Использование моделирования динамики транспортных средств для оптимизации производительности в автономных транспортных средствах

Моделирование динамики транспортных средств стало незаменимым в разработке автономных транспортных средств, служа основой для создания более безопасных, более эффективных и более надежных систем автономного вождения. Эти моделирования необходимы, потому что дорожные испытания автономных транспортных средств являются дорогостоящими, что делает виртуальные среды тестирования критически важными для продвижения технологий автономного вождения. Поскольку автомобильная промышленность стремится к полностью автономной мобильности, платформы моделирования позволяют инженерам тестировать миллионы сценариев, которые были бы непрактичными, опасными или невозможными для воспроизведения в реальном мире.

Критическая роль моделирования динамики транспортных средств в развитии автономных транспортных средств

Моделирование динамики транспортных средств обеспечивает всеобъемлющую виртуальную среду, в которой инженеры могут анализировать и оптимизировать каждый аспект производительности транспортных средств. Эти сложные инструменты позволяют командам разработчиков моделировать сложные взаимодействия между системами транспортных средств, дорожными условиями, факторами окружающей среды и алгоритмами автономного вождения без необходимости обширного физического прототипирования.

Учитывая проблемы безопасности и высокие затраты, связанные с реальными испытаниями автономного вождения, методы моделирования высокой точности стали решающими для расширения возможностей автономных систем. Возможность тестировать транспортные средства в моделируемых средах резко сокращает время разработки и затраты при одновременном улучшении результатов безопасности.

Современные платформы моделирования выходят далеко за рамки простого моделирования транспортных средств. Они включают в себя подробные физические двигатели, симуляции датчиков, моделирование трафика и условий окружающей среды для создания реалистичных сценариев тестирования. Разработка автономных транспортных средств требует обучения и тестирования в масштабе в случаях с длинным хвостом, новых маршрутов и изменяющихся условий, не дожидаясь встречи с ними на дорогах общего пользования, и симуляция датчиков высокой точности закрывает этот разрыв, воспроизводя журналы датчиков реального мира в виде 3D-сцен.

Понимание основ динамики автомобиля

Динамика транспортного средства включает в себя изучение того, как транспортные средства реагируют на ввод водителя, дорожные условия и внешние силы. В контексте автономных транспортных средств понимание этой динамики имеет решающее значение, поскольку автономная система должна прогнозировать и контролировать поведение транспортного средства с точностью, которая соответствует или превышает людей-водителей.

Ключевые аспекты динамики транспортного средства включают продольную динамику (ускорение и торможение), боковую динамику (рулевое управление и поворот), вертикальную динамику (подвесное поведение) и сложные взаимодействия между этими системами. Моделирование должно точно моделировать поведение шин, передачу веса, аэродинамические силы, характеристики трансмиссии и геометрию подвески, чтобы обеспечить значимые результаты.

Расширенные методы моделирования для автономных транспортных средств

Область автономного моделирования транспортных средств значительно эволюционировала, включив в себя несколько методологий для решения различных аспектов разработки и тестирования транспортных средств. Современные подходы к моделированию могут быть широко классифицированы в несколько отдельных, но взаимодополняющих методов.

Физическое моделирование

Физика на основе моделирования формируют традиционную основу тестирования динамики транспортного средства. Эти модели используют математические модели, полученные из первых принципов физики, чтобы предсказать поведение транспортного средства. Они моделируют силы, моменты и передачи энергии по всей системе транспортного средства с высокой точностью.

Выделенные функции моделирования для датчиков и компонентов фар ускоряют и улучшают разработку и тестирование ADAS и автономных систем, с уникальными возможностями моделирования в реальном времени и на основе физики, позволяющими пользователям уверенно тестировать и оптимизировать производительность. Этот подход обеспечивает детерминированные результаты, которые инженеры могут проверить против известных физических законов.

Моделирование с использованием данных и AI-Enhanced Simulation

Последние достижения в области искусственного интеллекта и машинного обучения произвели революцию в возможностях моделирования. Модель мира Waymo представляет собой передовую генеративную модель, которая устанавливает новую планку для крупномасштабного гиперреалистичного автономного моделирования вождения. Эти модели с искусственным интеллектом могут генерировать реалистичные сценарии на основе огромного количества реальных данных о вождении.

Сильные мировые знания, полученные в результате предварительной подготовки на чрезвычайно большом и разнообразном наборе видео, позволяют исследовать ситуации, которые никогда не наблюдались непосредственно флотами, и через специализированное послеобучение эти обширные мировые знания передаются из 2D-видео в 3D-лидарные выходы, уникальные для конкретных аппаратных пакетов.

Системы моделирования Closed-Loop

Симуляторы на основе синтеза нового вида позволяют тестировать автономные модели вождения полностью замкнутым образом, преодолевая разрыв между реальными данными и интерактивной оценкой. Моделирование замкнутого цикла позволяет автономной системе вождения динамически взаимодействовать с виртуальной средой, где действия транспортного средства влияют на будущие состояния моделирования.

