数字孪生将如何大幅减少自动驾驶汽车的现场测试

从不停脚和不看的驾驶——到断脑驾驶

辅助驾驶始于脚踏技术，例如自适应巡航控制和用于紧急制动的高级驾驶员辅助系统（ADAS）。此后，它已经发展到具有车道居中功能和眼睛关闭驾驶的免提驾驶，汽车可以感知并自动响应道路和驾驶条件。现在，脑力关闭驾驶正在全自动驾驶汽车上进行测试。

汽车工程师协会 （SAE） 定义了 6 个级别的驾驶自动化，从全手动（0 级）到完全自主（5 级）。不提和放手技术被归类为辅助驾驶（1-3级）。关眼和关脑技术（4级和5级）代表了将辅助车辆和自动驾驶汽车分开的重要一步。

如今，大多数车辆都处于 2 级，车辆可以处理某些功能，例如紧急制动或停车辅助。3 级车辆已经开始可用，具有高速公路或交通拥堵的自动驾驶仪。今天的4级车辆只是原型车，比如Waymo汽车。据估计，到 2030 年，在美国，道路上行驶的 16.17 亿辆自动驾驶汽车中将有 110 万到 <> 万辆，这仅占汽车总销量的一小部分。

自动驾驶汽车的缓慢崛起有多种根本原因。除了基础设施、法律和验收方面的挑战外，转向眼球和脑后驾驶将需要汽车制造商克服许多挑战。其中包括选择正确的传感器，将它们集成到车辆的正确位置，测试它们以捕获所有场景 - 即使是最不可预测的情况 - 以及优化决策延迟。最终，自动驾驶汽车必须在所有道路和所有天气条件下都优于人类，而光学传感器对于实现这一目标至关重要。

在这篇博文中，我将探讨光学传感器的数字孪生技术如何通过减少对现场测试的需求来加速自动驾驶汽车的采用。

为什么光学传感器是自动驾驶汽车的关键组成部分

当今的车辆具有许多光学组件，这些组件对于汽车感知驾驶条件，与环境和驾驶员交互以及做出决策至关重要。这包括用于拍摄环境的 2D 照片的摄像头、用于获取 3D 点图的 LiDAR、自动补偿弱光环境的前照灯以及用于穿透雾、雾和雨的雷达。从手动驾驶到自动驾驶的演变将需要更多的传感器、计算能力和新的电气/电子（E/E）架构。从市场的角度来看，到2025年，传感器市场总收入将达到22.4B美元，其中雷达收入估计为9.1B美元，摄像头模块收入达到8.1B美元，计算硬件达到3.5B美元，LiDAR达到1.7B美元。最终，一辆全自动驾驶汽车将依赖于四到六个雷达系统、一到五个激光雷达系统和六到十二个摄像头。

如今，自动驾驶市场还不成熟，许多技术和系统设计目前正在测试中。没有放之四海而皆准的解决方案。例如，特斯拉开始在2014年推出的自动驾驶系统中使用单个前视摄像头。最新型号现在在汽车周围包括八个以上的摄像头，没有LiDAR或雷达系统。相比之下，最新的Waymo自动驾驶汽车有五个LiDAR系统，29个摄像头和六个雷达来扫描其环境。这两个系统仍在现场进行了严格的测试，Waymo以其自动驾驶汽车车队的总里程超过<>万英里领先。Waymo还构建了一个驾驶模拟器，积累了大量的合成驾驶数据。但是，关于该现场数据的可靠性和全面性以及模拟情况与现实的接近程度仍然存在。

光学传感器是自动驾驶汽车的关键组成部分。精确的传感器数字孪生可以释放使用驾驶模拟器进行从设计和测试到集成和自动驾驶系统协同优化等任务的潜力。这可以大大减少自动驾驶汽车的现场测试，并加速其采用。让我们探讨一下这是如何工作的。

