9月20-21日，由中國人才研究會汽車人才專業(yè)委員會指導，專家汽車組及蓋世汽車主辦的"2019（第七屆）汽車與環(huán)境創(chuàng)新論壇"隆重舉辦，論壇以一個主論壇加四個平行論壇的形式，攜百名行業(yè)權(quán)威嘉賓，共同探討中國汽車產(chǎn)業(yè)在轉(zhuǎn)型升級的新形勢和新常態(tài)下，整車廠與零部件企業(yè)協(xié)同創(chuàng)新、升級做強、共同應對嚴峻市場和產(chǎn)業(yè)變革挑戰(zhàn)之發(fā)展路徑。以下為美國NI大中華區(qū)汽車業(yè)務拓展經(jīng)理潘登演講內(nèi)容實錄：

美國NI大中華區(qū)汽車業(yè)務拓展經(jīng)理 潘登

NI用自動駕駛測試驗證的方式怎么幫助行業(yè)實現(xiàn)從高級駕駛輔助到自動駕駛，L3、L4的測試技術(shù)的演進。我在NI今年已經(jīng)是第13年了，在負責這個業(yè)務之前我一直在做區(qū)域的業(yè)務，為整車廠、研究機構(gòu)，包括大學，提供解決方案。

自動駕駛的驗證大家都已經(jīng)非常熟悉，我們有非常多的驗證流程，從模型在環(huán)、軟件在環(huán)、硬件在環(huán)到實車、到封閉場到公開道路，因為這個行業(yè)里面的技術(shù)門類實在是太多了，包括車跟路的一些協(xié)同等等，涉及的技術(shù)點真的是方方面面。

我們會比較關(guān)注從測試的角度，從傳感器到算法整個的框架，這個框架代表著自動駕駛里面各個要素，從左邊的攝像頭、雷達，V2X其實也是感知的一部分，還有一些計算的處理單元。在這里面各個部件，中間是ECU或者處理算法，各個部件可能會被考慮進去的主要的一些測試手段，比如對V2X的測試，對光學的驗證測試，通過回放，通過半實物仿真來完成對自動駕駛的軟件的測試和驗證，包括整個測試過程中試驗數(shù)據(jù)的管理，包括軟件的仿真，包括一些路測。這個路測已經(jīng)不是我們以前講的路測了，NI以前也做很多路測設備，市面上很多公司都有，但是到自動駕駛已經(jīng)完全不一樣了，因為在里面所有用于感知的傳感器，其信號的種類、類型包括數(shù)據(jù)帶寬、吞吐量的要求我們都討論很多，怎么在比較短的時間內(nèi)反應，能夠達到足夠安全，這已經(jīng)遠遠超出以前說CAN總線，比較低速，比較低同步要求的考慮了，所以這是一個完全新的領(lǐng)域，最近很多做場地試驗研究機構(gòu)開始在探討這個話題。

每一種技術(shù)從路測到回放，到在環(huán)到軟件仿真都有它的優(yōu)缺點，錄播和回放所有的東西都是真的，代價就是它的成本比較高，一個是設備成本一個是時間成本。要幾十年才能去驗證，全部靠道路是無法做到的。軟件仿真的缺點就是當今的軟件還不是那么逼真。硬件在環(huán)也有逼真度的問題。

行業(yè)里面怎么來看這個事情呢，我們拿到這樣一些統(tǒng)計數(shù)據(jù)，是從一些主要的自動駕駛公司的統(tǒng)計數(shù)據(jù)來的，在里程數(shù)上面，99%以上會通過仿真來做。我們?nèi)匀豢吹?，包括整車廠，包括一些自動駕駛公司，在路測上投放的車輛數(shù)都是巨大的，往復的去運動，而且在里面安裝的設備也是非常貴的，比如N個激光雷達，加上一堆高精定位裝置，這些裝置已經(jīng)可以購買好幾輛車了，這樣的投資量非常大。

反過來說能夠?qū)崿F(xiàn)里程數(shù)的覆蓋還是比較少的，所以綜合來講的話，通過軟件仿真實現(xiàn)一個綜合的測試驗證是現(xiàn)在主流的手段。