AlpaSim - это открытая платформа моделирования для тестирования замкнутого цикла, построенная на архитектуре микросервиса, ориентированной на время выполнения, которая организует всю деятельность по моделированию, позволяя пользователям подключать модели драйверов и рендереры, запускать каждую услугу в отдельном процессе и назначать услуги различным графическим процессорам.

Ведущие платформы и инструменты моделирования

Автономная автомобильная промышленность опирается на разнообразную экосистему платформ моделирования, каждая из которых предлагает уникальные возможности, адаптированные к конкретным потребностям развития.Понимание ландшафта доступных инструментов помогает организациям выбирать правильные решения для своих требований.

Коммерческие решения для моделирования

Applied Intuition предоставляет инструменты моделирования, которые позволяют разработчикам создавать виртуальные среды для тестирования автономных систем, повышая безопасность и эффективность, с продуктами, используемыми многочисленными мировыми автопроизводителями для моделирования сценариев вождения и проверки производительности транспортных средств. Их интегрированная инструментальная цепочка поддерживает весь жизненный цикл разработки от первоначальной концепции до проверки производства.

Ansys Autonomous Vehicle Simulation предоставляет решение, разработанное специально для поддержки разработки, тестирования и проверки безопасных технологий автоматизированного вождения, экономя значительное время и затраты по сравнению с традиционными методами разработки и тестирования, позволяя использовать программные стеки AV / ADAS в замкнутом цикле с точными синтетическими данными с датчиками.

rFpro - это программное обеспечение для моделирования вождения, которое гоночные команды и производители автомобилей используют для передовых систем помощи водителю и анализа динамики транспортного средства, предлагая высокоточные симуляции для оценки поведения транспортного средства в различных условиях. Эта платформа обеспечивает точность гоночного уровня для автономной разработки транспортных средств.

Open-Source Simulation Frameworks

CARLA - это симулятор с открытым исходным кодом для исследований автономного вождения, который был разработан с нуля для поддержки разработки, обучения и проверки систем автономного вождения. Открытый характер платформы сделал ее популярным выбором для академических исследований и небольших групп разработчиков.

CARLA предоставляет открытые цифровые активы, включая городские макеты, здания и транспортные средства, которые были созданы для целей автономного вождения и могут использоваться свободно, с платформой моделирования, поддерживающей гибкую спецификацию наборов датчиков, условий окружающей среды, полного контроля всех статических и динамических актеров и генерации карт.

AlpaSim - это полностью открытая, сквозная система моделирования для высококачественной разработки AV, обеспечивающая реалистичное моделирование датчиков, настраиваемую динамику трафика и масштабируемые среды тестирования с замкнутым контуром, обеспечивающая быструю валидацию и уточнение политики.

Специализированные платформы для симуляции

MORAI предлагает платформу моделирования реального мира для автономных транспортных средств, построенную с помощью HD-карты и мощного физического двигателя, преодолевая разрыв между реальным миром и тестовыми средами моделирования, предоставляя все ключевые элементы для проверки любой автономной системы. Эта платформа подчеркивает создание цифровых двойников, которые точно представляют реальные среды.

Различные платформы преуспевают в разных областях: некоторые фокусируются на точности моделирования датчиков, другие на сложности моделирования трафика, а третьи на вычислительной эффективности для крупномасштабного тестирования.

Комплексные применения в разработке автономных транспортных средств

Моделирование динамики транспортных средств выполняет несколько критических функций на протяжении всего жизненного цикла разработки автономных транспортных средств, от первоначальной проверки концепции до развертывания производства и постоянного улучшения.

Алгоритм управления разработка и уточнение

Автономные транспортные средства полагаются на сложные алгоритмы управления для управления рулевым управлением, ускорением и торможением. Моделирование обеспечивает идеальную среду для разработки и настройки этих алгоритмов в бесчисленных сценариях. Инженеры могут быстро повторять стратегии управления, тестируя различные подходы к планированию пути, оптимизации траектории и стабилизации транспортного средства.

Среда моделирования позволяет точно измерять показатели производительности системы управления, такие как ошибка отслеживания, время отклика и запас прочности. Разработчики могут систематически изменять параметры и наблюдать их влияние на поведение транспортного средства, что позволяет оптимизировать алгоритмы управления на основе данных.

Сенсорное слияние и тестирование восприятия

Ansys предоставляет комплексную возможность моделирования автономных датчиков транспортных средств, которая включает в себя проектирование и разработку лидара, радара и камеры. Точное моделирование датчиков имеет решающее значение, поскольку автономные транспортные средства зависят от нескольких методов датчиков для восприятия окружающей среды.

