【经验】如何使用自动驾驶仿真平台将ADAS功能推向5级？

先进的驾驶辅助系统 (ADAS全称為Advanced Driver Assistance System) 和自动驾驶汽车融合了来自各个领域的大量先进技术，例如：
• 传感器融合了无线电探测和测距（RADAR）、光探测和测距（LIDAR）以及光学传感器（摄像头）。
• 高速信息系统融合了汽车以太网、强大的信号处理功能、具有高精度导航功能的高清（HD）地图，以及人工智能（AI）。
• 汽车通信则包括车辆到车辆（V2V）、车辆到网络（V2N）、车辆到基础设施（V2I）、车辆到行人（V2P）、车辆到公用事业（V2U）以及车辆到一切（V2X）之间的通信。

每一种传感技术都有其优点和局限性，汽车行业不能仅依赖于一种传感技术。自动驾驶汽车行业的大多数领先企业都将这全部三种传感技术结合使用，以确保其自动驾驶系统在距离、分辨率和稳定性方面获得可靠的综合数据。

自动驾驶汽车将带来巨大好处，比如挽救生命、让驾驶更安全，同时开发人员也需要证明他们的关键技术是非常安全而可靠的。最近发生了第一起与自动驾驶汽车有关的车祸并导致行人死亡，因此引发了大众的担忧。如果自动驾驶汽车不能证明其机器错误接近于零，那么无论它们在多大程度上减少了人为因素导致的事故，大众和监管机构将不会放心自动驾驶汽车的大规模普及。为了解决这些问题，自动驾驶仿真工程师必须实施最可靠的全天侯传感器技术。他们还必须使用出色的仿真和测试解决方案，检验和证明自动驾驶的准确性与可靠性。

业界对互联自动驾驶汽车 (CAV) 的市场前景仍保持乐观。然而，这种积极态度的前提是消费者、监管机构和保险业必须对此项技术抱有坚定的信心。要想充满信心地设计高级驾驶辅助系统 (ADAS)，您必须要进行数亿英里的实际路测或仿真路测，彻底验证新设计在各种极端情况的性能表现。

ADAS是什么？

ADAS（先进驾驶辅助系统）是一套电子系统，能够为驾驶员在驾驶时提供辅助，同时消除可能的人为误差。 ADAS 使用各种传感器收集的数据来感知车辆周围的世界，向驾驶员提供信息或在必要时采取行动。 ADAS功能包括盲区检测、两侧来车预警和前车碰撞预警等，这些功能的重点是确保驾驶员安全。

什么是自动驾驶系统？

自动驾驶系统是指能够在没有任何人工干预的情况下感知周围环境并导航的自动驾驶车辆。 自动驾驶车辆通常配备摄像头、GPS、雷达传感器和激光雷达传感器等各种传感技术。 自动驾驶技术根据特性和功能可划分为 L0 到 L5 级 (参考图1）。

更快完成更多测试，增强 ADAS功能

维基百科强调了一点：ADAS需要传感器才能感知车辆周边环境和当前驾驶状况，从而做出正确决策。 “高级驾驶辅助系统 (ADAS) 是帮助驾驶员驾驶和停泊汽车的电子系统。 借助安全的人机界面，ADAS可以提高汽车和道路的安全性。ADAS系统使用传感器和摄像头等自动化技术来探测附近的障碍物或驾驶员的错误， 并做出相应的响应。”

如今，业界使用基于软件的仿真系统来开发和测试 ADAS功能。然而，传统的集成和系统级测试无法确保 ADAS 能够在真实条件下正常发挥作用。此外，这些测试通常在开发过程的后期进行，一旦设计发生变更会导致测试时间和成本大大增加， 并可能延误生产启动。

为了按时启动生产，我们首先需要在开发过程早期执行较高层级的场景测试，最好尽量减少使用稀缺和昂贵的原型车辆。对真实条件进行详细仿真有助于在车辆上路行驶之前，对整个子系统进行彻底的调试和故障诊断。准确的自动驾驶仿真能够让您在实验室中便可对摄像头系统（例如逼真的视觉场景）和雷达系统（例如移动静止物体时的反射）进行全面测试。在创建此类仿真时，一种称为光线追踪的技术不可或缺。

如何打造更高级别的自动驾驶?

