今日最新!虚拟化技术助力自动驾驶仿真实现最大效力

时间:2022-11-24 17:43:21    来源:盖世直播

当前自动驾驶正在快速迈入量产时代,面对越来越复杂的自动驾驶系统,如何保证自动驾驶功能足够安全?

2022年11月14日,由盖世汽车主办,上海虹桥国际中央商务区管委会、上海闵行区人民政府指导,上海南虹桥投资开发(集团)有限公司协办的2022第二届智能汽车域控制器创新峰会上,dSPACE高级业务拓展经理朱卉表示,实车测试难以满足自动驾驶的测试需求,而仿真成为了解决这一系列问题的关键。


(相关资料图)

这一过程中,待测控制器在时许、调度、通信方式等方面能否与真实的控制器保持一致,将直接影响测试结果的可靠性。采用开环的数据回放方式,能够提供高保真度的数据源;采用闭环的场景仿真,能够测试极端的危险工况。

朱卉 | dSPACE高级业务拓展经理

非常荣幸能够代表dSPACE在这跟大家共同探讨自动驾驶的仿真和验证技术。今天我的演讲主题是《更加真实的虚拟化技术助力实现自动驾驶仿真的最大效力》。

量产时代,自动驾驶系统的仿真需求

当前,自动驾驶正在快速迈入量产时代,面对越来越复杂的自动驾驶系统,如何保证自动驾驶功能是足够安全的呢?这就要求具备自动驾驶功能的车辆在正式SOP前能够累计大量测试公里数,并且通过法规定义的场景以及海量极端场景的测试。

显然,实车测试已经不再能满足自动驾驶的测试需求,而仿真则成为了解决这一系列问题的关键。从用户的角度来讲,选择一个合理的,并且适合自己的测试策略是非常重要的,比如测试对象是什么,测试成本要多少?同真实场景的接近程度怎么样?是否能够进行极端边缘场景的测试以及是否能够进行可复现的测试,这些都是需要考虑的因素。

比较主流的自动驾驶测试策略其实是多种测试手段的结合,也就是SIL、HIL以及实车测试的结合。我们可以看到,大部分测试用例都可以在仿真中进行,而仿真可以将自动驾驶的测试任务完成时间提前,已经成为自动驾驶车辆获得车辆准入的必要测试手段,对于自动驾驶功能的安全性起到了非常关键的作用。

自动驾驶的控制器,也就是仿真的待测对象,是由感知融合、场景理解、规划决策以及运动控制模块构成。传感器将探测到的传感器数据,比如图片帧、激光点云,以及一些车辆数据给到感知融合模块,然后输出对象列表到规划决策模块,规划决策再发出一些控制信号给到运动控制模块,由该模块控制执行器实施加速、制动、转向等具体操作。

仿真意味着要去创造一个自动驾驶控制器运行时的虚拟环境,也就是我们俗称的场景。仿真场景包含静态元素,像路网结构以及3D模型,也包含一些动态的元素,比如不同交通参与物的行为轨迹。

从仿真供应商的角度来讲,我们以及业内都在致力于研究如何让虚拟环境变得更加真实。从用户的角度来讲,如果要测试不同的模块,就需要选择不同且适合自己的测试策略。我今天介绍的内容将会围绕不同的测试策略展开,但是一点需要提前澄清,今天所讲的测试策略主要是纯软件仿真,也就是SIL在环测试,不涉及到任何的硬件部分。

测试对象: 感知 & 融合

如果用户仅仅是要测试感知融合模块,他应该选择什么样的测试策略?我们可以用实车路采的数据进行开环的数据回放,将记录的传感器数据,比如图片帧,激光点云,以及车辆信号,回灌给感知融合模块。

在数据回放的架构里面,感知融合模块可以基于第三方框架比如ROS,Apollo等框架进行算法开发,也可以是符合AP AUTOSAR标准的虚拟控制器,我们也叫做virtual ECU,或者简称叫做V-ECU。这里面有一个比较新但是非常重要的概念,就是什么是虚拟控制器?

