您所在的位置:首页 > 人工智能 > AET原创 > NI郭堉:平台化测试方案应对自动驾驶测试挑战

NI郭堉:平台化测试方案应对自动驾驶测试挑战

2021-08-05
作者:韦肖葳
来源:电子技术应用

【编者按】

2021年7月20日,第九届EEVIA年度中国电子ICT媒体论坛暨2021产业和技术展望研讨会在深圳顺利召开。会议邀请了来自ADI,英飞凌,艾迈斯欧司朗,NI,Qorvo,安谋科技,伏达半导体等多家公司的技术专家和高层管理者分享自家公司最新的技术与产品,与在场行业媒体和业内工程师共同探讨产业发展现状,共话半导体产业新未来。

 

作为一家拥有40多年历史的纳斯达克上市公司,NI每年在研发上的投入超过20%。汽车是NI业务体系中一个重要的事业部,国内较为知名的造车新势力目前都是NI的主要大客户。在本次会议上,NI资深汽车行业客户经理郭堉先生为观众带来了题为《平台化测试方案应对无限自动驾驶测试场景》的主题演讲。

 

NI资深汽车行业客户经理 郭堉先生

 

郭堉首先介绍了?自动驾驶测试在目前所面临的挑战。“讲到挑战,就必须提到目前非常流行的汽车行业三大零愿景:零事故,零排放,零损耗。对零事故和零损耗这两大愿景,我们的技术就显得非常重要,因为我们需要ADAS里面的传感器,包括激光雷达等感知技术,帮助我们实现L2到L4级的自动驾驶,以及识别目标物,从而做避障。” 郭堉指出。


目前自动化驾驶有四个趋势:第一,电子电气结构从原来的传感器都有ECU演变到后续都用中央域控制器进行处理;第二,目前的法规还不是特别完善,对于国内来讲,场景库搭建也不是非常完善;第三,软件定义汽车,软件的投入和软件的测试非常重要;最后,AI和深度学习,这一部分主要就是部署在ADAS里面的一些算法,通过真实的道路场景,不断优化ADAS的算法,然后更好地识别目标物,从而使安全性有更大的提升,消费者也会更加信赖NI的全自动驾驶的模式。

 


 

图 源:易维讯


由上述趋势带来的测试挑战有四点:第一,测试的复杂度日益增加;第二,自动化测试的硬件和软件需要有不断的迭代和更新,包括提供完整的工具链,帮助工程师最大化工作效率,不需要一直学习新的工具;第三,非常紧迫的测试开发流程和周期,郭堉表示,NI的汽车业务在未来会越来越朝着消费类电子的模式去发展,随着造车新势力的不断增加,公司需要快速做验证的平台来最大化测试效率;第四,更多的仿真“目前消费者对特斯拉的自动驾驶安全性还是有存很大的疑虑,我们需要很多真实的场景不断地训练算法。如果部署很多车队,让它去跑真实的道路,要花费的成本和时间无法想象,所以我们就需要构建一个非常高保真度的软件测试环境,去训练AI的算法,帮助我们识别目标物,从而达到避障和主动驾驶的功能。” 郭堉解释道,“产品的复杂度日益增加,汽车价格一直在降。所以我们必须采用新的测试方法,改变整个测试思路,不同于传统汽车的测试,我们对于ADAS全新的技术框架,需要找到一个新的测试方法。”

 

 

下图是常见的一个V字型汽车测试研发和验证流程,左边为设计环节,从最底层系统的要求,慢慢部署到每一个子部件的研发,主要会依赖于软件(包括原型验证的环节),右边是从部件的测试,再上升到整车级的,比如NVH可靠性的测试。“以往都是更多精力投入在右边的测试环节,尤其是整车测试,但是随着ADAS技术的不断完善,我们更需要的是左边,测试需求向左移,我们需要更多进行软件测试,提高测试效率。” 郭堉讲道。



接下来,郭堉为大家分析了自动驾驶测试的现状和未来。

 

 


上图是NI在5月份邀请很多公司的测试总监,测试主管做的问卷调查。问卷结论显示大家共同的需求是通过仿真测试提高效率。

 

为什么目前还不能达到未来的状态呢?郭堉指出了主要的几个难点:

 

  • 缺少高保真度的模型和场景。“没有这个高保真度的模型和场景,我们无法去媲美真实采集到的道路状况,我们通过仿真的方法没有办法保证ADAS汽车路面上和场景中跑的结果一样。” 郭堉讲道。

