首页/文章/ 详情

车企是怎么做自动驾驶仿真的-长城

8月前浏览375
     
     

作者 | 李慢慢

编辑 | 李慢慢

出品 | 车路漫漫


大家好,我是李慢慢。

一直以来,都想写一个系列,关于各个车企是如何应用自动驾驶仿真的。但是始终没有踏出这一步,有很多原因:比如一个车企里面团队太多,各个团队的情况天差地别;也比如随着技术的更迭,企业的应用情况也是日新月异;又比如资讯来源有限,写得太浅显得很不专业,写得太深是否又涉密;慢慢的也想开了,知道多少就写多少,最重要的不是写得多好,而是开始,既然这是一个系列那么就可以不断地补充最新的内容,跟着时代一起成长就好。本系列的创作来源于网络平台,也有个人采访部分以做补充,内容真假请读者自行甄别。


概要:    

   
2025年8月28日,长城汽车智能驾驶高级专家敬明博士在《端到端时代仿真测试的思考与探索》中介绍的长城汽车针对端到端自动驾驶的仿真测试创新方案。端到端模型依赖神经网络,存在场景泛化能力不足、决策不可解释等风险。对此,长城构建了优化算法平台。针对场景泛化难题,通过遗传算法、粒子群优化等智能算法自动生成边缘场景,高效捕捉海量高危案例,效率超传统随机采样方法一千余倍,显著提升未知场景覆盖能力;同时基于量产数据开展三维重建,结合4DGS与扩散模型生成多传感器数据,实现新车型corner case复现,大幅提升数据的利用率。    

   
   
   
图片:长城汽车智能驾驶高级专家敬明博士    

   
以下为演讲内容整理:    
   

     
好的,谢谢。      

     
很高兴能够参加这次论坛,我今天分享的题目是《端到端时代仿真测试的思考与探索》。      

     
     

     

端到端时代-》辅助驾驶AI模型      


     
首先,我们和大家探讨一下,端到端时代它意味着什么?它的本质是什么?      

     
     

     
可能国内的车企,并没有能够实现一个纯粹意义上端到端的一段式,这个可能是比较少的。那么它的特点可能更多的是说,我们把这个AI模型、神经网络能应用到咱们这个所谓的辅助驾驶的模型算法里面去,以前可能是在感知里边用它这个AI模型比较多,那么现在在规控里可能也会有神经网络,有更广泛的渗透。当然神经网络有它的很多优势:它可以由于它的一个容量、它的一个输入、它可以处理各种各样复杂的场景,但是它也有它的一些缺点:比如说它的难以解释、它的难以预见。因为它本身的计算过程可能是很多复杂的矩阵,加一些非线性的求和函数,那么在这种大量计算下其实它是人脑所无法理解的,所以说它做的好你其实并不知道它为什么做的好,它做的不好可能你也不知道什么原因。那么这就出现一个问题,就是说它在训练场景之外,可能会遇到一些新的场景,那么这些新的场景,就需要它这个泛化能力好的AI模型的确是有比较好的泛化能力的,因为它输入也是连续的,但是这个泛化能力需要这个测试来进行一个检验,因为如果你不测试的话你可能永远也不知道(它不像规则模型可以推理)它在这个没有训练过的场景的一个表现是什么样的。      

     
那么同时呢,如果是纯端到端的模型,它可能更依赖这个传感器的仿真,它已经不能再做这个单独的规控的测试了,那么所以在这样的特征下,对于仿真测试来说,它有一个什么样的挑战呢?      

     
在这块长城也参与了一些前期的理论框架的研究,比如说我们参加了驾驶自动化AI模型评价与测试研究组,这个组其实它想干的事情,就是它想制定一系列的评价指标、测试的场景库、方法来对这个专门针对这种AI模型、自动化AI模型来进行测试。      

     
这个下面其实我是列了会上的一句话,就是它想对它的安全性、拟人性、高鲁棒性、实时性、等等一系列特性进行一个评估,这个评估我们可以看一下,就是从它的安全性、拟人性、鲁棒性、泛化性这块,其实说白了它都是场景库的事情,所以其实对于仿真测试来说我们需要的可能其实是更全面的场景覆盖,更广泛的一个边缘的场景探索,来确保这个AI模型在能它训练场景之外的这些情况也能在仿真测试中发现问题,它所谓的实时性,其实是比较好测试的,它所谓的可解释性与持续迭代性这些,可能这个工作,更多的是在模型的开发者这一块,就是它有了能够去看、解释性的这个方法,我们才能够对它进行一个测试,这个场景是第一块。      

     
那么第二块就是,它需要一个更逼真的传感器仿真,这块的必要性也是不用去多说的,因为原本从行业来说,我们的仿真置信度可能就并不是那么的好,所以,这块我们要进行一个持续的提升。      

     
下面我就简单介绍一下,我们在这两块儿的一个初步的探索。      

     

场景泛化与搜索能力      


     
第一个是对于场景库的泛化这块,我们构建了一个基于优化算法的一个体系。      
     

     
这个事情可能并不是很新的事情,我相信在座的各位,可能都做过这样的事情,但是我们把它工业化地建成了这样一套体系,首先我们有一个优化算法平台,这个优化算法平台,它内置了多种的优化算法,比如说像这种差分进化算法、像这种遗传粒子群、模拟退火这样的一些算法。而且这个算法从它的计划来说,是会不断去扩充的,因为这里有一个很朴素的指导思想,我们的算法越多,那我们的算法路径其实越多样,有可能我们就能找到更多样的满足要求的测试场景。(关于)它的输入,目前这些算法都是一些项目的参数输入,然后我们对这个算法进行修改,使它能够满足这些离散的、连续的或者是枚举类的这样一个参数的输入。那么它的目标函数呢,其实是我们用这些参数,当然这个目标函数可以做的非常灵活,那么目前我们的做法,其实是用这些参数来构建仿真场景,然后让这个驾驶的算法在里面online跑,或者是离线的跑。如果是离线的跑的话,其实是用一些更简单的控制算法,来替代这个主车,但是你一定要去控制它,否则可能会影响它的一个效果。那么我们针对它的仿真的一个测试场景,对它测试仿真结果,对它测试仿真结果,对它进行评价,从而持续不断地进行这样一个更新和寻优。我们在这个目标函数的执行过程中,我们会把满足要求的案例,给记录下来,然后再进行一个后续的数据处理。那么对于目标函数这块呢,其实它大概率是一个,计算密集性非常高的工作,因此我们也会在这里支持一个并行的计算。      

