原创 基于实车在环（ViL）的自动驾驶功能一致性评估：ViL方法的应用；MXeval——KPI评估；

【引言】

自动驾驶功能的开发和评估在汽车行业内已经很常见了。尤其是自动泊车功能，其低速和小范围操作使得更容易用自动方式实现。但是，想要让使用者满意，这些功能必须能够顺畅地执行，至少要与人类驾驶员一样快。本文将介绍德国MdynamiX及其合作伙伴联合实现的适用于实验室开发的实车在环（ViL）方法，以支持自动驾驶功能一致性开发和评估。

【ViL方法的应用】

无论是部分自动化，还是全自动化，泊车功能自动化水平不断增加。尽管泊车时车速不高，但是测试自动泊车功能复杂且高成本，因为泊车场景种类众多。为了确保所有交通参与者的安全，不同车辆、不同环境、不同情况下的泊车，比如倒车入库、侧方停车，带来了诸多挑战。如果想要测试所有这些场景，测试将很复杂。比如儿童出现在视野盲区的测试场景，很难正常进行实际测试。

出于这些原因，有必要通过虚拟场景找到合适的解决方案，在所有开发阶段，以合理的经济成本，验证和评估相关功能。

实车在环（ViL）方法提供了可行的方案。ViL方法结合了实车测试和计算机仿真的优势。真实车辆的运动（被测车辆），包括所有子组件，被传输到仿真中，使得在虚拟世界中的被测车辆的驾驶能够模拟真实物理世界的驾驶，而不需要参数化复杂的车辆模型。仿真的虚拟环境将注入被测车辆的真实传感器，使得被测车辆能够感知并响应虚拟环境。从而全面测试自动泊车控制功能与车辆执行器之间的交互。由于ViL使用虚拟环境，设计场景具有很高的灵活性，利于关键安全场景的设计。

图1 使用ViL方法测试安全相关测试的场景展示

图2 本文ViL系统测试自动泊车功能的硬件配置

【MXeval——KPI评估】

为了全面比较手动和自动停车操作（部分自动或全自动），需要一种标准化的评估方法——阶段模型方法，将停车操作划分为独立部分。除了阶段模型之外，需要客观的关键性能指标（KPI）进行评估。MdynamiX的MXeval分析软件正是满足这样的要求，不仅能够用于车辆动力学和自动横向和纵向引导驾驶功能的评估，而且包含用于自动停车的测试库。可以确定具体的评价标准和要追求的目标值，并将其纳入评价程序。对测量数据的评估以全自动模式高效地进行，根据需求，可以在实车环境中或远程连接进行。除了评估图表之外，KPI也是一览无余。所有评估结果最终都会保存在报告中。整体的评估过程如下图所示。

图3 MXeval软件评估流程

【结果】

本测试中，被测车辆在真实和虚拟环境中都进行操作。在图4和图5中，展示了八组测量值的比较，每组测量值都是针对实际的停车位，及其对应的虚拟车位，进行侧方停车得到的。图4显示，各测量结果表现出一致的趋势。进一步比较可以看到，测量结果非常相似，尤其是在初始运动时刻，只有细微的差异。例如瞬时车速KPI，在实车和仿真中几乎相同。

此外，图4显示了初始运动后续时刻的速度曲线相似。初始运动的最大速度和瞬时速度都比较相近。真实环境中的平均速度为3.43公里/小时，虚拟环境中为3.49公里/小时。

图4 八组侧方停车车速对比

值得注意的是，在真实和虚拟环境，比较整个操纵过程中的方向盘转角输入，发现四组测量值，在初始移动（时间点0到16s）中几乎相同，如图5所示。然而在16s之后，方向盘转角输入出现显著差异。这些差异可归因于实车手动转方向盘没有转向机器人——手动转方向盘的基准差异很大是很常见的。特别是对于停车辅助系统，即使是同一车辆，起始位置起着决定性作用，导致不同停车策略和轨迹。此时，使用转向机器人可能是有利的。

图5 八组侧方停车方向盘转角输入对比

有多种KPI用于评估停车辅助系统。其中一些是决定性的，尤其是对于初始运动。表1展示了部分KPI。同样，实车和仿真两种环境的KPI非常相似是显而易见的。

表1 停车辅助系统部分KPI

总体而言，ViL方法，不仅是由于法规要求，出于验证目的仿真愈发重要，而且也为传统的实车测试提供了有效的补充和/或替代方案。

【总结与展望】

本文中MdynamiX及其合作伙伴共同呈现的这一测试方案，可作为大多数自动驾驶功能的基础，能够在所有开发阶段，评估功能开发的成熟度，验证功能目标的实现。它能够有效地比较不同实车和仿真的结果，并验证仿真质量。此方案使得真实和仿真车辆行为高度一致变为可能。

此外，ViL方法也适用于其他基于传感器的高级驾驶辅助系统。尤其是在安全相关测试中，例如NCAP测试，ViL方法显示出巨大的降本潜力。随着要求变得更加复杂，将出现新的、高风险操作，ViL方法的好处可能更加深远。

注：本文翻译摘自Consistent Evaluation of Automated Driving Function Based on Vehicle-in-the-Loop，ATZ Worldwide 01/2024