Рабочий процесс моделирования AV NVIDIA включает 3D-реконструкцию полномасштабных сред из записанных данных датчиков для отображения новых представлений датчиков и мировых моделей для внедрения контролируемых изменений в симуляции датчиков, включая освещение, погоду и геолокацию. Эта возможность позволяет тестировать системы восприятия в условиях, которые могут быть редкими или трудными для захвата в реальном тестировании.

Моделирование может моделировать характеристики датчика, включая поле зрения, разрешение, характеристики шума и режимы отказа. Это позволяет разработчикам понять, как ограничения датчика влияют на производительность восприятия и разработать надежные алгоритмы синтеза датчиков, которые могут обрабатывать деградированные входы датчиков.

Проверка безопасности и тестирование Edge Case

Одним из наиболее ценных применений моделирования является тестирование автономных транспортных средств в редких, опасных или крайних сценариях, которые было бы непрактично или неэтично тестировать в реальном мире. Моделирование может генерировать практически любую сцену - от регулярного, повседневного вождения до редких, длиннохвостых сценариев - через несколько модальностей датчиков.

NVIDIA предлагает самый разнообразный крупномасштабный открытый набор данных для AV, который содержит более 1700 часов данных о движении, собранных в самых широких диапазонах географических регионов и условий, охватывающих редкие и сложные кейсы реального мира, необходимые для продвижения архитектуры рассуждений. Эти наборы данных позволяют всесторонне тестировать, как автономные системы реагируют на необычные ситуации.

Моделирование может систематически исследовать границы безопасной работы, выявляя условия, при которых автономные системы могут выйти из строя или выполняться субоптимально. Эта активная идентификация режимов отказа позволяет инженерам укреплять системы до реального развертывания.

Стабильность автомобиля и оптимизация управления

Моделирование динамики транспортных средств отлично подходит для анализа и оптимизации характеристик устойчивости и управляемости. Инженеры могут оценить, как автономные транспортные средства реагируют на аварийные маневры, неблагоприятные дорожные условия и сложные погодные сценарии.

Развитие технологии электромобилей позволяет независимо управлять крутящим моментом колеса, предоставляя уникальную возможность повысить стабильность транспортного средства и обработку с помощью векторизации крутящего момента, с контроллерами на основе MPC, обеспечивающими превосходную адаптивность к различным дорожным условиям, достигая до 35% улучшения устойчивости рыскания и снижения переходных колебаний, подтверждая эффективность расширенного управления векторизацией крутящего момента в улучшении динамических характеристик.

Моделирование позволяет детально анализировать поведение транспортного средства при ограниченном обращении, включая характеристики при недостаточной поворачиваемости и превышении скорости, сопротивление опрокидыванию и стабильность при комбинированном торможении и рулевом управлении. Эта информация направляет разработку систем управления устойчивостью и информирует о решениях об архитектуре транспортного средства и конструкции подвески.

Многомодальная испытательная среда

Оценка программного обеспечения по всему спектру методов тестирования, включая модель в цикле (MIL), программное обеспечение в цикле (SIL) и аппаратное обеспечение в цикле (HIL) с методологией тестирования нескольких доменов, позволяет всесторонне оценить поведение системы с имитационными моделями, коррелирующими с результатами реального мира.

Этот переход от чисто виртуального тестирования к аппаратно-интегрированному тестированию обеспечивает повышение уровня реализма и уверенности. Тестирование MIL проверяет алгоритмы на самых ранних стадиях разработки, тестирование SIL оценивает полные стека программного обеспечения, а тестирование HIL включает фактическое оборудование транспортного средства для проверки производительности в реальном мире.

Значительные преимущества разработки на основе моделирования

Использование моделирования динамики транспортных средств в разработке автономных транспортных средств обеспечивает значительные преимущества в различных аспектах процесса разработки.

Резкое сокращение расходов

Физическое тестирование автономных транспортных средств требует значительных инвестиций в испытательные транспортные средства, приборы, испытательные установки и персонал. Моделирование позволяет сократить время и стоимость физического тестирования. Один физический прототип может стоить миллионы долларов, в то время как виртуальные прототипы могут быть созданы и модифицированы за небольшую часть этой стоимости.

Симулирование на основе физических датчиков может заменить 80% испытаний на вождение по дорогам, а OEM-производители и Tiers могут полагаться на проверенные и надежные цифровые данные, чтобы дополнить фактические сеансы вождения и охват краевого корпуса. Это резкое сокращение требований к физическому тестированию напрямую приводит к снижению затрат на разработку и более быстрому выходу на рынок.

Моделирование также снижает затраты, связанные с повреждением транспортного средства во время тестирования, страхования и логистики управления большими испытательными парками.Способность параллельного проведения тысяч тестов на вычислительной инфраструктуре гораздо более рентабельна, чем поддержание эквивалентной физической испытательной мощности.

