作者 | Br1anQ、Chrans

小編 | 不吃豬頭肉

引言
自動駕駛功能的開發(fā)和評估在汽車行業(yè)內(nèi)已經(jīng)很常見了。尤其是自動泊車功能，其低速和小范圍操作使得更容易用自動方式實現(xiàn)。但是，想要讓使用者滿意，這些功能必須能夠順暢地執(zhí)行，至少要與人類駕駛員一樣快。本文將介紹德國MdynamiX及其合作伙伴聯(lián)合實現(xiàn)的適用于實驗室開發(fā)的實車在環(huán)（ViL）方法，以支持自動駕駛功能一致性開發(fā)和評估。ViL方法的應(yīng)用
無論是部分自動化，還是全自動化，泊車功能自動化水平不斷增加。盡管泊車時車速不高，但是測試自動泊車功能復(fù)雜且高成本，因為泊車場景種類眾多。為了確保所有交通參與者的安全，不同車輛、不同環(huán)境、不同情況下的泊車，比如倒車入庫、側(cè)方停車，帶來了諸多挑戰(zhàn)。如果想要測試所有這些場景，測試將很復(fù)雜。比如兒童出現(xiàn)在視野盲區(qū)的測試場景，很難正常進行實際測試。
出于這些原因，有必要通過虛擬場景找到合適的解決方案，在所有開發(fā)階段，以合理的經(jīng)濟成本，驗證和評估相關(guān)功能。

實車在環(huán)（ViL）方法提供了可行的方案。ViL方法結(jié)合了實車測試和計算機仿真的優(yōu)勢。真實車輛的運動（被測車輛），包括所有子組件，被傳輸?shù)椒抡嬷校沟迷谔摂M世界中的被測車輛的駕駛能夠模擬真實物理世界的駕駛，而不需要參數(shù)化復(fù)雜的車輛模型。仿真的虛擬環(huán)境將注入被測車輛的真實傳感器，使得被測車輛能夠感知并響應(yīng)虛擬環(huán)境。從而全面測試自動泊車控制功能與車輛執(zhí)行器之間的交互。由于ViL使用虛擬環(huán)境，設(shè)計場景具有很高的靈活性，利于關(guān)鍵安全場景的設(shè)計。

MXeval——KPI評估
為了全面比較手動和自動停車操作（部分自動或全自動），需要一種標準化的評估方法——階段模型方法，將停車操作劃分為獨立部分。除了階段模型之外，需要客觀的關(guān)鍵性能指標（KPI）進行評估。MdynamiX的MXeval分析軟件正是滿足這樣的要求，不僅能夠用于車輛動力學(xué)和自動橫向和縱向引導(dǎo)駕駛功能的評估，而且包含用于自動停車的測試庫?？梢源_定具體的評價標準和要追求的目標值，并將其納入評價程序。對測量數(shù)據(jù)的評估以全自動模式高效地進行，根據(jù)需求，可以在實車環(huán)境中或遠程連接進行。除了評估圖表之外，KPI也是一覽無余。所有評估結(jié)果最終都會保存在報告中。整體的評估過程如下圖所示。
圖3 MXeval軟件評估流程 結(jié)果
本測試中，被測車輛在真實和虛擬環(huán)境中都進行操作。在圖4和圖5中，展示了八組測量值的比較，每組測量值都是針對實際的停車位，及其對應(yīng)的虛擬車位，進行側(cè)方停車得到的。圖4顯示，各測量結(jié)果表現(xiàn)出一致的趨勢。進一步比較可以看到，測量結(jié)果非常相似，尤其是在初始運動時刻，只有細微的差異。例如瞬時車速KPI，在實車和仿真中幾乎相同。
此外，圖4顯示了初始運動后續(xù)時刻的速度曲線相似。初始運動的最大速度和瞬時速度都比較相近。真實環(huán)境中的平均速度為3.43公里/小時，虛擬環(huán)境中為3.49公里/小時。
圖4 八組側(cè)方停車車速對比

值得注意的是，在真實和虛擬環(huán)境，比較整個操縱過程中的方向盤轉(zhuǎn)角輸入，發(fā)現(xiàn)四組測量值，在初始移動（時間點0到16s）中幾乎相同，如圖5所示。然而在16s之后，方向盤轉(zhuǎn)角輸入出現(xiàn)顯著差異。這些差異可歸因于實車手動轉(zhuǎn)方向盤沒有轉(zhuǎn)向機器人——手動轉(zhuǎn)方向盤的基準差異很大是很常見的。特別是對于停車輔助系統(tǒng)，即使是同一車輛，起始位置起著決定性作用，導(dǎo)致不同停車策略和軌跡。此時，使用轉(zhuǎn)向機器人可能是有利的。

圖5 八組側(cè)方停車方向盤轉(zhuǎn)角輸入對比
有多種KPI用于評估停車輔助系統(tǒng)。其中一些是決定性的，尤其是對于初始運動。表1展示了部分KPI。同樣，實車和仿真兩種環(huán)境的KPI非常相似是顯而易見的。表1 停車輔助系統(tǒng)部分KPI總體而言，ViL方法，不僅是由于法規(guī)要求，出于驗證目的仿真愈發(fā)重要，而且也為傳統(tǒng)的實車測試提供了有效的補充和/或替代方案。

總結(jié)與展望
本文中MdynamiX及其合作伙伴共同呈現(xiàn)的這一測試方案，可作為大多數(shù)自動駕駛功能的基礎(chǔ)，能夠在所有開發(fā)階段，評估功能開發(fā)的成熟度，驗證功能目標的實現(xiàn)。它能夠有效地比較不同實車和仿真的結(jié)果，并驗證仿真質(zhì)量。此方案使得真實和仿真車輛行為高度一致變?yōu)榭赡堋?/span>
此外，ViL方法也適用于其他基于傳感器的高級駕駛輔助系統(tǒng)。尤其是在安全相關(guān)測試中，例如NCAP測試，ViL方法顯示出巨大的降本潛力。隨著要求變得更加復(fù)雜，將出現(xiàn)新的、高風(fēng)險操作，ViL方法的好處可能更加深遠。