【編者按】

2021年7月20日，第九屆EEVIA年度中國電子ICT媒體論壇暨2021產業和技術展望研討會在深圳順利召開。會議邀請了來自ADI、英飛凌、艾邁斯歐司朗、NI、Qorvo、安謀科技、伏達半導體等多家公司的技術專家和高層管理者分享自家公司最新的技術與產品，與在場行業媒體和業內工程師共同探討產業發展現狀，共話半導體產業新未來。

作為一家擁有40多年歷史的納斯達克上市公司，NI每年在研發上的投入超過20%。汽車是NI業務體系中一個重要的事業部，國內較為知名的造車新勢力目前都是NI的主要大客戶。在本次會議上，NI資深汽車行業客戶經理郭堉先生為觀眾帶來了題為《平臺化測試方案應對無限自動駕駛測試場景》的主題演講。

NI資深汽車行業客戶經理 郭堉先生

郭堉首先介紹了?自動駕駛測試在目前所面臨的挑戰。“講到挑戰，就必須提到目前非常流行的汽車行業三大零愿景：零事故、零排放、零損耗。對零事故和零損耗這兩大愿景，我們的技術就顯得非常重要，因為我們需要ADAS里面的傳感器，包括激光雷達等感知技術，幫助我們實現L2到L4級的自動駕駛，以及識別目標物，從而做避障。” 郭堉指出。

目前自動化駕駛有四個趨勢：第一，電子電氣結構從原來的傳感器都有ECU演變到后續都用中央域控制器進行處理；第二，目前的法規還不是特別完善，對于國內來講，場景庫搭建也不是非常完善；第三，軟件定義汽車，軟件的投入和軟件的測試非常重要；最后，AI和深度學習，這一部分主要就是部署在ADAS里面的一些算法，通過真實的道路場景，不斷優化ADAS的算法，然后更好地識別目標物，從而使安全性有更大的提升，消費者也會更加信賴NI的全自動駕駛的模式。

圖 源：易維訊

由上述趨勢帶來的測試挑戰有四點：第一，測試的復雜度日益增加；第二，自動化測試的硬件和軟件需要有不斷的迭代和更新，包括提供完整的工具鏈，幫助工程師最大化工作效率，不需要一直學習新的工具；第三，非常緊迫的測試開發流程和周期，郭堉表示，NI的汽車業務在未來會越來越朝著消費類電子的模式去發展，隨著造車新勢力的不斷增加，公司需要快速做驗證的平臺來最大化測試效率；第四，更多的仿真“目前消費者對特斯拉的自動駕駛安全性還是有存很大的疑慮，我們需要很多真實的場景不斷地訓練算法。如果部署很多車隊，讓它去跑真實的道路，要花費的成本和時間無法想象，所以我們就需要構建一個非常高保真度的軟件測試環境，去訓練AI的算法，幫助我們識別目標物，從而達到避障和主動駕駛的功能。” 郭堉解釋道，“產品的復雜度日益增加，汽車價格一直在降。所以我們必須采用新的測試方法，改變整個測試思路，不同于傳統汽車的測試，我們對于ADAS全新的技術框架，需要找到一個新的測試方法。”

下圖是常見的一個V字型汽車測試研發和驗證流程，左邊為設計環節，從最底層系統的要求，慢慢部署到每一個子部件的研發，主要會依賴于軟件（包括原型驗證的環節），右邊是從部件的測試，再上升到整車級的，比如NVH可靠性的測試。“以往都是更多精力投入在右邊的測試環節，尤其是整車測試，但是隨著ADAS技術的不斷完善，我們更需要的是左邊，測試需求向左移，我們需要更多進行軟件測試，提高測試效率。” 郭堉講道。

接下來，郭堉為大家分析了自動駕駛測試的現狀和未來。

上圖是NI在5月份邀請很多公司的測試總監、測試主管做的問卷調查。問卷結論顯示大家共同的需求是通過仿真測試提高效率。

為什么目前還不能達到未來的狀態呢？郭堉指出了主要的幾個難點：

• 缺少高保真度的模型和場景。“沒有這個高保真度的模型和場景，我們無法去媲美真實采集到的道路狀況，我們通過仿真的方法沒有辦法保證ADAS汽車路面上和場景中跑的結果一樣。” 郭堉講道。

