保时捷发布AVEAS研究项目 旨在提高车辆自动驾驶能力

盖世汽车讯 高度自动驾驶功能必须通过仿真进行密集验证。10月26日，保时捷工程公司（Porsche Engineering）宣布，在AVEAS研究项目中，保时捷在利用人工智能从传感器数据中自动检测关键交通情况，并将这些情况存储在数据库中。同时，以此方式生成的路线模型和交通情况也经过多样化处理，以便生成更多的虚拟验证测试案例。

车辆超车并再次驶回时，常常出现留给后车的空间不足的情况。在这种情况下，事故通常很难避免。今天，驾驶员通常通过刹车或规避来防止事故升级。未来的自动驾驶车辆也必须能够在关键时刻安全地做出反应，这就是为什么保时捷已经在仿真中密集地演练这种情景。在这个过程中，工程师们会有意增加危险程度，例如减小车距。保时捷工程公司的人工智能与大数据主管Joachim Schaper博士和仿真负责人Tille Karoline Rupp解释说：“我们正在建立一个完整的危险情景目录，以验证驾驶辅助系统和高度自动化驾驶功能。”

虚拟测试是AVEAS研究项目的一部分（该缩写词来自德语短语Absicherungsrelevante Verkehrssituationen erheben, analysieren, simulieren，意思是“收集、分析、仿真与验证相关的交通状况”），其中除了保时捷工程公司之外，还有20个合作伙伴参与其中，包括研究人工智能的多家弗劳恩霍夫协会（Fraunhofer）研究所。

车辆超车后并入原车道的场景；图片来源：保时捷

AVEAS旨在消除自动驾驶道路上的一个主要障碍：缺乏数据。为了验证高度自动化驾驶的功能，理论上需要数十亿公里的测试里程。由于这将消耗大量的时间和金钱，因此真实的行程需要通过仿真来补充。然而，这在关键交通情况下尤为困难，因为缺乏仿真的真实基础数据，毕竟在正常的交通情况下，这种极限情况很少发生。AVEAS旨在填补这一空白。该项目的目的是自动评估测试驾驶并将关键交通情况准备为仿真场景。

保时捷工程公司为此贡献了许多关键部件。例如，正在为试驾提供的JUPITER（Joint User Personalized Integrated Testing and Engineering Resource，联合用户个性化集成测试和工程资源）测试车辆。这辆测试车配备了摄像头、雷达和激光雷达传感器，并能够将测量的数据发送到云端。保时捷工程公司还负责评估算法自动记录的道路走向、其他道路使用者的位置和其他道路使用者的行为。其中使用的机器学习方法正在被不断完善。

博士生兼保时捷工程公司图像识别专家Leon Eisemann表示：“我们目前正在开发一种办法，即使该类别的道路使用者已经很长时间没出现，例如隐藏在了卡车的后面，车辆也可以继续识别道路使用者。”

被记录的交通事件将以标准化文件格式存储，例如ASAM OpenDRIVE（道路网络的逻辑描述）或ASAM OpenLABEL（对象及其动态）。因此，AVEAS还可以为其它项目提供输入，例如路线建模。随后，算法通过关注短间隙或异常强烈的减速力等指标来选择关注交通状况。

“相关的关键程度总是取决于稍后要测试的驾驶功能。”保时捷工程公司仿真领域博士生Nicole Neis强调。例如，如果要验证自适应巡航控制（ACC），则在遇到交通拥堵末端之后需要突然制动就会是一个相关的危险场景。环境因素也会引发严重的问题，例如，当汽车接近隧道出口时，眩光可能使车载摄像头眩目。

该选择算法还突出显示了这些交通情况，以便它们可以用来保障驾驶功能，毕竟自动驾驶汽车应该以与人类驾驶员一样的冷静方式做出反应，例如减速或优先考虑其他传感器。首先，（可仿真的）驾驶场景由随着时间推移从道路使用者那里获取的位置数据组成；专家将其称为“基于轨迹的”描述。为了能够在仿真中以后改变驾驶场景，必须用抽象的术语来描述它，即“基于操作”。为此，元过程会从各个轨迹中派生出，例如“车辆在十字路口停下，然后再次启动”。然后，这种场景可以添加到虚拟路径的任何起点，并可以在之后进行修改。

该虚拟试驾是在内部开发的仿真环境中进行的，该环境被称为PEVATeC SimFramework（Porsche Engineering Virtual ADAS Testing Center Simulation Framework，保时捷工程公司虚拟高级驾驶员辅助系统测试中心仿真框架）。在数字世界中，真实行程可以重建（仿真），然后经过特定修改后进行演示。Rupp解释说：“在所谓的场景抽样中，真实的关键情况被系统地修改，从而人为地扩展了虚拟验证的测试空间。”