虚拟控制器可以被看成是SIL测试当中的待测对象,它不仅仅包含应用层的算法,还包含了真实的中间件,所以它是一个更加接近真实控制器行为的待测对象。

从dSPACE的角度看,我们认为不仅仿真场景的真实性很重要,待测对象的真实性也是非常重要的。待测控制器在时序,调度或者通信方式等方面是否能够同真实的控制器保证一致,也会直接影响测试结果的可靠性。

用实车路采的数据进行开环的数据回放,有一个最大的好处是能够提供高保真度的数据源,除此之外还能降低仿真过程中的运算成本,因为不再需要仿真物理传感器模型。将感知后的对象列表和真值数据进行对比,并且基于KPI得出相应的测试结果,这里的真值数据指的就是标注过后的数据,这种方案虽然会耗费较多的精力,但是对数据真实性的提升有切实效果。

测试对象: 场景理解 & 规划决策

如果用户要测的是规划决策模块,我们也可以用记录的对象列表进行开环的数据回放。这种方式可以实现可复现的开环测试,通过对控制信号进行评估,基于KPI得出相应的测试结果。

另外一种测试方式就是基于闭环的场景仿真实现对规划决策的测试,场景的来源可以是基于法规,也可以是一些事故场景或者自然驾驶场景,也可以是手动绘制的人工场景。一个逻辑场景可以泛化出更多的具体场景来实现更高的测试覆盖率,通过这种仿真的方式,可以测试实车路采所记录不到的危险工况。

这里面我们会用到概率传感器模型,或者也叫真实传感器或者理想传感器模型,来仿真规划决策所需要的对象列表数据,同时引入主车模型构成闭环的仿真系统,主车只需要使用一些简化的执行器接口,不需要嵌入复杂的执行器控制组件。最后通过观测不同的信号,基于KPI得出相应的测试结果,这是通过闭环场景仿真的方式实现对规划决策的测试。

测试对象: 运动控制

如果用户要测试运动控制模块,由于这部分的算法是运行在智驾域控的MCU侧,大部分符合CP AUTOSAR的架构。我们同样也可以利用前面所提到的虚拟控制器概念,对这部分的算法进行虚拟化,最终得到的会是一个符合CP AUTOSAR标准的虚拟控制器。

它不仅仅包含了应用层SWC部分,还包含了RTE及RTE以下的基础软件部分,所以一个符合CP AUTOSAR的虚拟控制器是一个更加接近真实控制器的待测对象,可以模拟真实控制器里面OS的调度,以及去模拟真实控制器里面RTE的传输机制。

我们可以将不同的阶跃/输入信号给到运动控制模块,同时输出的执行信号可以用来控制被控对象模型,来构成整体的闭环仿真系统。同样我们也可以使用触发信号来激励软件的执行,将输出和预期数据进行比较,从而保证运动控制算法的正确执行 (例如, 刹车系统),以上是对运动控制模块测试方式的介绍。

全栈式,多模块算法测试手段

前面介绍了对单个模块的测试方式,如果用户是要测试全栈式算法,也就是对SOC以及MCU的算法都进行测试的话,他应该选择什么样的测试手段?同样也可以利用前面所讲到的虚拟控制器的概念,我们可以分别对SOC以及MCU进行虚拟化,得到的会是一个符合AP AUTOSAR标准的虚拟控制器,加上一个符合CP AUTOSAR标准的虚拟控制系,同时作为待测对象。

虚拟控制器不仅包含应用层,还包含总线通信在内的完整软件堆栈,所以可以用来仿真总线上的交互,可以支持虚拟的CAN,虚拟的LIN、虚拟的以太网的交互。这种方式也可以实现SOC以及MCU之间的通信,比如说去模拟多核间的SOME/IP通信等等。

这里我们会利用物理传感器模型在闭环中仿真感知&融合所需要的传感器数据,物理传感器模型是基于光线追踪技术的运算,可以渲染出摄像头的图片帧、激光点云、雷达回声,给到感知融合模块。当然物理传感器模型本身的运算非常耗GPU资源的,一般用户需要准备一台专业的GPU服务器来运行多路的传感器模型。同时可以引入虚拟车辆模型来构成整体闭环的仿真系统,基于KPI来观测自动驾驶控制器在不同场景下的不同特性。

