網聯自動駕駛車輛的案例
歐美網聯式自動駕駛典型案例簡析
歐洲的網聯式自動駕駛發展概況
2019年3月，歐洲道路運輸研究咨詢委員會（ERTRAC）更新發布了”Connected Automated Driving Roadmap”，強調協同互聯的內涵，增加了網聯式自動駕駛的內容。
ERTRAC的Connected & Automated Driving路線圖
來源：ERTRAC
該路線圖明確提出基于數字化基礎設施支撐的網聯式協同自動駕駛（Infrastructure Support levels for Automated Driving，ISAD）。
基于數字化基礎設施支撐的網聯式協同自動駕駛(ISAD)
來源：國汽智聯
在上表中，不難看出基礎設施呈現出數字化、網聯化的特征，表現出更智能、更豐富的功能實現，使自動駕駛技術向著網聯式協同決策方向探索。
歐盟正在奧地利和西班牙組織開展INFRAMIX示范項目，來驗證ISAD中數字化基礎設施對未來網聯式自動駕駛車輛的支撐能力，以支持自動駕駛汽車與傳統汽車混流行駛的發展階段。INFRAMIX項目由奧地利AustriaTech公司聯合寶馬、西門子、TOMTOM等十余家單位共同發起開展的自動駕駛驗證項目。主要內容包括研究開發數字化道路基礎設施，并升級改造傳統道路基礎設施；開發車輛與基礎設施協同仿真環境，設計新的交通監測、評估、控制策略；評估社會接受度與交通安全情況，制定道路基礎設施分級等。該項目得到歐盟支持并正在奧地利、西班牙等地開展相關測試工作，項目周期2017年-2020年。
展開 自動駕駛車輛仿真-MSC 軟件總裁兼首席執行官 Dominic Gallello 對自動駕駛車輛仿真構架模塊的思考
我們需要重點關注哪些因素，才能讓無人駕駛車輛像當今的手機那樣實現“預期”技術？MSC 軟件花費了大量的時間來完善軟件工具，以幫助工程師通過計算機仿真來設計更快速、更輕便且更安全的車輛。但是，要從仿真由人駕駛的汽車過渡到仿真由車輛控制中樞駕駛的汽車，還需要彌補當今車輛設計過程中的巨大空
白。
由于無人駕駛車輛既新穎又復雜，因此需要對無數不同汽車品牌之間的車輛間通信進行規范。例如，福特貨車與豐田轎車之間的通信。同時還必須處理仍與其他道路基礎設施（例如路燈、道路標志等）進行互動的各種外部傳感器輸入的數據。
為預測無人駕駛車輛的性能可信度并確保安全，汽車公司已擴大了其仿真技術的使用范圍并采用了新技術。
MSC 軟件預測，以下五種構架模塊將成為無人駕駛車輛整體仿真成功的關鍵。
由脫機到實時
當涉及到對日益復雜的汽車系統進行真實性驗證時，實時仿真絕對是關鍵所在。盡管脫機解決方案仍能夠繼續解算擁有極高復雜度的精密模型，但以下兩個主要原因使得對實時仿真的需求不斷增加。
首先，將虛擬模型與物理硬件（例如傳感器、控制器、駕駛模擬器等）相連的要求，即所謂的硬件在環。這些實物資產有著限定的通信速度，并且相關的仿真模型必須能跟得上這一通信速度。實物與仿真世界之間的連接是實時模型的定義。
其次，車輛開發（包括動力學）的傳統目標是對設備進行驗證。而人類駕駛員，無論是對測試指令按部就班還是對各種情況當機立斷，都不會被視為一個需要進行驗證的“系統”（除進行駕照考試之外）。
自動駕駛車輛概念從一開始就徹底推翻了這種模式。現在，“駕駛員”無疑是車輛中最為復雜的系統，同樣必須對其進行驗證。不妨試想一下，自動駕駛的校車“司機”需要經歷多少個場景的仿真測試才能被認為是安全可靠。
展開 自動駕駛車輛仿真模擬軟件盤點 附車輛工程仿真下載
相關鏈接：
https://github.com/udacity/self-driving-car-sim