Ускоренные циклы развития

Моделирование позволяет быстро итерировать, что было бы невозможно только при физическом тестировании. Инженеры могут тестировать модификации алгоритмов управления, конфигурации датчиков или параметров транспортного средства и сразу наблюдать за результатами. Этот быстрый цикл обратной связи значительно ускоряет процесс разработки.

Автоматическая выборка может уменьшить количество симуляций, требуемых в 100 раз, с помощью алгоритма, который превосходит традиционную наивную плотную выборку. Расширенные методы выборки гарантируют, что тестирование фокусируется на наиболее информативных сценариях, максимизируя значение каждого запуска симуляции.

Возможность непрерывного запуска симуляций, в том числе в ночное время и в выходные дни, означает, что разработка может продолжаться круглосуточно. Облачные платформы моделирования позволяют проводить массивную параллелизацию, выполняя тысячи сценариев одновременно, чтобы сжать сроки тестирования, которые могут занять годы в недели или месяцы.

Повышение безопасности за счет комплексного тестирования

Возможно, самым важным преимуществом моделирования является возможность тщательно тестировать автономные транспортные средства, прежде чем они будут взаимодействовать с реальным движением.Водитель перемещается на миллиарды миль в виртуальных мирах, осваивая сложные сценарии задолго до того, как он столкнется с ними на дорогах общего пользования.

Моделирование позволяет тестировать опасные сценарии без риска для жизни или имущества человека. Инженеры могут оценивать реакцию транспортного средства на такие сценарии, как отказ тормозов, выдувание шин, внезапные препятствия или другие транспортные средства, ведущие себя непредсказуемо. Это комплексное тестирование укрепляет уверенность в безопасности системы до развертывания в реальном мире.

Тестирование и проверка в безопасной, экономически эффективной и масштабируемой среде позволяет одновременно выполнять несколько симуляций, что позволяет параллельно тестировать и оценивать различные сценарии. Эта масштабируемость гарантирует, что автономные системы тщательно проверяются в широком диапазоне условий.

Тестирование редких и экстремальных условий

Одним из уникальных преимуществ моделирования является возможность тестировать условия, которые редки, трудно воспроизводимы или невозможно безопасно протестировать в реальном мире.Моделирование может моделировать экстремальные погодные условия, необычные сценарии движения, отказы датчиков и другие крайние случаи, которые могут произойти только один раз в миллионах миль езды.

Виртуальное воссоздание любого реального состояния вождения позволяет тестировать системы при переменном движении, рельефе местности, погоде и условиях освещения. Это всеобъемлющее покрытие гарантирует, что автономные транспортные средства подготовлены к полному спектру условий, с которыми они могут столкнуться при развертывании.

Инженеры также могут проверять сценарии, которые было бы неэтично или незаконно создавать в реальном мире, например, пешеходы, внезапно въезжающие на проезжую часть или другие транспортные средства, работающие на красных фонарях. Понимание поведения системы в этих критических ситуациях имеет важное значение для обеспечения безопасности.

Улучшенное сотрудничество и документация

Моделирующие платформы обеспечивают общую среду, в которой междисциплинарные команды могут эффективно сотрудничать. Инженеры-программисты, специалисты по системам управления, инженеры по безопасности и эксперты по динамике транспортных средств могут работать в одной и той же структуре моделирования, облегчая связь и интеграцию.

Моделирование также создает всеобъемлющую документацию о деятельности по тестированию. Каждый запуск моделирования может быть записан и воспроизведен, обеспечивая контрольный след для соблюдения нормативных требований и позволяя проводить подробный анализ поведения системы. Эта документация имеет неоценимое значение для понимания производительности системы и демонстрации безопасности регуляторам и заинтересованным сторонам.

Интеграция с Hardware-in-the-Loop Testing

В то время как чисто виртуальные симуляции обеспечивают огромную ценность, интеграция физического оборудования через тестирование аппаратного обеспечения в контуре (HIL) представляет собой критический мост между симуляцией и развертыванием в реальном мире.

Понимание HIL тестирования

Тестирование аппаратного обеспечения в цикле оценивает реакцию электронного блока управления на множественные условия вождения и его взаимодействие с OEM- и сторонними системами.Тестирование HIL соединяет фактические блоки управления транспортным средством, датчики или другие аппаратные компоненты с средой моделирования, позволяя им взаимодействовать с моделями и сценариями виртуальных транспортных средств.

Этот подход сочетает в себе гибкость и безопасность моделирования с реалистичностью фактического поведения аппаратного обеспечения. Он позволяет обнаруживать проблемы, которые могут не появляться в чисто программном тестировании, такие как проблемы с временем, ошибки связи или аппаратно-специфическое поведение.

