2023自动驾驶未来今日白皮书

自动驾驶未来今日 如何通过人工智能、数字化和仿真技术的协同，加快实现对自动驾驶功能的高效验证？ 目录 3简介 5验证和确认生态系统的多个维度的集成 13人工智能和数字孪生对自动驾驶汽车认证的影响 17数字化和软件在自动驾驶汽车开发和验证中的作用 18 新兴的验证和确认方法论 19自动驾驶汽车开发、测试和验证的关键要素 20 尾注 简介 20年前进入汽车市场的第一波现代高级驾驶辅助系统（Advanced Driver-Assistance Systems, ADAS）是一个工程上的突破，它将传感器集成到车辆中，提醒驾驶员注意异常情况，并在某些情况下进行干预。例如，1999年，捷豹以其自动车距控制系统和基于雷达的主动巡航控制系统进入市场，推出了捷豹XKR。12010年，沃尔沃发布行人检测系统，使用雷达和摄像头，在有行人进入到汽车正前方行驶区域时，向司机发出警告以及启动紧急制动程序。2 的传感器，如摄像头、激光雷达（LiDAR）和毫米波雷达。通过复杂的数字技术和通信技术，它们将感知结果进行融合。 除此之外，汽车主机厂已经引入了自动驾驶汽车域控制器，整合了处理过程，这种进步使得证明和记录人工智能系统代表司机做决定的可预测性、合理性和完整性的决策过程更具挑战性。 这导致了汽车主机厂面临的最大挑战之一：传统的传感器和软件工程已经非常复杂，但现在管理验证人工智能系统所需的海量数据也非常复杂。下一代自动驾驶汽车平台每天可以轻松产生高达200TB的数据。在一个星期内，它们可以产生一个PB级的数据。SAEL3自动驾驶所需的数据量很容易达到200至300TB。这比谷歌地图数据库的预计规模多出五到七倍，据估计，整个谷歌地球地图储存数据约为43PB。4 然而，在过去20年里，世界发生了巨大的变化。现在，基于人工智能（Artificial Intelligence, AI）的高级驾驶辅助系统（ADAS）和自动驾驶汽车 （Autonomous Vehicle, AV）系统已经大量涌现，数据驱动的工程、测试和验证技术有了很大的进步。全球各国都在制定自动驾驶汽车系统的安全规范。国际组织如联合国欧洲经济委员会 (UNECE）、国际汽车工程协会（SAE International）和国际标准化组织（ISO），以及区域组织如欧洲的德国技术监督协会（TÜV）和欧洲新车安全评鉴协会（NCAP）、美国国家交通安全管理局（NHTSA）和中国汽车技术研究中心（CATARC），已经为自动驾驶功能制定了路线图和严格的安全标准，如预防追尾、倒车和停车、车道辅助、保持安全距离和自动紧急制动系统。围绕ISO26262和预期功能安全（SOTIF）的规范和标准已经在汽车行业内建立。所有这些创新都旨在提高安全性和可靠性。 为了安全地验证自动驾驶汽车功能，需要大量的测试场景和超过1亿公里的试驾。这需要大量的驾驶、测试、验证，以及一个融合了虚拟仿真、数据挖掘和人工智能的深度设计的端到端流程。 今天，测试是在路上、在测试台和在数据中心进行的。通常，验证生态系统包括代码审查、单元和组件测试、模型在环（MiL）、软件在环（SiL）、硬件在环（HiL）、车辆在环（ViL）或更普遍的X在环（XiL），这些都需要一致的可追溯性。为了确保灵活性、可扩展性和成本效益，一个混合（多）云基础设施和数据协调是关键的成功因素。 随着技术的进步，产品设计变得越来越复杂，尤其是针对汽车工程协会（SAE)L3级别以上的汽车，其具有更高的自主性。3为了实现这一目标，汽车制造商正在车内装备实时的V2X服务、高清地图以及高性能 在整个工程研发过程中，不同的参与者倾向于使用不同的方法论，如V模型、瀑布或敏捷开发，并使用不同的衡量标准。汽车研发（R&D）工程师以系统工程级别和功能要求的方式思考。IT工程师以迭代的方式解决问题，通常使用更多的数据、更大的带宽和增强的计算能力，如更多的中央处理器（CPU）、内存或图形处理器（GPU）。 