ADAS 的目标不只是协助驾驶员，还包括最终实现全自动驾驶。汽车工程师学会 (SAE) 是移动性行业技术学习的全球领导者，他们在 SAE J3016 中将自动驾驶划分为五个等级。图1概述了自动驾驶的五个等级。

自动驾驶的等级越高，对驾驶员注意和干预驾驶的依赖性就越少。

业界认为，自适应巡航控制系统属于 L1 级，特斯拉自动驾驶系统属于 L2 级。梅赛德斯刚刚宣布，他们将为新S级汽车配备自动驾驶系统，该系统能在某些条件下实现 L3 级自动驾驶。 插图下方的表格给出了实现不同等级的自动驾驶所需的传感器数量。其中，由于开发工作尚未完成，L4 和 L5 包含估计值。

美国汽车协会 (AAA) 对不同品牌的五款不同汽车可以使用的 ADAS 进行了性能测试。测试结果总的来说相当令人失望：

• 在可控的封闭道路评测中，每台测试车辆的 ADAS系统基本上都表现正常，符合使用手册的规定；

• 而在公共道路（大部分是高速公路）上进行的测试中，大约 4,000 英里的试驾里程内总共记录到 521 次事件，大约每8英里发生一次事件。最值得注意的是，73%的事件与系统的车道保持功能有关。

ADAS验证面临的挑战

AAA 得出结论是ADAS功能造成的干扰大于其提供的协助。此前的测试认为 ADAS功能在受控环境下能发挥预期的作用，如今这一严肃的结论推翻了此前的测试结果。不出意料的话，在之前的开发周期中，厂家已经对这些场景进行过测试。然而，AAA 的试驾结果也表明，要想测试 ADAS功能在公共道路上可能遇到的各种驾驶场景中的表现难度极高。

自动驾驶仿真工程师在验证 ADAS设计时面临以下几大挑战：

• 很难提供足够高的测试覆盖率来囊括不计其数的潜在真实场景。

• 未来，全自动驾驶（即 L5 级）的部署需要增加大量的车载传感器。因此，验证全自动驾驶系统将需要越来越复杂的测试装置。

为了应对这些挑战，我们不妨仔细研究一下汽车开发周期，并重点关注其中的验证环节。图3 中的图来自 ISO 26262 框架。该图称为 V模型，它描述了一个重点确保ADAS功能安全性的开发周期：

模型的左上角给出了系统的整体定义，往下是硬件和软件的系统级和元器件级设计。模型的底部是原型的构建以及最终实现。V 模型的右侧是验证部分，从下往上分别是单个元器件的测试、子系统测试以及整个系统的测试。

管理测试的累积成本

当自动驾驶仿真工程师从模块测试转向系统验证时，他们可能会从纯粹的仿真开始，尤其是在涉及软件测试时。 然而，当他们沿着 V 模型往上进行子模块以及最终完整系统的验证时，软件必须与真正的硬件进行交互。 验证这种交互需要使用更复杂的测试系统，相应的测试成本也会增加。

为了抵消这些潜在的成本，我们可以按照 V 模型所示，在验证周期尽早发现设计缺陷。这不仅有助于最大限度降低验证测试的成本，还有助于防止在验证后期才发现问题，为此付出高昂代价进行修正。 即便如此，整个系统的验证仍然需要对完全集成的车辆进行道路测试。

这种方法存在两个值得注意的缺点：

一是如上所述，成本非常高；二是在随机的真实环境下获得的结果不容易重现。如果被测系统存在间歇性问题，结果的可重现性就非常重要。在对系统设计进行了修正后，我们还需要能够验证修复措施的有效性。

将软件和硬件纳入循环

我们以自适应巡航控制系统为例进行说明。系统在接收到雷达传感器输入的数据后，应控制制动系统或 加速系统采取适当动作，从而达到所需的巡航速度或与正前方的车辆保持安全距离。为了验证控制算法， 我们首先需要一个仿真系统来重现道路环境（例如驾驶条件和周围交通情况）、雷达传感器和汽车的物理行为（例如制动系统和加速系统的反应）。这种方法可以验证算法在不同场景下的行为。我们将这类测试装置称为“软件在环”(SiL)。

