• 采购项目
  • 配套企业库
  • 销量查询
  • 盖世汽车社区
  • 2019盖世车联网大会
  • 未来出行采购项目对接会【1025】
  • 2019全球未来出行大会
  • 2019全球燃料电池汽车论坛【20191115】
  • 中国汽研-特斯拉
  • CTalk高端系列访谈

当前位置:首页 > 智能网联 > 正文

【汽车与环境】美国NI大中华区汽车业务拓展经理潘登:从ADAS到自动驾驶验证技术的演进

盖世汽车 2019-09-21 16:22:23
核心提示:2019(第七届)汽车与环境创新论坛现场嘉宾演讲实录,敬请关注!

9月20-21日,由中国人才研究会汽车人才专业委员会指导,国家特聘专家汽车组及盖世汽车主办的"2019(第七届)汽车与环境创新论坛"隆重举办,论坛以一个主论坛加四个平行论坛的形式,携百名行业权威嘉宾,共同探讨中国汽车产业在转型升级的新形势和新常态下,整车厂与零部件企业协同创新、升级做强、共同应对严峻市场和产业变革挑战之发展路径。以下为美国NI大中华区汽车业务拓展经理潘登演讲内容实录:

自动驾驶,汽车与环境创新论坛,ADAS,自动驾驶

美国NI大中华区汽车业务拓展经理 潘登

NI用自动驾驶测试验证的方式怎么帮助行业实现从高级驾驶辅助到自动驾驶,L3、L4的测试技术的演进。我在NI今年已经是第13年了,在负责这个业务之前我一直在做区域的业务,为整车厂、研究机构,包括大学,提供解决方案。

自动驾驶的验证大家都已经非常熟悉,我们有非常多的验证流程,从模型在环、软件在环、硬件在环到实车、到封闭场到公开道路,因为这个行业里面的技术门类实在是太多了,包括车跟路的一些协同等等,涉及的技术点真的是方方面面。

我们会比较关注从测试的角度,从传感器到算法整个的框架,这个框架代表着自动驾驶里面各个要素,从左边的摄像头、雷达,V2X其实也是感知的一部分,还有一些计算的处理单元。在这里面各个部件,中间是ECU或者处理算法,各个部件可能会被考虑进去的主要的一些测试手段,比如对V2X的测试,对光学的验证测试,通过回放,通过半实物仿真来完成对自动驾驶的软件的测试和验证,包括整个测试过程中试验数据的管理,包括软件的仿真,包括一些路测。这个路测已经不是我们以前讲的路测了,NI以前也做很多路测设备,市面上很多公司都有,但是到自动驾驶已经完全不一样了,因为在里面所有用于感知的传感器,其信号的种类、类型包括数据带宽、吞吐量的要求我们都讨论很多,怎么在比较短的时间内反应,能够达到足够安全,这已经远远超出以前说CAN总线,比较低速,比较低同步要求的考虑了,所以这是一个完全新的领域,最近很多做场地试验研究机构开始在探讨这个话题。

每一种技术从路测到回放,到在环到软件仿真都有它的优缺点,录播和回放所有的东西都是真的,代价就是它的成本比较高,一个是设备成本一个是时间成本。要几十年才能去验证,全部靠道路是无法做到的。软件仿真的缺点就是当今的软件还不是那么逼真。硬件在环也有逼真度的问题。

行业里面怎么来看这个事情呢,我们拿到这样一些统计数据,是从一些主要的自动驾驶公司的统计数据来的,在里程数上面,99%以上会通过仿真来做。我们仍然看到,包括整车厂,包括一些自动驾驶公司,在路测上投放的车辆数都是巨大的,往复的去运动,而且在里面安装的设备也是非常贵的,比如N个激光雷达,加上一堆高精定位装置,这些装置已经可以购买好几辆车了,这样的投资量非常大。

反过来说能够实现里程数的覆盖还是比较少的,所以综合来讲的话,通过软件仿真实现一个综合的测试验证是现在主流的手段。

在这里面有一个挑战,我们画一些横线在里面,意思是说怎么样把这些验证手段综合起来,比如我们用一些测试流程,或者测试数据一定程度的复用,或者验证,这是一个挺大的挑战。