Требования к моделированию в реальном времени

Уникальная возможность AVxcelerate в реальном времени позволяет использовать виртуальное тестирование в программном обеспечении в цикле (SiL) или аппаратном обеспечении в цикле (HiL) в контексте развития циклов проектирования. Моделирование в реальном времени имеет важное значение для тестирования HIL, поскольку аппаратные компоненты работают на реальных скоростях транспортного средства и должны принимать входные данные и выдавать выходы с реалистичным временем.

Достижение производительности в реальном времени требует тщательной оптимизации имитационных моделей и эффективного использования вычислительных ресурсов.Современные системы HIL используют специализированные вычислительные платформы реального времени, которые могут выполнять сложные модели динамики транспортного средства со скоростью 1000 Гц или выше, обеспечивая точное представление поведения транспортного средства.

Интеграция с рабочими процессами развития

Совместное моделирование с ROS, импорт моделей CAD и ГИС, а также интеграция с такими инструментами, как контроллеры Simulink, Python и контроллеры реального времени, позволяет легко подключить программные и аппаратные компоненты к одному рабочему процессу согласованного тестирования. Эта возможность интеграции имеет решающее значение для современной разработки автономных транспортных средств, которая включает в себя различные инструменты и платформы.

Бесшовная интеграция позволяет проводить непрерывное тестирование на протяжении всего процесса разработки. По мере развития программного и аппаратного обеспечения они могут быть постоянно проверены на основе одного и того же комплексного набора тестовых сценариев, гарантируя, что изменения не вносят регрессий или неожиданных поведений.

Цифровая технология Twin для автономных транспортных средств

Технология цифровых двойников представляет собой передовое применение моделирования динамики транспортных средств, создавая виртуальные копии физических транспортных средств, которые могут быть использованы для разработки, тестирования и постоянной оптимизации.

Концепция и осуществление

Эта технология эффективно имитирует условия реального мира, позволяя безопасно тестировать и проверять транспортные средства с помощью цифрового двойника, прежде чем они будут готовы к дороге. Цифровой двойник - это больше, чем просто имитационная модель - это всеобъемлющее виртуальное представление, которое отражает конфигурацию, поведение и даже историю эксплуатации физического транспортного средства.

Цифровые двойники могут включать данные о работе транспортного средства в реальном мире, постоянно обновляя и совершенствуя свои модели на основе фактической производительности. Это создает цикл обратной связи, где реальный опыт повышает точность моделирования, а идеи моделирования направляют оптимизацию реального мира.

Применение в управлении флотом

Для организаций, развертывающих парки автономных транспортных средств, цифровые двойники обеспечивают сложное управление и оптимизацию парка. Каждое транспортное средство во флоте может иметь соответствующего цифрового двойника, который отслеживает его состояние, прогнозирует потребности в обслуживании и позволяет тестировать обновления программного обеспечения перед развертыванием на физических транспортных средствах.

Цифровые двойники также облегчают анализ первопричин, когда проблемы возникают в полевых условиях. Инженеры могут воссоздать точные условия, которые привели к проблеме в среде цифровых двойников, что позволяет детально исследовать, не нарушая работу флота.

Новые тенденции и будущие направления

Область моделирования динамики транспортных средств продолжает быстро развиваться, чему способствуют достижения в области вычислительной мощности, искусственного интеллекта и нашего понимания требований к автономным транспортным средствам.

Генераторное моделирование на основе ИИ

NVIDIA первой выпустила модель VLA с открытым мышлением, предназначенную для решения проблем автономного вождения с длинным хвостом, с семейством Alpamayo, включая инструменты моделирования и наборы данных, позволяющие разрабатывать транспортные средства, которые воспринимают, рассуждают и действуют с человеческим суждением. Эти подходы, основанные на ИИ, представляют собой фундаментальный сдвиг в том, как создаются и используются моделирования.

Модель Waymo World Model предлагает сильную управляемость симуляцией с помощью трех основных механизмов: управление движением, управление макетом сцены и управление языком. Этот уровень управляемости позволяет инженерам точно определять сценарии, которые они хотят протестировать, в то время как ИИ генерирует реалистичные реализации этих сценариев.

Облачное моделирование в масштабе

Модели ИИ тестируются в бесчисленных сценариях в NVIDIA Omniverse с Cosmos, с библиотеками Omniverse и моделями Cosmos World Foundation, что позволяет реконструировать и улучшать интерактивное моделирование с помощью данных датчиков реального мира, физики моделей и поведения, а также генерировать физически точные и разнообразные данные датчиков для ускорения развития AV.

Облачные вычисления позволяют моделировать в беспрецедентных масштабах. Организации могут использовать практически неограниченные вычислительные ресурсы для параллельного запуска миллионов сценариев, что резко сокращает сроки разработки. Облачные платформы также облегчают сотрудничество между географически распределенными командами и позволяют небольшим организациям получать доступ к возможностям моделирования, которые были бы чрезмерно дорогими для создания собственных.