接下来，我们可以逐渐将硬件元件添加到系统中。例如，测试装置可能包含微处理器系统，例如稍后将与车辆和雷达传感器集成的电子控制单元 (ECU)。该测试装置的工作环境以及制动或加速的相应反应将通过仿真实现。我们将这类测试装置称为“硬件在环”(HIL)。

为了满足此类应用的需求，是德科技推出了一套以 HIL 为基础的系统，称为自动驾驶仿真 (ADE) 平台。 该平台支持在元器件级别和系统级别对 ADAS功能进行测试。图4中的方框图勾勒出了ADE自动驾驶仿真平台的高级架构。

自动驾驶仿真平台ADE

创建仿真环境

测试场景使用仿真环境来建立，该环境可以再现车辆上、下、左、右以及前、后的真实情况。我们使用仿真来提取所需信息并向摄像头或雷达单元等传感器发送激励信号，以及与车联网 (V2X) 等可用的通信信道建立连接。为了在测试过程中提取雷达或摄像头等传感器所需的信息，我们可以使用光线追踪技术。图5描述了其基本原理。

创建仿真环境的工作原理是什么？

以下技术概念解释了如何模拟实验室测试场景。

点云

点云描述的是代表对象或对象集合的点数据集。来自 x 轴、y 轴和 z 轴的坐标点将大量空间信息整合到 一个集合中。3D 激光扫描仪、激光雷达和雷达技术通常会产生点云和参考点云。本文中的点云来自3D场景仿真器。 点云为场景添加细节，确保您测试的算法能够区分两个靠得很近的目标。无论距离远近，传统的雷达目标仿真器（RTS）只会返回一个反射值，而雷达场景仿真则会随着目标逐渐接近而返回越来越多的反射值。 这种类型的“动态分辨率”会根据距离的变化改变目标的反射点数。

什么是 Rixel ？

Rixel 是体积很小，可以装入芯片大小单元中的射频收发信机。一个 Rixel 就好比电视屏幕上的 一个像素。 Rixel 矩阵是在一个电路板上放置八个 Rixel，然后将多个电路板彼此相邻堆叠起来，形成一个 高分辨率墙。 这就好比是一块高清屏幕，其中的像素能够显示不同颜色和亮度。与之类似，Rixel 可以“显示” 距离、速度和目标大小。

光线追踪

光线追踪技术可在测试期间提取传感器（例如雷达或摄像头）所需的信息（图5）。

什么是光线追踪

光线追踪的概念可以追溯到计算机图形学以及通过仿真光物理特性在 2D 屏幕上渲染数字3D 目标能力。将目标放置到激励-响应系统中使它们可见。

我们的目标是确定在视平面上展示对象的方式，以便重现操作员在真实环境中观察到的景象。要看到对象， 需要有足够的照明条件。在图5中，光源用手电筒表示。 对象用线框模型表示，对象的表面分成多个表面平坦的小三角块。对于视平面中的每个像素，算法可以从 指定的视点（例如驾驶座）绘制一条通过像素到对象的直线（即跟踪光线）。这条光线会照射到对象线框 的一个三角块上，另一条光线则可以从这个三角块追踪到光源。 每个三角块都附有额外的信息，称为“材料属性”。材料属性包括对象的颜色和反射率。根据这一信息以及入射光线和反射光线与三角块的角度，算法可以计算出每个像素应当使用哪种颜色和亮度（请记住： 每个三角块都有一个平坦的表面，所以能够轻松确定入射角）。对视平面的全部像素都进行了这一操作之后，屏幕上会显示 3D图像。

在这个示意图中，光源照亮目标，光线在多个方向上发生反射和散射。只有汇聚到用户眼睛的光线才会映射到观察平面上。屏幕的分辨率取决于观察平面的特性以及针对目标做出的或精细或粗糙的网格划分。目标渲染包括材料属性和其他相关信息，例如目标颜色和亮度。

虽然这种解释是专门针对可见光谱，但同样的原理也适用于基于 LOS 辐射的激励-响应渲染算法，例如雷达视觉。光源是雷达发射机，相关材料属性包含雷达辐射反射率，空间速度转化成了多普勒效应。

解决固有处理时延问题

现代图形处理单元 (GPU) 可为光线追踪算法提供硬件加速。因此，它们是为这种方法提供所需算力的首选工具。然而，无论 GPU速度有多快，总会存在一定的处理时延，而这个时延可能会产生问题。

