Autonomiczna jazda jest fajna i seksowna. Wszyscy o tym mówią. Każdy ma swoją opinię. Moi niemieccy przyjaciele mówią: „nie, dziękuję, wolałbym jeździć na Autobahn.” Technolodzy pytają: „w jaki sposób algorytmy uczenia maszynowego mogą być demonstrowane jako funkcjonalnie bezpieczne przy użyciu konwencjonalnej metodologii?” (Niestety, nie mogą). Wszyscy, firmy o ustalonej pozycji i nowi, rzucają masywne badania i rozwój w wysiłek, by samozadowolenie przeszło od eksperymentu naukowego do rzeczywistości. Rzucajcie elektryzację i naprawdę mówimy o transformacji przemysłu raz w życiu – w końcu.

Na razie my, jako branża, jesteśmy mocno w domenie badawczo-rozwojowej. Nowe modele biznesowe i strumienie przychodów napędzają te ogromne inwestycje (McKinsey szacuje 1,5 bln USD nowych źródeł przychodów do 2030 r., W tym wspólną mobilność, aplikacje do samochodów, usługi zdalne i ulepszenia pojazdów sprzedawane jako oprogramowanie na antenie), wymagające wyprodukowanych pojazdów o dużej pojemności, do budżetu i na wielu platformach elektrycznych i elektronicznych. W jaki sposób możemy przekroczyć tę przepaść od prototypowania badań i rozwoju, dowodu koncepcji i samochodów testowych, do masowo produkowanej, komercyjnie opłacalnej mobilności autonomicznej i elektrycznej?

Akio Toyoda, prezes Toyoty, szacuje, że potrzeba 8,8 miliardów kilometrów testów drogowych, aby uzyskać wystarczająco wysokie zaufanie do systemu autonomicznego poziomu 5. Innymi słowy, 500 samochodów, jeżdżących ze stałą prędkością 60 mph, 24 godziny na dobę, zajęłoby 54 lata, aby zebrać wystarczającą ilość danych do sprawdzenia poprawności i weryfikacji systemu.

Oto pięć rzeczy, którymi należy się zająć, aby tam dotrzeć:

Zwiększenie liczby i różnorodności czujników. Autonomiczne pojazdy wymagają szeregu czujników, aby stworzyć mapę środowiskową otoczenia i przetwarzać te dane w czasie rzeczywistym, a następnie decydować, jaki jest prawidłowy tok postępowania. Dziś w wielu miastach USA widzimy mnóstwo testowych samochodów z kamerami i lidarami, zbierając dane dotyczące jazdy i testując algorytmy oprogramowania. Ale te pojazdy nie są nawet komercyjnie opłacalne. Mechaniczny lidar może kosztować nawet sześć Sparków Chevroleta dzisiaj. Co jest złym wieścią, jeśli chcesz samobieżnego Sparka. A jeśli pomyślimy o robo-taksówkach i flotach pojazdów małoformatowych jako przyszłości mobilności, to oczywiście nie działa. Czujniki – szczególnie lidar, gdy przechodzimy w stronę rozwiązań półprzewodnikowych – muszą obniżyć cenę i wielkość, a następnie umieścić je w optymalnych miejscach wokół pojazdu, aby uzyskać wydajność i możliwości produkcyjne. (Niektórzy producenci samochodów patrzą na lidar w obudowie reflektora, na przykład.) Ale umieszczenie zminiaturyzowanych komponentów w zamkniętych przestrzeniach powoduje problemy termiczne. Oznacza to więcej testów fizycznych, aby zapewnić niezawodność i zgodność z wymaganiami, co zwiększa czas i koszty. Coraz częściej branża korzysta z wirtualnych modeli czujników i ich środowiska, aby przyspieszyć ten proces, uzyskać dokładniejsze dane i rozwiązać problemy związane z kosztami i wielkościami w wirtualnym świecie, zamiast korzystać wyłącznie z samochodów testowych.
Optymalizacja architektury E / E. Często cytowane są statystyki dotyczące złożoności systemu elektrycznego i elektronicznego (E / E). Samochód premium może mieć 5000 metrów kabli, 100 + ECU, 500 diod LED i tak dalej. Projektowanie tych złożonych systemów E / E jest teraz poza możliwościami człowieka. Tak jak przemysł półprzewodników musiał już kilkadziesiąt lat temu przyjąć syntetyczną metodologię projektowania, branża motoryzacyjna zmienia się dokładnie w tym samym kierunku, co projektowanie architektury pojazdu. Automatyzacja była nieunikniona jeszcze zanim dodaliśmy 30+ czujników dla pełnego autonomicznego napędu, wiele szyn napięcia wymaganych dla elektroniki mocy w pojazdach elektrycznych i linie komunikacyjne o dużej przepustowości do przetasowania ogromnych ilości danych czujnika wokół pojazdu. Rozwiązaniem jest stworzenie abstrakcyjnego modelu tej rzeczywistości, z automatycznym przejściem od prostszych do bardziej szczegółowych poziomów abstrakcji. Obejmuje to zasady projektowania (np. Maksymalnie pięć przewodów wchodzących do drzwi), a także złożoność, jaką mogą tworzyć opcje dla konsumentów. Wiele platform samochodowych ze stronami opcji może z łatwością stworzyć miliardy permutacji E / E. Wirtualny projekt systemu E / E umożliwia stworzenie zoptymalizowanej platformy architektonicznej, skorygowanej konstrukcyjnie, zmniejszając koszty i wagę pojazdu.