在這里面有一個挑戰(zhàn)，我們畫一些橫線在里面，意思是說怎么樣把這些驗證手段綜合起來，比如我們用一些測試流程，或者測試數(shù)據(jù)一定程度的復用，或者驗證，這是一個挺大的挑戰(zhàn)。

剛才是ADAS研發(fā)的過程和路測，但是到前端傳感器的應用，研發(fā)、測試以及傳感器的生產(chǎn)測試，也是我們考慮整個汽車產(chǎn)品全周期測試里面很關(guān)鍵的一環(huán)。

當然這個話題并非只是存在于零部件供應商，到今天為止，我們看到很多整車企業(yè)，在傳感器的設計、規(guī)格、定義和研發(fā)驗證上很早就和Tier1做緊密的結(jié)合了。在這個領(lǐng)域比較領(lǐng)先的整車廠很多參與甚至自己投資做零部件研發(fā)生產(chǎn)，這已經(jīng)是一個很大的趨勢。所以當我們講自動駕駛測試的時候，我們不能忽略零部件這端的研發(fā)測試和生產(chǎn)測試。不同的驗證手段適合產(chǎn)品開發(fā)的不同階段以及用戶的主要關(guān)切。

2017年我們推出了全行業(yè)比較早的汽車雷達目標模擬器，2016年的時候我們選擇奧迪作為我們的先期用戶，它在自己的量產(chǎn)車上的雷達是要參與到雷達的研發(fā)包括驗證的，所以它會有自己的一個雷達部門。這個形態(tài)已經(jīng)是第二代了，早前的形態(tài)比這個要粗一點，丑一點。到今年底最晚到明年第一季度，我們會推出第二代雷達目標模擬器，覆蓋到四個G的帶寬，并且有非常好的RCS重復度反應，4個G的帶寬，這是非常有挑戰(zhàn)的。在4G帶寬的平臺上已經(jīng)非常寬了，當前77GHz的雷達用的帶寬600兆,已經(jīng)比較多了，但是我們已經(jīng)看到很多國際零部件供應商，也是預期在明年下半年推出量產(chǎn)4個G毫米波的雷達，用來做角雷達的探測，因為它能提高分辨率，所以我們在明年初會發(fā)布4個G的毫米波雷達模擬器。這使得我們能夠進一步領(lǐng)先于整個行業(yè)。

除了做雷達模擬器，它也可以拓展為多目標、多角度的模擬，使得我們可以響應一些需求，來自于做場景的。比如場景中你需要模擬一個車道上有前后兩臺車，我可能需要做一些交互，比如切入切出的場景變化。NI的獨特設計在于我們基于模塊化的設計，將毫米波的射頻前端做成一個比較獨立的方盒子，當它架到一個機械系統(tǒng)上進行移動的時候，對機械系統(tǒng)的復雜度和要求會降到非常多。

我這里有一個視頻講的是我們在2017年初，請奧迪來幫我們分享他們怎么樣在雷達系統(tǒng)的驗證中采用新的測試技術(shù)，來幫助它在很短的時間內(nèi)，大概幾周的時間內(nèi)能夠模擬雷達傳感器，通過道路試驗可能需要十多年的時間驗證這些經(jīng)歷。

其實這里面還是有一些故事，奧迪本身是一個科技領(lǐng)先的公司，第二在當時還有一些其他的影響，它必須要在新技術(shù)上做很多先期的導入，所以它跟我們有很好的合作，大家在這個合作下面非常多的信息是開放的。NI本身是一個通用的平臺，用戶跟我們不只是扮演用戶和供應商的身份，我們一起做一些研發(fā)，這是我們一直在持續(xù)推進的。如果大家有一些共同推進的合作項目，也可以跟我聯(lián)系，我們在中國也希望找到越來越多的先期用戶，不一定是在毫米波雷達，各個領(lǐng)域都有。

雷達測試的研發(fā)，我們也有一些案例，這只是其中很小的一個案例，同樣的一臺裝置在研發(fā)階段用完之后它是可以適用在產(chǎn)線上測試的，做一些自動化程式的編寫，使得測試效率能夠在用戶這端得到極大的提升，所以用戶的反饋是開發(fā)很快，節(jié)省了開支，并且很容易做擴展和升級。