传感器的处理时延

例如，假设在将数据发送给雷达目标仿真器时，光线追踪算法的处理时延为 100 毫秒。这是算法拍摄场景快照、执行计算并将数据提交给雷达所需的时间。

接下来，我们考虑一个典型的城市交通情况：两辆汽车均以 50 公里/小时的速度相向行驶（图6）。那么其相对速度大约是 28 米/秒，即每 100 毫秒它们之间的距离就会缩短 2.8 米。

对于开环系统来说，这个场景很容易处理。它就像是我们看电影一样，即使晚一点获得数据也没什么关系。 重要的是，如果涉及其他传感器，那么所有传感器都会持续收到激励信号。换言之，所有传感器的处理时延必须相同，才能实现整体测量同步。

闭环可以实现高度逼真的测试

如果我们还想将 ADAS的反应加入到测试中，则需要采用闭环方式。这里的仿真包含了车辆的反应。例如， 如果 ADAS 遇到紧急情况决定必须刹车，那么这种方式会使车辆减速，从而影响到发送给雷达的数据。 回到图4，该环路使用 HIL系统形成闭环，后者还实现了对汽车内与 ADAS无直接关系的其他元器件的仿真。为了解决时延问题，我们必须采用“临近预报”算法。预报是气象学中一个经常提到的概念：天气 预报使用当前的数据来预测未来会发生什么情况。临近预报则是使用“过时”信息（在本例中为 100 毫秒前 的数据）来预测当前情况。3通过这种方法，我们可以测试 ECU与其软件和真实传感器的组合。如上所述，测试需要仿真多个传感器和 通信信道，不仅要采用同步方式，还需要采用适当算法来补偿处理时延（关键词：临近预报）。 这些要求得到满足之后，ADE 平台允许在车辆上路测试之前尽早从元器件级别开始对 ADAS 进行测试， 并逐步推进到子系统级别。其目的是降低测试的总体成本，同时在验证的早期阶段提高测试覆盖率。最终， 该平台能够提高部署到公共道路上的 ADAS功能。

实现移动性愿景

为了实现全自动驾驶这一宏伟目标，OEM 及其供应商需要在实验室内使用真实信号在闭环环境中进行试。是德科技创新的 ADE 自动驾驶仿真平台通过在实验室中仿真真实的道路场景，使之能够在闭环系统中使用真实 数据测试真实的传感器。客户由此可以提升对产品的信心、节约成本、抢占竞争优势，最终在道路上更快 实现全自动交通运输。 在您开始打造下一个创新设计时，是德科技已经准备好测试解决方案，伴随您一路从概念设计走向产品 上市。我们的目标是帮助您在以下重塑未来移动性的领域中取得卓越成就并加速发展，这些领域包括传感器系统、无线链路、车载网络、电池和电芯等等。我们所做的一切都是为了支持您尽早获得成功并实现移动性愿景。

了解 V2X无线通信如何塑造智能移动，并为完全自动驾驶、联网汽车和 5G的发展铺平道路。

是德科技雷达场景仿真器荣获的奖项®

2022 年电子工业奖项：年度汽车产品――获得高度赞赏

AutoSens 2022 奖项――银奖：最佳验证/仿真工具

汽车制造商正在通过仿真组件和子系统来缩短设计周期时间，以确保联网汽车和 ADAS应用的设计和功能完整性。

ADE 自动驾驶仿真平台将路测带入到实验室中

考虑到我们在开车时需要做出许多决定，以及成为一名优秀的司机需要长时间积累经验。 挑战就在于如何构建复杂的系统，让最优秀的司机也无法轻易通过考验。 随着汽车制造商竞相研发第 4 级或第 5 级自动驾驶汽车，ADAS 的功能已经不仅仅局限于泊车辅助或自动刹车。 在做出这些决定时，算法必须比以往“了解”到更多的极端场景、更多道路、更多市中心路况。 采用不成熟的系统过早进行路测会有很大风险。 最好的替代方案是借助解决方案填补软件仿真与上路测试之间的空白。 它必须仿真真实世界中的场景，以便验证实际的传感器、ECU 代码、AI 逻辑等等。 尽早测试更多场景能够让汽车制造商更清楚地了解何时完成开发，何时可以信心十足地发表新功能。