• 目前很多廠商之間的鏈路沒有打通，需要很多工程師去打通各個廠商之間的鏈路，從而測試的流程和工具鏈需要重新進行學習，不同的廠商需要學習不同的硬件。

• 另外，中國還沒有出臺非常明確的法規，特別是中國特定的場景庫。現在所有的場景庫很多都是從歐美來的，中國急需搭建自己的高保真仿真庫。

“下圖是非常典型的做ADAS測試驗證的工作流程，左邊是動態的數據。我們需要把它用一套系統錄制下來，錄制的越真實，數據可靠性越高。錄制完數據后，首先要打標簽，打標簽完后，就可以對數據進行重構。這里就要提到數據孿生的技術，我們可以把這個重構的數據通過軟件重構為一個虛擬的場景，這個場景要求的可靠性是比較高的。另外我們可以把這個數據進行數據管理，然后進行測試。之后把這個數據和高保真場景一起進行硬件在環仿真，最后加上硬件，再進行硬件在環仿真。” 郭堉介紹道。

首先是數字孿生和仿真測試，數字孿生是目前非常火的概念。以谷歌為例，Waymo一天之內可以跑2000萬英里的路程，Waymo是做L4的自動化駕駛的公司，它必須要一天之內跑大量的數據，驗證它的算法是可靠的。花費大量的時間和金錢，用幾千輛車去跑是不現實的。因此，99.9%的測試都是通過仿真進行，仿真測試的數據可靠性就變得十分重要。如何保證數據是真實的，可以跟真實的道路匹配，并且可以給傳感器一個真實的反饋，就是上文提及的挑戰。

NI在今年正式宣布收購了monoDrive公司，可以通過monoDrive的數據進行數據重構和孿生。下圖是一張效果圖，上面一張圖是在美國奧斯汀實際錄制的場景，下面一張圖是通過monoDrive進行數字孿生，重構的一個高保真度的場景。“因為我們手工去創建這樣的場景是非常費時費力，而且還不是真實的道路情況，沒有辦法還原一個真實的道路情況。monoDrive可以把樹葉、欄桿、地面上的標志圖形完整地復現出來。目前只有monoDrive這個軟件可以做到。” 郭堉表示。

除了道路狀態，monoDrive也可以仿真出天氣，包括路面的一些積水狀況。“我們這個monoDrive軟件可以強大到把路燈、垃圾筒表面的參數系數，反射系數都實時地表現出來，甚至日落黃昏。中國幅員遼闊，每個地方都仿真的難度很大，我們需要這樣一個套件，快速地幫助我們創建中國的場景，這樣才可以去驗證算法，非常快速地迭代ADAS的算法。” 郭堉說道。

光有仿真不夠，NI也用軟件平臺做道路實時數據。目前特斯拉都是用攝像頭，但是現在絕大部分OEM廠會有毫米波雷達、激光雷達、超聲波雷達等傳感器。當下很多的算力可以支持12路的攝像頭，甚至是高清攝像頭，所以對錄制的要求會有造成諸多挑戰，其中包括硬件接口。只有這些數據都是同步被記錄下來，才是真實有效。由于數據量巨大，NI提供了PXI平臺，把所有數據保存下來，并且支持把大量數據上云端，比如跨國公司的子公司要把數據重復利用，NI就可以將其上傳到微軟云等。

另外值得一提的就是硬件在環仿真（HIL）。“我們要測的對象一般都是ECU里面的控制部分，或者ECU里面的算法。我們就需要去模仿外圍的設備,讓ECU以為連接的是真實的電機。比如說我們用軟件可以導入模型，這些模型的來源也是我們非常看中的，用數學的方式去表達。NI就提供了這樣一個硬件，包括FPGA的板卡，比如說我們的電機模型需要非常快的響應，FPGA板卡就可以提供納秒級的運算，把模型給部署到FPGA的可編程門陣列的板卡里面。編輯到系統里面可以達到毫秒級的運算，就可以跑車輛動力學模型，就可以真實的反饋車輛在虛擬場景中如何運轉。接下來連到DUT，這就是用AI完整的鏈路和平臺，包括軟件去實現的一個框架。” 郭堉為大家講解道。

演講最后，郭堉表示，NI不僅基于自己的硬件和軟件可以做一些測試，同樣會支持友商的接口，所以NI是開放的公司，提供各種豐富的接口，作為連接者，去連接不同友商、不同協議、不同廠商的場景仿真軟件，一起攜手給客戶提供整個交鑰匙的方案。