Интеграция рассуждений и объяснений

Alpamayo 1 - первая в отрасли модель VLA с цепочкой рассуждений, разработанная для исследовательского сообщества AV, с архитектурой из 10 миллиардов параметров, которая использует видео-ввод для генерации траекторий наряду с логическими следами, показывая логику каждого решения. Эта возможность решает одну из важнейших проблем в разработке автономных транспортных средств - понимание того, почему система принимает конкретные решения.

Объясняемый ИИ в моделировании позволяет инженерам понять не только то, что делает автономная система, но и почему она делает конкретный выбор. Эта прозрачность имеет решающее значение для отладки, оптимизации и укрепления доверия к автономным системам среди регуляторов и общественности.

Стандартизация и совместимость

AVxcelerate обеспечивает открытую архитектуру, которая соединяет моделирование Ansys с любым симулятором вождения и набором инструментов, которые вы выбираете, например, IPG Automotive CarMaker или Carla. По мере развития отрасли все больше внимания уделяется стандартизации и совместимости между различными платформами и инструментами моделирования.

Отраслевые стандарты позволяют организациям использовать лучшие в своем классе инструменты для различных аспектов моделирования, сохраняя при этом бесшовную интеграцию. Эта гибкость важна, поскольку ни одна платформа не превосходит все аспекты автономного моделирования транспортных средств.

Улучшенное сенсорное моделирование

Будущие платформы моделирования будут включать в себя все более сложные модели датчиков, которые фиксируют тонкие эффекты, такие как деградация датчиков с течением времени, помехи между датчиками и воздействие загрязнения окружающей среды. Эти подробные модели позволят более реалистично тестировать алгоритмы синтеза датчиков и системы восприятия.

Передовое моделирование датчиков также будет включать в себя новые сенсорные технологии по мере их появления, гарантируя, что возможности моделирования будут идти в ногу с аппаратными инновациями. Это включает в себя лидарные системы следующего поколения, передовые радиолокационные технологии и новые методы датчиков.

Проблемы и ограничения

Хотя моделирование динамики транспортных средств обеспечивает огромную ценность, важно понимать их ограничения и проблемы, которые остаются в создании моделирования, полностью отражающего реальные условия.

Моделирование Fidelity и Reality Gap

Классические тренажеры вождения предлагают оценку замкнутого цикла, но все еще демонстрируют разрыв в домене по сравнению с реальным миром, в то время как наборы данных о вождении, собранные в автономном режиме, избегают этого разрыва, но изо всех сил пытаются обеспечить оценку замкнутого цикла. Этот разрыв в реальности - разница между симулированным и реальным поведением - остается фундаментальной проблемой.

Ни одно моделирование не может идеально воспроизвести каждый аспект вождения в реальном мире. Тонкие эффекты, такие как износ шин, изменения дорожного покрытия и сложные взаимодействия между системами транспортных средств, могут не быть полностью отражены в имитационных моделях. Инженеры должны проверять результаты моделирования на реальных данных, чтобы гарантировать, что выводы, сделанные из моделирования, являются надежными.

Вычислительные требования

Моделирование высокой точности, особенно включающее подробные модели датчиков и сложные сценарии трафика, требует значительных вычислительных ресурсов. Моделирование в реальном времени для тестирования HIL требует специализированного оборудования, способного выполнять сложные модели с высокими скоростями.

В то время как облачные вычисления помогают решать проблемы масштабируемости, стоимость запуска массовых кампаний моделирования все еще может быть значительной. Организации должны сбалансировать точность моделирования с вычислительными затратами, используя упрощенные модели, где это необходимо, и резервируя высокоточную симуляцию для критических сценариев.

Модель валидации и калибровки

Модели моделирования должны быть проверены на соответствие реальным данным для обеспечения точности. Этот процесс проверки требует обширного реального тестирования для сбора данных для калибровки и проверки модели. Качество результатов моделирования напрямую зависит от качества базовых моделей и данных, используемых для их разработки.

По мере развития транспортных средств и автономных систем модели должны постоянно обновляться и обновляться. Это постоянное техническое обслуживание представляет собой значительные инвестиции в инженерные ресурсы и опыт.

Сценарий охвата и полноты

Хотя моделирование позволяет тестировать гораздо больше сценариев, чем только физическое тестирование, обеспечение всестороннего охвата всех возможных сценариев остается сложной задачей. Пространство сценариев для автономных транспортных средств фактически бесконечно, и определение того, какие сценарии наиболее важны для тестирования, требует тщательного анализа и экспертизы домена.

Передовые методы, такие как адаптивная выборка и генерация сценариев, помогают решить эту проблему, но всегда есть риск того, что важные крайние случаи могут быть упущены. Сочетание моделирования с реальным тестированием и непрерывным обучением от операций флота помогает смягчить этот риск.