刚才是ADAS研发的过程和路测,但是到前端传感器的应用,研发、测试以及传感器的生产测试,也是我们考虑整个汽车产品全周期测试里面很关键的一环。

当然这个话题并非只是存在于零部件供应商,到今天为止,我们看到很多整车企业,在传感器的设计、规格、定义和研发验证上很早就和Tier1做紧密的结合了。在这个领域比较领先的整车厂很多参与甚至自己投资做零部件研发生产,这已经是一个很大的趋势。所以当我们讲自动驾驶测试的时候,我们不能忽略零部件这端的研发测试和生产测试。不同的验证手段适合产品开发的不同阶段以及用户的主要关切。

2017年我们推出了全行业比较早的汽车雷达目标模拟器,2016年的时候我们选择奥迪作为我们的先期用户,它在自己的量产车上的雷达是要参与到雷达的研发包括验证的,所以它会有自己的一个雷达部门。这个形态已经是第二代了,早前的形态比这个要粗一点,丑一点。到今年底最晚到明年第一季度,我们会推出第二代雷达目标模拟器,覆盖到四个G的带宽,并且有非常好的RCS重复度反应,4个G的带宽,这是非常有挑战的。在4G带宽的平台上已经非常宽了,当前77GHz的雷达用的带宽600兆,已经比较多了,但是我们已经看到很多国际零部件供应商,也是预期在明年下半年推出量产4个G毫米波的雷达,用来做角雷达的探测,因为它能提高分辨率,所以我们在明年初会发布4个G的毫米波雷达模拟器。这使得我们能够进一步领先于整个行业。

除了做雷达模拟器,它也可以拓展为多目标、多角度的模拟,使得我们可以响应一些需求,来自于做场景的。比如场景中你需要模拟一个车道上有前后两台车,我可能需要做一些交互,比如切入切出的场景变化。NI的独特设计在于我们基于模块化的设计,将毫米波的射频前端做成一个比较独立的方盒子,当它架到一个机械系统上进行移动的时候,对机械系统的复杂度和要求会降到非常多。

我这里有一个视频讲的是我们在2017年初,请奥迪来帮我们分享他们怎么样在雷达系统的验证中采用新的测试技术,来帮助它在很短的时间内,大概几周的时间内能够模拟雷达传感器,通过道路试验可能需要十多年的时间验证这些经历。

其实这里面还是有一些故事,奥迪本身是一个科技领先的公司,第二在当时还有一些其他的影响,它必须要在新技术上做很多先期的导入,所以它跟我们有很好的合作,大家在这个合作下面非常多的信息是开放的。NI本身是一个通用的平台,用户跟我们不只是扮演用户和供应商的身份,我们一起做一些研发,这是我们一直在持续推进的。如果大家有一些共同推进的合作项目,也可以跟我联系,我们在中国也希望找到越来越多的先期用户,不一定是在毫米波雷达,各个领域都有。

雷达测试的研发,我们也有一些案例,这只是其中很小的一个案例,同样的一台装置在研发阶段用完之后它是可以适用在产线上测试的,做一些自动化程式的编写,使得测试效率能够在用户这端得到极大的提升,所以用户的反馈是开发很快,节省了开支,并且很容易做扩展和升级。

测试结构我们在中汽中心这边也有成功的部署,这个也是比较早的在国内的先期用户实现多目标的仿真系统,包括做位置、速度和RCS的仿真,包括雷达参数。这个是比较早的案例,现在已经把一些场景放进去,通过场景来调整这个目标车的一些位置,然后来做基于全场景的半实物仿真的基于OTA的目标模拟。

摄像头我会比较快一点,因为思路是一样的,我们做注入或者屏幕的播放或者是做目标集的信号注入,都有很多测试方法。因为摄像头基于场景和构建摄像头的目标有很多仿真软件都可以使用,NI是一个比较开放的平台,我们可以接入任何场景软件对于摄像头的测试。LiDAR我们也做了一些前期的探索,虽然在我们做这个探索的时候,整个行业的量还没有形成一个主要的趋势。不过我们做了一些探索,基于空口的方式来做LiDAR的光学模拟,当行业里面慢慢形成一些主流的形态之后,我们能够比较快速的迭代和推出相应的解决方案,到目前为止LiDAR是我们非常独有的做目标模拟仿真的公司。

V2X作为感知的重要节点,我们花了很大的精力做关于本地的工作,因为NI在无线电上是有积累的,更早的时候我们做了很多基于5G的物理层的链路实现,对于我们来讲在上面将有关的代码逐渐迭代改成像LET—V对我们来说也是比较快的,我们也是行业里面比较早的推出了基于C-V2X的空口的模拟解决方案,在白色的盒子里面运行的是LTE—V的物理层的链路,上层我们跟合作伙伴有些场景的协同,使得我们也可以做基于场景的V2X的开环跟闭环的仿真,这使我们可以做一件事情,我们可以在ADAS的感知融合上,从LiDAR、摄像头、雷达,包括高精度定位仿真,能够在一个平台里面实现起来,而且里面所有软硬件的基础是基于一个统一的平台来实现的,并且能兼容很多第三方的仿真工具,这使得从体系和平台上来讲我们可能是行业里面比较独有的能够提供全平台解决方案的公司。