     
     

     
这其实是一个很简单的结果的展示,这个首先是一个普通的 cut-in 的例子,那么这个例子其实就是,主车看到前车以后,它有了一定时间间距的停顿,那我们对它的目标函数的设置,其实(包含)两块,一块就是说TCC尽量小,这样的话会比较接近危险,但另外一方面它是不能碰撞的,一旦碰撞这个函数值就加100,所以就说它是一个比较临界危险的这样一种情况,大家可以看一下这个方法效果,就是它会比较逼近一个危险的边缘场景,那么左边这三张图呢,其实展示了一下效率的对比,我们我们图上画的其实是三种策略,一种就是这个优化算法的一个集成,第二种其实就是在参数空间进行一个随机采样,第三种其实是一种为了满足覆盖率的一个随机采样,就是说我们可能把它参数空间,先把它划分成一些离散的空间,在这些离散的空间里面,进行一个全覆盖的排列组合,然后在每次我采样的时候呢,再采用这种随机采样方法,这样的话,能确保它采样的一个覆盖度,那么从它的那个最优值的变化来说,当那个目标函数,运行1万次的情况下,我们优化算法的最优值是0.12,那么后面两个大概是0.4+,然后如如果我们设定一个0.5,作为一个可接受的阈值的话,那么我们在这1万次的那个泛化计算里边,我们优化算法平台,能满足要求的占一半,还多 5000多次,那么后面两种,可能分别只有三次跟两次,这个差别还是比较大的。      

     
最后就是说,由于我们有了一个后续处理的过程,我们其实是尽量产生一个多样化的测试案例,那么最后这个指标值,其实计算的是我们筛选出来的一个案例,它的一个那个平均间距,其实就是它一个离散程度,那么可以看到它这个离散程度,它的离散度跟随机采样其实是差不多的,比我们后面有那个规定范围的采样,其实还是要更好一些,这样就避免了在一个局部极小值周围,我会拿很多相似的案例来测试,这样一种效率比较低的情况,那么这个是泛化这块(的内容)。      

     

传感器仿真能力      


     
然后我们在传感器仿真这块,也有一些初步的探索。      

     
     

     
在提升传感器仿真(置信度)这块,可能业界主要有用这几种方法:游戏引擎,51在这块是行家;生成式模型这块,那一会儿会说的极佳科技,可能它这块也非常擅长。那么长城这块呢,主要是在那个三维重建这块,做了一些探索。      

     
这个首先简单介绍一下,我们这个训练,(关于它的)数据来源,我们现在训练数据主要还是使用量产数据和采集数据,可能还是以量产数据为主,那么走的其实也一个比较标准的数据闭环的流程,我们有个采集 合规脱敏的过程,拿来给算法进行一个训练以及测试,然后最终有个OTA的更新,然后再去采集新的数据,这样一个比较传统的数据闭环。      

     
     

     
然后从它的整体的框架来说呢,我们在做三维重建这块,基本还是在图中比较偏下的这个部分,那么它做的事情主要就是,就是将来愿景,可能就是说,我们有一个比较好的一个重建场景,那么我们可能再结合一些生成模型做的这个3D的一些目标物,那么就可以在里边,类似于做一个可以替代渲染引擎,做一个比较真实的这个传感器仿真。做传感器的仿真,接入我们后端的仿真引擎。      

     
     

     
因为我们的目前架构,还是基于一个比较成熟的软件框架来做这个事情,包括我刚才说的那个泛化,也是在这个仿真引擎里边去进行一个泛化之后的后续应用。那么这块呢,我们目前主要使用的还是51 Simone,它这个产品(因为我们可能在日常工作中也会接触国内外的很多软件),那么Simone这个(软件)从无论从它的成熟度、从它的完整性、还是从它的接口友好性来说呢,都是非常优秀的一款软件。      

     
     

     
我下面简单展示一下,我们做的一些小课题,一个是说,其实展示的是基于这个研采数据,做的一个停车场的一个重建,这个效果还是可以的,但是它在应用上其实有一些局限:第一,我们并没有那么大量的研采数据;第二,我们建这个场景,目前也没有实现很高度的自动化。      

     
     

     
这样一个情况下,当然我们也会在这个方面持续进行探索,那么为了有一个能把这个技术,应用到我们现在的业务中,我们目前做了这样一个事情,就是用量产数据来做一些研究,目前可能用的是这个4DGS,再结合这个扩散模型,这样一种综合的方法来做新车型的数据合成,其实也就是换一下这个传感器的参数啊,我们可以看到这个效果的展示,其实从上到下,是几种不同的传感器的一个参数,这样的话,在corner case上进行一个多车型的复用,这个对我们的实际业务,是有些效率提升的。      

     
     

     
这个图其实就是说了这样一个流程,就说我们其实是把旧的一个车型的一个数据包,拿来做场景重建,之后来生成一个新的车型数据包,那么这个中间呢,不光是生成图像(的数据包),也可以生成雷达这样的一个传感器(的数据包),那么我们也对它的结果,做了一个评测对比,就是拿它的真实数据,以及那个新车型的一个传感器的(仿真)结果做个对比,那么结果证明它有误差,但是这个误差是非常小的,还是在我们可以用的范围之内的。那么这其实就是我们用这套技术,也可以做一些,(针对主车的轨迹)做一些比较小幅度内的偏移,也算是对案例做些泛化吧。      