測試結(jié)構(gòu)我們在中汽中心這邊也有成功的部署，這個也是比較早的在國內(nèi)的先期用戶實現(xiàn)多目標的仿真系統(tǒng)，包括做位置、速度和RCS的仿真，包括雷達參數(shù)。這個是比較早的案例，現(xiàn)在已經(jīng)把一些場景放進去，通過場景來調(diào)整這個目標車的一些位置，然后來做基于全場景的半實物仿真的基于OTA的目標模擬。

攝像頭我會比較快一點，因為思路是一樣的，我們做注入或者屏幕的播放或者是做目標集的信號注入，都有很多測試方法。因為攝像頭基于場景和構(gòu)建攝像頭的目標有很多仿真軟件都可以使用，NI是一個比較開放的平臺，我們可以接入任何場景軟件對于攝像頭的測試。LiDAR我們也做了一些前期的探索，雖然在我們做這個探索的時候，整個行業(yè)的量還沒有形成一個主要的趨勢。不過我們做了一些探索，基于空口的方式來做LiDAR的光學模擬，當行業(yè)里面慢慢形成一些主流的形態(tài)之后，我們能夠比較快速的迭代和推出相應的解決方案，到目前為止LiDAR是我們非常獨有的做目標模擬仿真的公司。

V2X作為感知的重要節(jié)點，我們花了很大的精力做關(guān)于本地的工作，因為NI在無線電上是有積累的，更早的時候我們做了很多基于5G的物理層的鏈路實現(xiàn)，對于我們來講在上面將有關(guān)的代碼逐漸迭代改成像LET—V對我們來說也是比較快的，我們也是行業(yè)里面比較早的推出了基于C-V2X的空口的模擬解決方案，在白色的盒子里面運行的是LTE—V的物理層的鏈路，上層我們跟合作伙伴有些場景的協(xié)同，使得我們也可以做基于場景的V2X的開環(huán)跟閉環(huán)的仿真，這使我們可以做一件事情，我們可以在ADAS的感知融合上，從LiDAR、攝像頭、雷達，包括高精度定位仿真，能夠在一個平臺里面實現(xiàn)起來，而且里面所有軟硬件的基礎(chǔ)是基于一個統(tǒng)一的平臺來實現(xiàn)的，并且能兼容很多第三方的仿真工具，這使得從體系和平臺上來講我們可能是行業(yè)里面比較獨有的能夠提供全平臺解決方案的公司。

我想花一點時間再給大家分享一下我自己觀察的行業(yè)趨勢，在L3或者L4以上的基于傳感網(wǎng)聯(lián)和和決策系統(tǒng)的依賴關(guān)系更加復雜，因為傳感器也更新很多了，不管是5R1V或者更多的攝像頭，包括定位，5G的遠程，它面臨的挑戰(zhàn)已經(jīng)從ADAS單一的，比如我們做ACC，我們可能只需要顯像雷達，甚至有的雷達也不需要了，兩個雙目攝像頭，非常單一的傳感輸入和單一種類的傳感輸入，就能夠做判斷的需求已經(jīng)到擁堵情況下的自主駕駛，然后到L4上，可能整個系統(tǒng)失效，系統(tǒng)要接管，這樣的挑戰(zhàn)使得對于感知和融合的測試和驗證變的非常非常的關(guān)鍵。特別是還有一個責任主體的轉(zhuǎn)移，出問題了以后責任會歸結(jié)到OEM這邊。但是很多整車廠用的是零部件公司給的整體解決方案，因為人在做操控，它是輔助，出了問題也只能怪人，人不應該睡著，人應該一直監(jiān)控前方的路況。去年和今年特斯拉相應出現(xiàn)這種它能識別車，特別是中國的路況，放了很多錐形桶，它就一如既往的撞上去了，因為它根本不在意這些東西。