我想花一点时间再给大家分享一下我自己观察的行业趋势,在L3或者L4以上的基于传感网联和和决策系统的依赖关系更加复杂,因为传感器也更新很多了,不管是5R1V或者更多的摄像头,包括定位,5G的远程,它面临的挑战已经从ADAS单一的,比如我们做ACC,我们可能只需要显像雷达,甚至有的雷达也不需要了,两个双目摄像头,非常单一的传感输入和单一种类的传感输入,就能够做判断的需求已经到拥堵情况下的自主驾驶,然后到L4上,可能整个系统失效,系统要接管,这样的挑战使得对于感知和融合的测试和验证变的非常非常的关键。特别是还有一个责任主体的转移,出问题了以后责任会归结到OEM这边。但是很多整车厂用的是零部件公司给的整体解决方案,因为人在做操控,它是辅助,出了问题也只能怪人,人不应该睡着,人应该一直监控前方的路况。去年和今年特斯拉相应出现这种它能识别车,特别是中国的路况,放了很多锥形桶,它就一如既往的撞上去了,因为它根本不在意这些东西。

我们希望在高级的自动驾驶验证里面能够有更多的解决方案,去年我们投资了monoDrive,是一家专门做高保真的传感仿真和高保真的场景构建的一家研发型的公司,生成逼真的场景,集成车辆动力学,并行的,基于云的实例,以方便大量里程测试。这个是回答我在最初提的一个问题,当前有一个矛盾——我们认为仿真越来越重要了,很多里程都在仿真上面去做,但是仿真做的越多,或者说仿真做的再多,如果你做的不够逼真,这样仿真的有效性有多少,实际上这是一个挑战,所以我们尝试通过这样一种投资合作把这个问题回答起来。

在我们所关注的这个层面,我们是基于对场景的真实构建,以及对传感器模型的真实构建,尽量的提供一个可以逼真到场地测试的一个基于软件仿真的解决方案,在这里面一个核心输入是什么呢?核心的输入是这样的,中间这块Fuse是用户的代码,做感知融合的。在L3或者L4以上的车的构建里面,我们最近看了很多新的趋势,特斯拉识别车就是因为它识别一个RCE和反射截面积的大小,但是几乎反馈不了形状以及它对应目标的具体描述。到L3以上以后,这样的数据是不足以让你做任何的数据挖掘或者数据融合的,一定要开放ROOM  DATA的。整车厂会有越来越多的要求开放ROOM  DATA给他,至少要开放3D的点云图给他,因为激光雷达都可以拿到3D的云图数据。但是本地的供应商,其实是比较有意愿开放原始数据,整车厂拿到这些原始数据可以做深度的融合,这是一个很好的趋势而且是一个必经的路线。我们给融合这端的算法,给它注入的原始数据是像素级的毫米波雷达、激光雷达以及摄像头的数据注入,而且这种像素级不是静态的,是动态的。同时会考虑到很多环境的因素、材料的反射,包括相机在运动的过程中,相机的成像可能会因为运动导致抖动和模糊,所有这些和真实世界相关的传感器的表现,都会在这个平台里面通过软件的方式仿真出来,真的得到像路测一样的数据。然后你会有一个基于所有原始数据经过运算得到推断的场景,进一步再进行对比,来实现感知误差的评估或者进一步的提升。

这是一个毫米波雷达,因为它是基于调制波,频段也比较高,空气中电磁波传播的时候影响因素是比较多的。这是一个毫米波雷达的拆解,前面有雷达的天线罩,射频单元,基带信号处理,比如里面有DSP后面还有总线接口。如果要做一个完整的毫米波雷达的雷达行为描述或者模型建模,需要把所有的东西考虑进去。除此以外毫米波雷达装到实车上后会有什么样的表现,这是一个很值得考虑的问题,有些车企是把雷达装在车标后面,有些是在保险杠后面。安装的位置都会对毫米波雷达的射频造成一些影响,传统你只能通过构建一些射频来进行反复的测试。