     
     

     
那么(关于)这个效果,这里有个视频展示,从它的一些指标来说,可以看到这个比较新的版本,从它的PSR、从它的那个训练的时间、从它的模型的占用来说,相对业绩来说,还是处在一个比较好的一个位置。      

     
     

     
这个第三点,其实是我们做了一些,基于AIGC的数字资产生成,那么这个数字资产生成呢,我们依据的是可能是一些图片(一些覆盖角度并不是很全的图片),可以生成的3D资产,可以是3DGS的形式,也可以是Mesh + texture这样的形式。那么(关于它的)用途其实就是,我们可以把它放到这个动静分离之后的重建的一个环境里面去,来做它这个比较真实的渲染重建。      

     

问题与展望      


     
     

     
那么刚才其实介绍了一点,就是我们在AI模型仿真测试方面的一点探索吧,那其实我们在做这个仿真测试(的时候),在做相关功能模块的研发(的时候),以及在可能也看了很多产品(之后),其实对技术上的一些难点,还有一些思考,也这里与大家分享一下吧。可能就是我们的一些希望愿景,第一个可能就是说,也是我们的研究目标,如何(根据)量产数据来做这个可漫游的、效果非常好的一个三维重建场景,因为这个方面,它其实是一个工程难度比较大的课题,因为学界它用的数据,可以是公开数据集一样的程度,而实际的量产数据,无论从它数据的完整性、从它数据质量来说,其实完全没有到它那个,很多公开的成果,可以使用这样一个程度,所以其实它是一个比较困难的课题,而它又是我们真正在应用中,所遇到的一个难题,所以这块儿其实是我们希望去有所突破,也在努力去有所突破的一个方向。      

     
那第二个就是说,我们在场景泛化这块,其实刚才我说的那个泛化的框架,我个人觉得其实是比,较好的一个框架,因为第一,它那个算法是可以不断去集成的,而且这些启发式的算法,其实它的原理很像是强化学习,它可以自动进行探索,那么它本身通过这种多种融合,其实可以做很多事情,第二就是说我们目标函数,其实可以灵活的去设计,比方说我们拿它来做open scenario的参数,比方说,我们可以拿来构成open scenario的场景,也可以我们拿它来构成一个动态,随机交通流里的关键参数,就它其实是可以非常灵活,非常去定制化的一个东西,那么如果我们在这方面,去做一个非常好的目标函数设计,然后能够精准的搜索到这些未知,不安全场景,那么其实是可以对AI的模型的这个测试起到一个比较好的支撑作用的,也对SOTIF的工作,起到一个比较好的促进作用,但我们另外一个比较好的,测试AI模型功能的,就是通过worldsim,这种可以互动的仿真交通流来做,那么如何能生成这种既具对抗性,它的行为又更真实的这样交通流,也是大家值得探索的一个话题吧。我们见过的很多产品,可能,它会用一些模仿学习,来提升它的真实性,它会用一些类似于强化学习的方法,在决策的程度上,来做这个对抗性的仿真,那么这个其实从效果来说,可能目前还没有那么的令人满意,那么这块,因为Worldsim,它将来可能也是一个比较好的方向,那么这块其实它的潜力也是非常大的。      

     
然后就游戏引擎的问题,那我们目前来做这个3D重建,其实也是因为游戏引擎嘛,它有一些局限,那我个人认为,它的局限可能在两个方面,一个就是说它构建一个场景,需要大量的那个美术跟人工的这样一个成本的消耗,第二就是说它所生成的场景,可能跟真实还是有所差距的,所以就是说,如何能做这种程序化生成、快速的生成这个比较好的一个场景,其实这个是游戏引擎天生就适合做的事情。第二就是我们如何就是继续强化它的渲染效果,然后可以用某种方式去更加有力地支持它的一个置信度的评估,那么如果能把这个做好的话,那其实游戏引擎,在工业化的仿真软件里,它的作用仍然是非常非常好的。      

     
然后在静态地图的泛化这块,虽然我们可能在论文上看到很多方案,但是我之前在产品中看到的,可能还是比如说,基于OSM去生成open DRIVE这样一种方案,这个方案本身它其实数据源是很多的,但是可能在工业化的过程中,它生成的地图由于信息差距,会有些问题,那么这个问题,其实也是可以去解决的一个问题,而且这个问题如果能很好解决的话,再配合刚才说的这个,这个程序化生成场景的游戏引擎,其实我们就有了很方便生成的、几乎无限 量的一个仿真静态场景。      

     
最后其实就是永恒的难题,仿真测试的置信度,那这个其实我们也有些探索,比如长城也在做那个传感器跟动力学的一些置信度的研究,这块我也不会多说,因为我相信,以上说的这些问题,可能一会儿,相关的专家已经对这些问题有了一个比较好的解答,那么随着技术发展,这些问题我相信也都会,有比较好的答案,然后让我们仿真测试,在这个AI模型的发展过程中,会起到一个越来越重要的作用。      

     
好,我的分享今天就到这里,谢谢大家。      

     

   
后记:文中内容均来自演讲嘉宾现场录制视频的内容整理,文字整理以及字幕提取可能有瑕疵,大家尽量以视频(如上链接)为主。这些都是李慢慢业余抽空完成的,视频裁剪、添加字幕、文章编辑,花了将近20天,梳理不易,请粉丝们轻喷。另外,还有部分关于北汽和东风等车企的仿真内容后续陆续整理出来,想看的朋友可以持续关注本公 众号。    