Zarządzanie energią czujnika. W prototypowym świecie nie ma to większego znaczenia, jeśli autonomiczny samochód testowy ma bagażnik (ok, bagażnik) pełen elektroniki, spalanie gazillion watów i 50 kilogramów dodatkowego okablowania, aby poradzić sobie z całym tym bałaganem. Ale w prawdziwej przyszłości elektrycznej, autonomicznej mobilności, ten bałagan ma znaczący wpływ na zasięg pojazdu. Gdy wszystko jest zasilane z akumulatora, różnica pomiędzy scentralizowanym autonomicznym układem napędowym zużywającym 100 watów i pewnego rodzaju rozproszonego systemu przy 1000 watów może być większa niż 30% redukcji zasięgu pojazdu. Hybrydy mogą pomóc w niedalekiej przyszłości, ale w sześciu krajach, które już ogłosiły zakaz benzyny do 2040 r., A inne, w tym Chiny, które wykazały ten sam cel, pojawia się problem z poborem energii. Ponownie odpowiedzią jest symulacja, w tym przypadku, jak elektryczny układ napędowy. Zapoznaj się z Harmonogramem jazdy miejskiej (UDDS), pochodzącym z EPA miejskim cyklem napędowym do pomiaru efektywności paliwowej lekkich pojazdów, wymodeluj, w jaki sposób elektryczny układ napędowy poradzi sobie w tym samym cyklu, i określ wpływ zakresu różnych obciążeń czujnika na siłę hamowania w pojeździe. Następnie dodaj resztę sieci pojazdu do tej samej analizy. Symulowanie elektroniki pojazdu umożliwia projektantom szybką wymianę oferty pojazdów na nowe funkcje i znalezienie kreatywnych sposobów na maksymalizację zasięgu – wszystko w wirtualnym środowisku, które przyspiesza wprowadzanie na rynek i zmniejsza potrzebę testowania fizycznego w samochodzie.
Walidacja i weryfikacja autonomicznych układów napędowych. Akio Toyoda, prezes Toyoty, szacuje, że potrzeba 8,8 miliardów kilometrów testów drogowych, aby uzyskać wystarczająco wysokie zaufanie do systemu autonomicznego poziomu 5. Innymi słowy, 500 samochodów, jeżdżących ze stałą prędkością 60 mph, 24 godziny na dobę, zajęłoby 54 lata, aby zebrać wystarczającą ilość danych do sprawdzenia poprawności i weryfikacji systemu. Większość scenariuszy ruchu jest przewidywalna i możliwa do opanowania, stąd potrzeba pokrycia tak wielu mil, aby znaleźć przypadki skrajne i złożone scenariusze, które można wykorzystać do szkolenia algorytmów uczenia maszynowego. Alternatywą jest tworzenie wirtualnych modeli świata rzeczywistego i tworzenie scenariuszy ruchu za pomocą biblioteki modeli czujników. Scenariusze te można wprowadzić do platformy weryfikacji i weryfikacji sprzętu, podobnie jak platforma fusion z czujnikiem poziomu produkcyjnego, tworząc oznakowane i identyfikowalne zdarzenia z czujników. Decyzje podjęte przez system fuzji czujnika można następnie wprowadzić do symulatora jazdy, aby sprawdzić, czy oczekiwane wyniki = zmierzone wyniki. Następnie pętlę zamyka się, wysyłając ten wynik z powrotem do fazy wejściowej. Ten rodzaj symulacji może obejmować bazy danych danych o wypadkach drogowych, umożliwiając wirtualne testowanie autonomicznych scenariuszy jazdy w środowisku zamkniętej pętli – i dając projektantom systemu realistyczną ścieżkę do walidacji i weryfikacji bez 54-letniego czasu realizacji.
Ciągłość danych cyfrowych. Powyższe punkty są ilustracją tego, jak pojazdy są złożonym systemem systemów. Czujniki wpływają na architekturę pojazdu, która definiuje strukturę pojazdu E / E; obciążenia mocy tego systemu bezpośrednio wpływają na zasięg pojazdu, a to z kolei wymaga optymalizacji każdego innego podsystemu. Jak rozumiemy wpływ dużego obrazu na coś tak prostego, jak na przykład konsolidacja dwóch ECU w jeden? A co z ograniczeniami kosztów, wagi, mocy i przestrzeni? Ciągłość danych cyfrowych jest zasadniczym elementem procesu projektowania, umożliwiającym szybką analizę zmian w systemie między domenami i umożliwiającą zrozumienie i weryfikację optymalnych decyzji dotyczących kompromisów technicznych. Powyższe przykłady (1-4) pokazują, że projektowanie systemów w izolacji nie działa w świecie autonomicznej mobilności elektrycznej. Ten cyfrowy wątek umożliwia nieprzerwany przepływ danych w obrębie dyscyplin inżynierskich i pomiędzy nimi, co z kolei umożliwia śledzenie, analizę wpływu i zarządzanie zmianą projektu – ciągłość, która nie jest opcjonalna, jeśli chcemy przeskoczyć przepaść.

Więc jaki jest wniosek? Cóż, tak jak projektowanie półprzewodników ewoluowało z wirtualnego projektowania opartego na ręcznym na komputerowym, tak samo jest w przypadku elektroniki samochodowej i systemów mechanicznych. Utworzenie cyfrowego bliźniaka systemu samochodowego (reprezentacja oparta na modelu) jest teraz wymagane do optymalizacji wydajności, kosztów i niezawodności systemu. A ci, którzy opanują i zastosują wirtualną technologię projektowania, symulacji, weryfikacji i walidacji w przestrzeni motoryzacyjnej będą tymi, którzy w pełni wykorzystują możliwości stworzone przez autonomiczną i elektryzowaną mobilność, i pomagają przemysłowi przeskoczyć tę przepaść z R & D do rentownej masowej produkcji.