Carla
英特爾實驗室聯合豐田研究院和巴塞羅那計算機視覺中心聯合發布CALRA，用于城市自動駕駛系統的開發、訓練和驗證的開源模擬器，支持多種傳感模式和環境條件的靈活配置，論文中詳細評估并比較了三種自動駕駛方法的性能。
CARLA的開發包括從最基礎的直到支持城市自動駕駛系統的開發、訓練和驗證。除了開源代碼和協議，CARLA還提供了為自動駕駛創建的開源數字資源（包括城市布局、建筑以及車輛），這些資源都是可以免費獲取和使用的。
這個模擬平臺能夠支持傳感套件和環境條件的靈活配置。我們使用CARLA來研究三種自動駕駛方法的性能：傳統的模塊化流水線，通過模仿學習訓練得到的端到端模型，通過強化學習訓練得到的端到端模型。這三種方法在難度遞增的受控環境中做了評估，并用CARLA提供的指標進行性能測試，表明CARLA可以用來進行自動駕駛的研究。
模擬器和配套的資源將會發布在官方網站：
http://carla.org
論文：
CARLA：An Open Urban Driving Simulator
論文鏈接：
https://arxiv.org/abs/1711.03938
代碼鏈接：
https://github.com/carla-simulator/carla
Apollo仿真模擬
之前已經講過關于百度Apollo平臺的內容，《深度揭秘Apollo自動駕駛及跟車方案的思路設計》《Apollo 2.0發布 | 深度揭秘百度自動駕駛平臺》，這里不多講了，優點是平臺開源，Apollo特點主要是真實高精地圖，豐富的真實場景。
展開 MSC在虛擬試駕中引入可靠的車輛動力學技術以加快安全型自動駕駛車輛的開發
MSC 軟件公司（簡稱 MSC，隸屬于海克斯康制造智能分公司）日前推出支持 Adams 的 VTD，它集業界領先的車輛動力學和虛擬試駕仿真于一身，可加快下一代高級駕駛員輔助系統（ADAS）及安全型自動駕駛車輛的開發。
乘用車已經可以讀取交通標志或者發現過往車輛，但這些 ADAS 2+ 功能依賴于改進的傳感器融合技術——合并來自多個傳感器的數據，通過處理更接近事實，因此電子系統可以進行安全決策。與此同時，未來的自動駕駛算法需要真實的測試數據供研究和模型訓練。日前推出的支持 Adams 的 VTD 可仿真動態移動車輛及其傳感器在復雜道路環境中的行為表現，有助于加快此類車輛的開發。
通過 Adams 仿真軟件，汽車制造商可獲得經過驗證的車輛動力學模型和道路試驗，從而了解車輛的運動和操控特性。通過開放接口，現在能夠在由虛擬試駕（VTD）平臺提供的仿真道路環境中“駕駛”這些車輛。
安全系統開發
即便是處在車輛物理極限的極端情況下，ADAS 系統也必須為人員提供保護。支持 Adams 的 VTD 可以根據道路狀況（例如坡度、摩擦力）仿真車輛的各種運動，以確定車輛行為（例如汽車是否打滑或翻滾）并評估行動的最佳路線（例如是否改變車道或者何時剎車）。
展開 
車輛自動駕駛（個人理解）
主流自動駕駛完成工作，主要是我的方法，但用盲人的方法難道不能完成工作嗎？
綜上所述，現行自動駕駛技術存在一些不合理的地方，或者角度比較單一。
（四 自動駕駛方案）
1.傳感器的使用
2.路徑規劃與路徑關系
路徑規劃技術主要依靠計算機數據結構內容，如二叉樹，鏈表等。本文站在仿生學角度思考這一問題。
由上圖可以看出二者，既有聯系又有區別，前者是計算機技術的延伸，而后者是基于仿生學的應用。仿生學基于人的目的，而對生物進行仿制。
從仿生學角度出發，使用逆向思維推理車輛自動駕駛：
車輛運動的本質，遇到靜態障礙物避開，遇到動態障礙物保持相對運動。
上述所有過程中，未設計任何路徑規劃算法。