以上,本文完。



来源:车路漫漫
碰撞非线性化学汽车理论自动驾驶游戏控制渲染
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-12-11
最近编辑:8月前
李慢慢
硕士 自动驾驶仿真工程师一枚
获赞 14粉丝 93文章 320课程 0
点赞
收藏
作者推荐

车辆动力学仿真软件PanoCar——赋能智能驾驶研发新高度

一、PanoCar软件介绍车辆动力学模型与软件在车辆设计和开发过程中发挥着至关重要的作用,更是汽车电动化和智能化仿真测试不可或缺的重要工具。它对于预测车辆性能、优化车辆设计、提升行驶安全性与舒适度,减少能耗并满足环保要求,以及提高研发效率、降低成本等都具有重要的意义。PanoCar作为一款自主研发的高精度、功能强大的车辆动力学仿真软件,不仅集成了复杂且精确的车辆动力学模型,而且还具备高效率仿真和高稳定性数值计算等特征,可在包括Windows/Linux等操作系统、NI-RT、Concurrent、YISU、LinksBox、LabCar等各类实时硬件平台,以及Matlab/Simulink等各种软件环境下满足大规模、长周期、稳定可靠的实时仿真需求,与国际主流车辆动力学仿真软件CarSim高度兼容且高度一致。PanoCar以其精确的车辆模型、卓越的仿真性能、友好的操作体验和高度的可扩展性,赋能电动汽车和自动驾驶的仿真测试! 图1. PanoCar高精度车辆动力学仿真软件1. 车辆动力学模型简介PanoCar集成了复杂的车辆动力学模型,可精确模拟车辆在各种道路和驾驶条件下的动态响应,包括不同路面状况、驾驶输入以及车辆系统之间的相互作用。无论是紧急加速、紧急制动还是高速转弯,PanoCar都能精确地捕捉车辆的瞬态和稳态运动特性,提供全面而深入的车辆性能分析:·车身动力学和车轮动力学模型;·燃油动力传动系统模型:包括发动机模型、燃油消耗量模型、液力变矩器、自动变速器、分动器、差速器建模;支持前驱、后驱和四驱等各种动力驱动构型;·电驱动系统模型:包括电池模型、电机模型、电机效率模型、再生制动能量回收建模,支持前驱双电机、前驱单电机、后驱双电机、后驱单电机、四驱四电机、四驱双电机等分布式和集中式电驱动构型;·转向系统模型:包括转向管柱、电动助力、齿轮齿条式转向器、转向主销、转向轮等典型转向系统的多刚体动力学建模,包括方向盘转角与扭矩两种控制输入模式,以及后轮转向系统模型;·悬架系统模型:支持非线性弹簧力、阻尼力、上限位块和下限位块约束力等独立悬架力特性元件配置建模,以及悬架系统的非线性运动学特性(Kinematic)和弹性特性(Compliance)配置建模;·制动系统模型:支持包括制动主缸压力、制动轮缸压力、制动热衰退等在内的典型制动系统建模,支持典型制动防抱死(ABS)控制系统等;·驾驶员模型:支持闭环速度和路径跟随控制,支持变速箱挡位自动控制,支持方向盘转角与扭矩控制;·3D道路路面模型:支持典型的基于X-Y坐标和S-L曲线坐标间的相互转换、基于S-L坐标的3D道路及其路面附着系数、滚动阻力系数等建模;·空气动力学模型:支持三维空间空气阻力、升力、侧向力和力矩等建模;·轮胎动力学模型:支持纵侧向复合行驶工况下轮胎力、轮胎弹性迟滞特性、低速行驶工况的建模,支持轮胎滚动阻力矩与功率平衡特性,以及轮胎力与轮胎压缩量或运动量之间关系的建模。 图2. PanoCar车辆动力学模型示意图·软件界面简介PanoCar提供直观易用的图形界面,可通过直观的图形、生动的动画或详细的图表形式,快速了解车辆性能特点、发现潜在问题,并进行优化改进,从而全面评估并优化车辆操控稳定性、动力及燃油经济性、驾乘舒适性或运动平顺性等。PanoCar可根据仿真需求定制车辆模型,包括车辆尺寸、质量分布、悬挂系统特性、轮胎等参数的设置。支持用户自定义参数和扩展功能,可根据需求灵活地调整车辆参数、设置道路条件、配置控制系统等,从而构建精细的仿真工况,以评估不同类型和配置车辆的性能等。 图3. PanoCar软件功能示例2. I/O接口PanoCar具备出色的可扩展性和可定制性,其车辆模型拥有丰富的输入输出接口,并附有详细的接口说明文档,支持程序通过I/O读写的方式接入外部算法模型,或者替换车辆子模型(例如:动力传动系统、制动系统、悬架弹簧与阻尼力元件等)。此外,PanoCar还可根据仿真需求进行功能定制和二次开发,以满足不同领域、不同项目的多样化和个性化仿真需求。此外,PanoCar还与PanoSim无缝集成,通过友好便捷的图形界面操作,全面支持车辆各类环境传感器选配与安装、各类复杂道路与天气光照设置、交通场景设置、驾驶任务与智能驾驶员配置等,全面支持汽车各种工况和场景下的自动驾驶传感感知与决策规划、运动控制与执行等丰富且强大的仿真功能。 图4. PanoCar I/O接口3. 与MATLAB/Simulink联合仿真PanoCar作为一款功能强大的仿真软件,支持与包括Matlab/Simulink等在内的许多工程软件的无缝对接,通过高效、稳定的数据交换和协同仿真,支持与自动驾驶和智能网联等系统的集成与联合仿真。