优化技术| 机器学习和优化技术用于“高级驾驶辅助系统”

ADAS（高级驾驶辅助系统）和AD（自动驾驶）是汽车行业的下一个重要领域。目前面临的主要挑战在于既要最大限度地减少事故和伤亡人数，同时又要在复杂的条件下最大程度地保证乘客的舒适度。

ADAS/AD功能分很多级别，不同的级别对应于谁来负责驾驶动作，是汽车还是驾驶员。从0级到2级，系统处于“手动驾驶”状态，这种情况下系统是通过提供更多信息或者使驾驶的某些部分自动化来支持驾驶员。而从第3级到第5级，车辆开始处于“自动驾驶”状态。其中在第3级和第4级，如果驾驶条件太复杂，可以将控制权还给驾驶员。

对于ADAS系统（级别1和级别2），目前汽车厂商主要通过物理测试来验证其功能：实际驾驶车辆进行测试并确保只出现少量误报。但是随着功能数量和复杂性的增加，以及向3级和4级类型升级的需求，需要测试的数量级将会急剧上升，最终可能导致需要进行数亿公里的测试，这导致单纯依靠物理测试已经不再现实。

ESTECO公司为这一挑战提出了一个可行的解决方案：利用modeFRONTIER软件的机器学习算法库对道路测试的数据进行后处理并给出测试场景，这些场景是在道路测试过程中发现的事件的组合。

modeFRONTIER的机器学习算法库可以自动对道路测试数据进行后处理，并输出各种事件（即车辆状态的变化）中参数的随机组合分布，然后将这些事件与参数一起放入车辆动力学仿真，借助modeFRONTIER先进的DOE技术，就可以在仿真环境中快速确定最关键的条件。

有趣的是，在此过程中，可能会出现许多新的挑战性场景，这些场景在现实中可能尚未发现，但根据事件的组合可能会实际发生。

在这个解决方案中，最重要的是以一种智能的方式快速识别最坏情况，避免对所有可能情况进行虚拟测试。识别出的情况与传感器以及ADAS / AD功能无关，而是可能发生的紧急情况的参数定义：比如被测车辆与周围车辆发生碰撞的时间。一旦确定了关键条件，就可以通过选择特定的传感器类型和功能并确定对给定系统最具挑战性的方案来评估所选ADAS / AD系统的性能。

在这个领域，ESTECO公司modeFROTIER软件和VOLTA软件具有以下技术，可以为该解决方案提供有效支撑：

• 机器学习算法库：用于识别道路试验数据中的事件参数分布；

• DOE与优化算法：用于快速识别最坏情况，并在选定的负载情况下评估ADAS/AD系统的性能；

• 企业级协作能力：允许不同的团队协作共享仿真模型、工作流和对仿真模型的控制，对版本进行控制并跟踪生成的所有结果。

TNO正在积极开展的Streetwise项目也采用了该技术，并证明其确实有效。

来源：艾迪捷