我們希望在高級的自動駕駛驗證里面能夠有更多的解決方案，去年我們投資了monoDrive，是一家專門做高保真的傳感仿真和高保真的場景構(gòu)建的一家研發(fā)型的公司，生成逼真的場景，集成車輛動力學，并行的，基于云的實例，以方便大量里程測試。這個是回答我在最初提的一個問題，當前有一個矛盾——我們認為仿真越來越重要了，很多里程都在仿真上面去做，但是仿真做的越多，或者說仿真做的再多，如果你做的不夠逼真，這樣仿真的有效性有多少，實際上這是一個挑戰(zhàn)，所以我們嘗試通過這樣一種投資合作把這個問題回答起來。

在我們所關(guān)注的這個層面，我們是基于對場景的真實構(gòu)建，以及對傳感器模型的真實構(gòu)建，盡量的提供一個可以逼真到場地測試的一個基于軟件仿真的解決方案，在這里面一個核心輸入是什么呢？核心的輸入是這樣的，中間這塊Fuse是用戶的代碼，做感知融合的。在L3或者L4以上的車的構(gòu)建里面，我們最近看了很多新的趨勢，特斯拉識別車就是因為它識別一個RCE和反射截面積的大小，但是幾乎反饋不了形狀以及它對應目標的具體描述。到L3以上以后，這樣的數(shù)據(jù)是不足以讓你做任何的數(shù)據(jù)挖掘或者數(shù)據(jù)融合的，一定要開放ROOM  DATA的。整車廠會有越來越多的要求開放ROOM  DATA給他，至少要開放3D的點云圖給他，因為激光雷達都可以拿到3D的云圖數(shù)據(jù)。但是本地的供應商，其實是比較有意愿開放原始數(shù)據(jù)，整車廠拿到這些原始數(shù)據(jù)可以做深度的融合，這是一個很好的趨勢而且是一個必經(jīng)的路線。我們給融合這端的算法，給它注入的原始數(shù)據(jù)是像素級的毫米波雷達、激光雷達以及攝像頭的數(shù)據(jù)注入，而且這種像素級不是靜態(tài)的，是動態(tài)的。同時會考慮到很多環(huán)境的因素、材料的反射，包括相機在運動的過程中，相機的成像可能會因為運動導致抖動和模糊，所有這些和真實世界相關(guān)的傳感器的表現(xiàn)，都會在這個平臺里面通過軟件的方式仿真出來，真的得到像路測一樣的數(shù)據(jù)。然后你會有一個基于所有原始數(shù)據(jù)經(jīng)過運算得到推斷的場景，進一步再進行對比，來實現(xiàn)感知誤差的評估或者進一步的提升。

這是一個毫米波雷達，因為它是基于調(diào)制波，頻段也比較高，空氣中電磁波傳播的時候影響因素是比較多的。這是一個毫米波雷達的拆解，前面有雷達的天線罩，射頻單元，基帶信號處理，比如里面有DSP后面還有總線接口。如果要做一個完整的毫米波雷達的雷達行為描述或者模型建模，需要把所有的東西考慮進去。除此以外毫米波雷達裝到實車上后會有什么樣的表現(xiàn)，這是一個很值得考慮的問題，有些車企是把雷達裝在車標后面，有些是在保險杠后面。安裝的位置都會對毫米波雷達的射頻造成一些影響，傳統(tǒng)你只能通過構(gòu)建一些射頻來進行反復的測試。

我們想到一個辦法，我們已經(jīng)提供一套毫米波雷達模擬器，這套模擬器有個特點是它能夠做信號模擬，同時也能做測量。所以我們可以用這臺同樣的設備去測量毫米波雷達單體或者裝到整車上之后它在天線和設備上有哪些額外的影響，我們將這樣的測量參數(shù)進一步導入到我們已經(jīng)構(gòu)建的雷達模型里面，一定程度上可以校準我們在里面給到的雷達仿真模型。所以我們經(jīng)過自有的儀表進行實測，來進一步的驗證我們毫米波雷達的模型，這是第一步。

第二步，毫米波雷達里面還有中頻和數(shù)字信號處理的部分。數(shù)字信號處理主要是從AD的原始數(shù)據(jù)到3D的數(shù)據(jù)，形成3D的FFT，速度、距離還包括方位的DATA  CUBE，這樣的DATA  CUBE拿到之后還會有很多的算法，這些算法會給出推論，我們將這樣比較復雜的算法也實現(xiàn)在我們的軟件里面了，所以我們可以給大家提供兩個層次的數(shù)據(jù)。我們認為到L3以上至少要達到3D的DATA  CUBE，我們也可以給你更原始的AD  DATA。

