【汽车与环境】天欧汽车工程软件上海有限公司总监黄汉知：仿真技术在人工智能和自动驾驶的应用

天欧汽车工程软件(上海)有限公司总监黄汉知

各位嘉宾大家下午好，今天汇报的题目是基于仿真技术在人工智能和自动驾驶的应用。我的介绍是四个部分，首先介绍一下我们公司，然后自动驾驶开发设计挑战，第三、第四是技术的内容，天欧在ADAS和深度学习方面的应用。

TASS是一家荷兰公司，我来自于中国分公司，我们公司是做安全、自动驾驶和轮胎自动建模及测试。我们提供两类产品，第一类是仿真软件，第二类是测试，包括开发与咨询、实验室第三方测试，以及法规认证，尤其欧盟相关的法规测试。2017年9月1号，TASS international被西门子首购，这两家公司优势互补，希望给大家带来更好的服务。

自动驾驶系统开发测试与挑战，ADAS和自动驾驶的产品功能开发出来之后，究竟要经过多少亿公里的测试，经过测试什么时候产品是可靠的？功能开发出来很好，但是功能开发之后能变成成熟可靠的产品更重要，也更困难。把这个分解成五个小问题，测试里程长短很重要，但是工况类型和数量更重要，测试一天遇到严苛工况，也不可重现，在道路上测试的数据无法进行认证。

在ADAS和自动驾驶领域带来的核心技术是PreScan仿真软件，对市面上常见的摄像头、雷达、激光雷达和V2X的仿真。

从功能上分，ADAS和自动驾驶都可以分成这四个功能模块，场景工况、环境感知、控制决策算法和执行器。PreScan既然要应对这些挑战也应该具备这四个层面的建模能力，在场景工况我们提供工况库，可以搭建你想要的工况；环境感知，在市面上多达19种传感器框架，建立感知系统模型；控制规划算法，被开发和测试的对象，从线控领域导入；成长动力学的模型，这是软件和技术功能的概况介绍。

进入第一个主要部分，正向开发和测试方法论，我们从客户案例分享所积累的经验阐述具体的方法论。我们的方法论从模拟仿真开始到车辆、到场地、到道路测试。第一个，我们用ACC来说明，ACC是舒适型系统，这个舒适性与什么参数有关，可以分四个部分，传感器雷达、ACC散发，执行器及车辆底盘和轮胎，ACC在加减速过程中舒服不舒服有一个参数。要测试APP需要一个工况高覆盖度测试，APP工况里面包含非常多的参数，目标车车速，插入时机和车辆状态等等，如果做一个排列组合会发现一个简单的工况非常容易发散成60万种工况，这是道路测试不可能完成的任务，也是仿真所具备的优点。

硬件在环有这样一个案例，从技术上来讲有三块，蓝色部分是仿真的测试工况，中间是摄像头在黑箱中看仿真生成测试工况视频，工况有了投影给摄像头，车道保持检测出工况转换状态。客户为什么要做这个？完全测试一个LKA的性能，当然离不开所有宽度的车道，不同的转弯半径不同车道组合和不同标线形态。比如我要测试一个车道在路上很难找到，通过仿真带来一个高效的方法。

最近自动驾驶非常火，我们跟国内自主品牌OEM做了一个自动驾驶的合作。这是我们做的基于雷达ACC/AEB的案例，也是用仿真技术生成工况，经过雷达感知模型给出信息，通过通讯发到右下角雷达ACU，这个时候传感器是被屏蔽掉的，只是运行了ACU和AEB的算法。这个价值非常明显，之前做ACC是在现场两个测试人拿两个对讲机，测了一天发现人的能力非常有限，效率非常低。

通过正向开发的方法论和客户案例回答我之前提出的几个问题，这是在传统ADAS的领域。在自动驾驶，目前深度学习、人工智能是非常火的话题，我也通过具体问题提出我们的应对技术，回应这个话题。深度学习能非常轻易做到非常好的性能，就像曲线中描述的做到90%，再往上走变的非常困难，因为训练的速度很急，设计的代表性和数据覆盖度都是非常棘手的问题，要做到100%有很长的路要走，如果把这个问题具体分解有三个挑战。第一，人工智能训练数据都是路采，路采能采集到日常的素材，但是如果采不到放不在测试当中，可能你的系统就没办法处理这个事故。比如特斯拉遇到一个货车的情况，以前没训练过这个场景，将来也处理不了这个场景。第二，数据采集完了之后要做手工标注。第三要做大规模的测试。

一些基础的仿真技术，一个是摄像头物理模型，我们用一个无限逼近摄像头物理感知性能模型，看出仿真的清晰度和逼真度非常高。在雷达领域对不同的目标和不同RCS的特性，包括高度和距离都给出毫米波雷达能量的回馈。在激光雷达领域我们很早具备了对激光雷达的仿真能力，提供输出。现在深度学习和人工智能越来越倾向于做不同类型传感器原始数据级别的数据融合。

除此之外我们还有一个场景分割传感器，这是人工智能经常用到的技术，一个场景当中哪一块是车，哪一块是路，哪一块是可行驶区域。有了Segmentation可以训练算法、检验结果。

有了这些基础技术，我们做了一个研究项目，这个项目回答了两个问题，第一，100%使用仿真产生的数据训练人工智能的算法结果会不会好？第二，混合仿真数据和路采数据会不会带来价值。我们用CNN算法网络，用了一定比例混合使用仿真数据和路采数据，最后检测模型优劣。

这个项目得到的结论，第一，纯粹使用仿真数据训练深度学习算法，的结果不会很好，深度学习算法对纹理边缘特征非常敏感，仿真不会做到100%的真实。第二，如果混合按照一定比例使用仿真和路采素材训练算法，比单纯用采集的数据要好，这是刚才提到的话题，我仿真可以定制工况，这个PreScan长什么样我自己设计，放到这个素材当中，当然要控制一定混合比例，同时保证一定的仿真质量。除此之外，还做了一些新的事情，用仿真数据作为测试素材，结合NVIDIA PX数据算法做感知算法的控制测试。这是我们常见的基于物体检测的技术结果，使用的是仿真软件生成的素材。

我们不单要做物体检测，我们也要做NVIDIA DrivePX。未来我们要做的事情，第一，把激光雷达原始模型进行融合，我们这些仿真技术的测试工况并不一定完全由人定制，我们也可以用神经网络技术自动产生最合适的训练场景来训练算法。硬件上用GPU和集群计算技术批量化代入虚拟测试里程。当然我们除了支持DriverPX也支持DRS360。

结论，我们必须要坚持从虚拟仿真到受控实验室，场地测试和路试的可靠性。这是我今天的内容。谢谢大家。

敬请关注盖世汽车“2017汽车与环境创新论坛”直播专题

提示：本文为现场速记，未经专家审核，请勿转载！