(shù)周，而利用此VIL臺(tái)架，只需要2-3天就可以完成所有工況。

TU Graz課題組的研究從ADAS測(cè)試最關(guān)鍵的兩個(gè)部分著手，又從產(chǎn)業(yè)應(yīng)用的角度去分析仿真與實(shí)車測(cè)試的差距?？吹贸鰜?lái)，他們的研究絕不僅僅是理論研究，還具有非常強(qiáng)的應(yīng)用實(shí)踐意義。國(guó)內(nèi)也已經(jīng)有在部署類似的測(cè)試手段，比如國(guó)汽智聯(lián)（CICV）的靜態(tài)VIL，也是相類似的解決方案。課題組的另外一個(gè)貢獻(xiàn)則是提出了三個(gè)量化指標(biāo)來(lái)分析仿真與實(shí)車測(cè)試的差距，要想回答前面提出的那兩個(gè)問(wèn)題，目前的實(shí)踐還遠(yuǎn)遠(yuǎn)不夠，還有待產(chǎn)業(yè)界和學(xué)術(shù)界進(jìn)行更加深入地探索。

因此，在當(dāng)前的階段，我們應(yīng)該著眼于合理分配不同的仿真測(cè)試方法論，以期達(dá)到測(cè)試效率最大化的結(jié)果。而不是待到仿真與實(shí)車測(cè)試的差距明確后，再來(lái)考慮是否采用仿真測(cè)試。Arno教授提到作為行業(yè)測(cè)試的金標(biāo)準(zhǔn)，在環(huán)測(cè)試方法論已經(jīng)得到產(chǎn)業(yè)的認(rèn)可。同時(shí)在環(huán)測(cè)試方法論的應(yīng)用也需要具體問(wèn)題具體分析，IPG的CarMaker可以覆蓋MiL、SiL、HiL、ViL各階段的測(cè)試，同時(shí)IPG也具有三十多年的工程服務(wù)經(jīng)驗(yàn)，可以針對(duì)每一個(gè)測(cè)試節(jié)點(diǎn)為用戶提供咨詢服務(wù)。在這里，也非常歡迎全行業(yè)的共同探討。

圖 7. 金標(biāo)準(zhǔn)之X-in-the-loop測(cè)試

對(duì)于仿真與實(shí)車測(cè)試的差距，影響因素很多。就目前來(lái)看，我們需要在Accuracy和Efficiency之間采取平衡。在開展在環(huán)測(cè)試之前，需要分析測(cè)試的目的是什么，然后基于目的去分析該如何建模。

圖 8. 平衡仿真與實(shí)車測(cè)試差距的影響因素

參考文獻(xiàn)

（1）https://www.tugraz.at/en/institutes/ftg/forschung/adas-automated-driving-driver-assistance-systems

（2）Bamminger,N.,Li,H.,Wan,L.,Magosi,Z.F.,Eichberger,A.(2031,May).evaluationofPerceptionSensorModelPerformanceinSimulationbasedonExperimentalFindings.(2023)ZIRP2023.SubmittedtoZIRPconferenceon21.05.2022.

https://doi.org/10.13140/RG.2.2.31850.29125