确认领域，旨在帮助汽车制造商在自动驾驶汽车市场竞争中取得领先地位，以下是这些挑战: 1.验证和确认生态系统的多个维度的集成2.人工智能和数字孪生对自动驾驶汽车认证的影响3.数字化和软件在自动驾驶汽车开发和验证中的作用4.新兴的验证和确认方法论5.自动驾驶汽车开发、测试和验证的关键要素 由于开发和验证阶段是相互关联的，多学科的研发和IT DevOps团队需要开发一种共同的语言，并让拥有开发和验证经验的高技能人员参与进来，他们可以在这两个领域安全操作，以弥合差距。 除了技术方面的挑战，自动驾驶汽车的发展还面临着法律、道德和社会方面的挑战。例如，自动驾驶汽车的责任问题、隐私和安全问题、城市规划和交通管理问题等等。因此，在自动驾驶汽车领域的发展中，不仅需要技术的进步，还需要政府、企业和社会各方的共同努力，形成全方位、多层次的合作机制，推动自动驾驶汽车的发展和普及。 随着越来越多的人工智能和机器学习系统进入市场，特别是进入到自动驾驶汽车领域后，要证明这些系统的可预测性、可靠性、合理性和正确性就变得更加困难。这就要求有一个数据驱动的自动驾驶汽车验证和确认过程。 总的来说，自动驾驶汽车是一个充满挑战和机遇的领域。随着技术和社会的不断进步，自动驾驶汽车的发展前景仍然十分广阔。无论是政府、企业还是个人，都需要以开放、包容的态度，积极探索、推动和参与自动驾驶汽车领域的发展。 尽管自动驾驶汽车系统和功能的开发挑战巨大，但我们致力于解决当前和下一代SAE L3+级别自主车辆验证和确认（Verification &Validation, V&V）中的关键问题。本文专门提出了五个主要挑战，针对验证和 为了迎接这些变化，许多国家和地区已经在为这种模式的转变做准备。欧盟（EU）已经扩大了高级驾驶辅助系统（ADAS）系统的授权范围，如自动紧急制动（AEB）和车道偏离警告（LDW）系统，以及预碰撞系统（PCS）。 验证和确认生态系统的多个维度的集成 在北美，越来越多的政府采取不同举措推行驾驶辅助系统，预计将加速市场增长。驾驶辅助系统更多的在小型汽车中采用，也将进一步促进市场需求。 从历史上看，人们可以从三个方面及其相关特征区分出行方式（Mobility）。 管理一个综合的验证和确认生态系统需要考虑四个重要方面：战略、法律、企业和技术。 •范式：私家（车辆）与公共（公共汽车、火车等）与按需（出租车、共享）的出行方式•商业模式：买与租与按使用量付费•驾驶的方式： 驾驶员驾驶与自动驾驶 战略方面 最近的研究报告指出： •2020年至2030年期间，对汽车的需求正在发生急剧变化。今天，全球汽车主机厂的市值约为1万亿美元。预计到2025年将增加到1.9万亿美元，然后到2030年下降到1.4万亿美元，在短短五年内下降35%。在同一时期，自动出行即服务（mobility-as-a-service）的市值预计将从今天的1090亿美元增长到2030年的9万亿美元。5我们预计汽车销售模式将发生变革，因为入门级汽车将更多地纳入出行即服务模式，而豪华汽车可能仍然主要面向个人购买。 在过去的二十年里，我们看到不同出行方式和商业模式两个维度的混合。然而，随着最近技术的进步，许多新的商业和服务模式正在出现。在未来几年，我们可能会看到从私家车/驾驶员驾驶向私家车/自动驾驶、共享/自动驾驶和按需/自动驾驶的出行方式过渡。 想象一下，未来的智慧城市, 会是一个拥有共享电动、按使用量付费自动出行的城市，居民可以安心使用不同出行服务。若想成为这个潜在的巨大市场的服务提供商之一，汽车主机厂今天必须做出行动。 •预计自主打车服务将把出行成本降低到现在出租车平均成本的十分之一。如今，自动驾驶汽车已经成为一种趋势，这也加速了人们的广泛采用。到2030年，自动驾驶叫车平台每年将产生超过1万亿美元的利润。5此外，汽车主机厂和车队所有者可以分别享受2500亿美元和700亿美元的利润。