此外,PanoCar还内置丰富的MATLAB/Simulink测试用例模型,可帮助用户快速掌握车辆模型各子系统接口的物理意义与使用方法,部分测试用例如下:仿真示例仿真示例(中文)仿真示例说明ABS Controller制动防抱死控制器该示例可帮助用户了解制动轮缸压力控制的接口及使用方法Aerodynamics空气动力学模型该示例用于测试环境风对车辆行驶动态的影响,帮助用户了解空气动力学六分力的接口及使用方法Driver Model驾驶员模型该示例为单点预瞄驾驶员模型,帮助用户了解方向盘输入接口及使用方法,以及如何集成用户自定义的外部车辆侧向控制算法Electric Vehicle电驱动动力传动系统该示例展示了一个双电机四驱动力传动系统,帮助用户了解如何使用自定义动力传动系统外部模型替换PanoCar默认内置模型ESC Controller车身电子稳定性控制系统该示例展示了如何根据车身运动状态调节制动轮缸压力大小,以提高车辆侧向运动稳定性,帮助用户了解相关接口及使用方法Longitudinal Acceleration Controller纵向加速度控制器该示例展示了一个纵向PI控制器,帮助用户了解外部自定义纵向控制器接入,以及将加速与制动控制信号分离并作用于PanoCarMagic Formula Tire Model魔术公式轮胎模型该示例帮助用户了解如何接入外部自定义轮胎模型,以及轮胎六分力的接口及使用方法Semi Active Suspension半主动悬架系统模型该示例分别展示了一个半主动悬架和主动悬架等外部控制算法在PanoCar车辆模型中的接口及使用方法Wave Road波浪路模型该示例帮助用户了解如何将车辆动力学模型与外部道路的数据交互(轮胎接地点处的高程坐标、两个方向的导数信息)OpenCRG DemoOpenCRG道路信息导入模型该示例帮助用户了解如何将车辆动力学模型与OpenCRG道路信息数据进行交互(轮胎接地点处的高程坐标、两个方向的导数信息)VTD DemoVTD与PanoCar联合仿真接口模型该示例帮助用户了解如何将车辆动力学模型与VTD进行数据交互 TCS Controller牵引力控制器该示例展示了目标扭矩控制器,帮助用户了解前、后电机请求扭矩的接口及使用方法External Springs外接悬架弹簧模型该示例帮助用户了解如何接入外部自定义悬架弹簧模型,以及悬架弹簧力的接口及使用方法External Transfer Case外接分动器模型该示例帮助用户了解如何接入外部自定义传动系统分动器模型,以及传动系统差速器的接口及使用方法Tank Pivot Turn坦克掉头模型该示例展示了如何根据目标车轮转速,控制四轮轮毂电机扭矩大小,以实现车辆原地坦克掉头,帮助用户了解电机扭矩的接口及使用方法4. 实时仿真(RT版本)PanoCar具备高效的仿真速度和数值稳定性,可满足大规模、长周期稳定可靠的实时仿真需求。PanoCar可在各类硬件仿真平台上实现1ms数值积分步长的稳定运行,满足各类HIL系统仿真实时性要求。支持包括NI-RT、Concurrent、YISU、LinksBox、LabCar等在内的各种实时仿真平台,提供PanoCar与实时机通讯配置界面,用户可根据需要设置车辆模型与外接模型的输入输出接口、与实时机的通讯协议、通讯地址等。 图5. PanoCar实时仿真示意图5. COM API通用范式(支持多种语言:C/C++, C#, MATLAB, Python, VB),PanoCar数据库中提供了COM接口API示例,以及Python和Matlab脚本,方便用户二次开发。允许通过外部软件控制PanoCar,实现数据集创建、仿真运行与数据后处理等操作,助力自动化测试流程。API开放数量超过45+。 图6. PanoCar COM API示意图6. 导入CarSim数据库PanoCar提供CarSim数据库一键导入工具,方便CarSim用户将其数据库批量迁移至PanoCar使用,保留其数据库的完整性和关联性。 图7. PanoCar导入CarSim数据库示意图7. 支持中英文双语配置PanoCar支持中英双语用户参数配置界面,并同步提供双语版本的帮助文档与操作手册,显著降低了本土工程师的学习门槛,助力用户快速掌握软件功能,提升工作效率。 图8. PanoCar中英文双语配置示意图8. FMU模型导出FMI/FMU是一个开放的工业标准,旨在实现跨平台、跨工具的模型共享与协同仿真,其核心是将动态模型遵循统一的FMI接口,打包成一个独立的“黑匣子”文件(即FMU)。PanoCar全面兼容FMU 2.0标准,不仅支持独立模式,更实现了接口-模型-参数分离模式。后者尤为关键,它赋予实时机不停机、无需重新编译和部署的能力,大大提高自动化测试的效率。 图9. PanoCar FMU模型导出示意图9. OpenCRG道路解析OpenX标准体系下的OpenCRG专注于描述精细化的路面形貌信息。在自动驾驶系统的仿真测试中,路面纹理、微观起伏及局部摩擦系数直接影响车辆的动力学响应。PanoCar通过集成OpenCRG模型,能够还原包括沥青颗粒感、减速带震动、破损路面连续颠簸在内的精细化路面状态,使得车辆动力学仿真结果更贴近真实世界,尤其适用于验证底盘电控系统(如ESC、ABS)在低附着力路面或连续激励下的控制性能。 图10. PanoCar OpenCRG道路解析示意图10. 