展開 汽車數字化+網聯化+自動駕駛 | 誠邀您參加2020第三屆汽車四化技術論壇
12月12日 | 主題報告：基于仿真的高安全度自動駕駛系統的開發驗證體系
Ansys演講嘉賓：馮鋼 | Ansys行業專家團隊技術專家
多年從事高安全軟件開發和安全流程相關工作，積累了豐富的經驗，目前專注于自動駕駛系統的開發驗證解決方案。
報告簡介：伴隨著智能汽車的浪潮，軟件在汽車中的占比和重要性提升，推動著網聯化、智能化、電動化和共享化等技術創新，“軟件定義汽車”深入人心。同時，自動駕駛系統的功能需求、復雜度的提升也對系統的開發驗證提升了更高要求，需要我們綜合考慮整個自動駕駛的開發生命周期，系統性的從流程、方法、工具等多個角度出發，確保自動駕駛系統滿足安全和性能要求。
論壇完整日程：
門票類型：
￥6999 VIP票（兩日）含兩日會議酒店住宿、會議前安排座位及晚宴入場
￥1950 Ansys通道專屬優惠票6.5折（兩日）
其他主機廠報名通道（僅限OEM，填寫公司郵箱需審核）
上汽集團報名通道（僅限上汽集團，填寫公司郵箱需審核）
掃碼或點擊報名：http://risdm6ffzrnl1vue.mikecrm.com/mnt3quI
展開 汽車四化系列論壇——第三屆數字化,網聯化與自動駕駛模擬仿真技術高峰論壇
第三屆
汽車四化系列論壇
數字化,網聯化與自動駕駛模擬仿真技術高峰論壇
2020年12月11-12日 上海嘉定藍宮大酒店
伴隨著智能汽車的浪潮，軟件在汽車中的占比和重要性提升，推動者網聯化、智能化、電動化和共享化等技術創新，“軟件定義汽車”深入人心。
車輛自動駕駛CAE仿真技術研究
自動駕駛是汽車產業與人工智能、物聯網、高性能計算等新一代信息深度融合的產物，包括谷歌、百度、阿里、豐田、福特、特斯拉，所有世界頂級的互聯網及巨頭廠商都在布局研發自動駕駛，它是當今全球汽車與交通出行領域智能化發展的主要方向。
而Prescan是一款開發ADAS和智能汽車系統的CAE仿真平臺，其具有強大的場景構建能力，可與simulink聯合仿真控制車輛動力學模型進行實時仿真。以下圖1為Prescan智能駕駛平臺的Work flowchart，具體開發工作流程為首先建立自動駕駛場景；其次建立車輛動力學模型、雷達傳感器、攝像頭特性參數；然后再結合控制系統模型、算法、最終實現CAE虛擬仿真或硬件在環的實時仿真；圖2為Prescan仿真平臺模擬再現真實事故場景，左圖為真實事故發生的道路狀況（未有主動控制系統），右圖為仿真模擬事故場景（有前向碰撞預警（FCW）/防撞自動剎車（CMB）主動控制系統）。
圖1 Work flowchart
圖2 真實事故與仿真再現
自動駕駛技術，SAE將自動駕駛分為5級，即L1~L5級。以下圖3數據來源億歐智庫：
圖3 SAE自動駕駛定義和分級標準
以下本人基于Prescan仿真平臺進行L2級別ACC自適應巡航自動駕駛CAE仿真研究工作。
首先建立3輛車（Host車、1號lead車、2號lead車）在三車道的道路上的初始位置場景，車輛在同一車道以120 Km/h、60 Km/h、40 Km/h不同的車速下行駛（未考慮設置車輛發生碰撞后的細節狀態）；分別設定車輛及雷達傳感器相關參數，圖4為車輛動力學參數示例，圖5為2D車輛安裝多個雷達傳感器與道路顯示界面，圖6為3D車輛場景。
展開 車輛自動駕駛CAE仿真技術研究
自動駕駛是汽車產業與人工智能、物聯網、高性能計算等新一代信息深度融合的產物，包括谷歌、百度、阿里、豐田、福特、特斯拉，所有世界頂級的互聯網及巨頭廠商都在布局研發自動駕駛，它是當今全球汽車與交通出行領域智能化發展的主要方向。