我们想到一个办法,我们已经提供一套毫米波雷达模拟器,这套模拟器有个特点是它能够做信号模拟,同时也能做测量。所以我们可以用这台同样的设备去测量毫米波雷达单体或者装到整车上之后它在天线和设备上有哪些额外的影响,我们将这样的测量参数进一步导入到我们已经构建的雷达模型里面,一定程度上可以校准我们在里面给到的雷达仿真模型。所以我们经过自有的仪表进行实测,来进一步的验证我们毫米波雷达的模型,这是第一步。

第二步,毫米波雷达里面还有中频和数字信号处理的部分。数字信号处理主要是从AD的原始数据到3D的数据,形成3D的FFT,速度、距离还包括方位的DATA  CUBE,这样的DATA  CUBE拿到之后还会有很多的算法,这些算法会给出推论,我们将这样比较复杂的算法也实现在我们的软件里面了,所以我们可以给大家提供两个层次的数据。我们认为到L3以上至少要达到3D的DATA  CUBE,我们也可以给你更原始的AD  DATA。

此外我们还研究电磁波空气中传播特征,我们以特斯拉为例,在这个演示中,特斯拉射出了很多平面波,打到不同目标会有相应的反射。所以我们用一个方式,用一万条Traces模拟毫米波打出的射线,打到这个场景中,不同的目标会有什么样的反射,我们来评估到底有什么样的信号能够回到雷达传感器。基于此构建的模型,输出给你感知这部分的算法在真实的场景中应该有什么样的反映,我们将这个也实现到了软件里面,所以我们去考虑了雷达波DSP,考虑到雷达波在空气中传播之后会有什么样的反射。

我们在很多做软件的公司里面看到很多类似的图,但是感觉有亮点,第一点是有些Traces比较少,第二点是我们在实现这样大幅度的雷达波在空中传播的层级我们提供了一个高度的实时性,更新速率对比了一下同类的软件,更新速率大概提高了几十倍,这使得我们可以做闭环仿真,因为你肯定不想这只是一个静态的。

因为毫米波雷达比较复杂,所以我们花了很多的时间去讲这个。除此以外我们也想回答一些问题,因为经常被问到这个问题,我们能不能真的去证明我们的雷达模拟和真正的雷达测试有什么样的差异。我们真的有实车去抓数据,我们构建了一个场景,在场景里面摆放了静态的车,同时我们在软件里面也构建了一个场景,用毫米波雷达的模型去探知目标,我们得到的结论是非常接近的。

在道路中行驶的场景,我们发现结果也是非常接近的,这是不是我们一定程度上能够取代一个场地,用一个高保真的传感模型和高保真的场景构建,是不是一定程度上能取代一定的场地?因为场地非常贵又非常耗时。

当我们做到比较好的软件在环的时候,NI本身有比较好的硬件在环,所以很自然的我们就和硬件在环的平台,我们在实时机里面能够跑动能学的模型,有真实的ECU,通过软件来实现高精度的场景和目标模拟,再构建一些场景,我们就能够实现一个更加高保真的硬件在环的仿真,这在NI平台上是很容易得到扩展的。

最后是一个简单的视频,给大家看一下。我们已经做了一些交付,我们在美国有最大的OEM已经采用了我们的软件,这个是基于优步的,优步自己有个测试场,大家可以看到在这个测试场里面体现出来的环境要素,你会看到有光照,有材质,有不同的区别,这已经远远超过我们现在看到的其他仿真工具,它已经是照片级或者电影级的细节呈现效果。

因为我们能够在这个仿真中实时的反馈,我们能够在这个基础上做一些FFT,这里面所有的目标。这里面都有它的仿真系数,我们把所有的东西都考虑进去,来考虑他对雷达、对摄像头的反射会有什么样的特点,目的是为了得到更加逼真的场景呈现。

我们11月14号在上海会有NI全年最大的技术大会,叫NIDays,两天的活动,这个是我自己的微信,如果大家感兴趣可以加一下,我可以跟大家聊摄像头、雷达、场地测试和传感融合的信息。

谢谢大家!

敬请关注盖世汽车“2019(第七届)汽车与环境创新论坛”直播专题!

PC:http://auto.gasgoo.com/NewsTopic/206.html

移动: https://m.gasgoo.com/news/topic/206


试读已结束

如需阅读全部内容,请查看

*版权声明:本文为盖世汽车原创文章,如欲转载请遵守 转载说明 相关规定。违反转载说明者,盖世汽车将依法追究其法律责任!

本文地址:https://auto.gasgoo.com/News/2019/09/210422232223I70129155C601.shtml

文章标签: 自动驾驶

0

好文章,需要你的鼓励