6 然而, 他们面临的一个挑战是应对不同的市场差异，例如各地区的公路交通如何不同。中国上海的城市交通与印度孟买和美国洛杉矶的城市交通相比较，显然条件是相当不同的。即使有1949年9月在日内瓦和1968年11月在维也纳签订的《联合国道路交通公约》确立了标准，但在许多地区从功能角度应对市场差异方面仍然存在相当大的差异。 •2019年亚太地区豪华车市场规模达到2318亿美元，并预计将在未来的十年中继续保持主导地位。中国作为该地区增长潜力最大的国家之一。7中国、韩国和日本正制定车辆和道路安全法规，以促进高级驾驶辅助系统（ADAS）的推广和应用。 汽车主机厂必须应对以下挑战: 1.市场和销售目标 哪些市场是相关的，每个市场的正确比重是多少？ 2.监管要求 在不同地区，汽车主机厂必须遵守哪些法规？ 3.自动驾驶汽车功能和解决方案 哪些功能正在开发中，应被验证（尊重特定国家的行为和车道标线、路标、障碍物、动物等）？是否可以针对有相似要求的国家进行联合开发以简化验证过程？ 4.安全问题 是否有安全方面的关键影响和意义？ 5.测试策略 如何通过确保所有相关市场的良好测试覆盖率和测试深度来降低潜在风险? 6.测试方法 如何将开环（如物理场景）与闭环（如虚拟场景）测试混合在一起，最重要的是，如何验证虚拟机仿真技术的正确性，并与同源性检测结果相匹配。 7.测试设计和规范 什么是正确的测试案例和测试场景，以及如何定义和收集相应的测试数据？ 8.测试数据 人工智能系统的开发（如训练）以及测试和验证（如净公里、净英里、净小时、净场景、净数据量等）需要多少数据量？如何建立数据湖架构，以便在数据池中轻松找到特定场景？ 9.验证与确认生态系统和测试台 确认测试生态系统内的正确组合，如单元测试、软件在环（SiL）、硬件在环（HiL）、虚拟验证等？ 10.汇报方法和关键绩效指标（KPI） 当前业界正在创建安全可靠的自动驾驶监管框架，其中包括ISO 26262、预期功能安全（SOTIF）、汽车软件过程改进及能力评估（ASPICE）、汽车安全完整性等级（ASIL）等规范和标准，以及汽车工程协会（SAE）、德国技术监督协会（TÜV）、欧洲新车安全评鉴协会（EuroNCAP）、美国国家交通安全管理局（NHTSA）、中国汽车技术研究中心（CATARC）等国际法律框架提议正在进行中。然而，实现可信和安全的SAE L3+自动出行和最终认证的道路具有挑战性。 哪种汇报方法和关键绩效指标是监测自动驾驶汽车验证项目和衡量测试结果和最终软件质量的合适方法？ 11.定制重复使用场景和Delta测试 有哪些场景可以在开发或验证过程中进行重复使用，采用增量测试的概念，以确保训练和验证数据集的一致性？ 这些问题可能看起来很简单，但却不容易回答。必须确定创建数据池的正确策略，注入正确的场景，并根据这一策略开发最佳测试的生态系统。 对于汽车主机厂来说，能够追溯测试用例和各自的场景需求，以及每个硬件或软件版本的相关测试结果，是至关重要的。他们需要阐明适当的测试深度和测试覆盖率，将传统的僵化的基于系统工程的开发过程转变为更敏捷的，同样可信任的数据驱动的开发和验证过程。 确定适当组合的确定性和统计性的物理和虚拟场景，涵盖常规驾驶场景和极端情况，对于证明系统的确定性和统计性的正确性至关重要，确保其一致性。 除了系统和功能本身，尊重每个国家适用的区域和国家数据隐私和安全法规也至关重要的，特别是当在大规模全球活动中，需要从公共道路收集实际数据时。 在自动驾驶汽车系统工程、验证和确认中，变化是永恒的话题。 除了ISO 26262、预期功能安全（SOTIF）、汽车软件过程改进及能力评定（ASPICE）和汽车安全完整性等级（ASIL）等安全相关规范和标准外，汽车主机厂还应该考虑数据隐私政策、网络安全和国家安全的法律影响。 因为变化是开发和验证项目中的一个常态，汽车主机厂必须选择更敏捷和能够应对快速变化的合作伙伴。这一特征对服务行业的合作方式和商