Лучшие практики для реализации программ моделирования

Организации, разрабатывающие автономные транспортные средства, могут максимизировать ценность моделирования, следуя устоявшимся передовым методам и обучаясь на опыте отрасли.

Установите четкие цели и метрики

Успешные программы моделирования начинаются с четких целей. Организации должны определить, чего они хотят достичь с помощью моделирования - будь то проверка безопасности, оптимизация производительности, снижение затрат на разработку или ускорение времени выхода на рынок. Эти цели должны поддерживаться измеримыми показателями, которые отслеживают прогресс и демонстрируют ценность.

Метрики могут включать в себя количество протестированных сценариев, охват области оперативного проектирования, корреляцию между моделированием и реальными результатами или снижение требований к физическому тестированию. Регулярный обзор этих показателей гарантирует, что программа моделирования остается согласованной с организационными целями.

Инвестируйте в разработку и валидацию моделей

Основой эффективного моделирования являются точные модели. Организации должны инвестировать в разработку высококачественных моделей динамики транспортных средств, моделей датчиков и моделей окружающей среды. Эти инвестиции включают как начальную разработку модели, так и текущую проверку и уточнение на основе реальных данных.

Проверка моделей должна быть систематической и документально подтвержденной, сопоставляя прогнозы моделирования с реальными измерениями в различных условиях. Понимание точности и ограничений моделей позволяет надлежащим образом использовать результаты моделирования при принятии решений.

Интеграция моделирования на протяжении всего процесса разработки

Моделирование не должно быть изолированной деятельностью, а должно быть интегрировано на протяжении всего процесса разработки.Оценка концепции на ранней стадии, детальная оптимизация дизайна, проверка программного обеспечения и проверка перед развертыванием должны использовать возможности моделирования.

Эта интеграция требует сотрудничества между специалистами по моделированию и другими инженерными дисциплинами. Создание кросс-функциональных команд, которые включают опыт моделирования, гарантирует, что возможности моделирования эффективно используются и что результаты моделирования информируют дизайнерские решения.

Баланс верности и эффективности

Организации должны разрабатывать портфель имитационных моделей на различных уровнях точности, используя более простые модели для быстрой итерации и разведки, а также резервируя модели высокой точности для детальной проверки и критических сценариев.

Этот многоуровневый подход позволяет эффективно использовать вычислительные ресурсы и инженерное время.Простые модели могут работать быстро и позволяют широко исследовать пространство проектирования, в то время как подробные модели обеспечивают уверенность в окончательных проектах.

Инструменты и стандарты для отрасли

Вместо того, чтобы строить все с нуля, организации должны использовать установленные платформы моделирования и отраслевые стандарты. Коммерческие и инструменты моделирования с открытым исходным кодом воплощают годы разработки и проверки, предоставляя возможности, которые будут дорогими и трудоемкими для репликации.

Участие в разработке отраслевых стандартов и внедрение общих интерфейсов и форматов данных облегчает сотрудничество и позволяет использовать дополнительные инструменты от различных поставщиков.

Сохранение комплексной документации

Моделирование должно быть тщательно документировано, включая предположения модели, результаты проверки, сценарии испытаний и результаты моделирования. Эта документация служит нескольким целям: она обеспечивает воспроизводимость, поддерживает соблюдение нормативных требований, облегчает передачу знаний и обеспечивает аудиторский след для принятия решений, имеющих решающее значение для безопасности.

Автоматизированные инструменты документирования и платформы управления моделированием могут помочь поддерживать всесторонние записи без чрезмерного бремени на инженерные команды.

Нормативно-правовые аспекты и проверка безопасности

По мере того, как автономные транспортные средства переходят к коммерческому развертыванию, нормативные рамки развиваются для удовлетворения требований проверки безопасности. Моделирование играет решающую роль в демонстрации безопасности регулирующим органам и общественности.

Моделирование в случаях безопасности

Для автономных транспортных средств все чаще используются доказательства моделирования, которые показывают, что системы отвечают требованиям безопасности. Моделирование позволяет проводить тестирование по широкому спектру сценариев, включая редкие события, которые могут не встречаться во время ограниченного тестирования в реальном мире.

Регуляторы разрабатывают рамки для принятия доказательств моделирования, включая требования к валидации модели, охвату сценария и корреляции с реальными результатами. Организации должны обеспечить, чтобы их программы моделирования соответствовали этим меняющимся требованиям.

Сценарно-ориентированные подходы к тестированию

Многие нормативные рамки переходят к сценарному тестированию, где автономные транспортные средства должны демонстрировать безопасное поведение в определенном наборе сценариев. Моделирование имеет важное значение для реализации сценарного тестирования в масштабе, что позволяет систематически оценивать тысячи или миллионы вариантов сценария.