此外我們還研究電磁波空氣中傳播特征，我們以特斯拉為例，在這個演示中，特斯拉射出了很多平面波，打到不同目標會有相應的反射。所以我們用一個方式，用一萬條Traces模擬毫米波打出的射線，打到這個場景中，不同的目標會有什么樣的反射，我們來評估到底有什么樣的信號能夠回到雷達傳感器?；诖藰?gòu)建的模型，輸出給你感知這部分的算法在真實的場景中應該有什么樣的反映，我們將這個也實現(xiàn)到了軟件里面，所以我們?nèi)タ紤]了雷達波DSP，考慮到雷達波在空氣中傳播之后會有什么樣的反射。

我們在很多做軟件的公司里面看到很多類似的圖，但是感覺有亮點，第一點是有些Traces比較少，第二點是我們在實現(xiàn)這樣大幅度的雷達波在空中傳播的層級我們提供了一個高度的實時性，更新速率對比了一下同類的軟件，更新速率大概提高了幾十倍，這使得我們可以做閉環(huán)仿真，因為你肯定不想這只是一個靜態(tài)的。

因為毫米波雷達比較復雜，所以我們花了很多的時間去講這個。除此以外我們也想回答一些問題，因為經(jīng)常被問到這個問題，我們能不能真的去證明我們的雷達模擬和真正的雷達測試有什么樣的差異。我們真的有實車去抓數(shù)據(jù)，我們構(gòu)建了一個場景，在場景里面擺放了靜態(tài)的車，同時我們在軟件里面也構(gòu)建了一個場景，用毫米波雷達的模型去探知目標，我們得到的結(jié)論是非常接近的。

在道路中行駛的場景，我們發(fā)現(xiàn)結(jié)果也是非常接近的，這是不是我們一定程度上能夠取代一個場地，用一個高保真的傳感模型和高保真的場景構(gòu)建，是不是一定程度上能取代一定的場地？因為場地非常貴又非常耗時。

當我們做到比較好的軟件在環(huán)的時候，NI本身有比較好的硬件在環(huán)，所以很自然的我們就和硬件在環(huán)的平臺，我們在實時機里面能夠跑動能學的模型，有真實的ECU，通過軟件來實現(xiàn)高精度的場景和目標模擬，再構(gòu)建一些場景，我們就能夠?qū)崿F(xiàn)一個更加高保真的硬件在環(huán)的仿真，這在NI平臺上是很容易得到擴展的。

最后是一個簡單的視頻，給大家看一下。我們已經(jīng)做了一些交付，我們在美國有最大的OEM已經(jīng)采用了我們的軟件，這個是基于優(yōu)步的，優(yōu)步自己有個測試場，大家可以看到在這個測試場里面體現(xiàn)出來的環(huán)境要素，你會看到有光照，有材質(zhì)，有不同的區(qū)別，這已經(jīng)遠遠超過我們現(xiàn)在看到的其他仿真工具，它已經(jīng)是照片級或者電影級的細節(jié)呈現(xiàn)效果。

因為我們能夠在這個仿真中實時的反饋，我們能夠在這個基礎(chǔ)上做一些FFT，這里面所有的目標。這里面都有它的仿真系數(shù)，我們把所有的東西都考慮進去，來考慮他對雷達、對攝像頭的反射會有什么樣的特點，目的是為了得到更加逼真的場景呈現(xiàn)。

我們11月14號在上海會有NI全年最大的技術(shù)大會，叫NIDays，兩天的活動，這個是我自己的微信，如果大家感興趣可以加一下，我可以跟大家聊攝像頭、雷達、場地測試和傳感融合的信息。

謝謝大家！

敬請關(guān)注蓋世汽車“2019（第七屆）汽車與環(huán)境創(chuàng)新論壇”直播專題！

PC：http://auto.gasgoo.com/NewsTopic/206.html

移動： https://m.gasgoo.com/news/topic/206