例如，换道插车操作可以使用不同的参数重复数千次：更高的插车速度、更短的车距或不利的环境条件（例如潮湿的道路）。这种有针对性的参数变化还允许创建仅出于安全原因而无法实际驾驶的测试场景，例如紧急制动以避免碰撞交通堵塞车流。

其他交通参与者被障碍物遮挡时的场景；图片来源：保时捷

在最后一步中，仿真将使用综合边际场景来验证和优化有关驱动函数。为此，保时捷工程公司正在构建JUPITER测试车辆的数字双胞胎。“Digital JUPITER（数字联合用户个性化集成测试和工程资源）包含与真实车辆相同的接口和传感器。”保时捷工程公司仿真领域博士生兼专业项目工程师David Hermann解释道。“保时捷工程公司将使用Digital JUPITER来评估和优化AVEAS框架内的ACC和倒车辅助功能。”

为了使真实和虚拟驾驶保持一致，需要大量经验——其中大部分都必须在仿真世界中获得。“我们需要深入了解真实技术和仿真之间的关系。”Schaper强调。例如，虚拟车辆必须像仿真模型一样对不同的路面做出反应。该项目于2021年12月启动，目前已取得初步成果。“流程链中有很多环节，试驾正在进行中，一些专利已经申请。”负责协调保时捷工程公司参与AVEAS的Michael Strobelt说道。但基础工作也带来了挑战。正如博士生Eisemann所强调的那样，“绘制具有高度可变性的现实是非常严格的”。例如，检测算法必须能够识别来自世界各地的车辆，而不仅仅是德国的车辆。“界面管理也发挥着重要作用。”同样在攻读博士学位的Neis补充道。

由于AVEAS合作伙伴提供的数据来自不同来源，因此信息交换需要准确的协调。例如，卡尔斯鲁厄理工学院（Karlsruhe Institute of Technology）提供被纳入数字场景的构建中的道路航拍照片。AVEAS将运行到2024年底，届时用于评估驾驶场景的可扩展管道以及包含数十万个关键场景的目录应该就位。这两者都可以大大加快未来的开发工作。Rupp对长期愿景的描述如下：“场景是在测试运行期间生成的，并立即用于仿真，以优化驾驶功能。”经过验证后，这些场景可以通过OTA升级添加到车辆中。

仿真需要一个道路使用者可以移动并与之交互的世界。“这些路线模型是每个ADAS/自动驾驶仿真的基本组成部分——没有路线模型，就没有虚拟路试。”保时捷工程公司仿真负责人Tille Karoline Rupp说道。路线模型，在技术术语中称为“场景”，描述了驾驶区域（道路、停车位）和周边区域。它们由OpenDRIVE格式的道路网络数学模型和描述物体确切外观和材质的3D模型组成。数字地图（例如商业导航系统使用的数字地图）在此方面不够精确或详细。“例如，缺乏有关车道宽度和道路标记的信息。”负责路线建模的仿真领域开发工程师 Tobias Watzl解释道。根据任务的不同，仿真程序可以组合使用高分辨率地图、免费提供的OpenStreetMap材质和高程模型等。

“为了能在合适的时间范围内虚拟绘制所需的大量测试里程，我们正在研究自己的高度自动化路线建模过程。”Rupp补充道。建模过程的自动化程度正被不断提高。作为AVEAS项目的一部分，JUPITER测试车辆们将测量数据输入到路线建模过程中。这些车辆使用激光雷达传感器扫描周围环境，并将所得点阵云传输到云中。由于与沥青的反射不同，因此道路标记可以在激光雷达数据中轻松识别。特殊算法根据各个标记计算出一条连续的整体线（即使缺乏单个标记，此过程仍可工作）。其结果是以OpenDRIVE格式生成的真实街道的精确地理参考图像。这与不基于特定真实道路的通用路线模型形成对比（例如十公里的双车道高速公路）。线建模要求高精度。确定的道路几何形状必须精确到厘米，否则会发生稍后仿真车道变换时，车距数据不正确等情况。其中的一项挑战是，由于OpenDRIVE格式的道路被描述为数学函数，因此可能会出现不连续性，在仿真中表现为道路中的“急转弯”。这种不连续性必须进行插值。“数字双胞胎通常会在一条路线上行驶数十万次，每个细节都必须正确。”Watzl强调。

在AVEAS项目中，保时捷工程公司及其合作伙伴正在致力于借助人工智能自动检测传感器数据中的关键交通情况，并将这些情况储存在数据库中。这些情况多种多样，可以生成更多的测试用例。随后，研究人员将这些场景转换为仿真，用于验证高度自动化驾驶的驾驶员辅助系统和功能。