之前介绍了四种测试方式,其实可以归纳总结为三种测试手段,分别是开环的数据回放测试,闭环的基于场景的测试,以及基于需求的测试,也叫基于步骤的测试。每一种测试手段其实各有利弊,开环可以实现更加真实的仿真,但是闭环可以去测试一些极端的危险工况,用户可以结合测试目的、测试对象的不同,来选择结合不同测试手段的定制化方案。

dSPACE概况与产品

作为一家三十多年专注于仿真和验证的公司,dSPACE能够提供端到端的基于数据驱动的自动驾驶的解决方案。dSPACE的全新云仿真产品SIMPHERA就能够cover前面提到的三种测试手段,将仿真技术和云技术结合来实现大规模的仿真和验证。用户不再需要安装非常复杂的软件环境,不再需要去安装多个独立软件,而是直接通过web方式就可以实现轻松部署和及时访问。

SIMPHERA可以实现闭环的基于场景的仿真来测试规控算法,利用并发节点能够在秒级实现ALKS的验证,在<1.5秒的时间内得到1条ALKS的测试结果,大大缩短了测试时间,提高了仿真的运行效率。

SIMPHERA在云端的工作流程,其实和单机版SIL的工作流程是一致的,用户都是从准备阶段开始,先准备好仿真必要的元素,比如像场景、车辆模型、传感器模型以及待测对象,将这些必要的元素都准备好了之后,就可以将他们导入并且集成到SIMPHERA云端的仿真环境当中,并且开始运行仿真。如果单次仿真运行没有问题,接下去就可以执行大规模的并发验证,并且通过对测试结果的分析,发现bug所在,然后再对自动驾驶的算法进行改进和优化,然后再进入到下一轮的迭代测试当中去。

SIMPHERA可以提供REST API方便测试人员实现持续集成、持续测试、持续部署,它可以在云端和Jenkins、GitHub进行打通,然后通过脚本的方式来进行所有步骤的自动化执行。一旦检测到新代码的提交,它就可以将待测对象和其他仿真要素组成一个闭环的仿真系统,然后开始运行仿真,等待测试结果和返回测试结果,并且可以将相应测试结果邮件反馈给一些指定的联系人等等。

如果要在云端实现对感知算法的并发仿真,也就是实现对云端物理传感器模型的并发仿真,我们就需要用物理传感器模型,来仿真感知融合所需要的raw data。当前它能够提供三种物理传感器模型,分别是摄像头模型、激光雷达模型、毫米波雷达模型,除此之外,它还能够提供基于游戏引擎Unreal的高保真渲染能力。

前面也有讲到,如果要测感知,我们还有另外一种方式就是进行开环的数据回放,当前,我们也支持在云端实现并发的开环数据回放,它可以和用户的数据管理平台打通,从而获取数据平台的存储数据和处理后的数据,并在云端把记录的视频流数据,点云数据等进行解析并回放,回灌给感知融合模块。

最后值得一提的是,dSPACE作为一家主流的硬件在环测试供应商,SIMPHERA除了能够实现前面所讲到的一些纯软仿真之外,其实SIMPHERA也能够和dSPACE的硬件在环系统打通,用户就可以在云端去实现对场景、待测对象、模型的统一管理,并且能够在云端编写相应的测试用例,然后通过一个脚本将所有仿真要素下载到硬件在环的测试平台上执行仿真,再将执行仿真的结果返回到云端去做统一管理。

不久的将来,SIMPHERA也将支持基于需求或者基于步骤的测试,除了云仿真外,dSPACE在数据采集、快速控制原型、硬件在环、实车在环领域都有非常成熟的解决方案。希望通过提供这种全栈式自动驾驶工具链,dSPACE能够帮助更多的主机厂和Tier 1加速自动驾驶系统的开发并推动其商用化落地。

(以上内容来自dSPACE高级业务拓展经理朱卉于2022年11月14日由盖世汽车主办,上海虹桥国际中央商务区管委会、上海闵行区人民政府指导,上海南虹桥投资开发(集团)有限公司协办的2022第二届智能汽车域控制器创新峰会发表的《更加真实的虚拟化技术助力实现自动驾驶仿真的最大效力》主题演讲。)

标签:

上一篇:

下一篇:

X 关闭

X 关闭