而Prescan是一款開發ADAS和智能汽車系統的CAE仿真平臺，其具有強大的場景構建能力，可與simulink聯合仿真控制車輛動力學模型進行實時仿真。以下圖1為Prescan智能駕駛平臺的Work flowchart，具體開發工作流程為首先建立自動駕駛場景；其次建立車輛動力學模型、雷達傳感器、攝像頭特性參數；然后再結合控制系統模型、算法、最終實現CAE虛擬仿真或硬件在環的實時仿真；圖2為Prescan仿真平臺模擬再現真實事故場景，左圖為真實事故發生的道路狀況（未有主動控制系統），右圖為仿真模擬事故場景（有前向碰撞預警（FCW）/防撞自動剎車（CMB）主動控制系統）。
圖1 Work flowchart
圖2 真實事故與仿真再現
自動駕駛技術，SAE將自動駕駛分為5級，即L1~L5級。以下圖3數據來源億歐智庫：
圖3 SAE自動駕駛定義和分級標準
以下本人基于Prescan仿真平臺進行L2級別ACC自適應巡航自動駕駛CAE仿真研究工作。
首先建立3輛車（Host車、1號lead車、2號lead車）在三車道的道路上的初始位置場景，車輛在同一車道以120 Km/h、60 Km/h、40 Km/h不同的車速下行駛（未考慮設置車輛發生碰撞后的細節狀態）；分別設定車輛及雷達傳感器相關參數，圖4為車輛動力學參數示例，圖5為2D車輛安裝多個雷達傳感器與道路顯示界面，圖6為3D車輛場景。
展開 自動駕駛中車輛的如何使用點云定位？
本文是自動駕駛中激光雷達點云定位相關綜述，由于篇幅文章內容以及參考文獻有所刪減
面向自動駕駛車輛驗證的抽象仿真場景生成
自動駕駛車輛技術有可能對交通系統和城市生活產生重大影響。然而，在被接受為一種新的交通方式之前，必須證明自動駕駛車輛至少與人類駕駛車輛一樣安全。目前的自動駕駛車輛驗證方法，如陰影驅動或基于注釋圖像的測試，成本高，速度慢。因此，建模與仿真是實現自動駕駛車輛驗證目標必不可少的工具。
本文提出了一種用于自動駕駛車輛驗證的抽象仿真場景生成框架。
場景和相關斷言由基于矩陣的語義語言定義，并在仿真中轉化為測試場景。該框架允許設計所有可能的道路拓撲并驗證生成的場景。框架中生成的場景為其他平臺中可能的罕見條件擴展測試提供了基本事實。這項工作有四個主要貢獻：
開發了一種模擬方法，在生成場景時使用語義語言定義場景。
提出了一種在模擬中用每種可能的線或曲線組合組成道路的方法，這對于實現真實道路的建模至關重要。
定義了一種方法，將不同車道數的路段相互縫合，而不會在模擬中產生錯誤。
為建議方法中的每個附加路段提出了一種自我驗證方法，這對模擬效率至關重要。
目前的大多數方法都是針對整車堆棧進行測試，從場景感知和理解到在場景中做出行動決策。在我們的方法中，我們主要關注決策步驟。換言之，我們的方法旨在測試被測AV的決策，在任何其他條件下都沒有任何問題。這個焦點決定了仿真平臺。該框架需要對物理世界進行簡單的建模，而不需要對環境條件進行詳細描述。為此，選擇MATLAB作為仿真平臺。MATLAB ADAS工具箱將場景中的參與者簡單地表示為方框。
圖1顯示了模擬框架組件的分解。中間的灰色區域是AV的大腦，通過輸入創建的場景運行。頂部的模塊定義了用戶如何與框架交互以生成場景。
展開 
下載 | 西門子自動駕駛車輛的性能工程視頻教程
基于模型的系統工程，讓自動駕駛車輛的批量生產成為可能。
隨著自動駕駛車輛的出現，“出行即服務”將最終成為常態，推動產生汽車行業截然不同的新價值鏈。西門子基于模型的系統工程產品組合促成開發過程的范式轉變，支持集成電路、系統和整車級別的自動駕駛車輛設計探索、確認、驗證和認證。
領取方式：
長按掃碼回復關鍵詞
「研討會」
???? 免費領取 ????