多组仿真数据叠加对比(Data Overlay)PanoCar不仅支持多组实验数据的记录与对比,还能通过参数曲线和动画,将仿真结果进行可视化分析。该功能旨在帮助工程师精准优化车辆参数,并直观洞察参数修改所带来的车辆运动姿态变化。 图11. PanoCar多组仿真数据叠加对比示意图二、车辆动力学模型介绍 1. 车辆动力学建模方法车辆动力学模型反映给定道路路面、阵风等环境影响下车辆对驾驶员或控制器输入的动态响应,包括车辆的动力性、操纵稳定性和行驶平顺性等。构成车辆动力学的组成因素包括车体(簧上质量)、悬架(弹簧与阻尼器)和轮胎(簧下质量)等,以及转向、动力及传动、制动等系统。车辆动力学建模所遵循的基本物理定律是牛顿第二定律和达朗贝尔原理,其多体动力学建模方法包括牛顿欧拉法、拉格朗日法、凯恩法、哈密尔顿法等,通过构建一组反映车辆受力与运动关系的微分方程研究车辆的动力学特性和动态响应。车辆动力学其建模精度决定了车辆的运动、姿态及轨迹精度,进而直接影响车载传感器的位置和姿态精度,不仅对车辆运动控制,而且对自动驾驶的传感感知及数据融合的准确性均具有重要的影响。2. 主要状态变量模型状态变量自由度车身(簧上质量,3个平移速度和3个旋转速度)6车轮旋转角速度(4个车轮)4簧下质量(4个)相对于车体的垂向跳动4悬架系统的动态弹性特性(4个簧下质量受力引起的X和Y方向位移与Roll和Yaw角的二阶动态变化)164路油路至轮缸制动系统管路油压的动态迟滞特性44个制动器的转子温度4双通道ABS控制器4轮胎纵向滑移率与侧偏角的弹性迟滞特性(4个轮胎)8发动机曲轴转角1发动机节气门一阶动态迟滞1发动机燃油消耗量1液力变矩器输出端与变速器输入端转角(空档时,变速器输入端与输出端断开,此时液力变矩器输出端与变速器输入端为一个整体,此自由度存在,否则不存在)1变速器输出轴转角1电驱动系统电机扭矩的动态迟滞特性(激活电驱动动力传动系统时生效,最多可4个电机同时工作)4电驱动电池荷电状态(SOC)1悬架系统摩擦力迟滞特性(4个独立悬架)4转向系统转角(扭矩输入模式时为2个自由度,转角输入模式为1个自由度)2转向系统管柱摩擦阻力矩的动态迟滞特性1转向系统管柱助力的迟滞特性(转向系统管柱助力激活时,此自由度生效)1转向系统齿条助力的迟滞特性(转向系统齿条助力激活时,此自由度生效)1驾驶员模型纵向控制量的一阶迟滞(加速信号与制动主缸油压信号的一阶迟滞)2驾驶员侧向控制量的二阶迟滞特性(方向盘转角控制量的二阶迟滞)1二自由度动力学参考模型的侧向速度和横摆角速度(驾驶员路径跟随侧向控制模式激活时,此自由度生效)23. 非线性属性与表格参数非线性特性可由用户选择配置,支持以下设置方式:·常量模式·线性系数模式·一维线性插值模式·一维样条插值模式·一维分段常数插值模式·二维双线性插值模式·二维双三次样条插值模式·二维分段常数插值模式4. 车辆刚体动力学模型车辆坐标系下车身动力学包括六个自由度,分别为三个平动和三个转动,包括纵向、侧向和垂向运动,以及横摆、俯仰和侧倾运动。车轮动力学则是在车轮坐标系下包括其各自围绕轮轴旋转构成的四个转动自由度。5. 燃油动力传动系统模型·支持驱动构型(燃油):前驱、后驱与四驱·基于二维表格插值的发动机扭矩计算模型·基于二维表格插值的燃油消耗率计算模型·基于一维表格插值的液力变矩器扭矩计算模型·液力变矩器锁止离合器模型·速敏型中央限滑差速器模型(四驱模式)·速敏型轮间限滑差速器模型(前、后驱模式)·支持用户配置激活差速器锁止离合器·支持用户配置发动机节气门一阶瞬态特性·支持用户配置传动系统的自然频率与阻尼比,用于描述传动系统的柔性特性·支持用户配置自动变速器升挡临界线·支持用户配置自动变速器降挡临界线·支持用户配置自动变速器挡位数(最高18挡)·支持用户配置变速器不同挡位对应的传动比系数·支持用户配置变速器不同挡位对应的转动惯量·支持用户配置变速器不同挡位对应的正反向传动效率 动力传动系统(燃油车四驱模式) 动力传动系统(燃油车前/后驱模式)图12. 燃油车动力传动系统示意图6. 电驱动动力系统模型·支持电驱动构型(纯电):双电机前驱、单电机前驱、双电机后驱、单电机后驱、双电机四驱、四电机四驱·基于等效内阻法(Rint)的一阶电池模型·基于一维表格插值的电机扭矩计算模型·基于二维表格插值的电机效率(机械功率/电功率)计算模型·再生制动能量回收功能 图13. 电驱动构型(纯电)动力传动系统示意图7. 空气动力学模型·车辆模型考虑了外部环境风引起的作用于车体上的力和力矩·作用于空气动力学参考点的三维空气阻力(或气动力)计算模型·作用于空气动力学参考点的三维空气阻力矩(或气动力矩)计算模型·支持用户配置空气动力学阻力系数、升力系数、侧向力系数。·支持用户配置空气动力学侧倾力矩系数、俯仰力矩系数、横摆力矩系数 图14. 空气动力学示意图8. 转向系统模型·支持构型:齿轮齿条式与循环球式转向器·基于标准多刚体动力学建模方法·支持用户配置主销定位参数·支持用户配置方向盘转角到转向器齿条位移的运动学关系曲线·支持用户配置转向器齿条位移到左、右两侧车轮转角的运动学关系曲线·支持用户配置作用于转向管柱上的迟滞摩擦力矩·支持用户配置转向管柱阻尼系数·支持用户配置转向管柱扭力杆刚度系数·支持用户配置转向轮静态前束角·支持用户配置激活转向管柱助力模式·支持用户配置激活转向齿条助力模式·考虑悬架运动学特性引起的前轮转角·考虑悬架柔性特性引起的前轮转角·支持用户配置转向系统低速附加力矩·支持用户配置转向限位块约束力·支持用户配置转向系统柔性·支持用户配置后轮转向系统 图15. 