促进协同设计，并使用精确的传感器模型实现虚拟测试

构建自动驾驶架构首先要选择正确的传感器，并确保它们能够感知到自己的需求。目前，传感平台和感知系统开发需要集成和校准车辆上的传感器硬件，以及传统的地面实况数据采集和注释。这些都是昂贵、耗时的过程。通常，整个设计到测试循环在进入最终系统验证之前将完成多次。通过虚拟测试缩短这一开发周期至关重要，这样就可以避免使自动驾驶汽车安全所需的无法到达的10亿英里的现场测试。

虚拟测试需要什么？在车辆模型和虚拟环境之间，我们需要传感器的精确数字表示来评估它们在计算机上的行为。当然，由于安全性和可靠性对自动驾驶至关重要，因此这些模型应尽可能准确。它们应精确反映传感器在各种条件下如何与环境交互，以及这种交互将如何影响传感器原始数据的质量。了解传感器在任何条件下的行为并获得物理上真实的传感器模型可以通过光学外推模型来实现。光线追踪技术或电磁求解器是构建包含发射特征（即光功率、波长和波前）以及传播、相互作用和接收特征的模型的关键资产。公司已经联手支持LiDAR参数模型;LeddarTech与dSPACE的合作就是一个例子。

传感器模型将能够仿真不同的传感器概念和组合，并在不组装整个系统的情况下验证传感器设计要求。为了完全可靠，还有很长的路要走，并且还有补充功能可以添加到这些模型中，例如人为错误（缺失点，密度不均匀）或系统错误，这些错误将重现“制造”传感器而不是“设计”传感器。

优化集成

在车辆中集成LiDAR和摄像头的最佳位置在哪里？数字孪生模拟可以帮助回答这个问题。雷达系统已经很好地集成到车身中，但集成LiDAR和摄像头系统是一个挑战。系统必须表现良好，同时考虑美观、灰尘和污垢以及发动机热量等因素。例如，您可以将LiDAR或摄像头放置在车辆格栅或保险杠中，但存在发动机热量或道路碎屑干扰光学性能的风险。将这些系统集成到车辆前照灯中似乎是最好的折衷方案。一些公司已经联手实现这种整合。

除了物理上逼真的虚拟环境外，要将传感器优化集成到车辆中，还需要为每个传感器提供一个多物理场模型。这可确保仿真将传感器特征以及直接环境的元素（例如来自附近前照灯的热量或寄生光）考虑在内。

避免数据泛滥

最后但并非最不重要的一点是，传感器处理时间是一个重要问题，尤其是当自动驾驶汽车快速移动并且需要对关键场景做出快速反应时。自动驾驶汽车中使用的机器学习算法从原始数据中提取见解，以确定道路状况并做出决策。这可能包括行人位置、道路状况、光照水平、驾驶条件和车辆周围的物体。

随着更好的图像传感器和视觉处理器的发展，可以提高前置摄像头的性能水平。LiDAR 系统正在提供越来越精确的 3D 地图。这些因素会产生大量必须在边缘处理的数据。一辆自动驾驶汽车每天可能处理多达4 TB的数据，而普通互联网用户每天处理约1.5 GB的数据。

传感器模型与虚拟环境和特定场景或用例相结合，可以生成可以馈送和训练算法的合成数据集。这将优化它们的效率、延迟、可靠性，最重要的是，它们在任何环境中的整体安全性，而不是预定义的虚拟环境。所有数据集都必须在几分之一秒内处理完毕，这是传感器模型有助于实现系统级优化的另一个领域。

超越

在这篇博文中，我概述了为什么物理逼真的传感器模型是自动驾驶的关键构建块：它们支持虚拟测试、集成优化和软硬件系统级设计。引用Mobileye首席执行官兼创始人Shashua教授的话，“只有当所有技术部分都构建为一个单一的集成系统，实现其所有部件之间的协同效应时，自动驾驶汽车才能成功。构建从硅到全自动驾驶系统的全栈是一项艰巨的任务。[1] 光学、电气和机械设计软件是支持这一愿景并构建我们需要的物理真实和高保真模型的关键工具。

审核编辑：郭婷