-END-
自動駕駛車輛測試的31個挑戰：與行業及學術專家的訪談
測試用例是由人寫的，因此測試用例不能被自動翻譯（ID01），例如，測試自動化軟件的控制輸入。
編者評述
關于「C、測試自動化」，總體情況是：在自動駕駛汽車整個測試與驗證流程中，
局部自動化程度高、整體自動化程度低；
仿真測試的自動化程度高、半實物或全實物測試的自動化程度低；
實施端的自動化程度高、輸入/定義端的自動化程度低。
目前，跨工具跨系統的瓶頸之一，仍是場景刻畫的一致性，包括描述（從使用者到軟件）的一致性和編譯（從軟件到計算和實施）的一致性，所以與「A、基于場景的測試」中的諸多挑戰是直接關聯的。
D、測試執行 Test Execution
這個標題下的挑戰與基于場景的測試、基于模擬的測試和真實世界的測試都有關，因此是單獨分類的。在下文中，測試的執行被理解為測試運行期間的所有行為，可以是模擬的運行，也可以是在測試場地上的行駛。
CH-D1測試駕駛員無法直接干預測試過程「omission of the test driver」：當測試帶有ADS的自動駕駛汽車時，車輛不再受人類測試駕駛員的控制。因此，被測車輛的動作取決于ADS的算法，并且不能輕易由測試駕駛員改變。一位受訪專家舉例到：作為一個測試駕駛員，我不能再靠近一點執行切入，因為控制車輛的不再是我，而是車輛在控制（ID13）。
CH-D2測試條件的實現「realization of test conditions」：考慮到裝有ADS的自動駕駛汽車在沒有人類測試駕駛員的情況下能自行控制車輛，因此實現測試條件的挑戰就出現了，許多專家在訪談中也都提到了這一點。在測試執行過程中，必須以某些測試條件為前提，如交通情況處于某種程度的危險，場景中的某種情景，或被測車輛的某種內部系統狀態等。
展開 自動駕駛車輛測試的31個挑戰：與行業及學術專家的訪談
測試用例是由人寫的，因此測試用例不能被自動翻譯（ID01），例如，測試自動化軟件的控制輸入。
編者評述
關于「C、測試自動化」，總體情況是：在自動駕駛汽車整個測試與驗證流程中，
局部自動化程度高、整體自動化程度低；
仿真測試的自動化程度高、半實物或全實物測試的自動化程度低；
實施端的自動化程度高、輸入/定義端的自動化程度低。
目前，跨工具跨系統的瓶頸之一，仍是場景刻畫的一致性，包括描述（從使用者到軟件）的一致性和編譯（從軟件到計算和實施）的一致性，所以與「A、基于場景的測試」中的諸多挑戰是直接關聯的。
D、測試執行 Test Execution
這個標題下的挑戰與基于場景的測試、基于模擬的測試和真實世界的測試都有關，因此是單獨分類的。在下文中，測試的執行被理解為測試運行期間的所有行為，可以是模擬的運行，也可以是在測試場地上的行駛。
CH-D1測試駕駛員無法直接干預測試過程「omission of the test driver」：當測試帶有ADS的自動駕駛汽車時，車輛不再受人類測試駕駛員的控制。因此，被測車輛的動作取決于ADS的算法，并且不能輕易由測試駕駛員改變。一位受訪專家舉例到：作為一個測試駕駛員，我不能再靠近一點執行切入，因為控制車輛的不再是我，而是車輛在控制（ID13）。
CH-D2測試條件的實現「realization of test conditions」：考慮到裝有ADS的自動駕駛汽車在沒有人類測試駕駛員的情況下能自行控制車輛，因此實現測試條件的挑戰就出現了，許多專家在訪談中也都提到了這一點。在測試執行過程中，必須以某些測試條件為前提，如交通情況處于某種程度的危險，場景中的某種情景，或被測車輛的某種內部系統狀態等。
展開 Lyft新專利：自動駕駛車輛與行人交流系統
蓋世汽車訊 據外媒報道，有關自動駕駛車輛如何與人類進行互動溝通的問題由來已久，但是問題答案一直懸而未決。早自2012年，谷歌就一直在研究該問題。今年早些時候，優步（Uber）申請了一項專利，利用汽車閃光燈和聲音與行人溝通。如今，美國專利局（United States Patent Office）已授予Lyft公司一項專利，稱為自動駕駛車輛通知系統。該專利描述了一種系統，該系統首先檢測自動駕駛車輛周圍行人的位置，然后選擇合適的信息，通過車輛屏幕或標志向行人顯示。
該專利表示：“駕駛員和行人習慣于以特定方式進行互動，從車輛中去除駕駛員可能會導致不確定性和誤解”。該專利文件描述了該系統可實現自動駕駛車輛與周圍行人進行通信的一些具體方式。如，當自動駕駛車輛接近行人時，該車顯示預訂車輛乘客的名字；此外還有自動駕駛汽車可以通知行人，在汽車面前通行是安全的。該專利還描述了一輛自動駕駛汽車告知另一輛車其正在避讓，并且通知騎車者可以安全通過。
如上所述，Lyft不是唯一一家尋求自動駕駛車輛與外界互動方式的公司。初創公司Drive.ai利用LED標志上的文本和圖片進行溝通；福特最近呼吁采用行業標準的自動駕駛汽車語言來傳達車輛意圖；戴姆勒的奔馳EQ Fortwo概念車還配備了一塊面板，用于顯示信息。
Lyft于2017年7月首次推出其自動駕駛汽車部門。而且自此之后，一直與Drive.ai以及汽車行業一級供應商麥格納（Magna）就自動駕駛汽車技術進行合作。麥格納還曾向Lyft投資2億美元換取股權。Lyft的該項專利可能與其他公司許多專利一樣，永遠不會實現。
來源：蓋世汽車網
展開 