转向系统主销定位示意图9. 悬架系统模型·支持构型:独立悬架·支持用户独立配置左右侧悬架系统特性·支持用户配置非线性弹簧力·支持用户配置非线性阻尼力·支持用户配置非线性上限位块约束力·支持用户配置非线性下限位块约束力·支持用户配置侧倾稳定性附加力矩与阻尼系数·支持用户配置簧下质量侧倾角与轮跳间的非线性运动学关系曲线·支持用户配置簧下质量横摆角与轮跳间的非线性运动学关系曲线·支持用户配置簧下质量俯仰角与轮跳间的非线性运动学关系曲线·支持用户配置簧下质量侧向位移与轮跳间的非线性运动学关系曲线·支持用户配置簧下质量纵向位移与轮跳间的非线性运动学关系曲线·支持用户配置簧下质量侧倾角与轮心纵向力间的非线性柔性特性关系曲线·支持用户配置簧下质量侧倾角与轮心侧向力间的非线性柔性特性关系曲线·支持用户配置簧下质量侧倾角与车轮回正力矩间的非线性柔性特性关系曲线·支持用户配置簧下质量横摆角与轮心纵向力间的非线性柔性特性关系曲线·支持用户配置簧下质量横摆角与车轮回正力矩间的非线性柔性特性关系曲线·支持用户配置簧下质量纵向位移与轮心纵向力间的非线性柔性特性关系曲线·支持用户配置簧下质量侧向位移与轮心侧向力间的非线性柔性特性关系曲线 图16.1. 悬架系统示意图 图16.2. 悬架系统示意图10. 制动系统模型·支持用户配置制动主缸压力信号纯延时时长·支持用户配置激活制动防抱死控制系统·支持用户配置激活制动轮缸压力无延时计算模式·支持用户配置激活制动轮缸压力一阶延时计算模式·支持用户配置激活制动轮缸压力与油液体积一维非线性表格模式·支持用户配置激活最大有效制动力矩比例系数计算模式·支持用户配置激活最大有效制动力矩一维非线性表格计算模式·支持用户配置激活最大有效制动力矩制动热衰退计算模式·支持用户配置激活驻车模式 图17. 制动系统拓扑图11. 轮胎动力学模型·基于联合工况理论、数据表格形式的半经验轮胎六分力计算模型计算·稳态、瞬态(轮胎弹性迟滞特性,低速稳定性数值处理)侧偏角计算·考虑轮胎滚动阻力矩与功率平衡特性·支持用户配置轮胎垂向力与轮胎压缩量间的关系曲线·支持用户配置轮胎纵向力与轮胎垂向力和纵滑率间的关系曲线·支持用户配置轮胎侧向力与轮胎垂向力和侧偏角间的关系曲线·支持用户配置轮胎回正力矩与轮胎垂向力和侧偏角间的关系曲线·支持用户配置轮胎侧翻力矩与轮胎垂向力和侧偏角间的关系曲线·考虑车轮外倾角对轮胎侧向力的附加影响·考虑车轮外倾角对轮胎回正力矩的附加影响·考虑车轮外倾角对轮胎侧翻力矩的附加影响·魔术公式轮胎模型(5.2版本) 图18. 轮胎接地点坐标系12. 3D道路路面模型·支持用户配置X-Y坐标形式的道路参考线·支持用户通过线段拼接方式(Segement builder)构建道路参考线·支持X-Y坐标与S-L曲线坐标间的相互转换·支持用户配置S-L曲线坐标形式的道路高层·支持用户配置S-L曲线坐标形式的路面附着系数·支持用户配置S-L曲线坐标形式的滚动阻力系数·支持用户导入并解析OpenCRG文件 图19. 轮胎接地点坐标系13. 驾驶员模型·支持车辆纵向速度闭环控制·支持车辆纵向加速度闭环控制·支持车辆挡位闭环控制(前进、空档和倒车)·支持路径跟踪侧向控制·支持方向盘转角与扭矩两种控制模式14. 车辆控制模型·纵向控制(加速模式1):常量加速信号·纵向控制(加速模式2):加速信号与仿真时间一维非线性表格·纵向控制(制动模式1):常量制动主缸压力信号·纵向控制(制动模式2):制动主缸压力信号与仿真时间一维非线性表格·侧向控制(方向盘转角模式1):常量方向盘转角信号·侧向控制(方向盘转角模式2):方向盘转角信号与仿真时间一维非线性表格·侧向控制(方向盘扭矩模式1):常量方向盘扭矩信号·侧向控制(方向盘扭矩模式2):方向盘扭矩信号与仿真时间一维非线性表格·侧向控制(侧向路径跟踪模式1):常量侧向路径偏移·侧向控制(侧向路径跟踪模式2):侧向路径偏移与仿真时间一维非线性表格·侧向控制(侧向路径跟踪模式3):侧向路径偏移与车辆S坐标位置一维非线性表格15. Events模式·用户可通过此模块定义序列式的基于事件触发形式的车辆驾驶操纵指令,每一个事件都可独立定义包括纵向控制与横向控制相关的驾驶操纵指令,并且均支持开闭环控制,结合必要终止条件以及车辆状态相关的终止条件,用户可自定义不同事件的组合·纵向控制(开环模式):可定义加速与制动信号(常量模式/绝对、相对时间/绝对、相对位置)·纵向控制(闭环模式):可定义目标车速信号(常量模式/绝对、相对时间/绝对、相对位置)·侧向控制(方向盘转角控制模式):可定义方向盘转角信号(常量模式/绝对、相对时间/绝对、相对位置)·侧向控制(方向盘扭矩控制模式):可定义方向盘扭矩信号(常量模式/绝对、相对时间/绝对、相对位置)·侧向控制(路径跟踪控制模式):可定义路径侧向偏移信号(常量模式/绝对、相对时间/绝对、相对位置)16. 附加功能项·支持用户配置激活路面噪声功能·支持用户配置激活运动传感器:可输出包括速度、加速度、位置在内的27种状态变量·支持用户配置激活附加载荷功能:可配置安装在车体上的额外负载17. 