Отраслевые организации и органы по стандартизации работают над определением всеобъемлющих каталогов сценариев, охватывающих область оперативного проектирования автономных транспортных средств. Эти стандартизированные сценарии обеспечивают общую основу для проверки безопасности и одобрения регулирующих органов.

Непрерывная валидация и обучение флоту

Проверка безопасности не заканчивается развертыванием. Поскольку автономная автопарковка накапливает реальный опыт, эти данные должны быть использованы в имитационных моделях и тестовых сценариях. Этот цикл непрерывного обучения позволяет постоянно совершенствоваться и помогает выявлять возникающие проблемы безопасности, прежде чем они станут критическими.

Моделирующие платформы, которые могут включать данные о парке и автоматически генерировать сценарии испытаний на основе реального опыта, будут все более важны для поддержания и демонстрации постоянной безопасности.

Утверждение промышленности и влияние на реальный мир

Моделирование динамики транспортных средств перешло от специализированного исследовательского инструмента к основному компоненту развития автономных транспортных средств в отрасли.

Усыновление в автомобильной промышленности

Рынок решений для автономного моделирования транспортных средств продвигается несколькими критическими драйверами, с растущим внедрением передовых систем помощи водителю (ADAS) и автономных транспортных средств, стимулирующих спрос на виртуальные среды тестирования. Крупные производители автомобилей, технологические компании и стартапы вкладывают значительные средства в возможности моделирования.

Это широкое распространение отражает признание того, что моделирование не является факультативным, но необходимым для разработки безопасных, надежных автономных транспортных средств в разумные сроки и бюджеты. Организации, которые эффективно используют моделирование, получают значительные конкурентные преимущества в скорости разработки и качестве продукции.

Влияние на сроки развития

Моделирование явно ускорило разработку автономных транспортных средств. Проекты, которые могли бы занять десятилетие или более с использованием традиционных методов разработки, завершаются за часть этого времени благодаря широкому использованию моделирования.

Это ускорение происходит из-за способности постоянно тестировать, выявлять и исправлять проблемы на ранней стадии и проверять проекты, прежде чем брать на себя обязательства по дорогостоящим физическим прототипам. Быстрая итерация, обеспечиваемая моделированием, позволяет исследовать больше альтернатив дизайна и оптимизировать производительность.

Создание новых бизнес-моделей

Моделирование позволяет создавать новые бизнес-модели в экосистеме автономных транспортных средств. Моделирование как услуга позволяет организациям получать доступ к сложным возможностям моделирования без крупных капиталовложений. Рынки данных и сценариев позволяют обмениваться тестовыми сценариями и данными проверки по всей отрасли.

Эти новые модели демократизируют доступ к расширенным возможностям моделирования, позволяя небольшим организациям и стартапам конкурировать с устоявшимися игроками. Это усиление конкуренции стимулирует инновации и ускоряет общие темпы развития автономных транспортных средств.

Заключение

Моделирование динамики транспортных средств стало незаменимым инструментом в разработке автономных транспортных средств, позволяя инженерам оптимизировать производительность, проверять безопасность и ускорять разработку способами, которые были бы невозможны только путем физического тестирования. От моделей на основе физики до генеративного моделирования на основе ИИ, область продолжает быстро развиваться, предлагая все более сложные возможности для тестирования и проверки.

Преимущества моделирования, включая резкое сокращение затрат, ускоренные циклы разработки, повышенную безопасность посредством комплексного тестирования и возможность тестирования редких и экстремальных условий, делают его краеугольным камнем современной разработки автономных транспортных средств.По мере того, как технологии моделирования продолжают развиваться, включая цифровые двойники, облачную масштабируемость и генерацию сценариев на основе ИИ, их роль в разработке автономных транспортных средств будет только возрастать.

Организации, которые эффективно реализуют программы моделирования, следуя передовым практикам разработки моделей, проверки и интеграции на протяжении всего жизненного цикла разработки, позиционируют себя для успеха на конкурентном рынке автономных транспортных средств. Хотя остаются проблемы, особенно в отношении точности моделирования и разрыва в реальности, продолжающиеся достижения в технологии моделирования и методологиях проверки продолжают устранять эти ограничения.

По мере того, как автономные транспортные средства переходят от исследований и разработок к широкому коммерческому развертыванию, моделирование будет оставаться важным - не только для первоначальной разработки, но и для непрерывной проверки, оптимизации парка и постоянной гарантии безопасности. Будущее автономной мобильности строится в виртуальных мирах, где каждый день проходят миллионы миль испытаний, гарантируя, что когда автономные транспортные средства добираются до наших дорог, они делают это с беспрецедентным уровнем безопасности и надежности.

Для получения дополнительной информации о технологиях автономных транспортных средств и платформах моделирования посетите международные стандарты SAE для автоматизированных систем вождения и изучите ресурсы Национального управления безопасности дорожного движения по безопасности автоматизированных транспортных средств .