 

  • 目前很多厂商之间的链路没有打通,需要很多工程师去打通各个厂商之间的链路,从而测试的流程和工具链需要重新进行学习,不同的厂商需要学习不同的硬件。

 

  • 另外,中国还没有出台非常明确的法规,特别是中国特定的场景库。现在所有的场景库很多都是从欧美来的,中国急需搭建自己的高保真仿真库。


 

“下图是非常典型的做ADAS测试验证的工作流程,左边是动态的数据。我们需要把它用一套系统录制下来,录制的越真实,数据可靠性越高。录制完数据后,首先要打标签,打标签完后,就可以对数据进行重构。这里就要提到数据孪生的技术,我们可以把这个重构的数据通过软件重构为一个虚拟的场景,这个场景要求的可靠性是比较高的。另外我们可以把这个数据进行数据管理,然后进行测试。之后把这个数据和高保真场景一起进行硬件在环仿真,最后加上硬件,再进行硬件在环仿真。” 郭堉介绍道。

 

 

首先是数字孪生和仿真测试,数字孪生是目前非常火的概念。以谷歌为例,Waymo一天之内可以跑2000万英里的路程,Waymo是做L4的自动化驾驶的公司,它必须要一天之内跑大量的数据,验证它的算法是可靠的。花费大量的时间和金钱,用几千辆车去跑是不现实的。因此,99.9%的测试都是通过仿真进行,仿真测试的数据可靠性就变得十分重要。如何保证数据是真实的,可以跟真实的道路匹配,并且可以给传感器一个真实的反馈,就是上文提及的挑战。

 

 

NI在今年正式宣布收购了monoDrive公司,可以通过monoDrive的数据进行数据重构和孪生。下图是一张效果图,上面一张图是在美国奥斯汀实际录制的场景,下面一张图是通过monoDrive进行数字孪生,重构的一个高保真度的场景。“因为我们手工去创建这样的场景是非常费时费力,而且还不是真实的道路情况,没有办法还原一个真实的道路情况。monoDrive可以把树叶,栏杆,地面上的标志图形完整地复现出来。目前只有monoDrive这个软件可以做到。” 郭堉表示。

 

   

除了道路状态,monoDrive也可以仿真出天气,包括路面的一些积水状况。“我们这个monoDrive软件可以强大到把路灯,垃圾筒表面的参数系数,反射系数都实时地表现出来,甚至日落黄昏。中国幅员辽阔,每个地方都仿真的难度很大,我们需要这样一个套件,快速地帮助我们创建中国的场景,这样才可以去验证算法,非常快速地迭代ADAS的算法。” 郭堉说道。

 

光有仿真不够,NI也用软件平台做道路实时数据。目前特斯拉都是用摄像头,但是现在绝大部分OEM厂会有毫米波雷达,激光雷达,超声波雷达等传感器。当下很多的算力可以支持12路的摄像头,甚至是高清摄像头,所以对录制的要求会有造成诸多挑战,其中包括硬件接口。只有这些数据都是同步被记录下来,才是真实有效。由于数据量巨大,NI提供了PXI平台,把所有数据保存下来,并且支持把大量数据上云端,比如跨国公司的子公司要把数据重复利用,NI就可以将其上传到微软云等。

 

另外值得一提的就是硬件在环仿真(HIL)。“我们要测的对象一般都是ECU里面的控制部分,或者ECU里面的算法。我们就需要去模仿外围的设备,让ECU以为连接的是真实的电机。比如说我们用软件可以导入模型,这些模型的来源也是我们非常看中的,用数学的方式去表达。NI就提供了这样一个硬件,包括FPGA的板卡,比如说我们的电机模型需要非常快的响应,FPGA板卡就可以提供纳秒级的运算,把模型给部署到FPGA的可编程门阵列的板卡里面。编辑到系统里面可以达到毫秒级的运算,就可以跑车辆动力学模型,就可以真实的反馈车辆在虚拟场景中如何运转。接下来连到DUT,这就是用AI完整的链路和平台,包括软件去实现的一个框架。” 郭堉为大家讲解道。

 

演讲最后,郭堉表示,NI不仅基于自己的硬件和软件可以做一些测试,同样会支持友商的接口,所以NI是开放的公司,提供各种丰富的接口,作为连接者,去连接不同友商,不同协议,不同厂商的场景仿真软件,一起携手给客户提供整个交钥匙的方案。

 


此内容为AET网站原创,未经授权禁止转载。
Baidu