模型数值求解器·支持用户配置包括前向欧拉、二阶龙格库塔、二阶Adams-Bathforth等在内的各种数值求解器三、PanoCar测试报告本报告选取了典型的C级乘用车为仿真对比测试用车,其发动机功率为150kW,6挡变速箱,差速器差速比4.1:1,四驱(分动箱齿比1:1),齿轮齿条式转向器;仿真测试工况包括加减速、带挡滑行、正弦波转向、鱼钩(高低附路面)、双移线、蛇形工况等,涵盖了车辆在线性范围和极限工况下的纵向、侧向和纵侧向动力学,并分别与国际主流车辆动力学软件对比,仿真测试结果表明,PanoCar与国际主流车辆动力学软件在模型精度上高度一致。1. 加速减速工况·测试目的:评估车辆的动力总成与制动系统性能,以及极限加减速工况下的纵向动力学性能;·测试工况:平坦高附路面 (Mu=0.85),初始车速0 (km/h),无转向输入;·油门输入:0-10s全油门(100%)加速,制动主缸压力输入:15~25s 10MPa; 图20. 节气门开度及制动主缸压力测试图1) 仿真测试结果对比(PanoCar vs. CxxSim) 图21. 加速减速仿真测试结果对比示意图(PanoCar vs. CxxSim)2. 带挡滑行工况·测试目的:评估车辆动力传动系统、空气动力学、轮胎模型的建模精度;·测试工况:平坦高附路面 (Mu=0.85),初始车速120 (km/h),无油门、制动踏板和方向盘输入;·仿真测试结果对比(PanoCar vs. CxxSim); 图22. 带挡滑行仿真测试结果对比示意图(PanoCar vs. CxxSim)3. 正弦波转向工况·测试目的:评估车辆高速行驶时的操纵稳定性;·测试工况:平坦高附路面 (Mu=0.85),车速闭环控制、期望车速100 (km/h),方向盘正弦波输入 (±57.3deg,0.16Hz,如下图所示); 方向盘正弦输入 (deg)·仿真测试结果对比(PanoCar vs. CxxSim); 图23. 方向盘正弦输入及正弦波转向仿真测试结果对比示意图(PanoCar vs. CxxSim)4. 方向盘角阶跃工况·测试目的:评估车辆转向响应及侧向动力学性能;·测试工况:平坦高附路面 (Mu=0.85),初始车速80 (km/h)、无油门和踏板输入,方向盘0.2s内至57.3deg角阶跃输入如下图所示; 方向盘转角 (deg)·仿真测试结果对比(PanoCar vs. CxxSim); 图24. 方向盘转角及方向盘角阶跃仿真测试结果对比示意图(PanoCar vs. CxxSim)5. 鱼钩工况(Mu=0.85)·测试目的:评估车辆高附路面下的操控稳定性和抗侧翻能力;·测试工况:平坦高附路面 (Mu=0.85),初始车速50 (km/h)、无油门和踏板输入,方向盘转角输入如下图所示; 方向盘转角 (deg)·仿真测试结果对比(PanoCar vs. CxxSim); 图25. 方向盘转角及鱼钩仿真测试结果对比示意图(PanoCar vs. CxxSim)6. 双移线工况·测试目的:评估车辆在紧急变道或避障等极限工况下的操控稳定性;·测试工况:平坦高附路面 (Mu=0.85),车速闭环控制、期望车速120 (km/h),方向盘转角输入如下图所示; 方向盘转角 (deg)·仿真测试结果对比(PanoCar vs. CxxSim); 图26. 方向盘转角及双移线仿真测试结果对比示意图(PanoCar vs. CxxSim)7. 蛇行工况·测试目的:评估车辆连续避障时的操控稳定性;·测试工况:平坦高附路面 (Mu=0.85),车速闭环控制、期望车速80 (km/h),方向盘转角输入如下图所示; 方向盘转角 (deg)·仿真测试结果对比(PanoCar vs. CxxSim); 图27. 方向盘转角及蛇行仿真测试结果对比示意图(PanoCar vs. CxxSim)四、公司简介浙江天行健智能科技有限公司(PanoSim)是国内最早从事汽车自动驾驶仿真技术研发、并拥有完全自主知识产权的国家高新技术企业。先后获国家双软认证、浙江省“专精特新”中小企业,以及ISO9001/ISO27001/ISO20000等3项国际标准体系认证,是国家智能网联创新中心、美国MathWorks、俄罗斯国家汽车研究院的战略合作伙伴。先后荣获中国汽车工程学会“领航汽车创新技术”、奇瑞汽车“最佳星火提案奖”、“智途奖-年度优秀虚拟仿真系统供应商”、“汽车电子科学技术奖-优秀创新产品奖”以及“汽车新供应链百强-金辑奖”,入围“腾讯产业共创营出行赛道高估值明星企业”。以PanoSim为品牌的系列仿真软硬件产品已在包括美国通用汽车、德国戴姆勒汽车、一汽集团、上汽集团、东风汽车、长安汽车、地平线、商泰等在内的国内外企业和科研院所广泛应用,并获得了高度评价;是“2023中国智能网联汽车算法挑战赛(CIAC)”、“2022中国智能网联汽车算法挑战赛(CIAC)”、“2021i-VISTA世界虚拟仿真挑战赛”以及“2020世界智能驾驶仿真挑战赛(WIDC)”的官方指定仿真平台(https://www.panosim.com/)。 来源:车路漫漫

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