标签: adas

随着自动驾驶技术的快速发展，L3级别自动驾驶已逐步从概念走向现实。全球主要汽车市场相继出台了支持L3自动驾驶的法规：德国在2017年率先通过了L3自动驾驶立法，日本于2020年修订《道路运输车辆法》支持L3自动驾驶系统，中国也在2023年发布了《智能网联汽车准入管理办法（试行）》，为L3及以上级别自动驾驶汽车的量产和商业化应用提供了法律保障。这些政策的落地，标志着自动驾驶产业正式进入规模化发展阶段。 更高级别的自动驾驶意味着更复杂的系统架构和更严格的安全要求。在ADAS控制器软件快速迭代的开发过程中，每次软件版本发布都需要进行全方位的功能验证，以确保系统的可靠性和安全性。传统的测试方法往往耗时较长，资源消耗大，难以适应快速迭代的开发节奏。为了提升测试效率并优化资源利用，北汇信息提出了基于HIL环境的自动化冒烟测试方案。该方案通过在全量功能测试和实车验证之前，先进行一轮快速的基础功能验证，有效地识别出重大功能缺陷，从而降低后续测试成本，缩短整体测试周期。 然而，要构建一个可靠的ADAS产品质量保障体系，需要建立完整的测试链路。从早期的模型仿真（MIL）测试，到软件仿真（SIL）测试，再到硬件在环（HIL）测试，以及整车在环（VIL）测试，最后到实车验证，每个环节都承担着不同的验证目标和质量把控职责。北汇信息深耕汽车电子测试领域多年，打造了覆盖ADAS全生命周期的测试解决方案。我们不仅关注基础功能测试，更将功能安全测试作为重要组成部分，为ADAS产品的持续迭代提供全方位的质量保障。 从虚拟到实际、从单元到系统逐层递进，确保产品质量。以下是各测试阶段的具体解决方案： ADAS MIL测试：作为算法验证的首要环节，主要针对ADAS控制器及传感器算法的功能性验证，早期发现问题及快速迭代支持。 ADAS SIL测试：关注软件实现的正确性，验证代码级别的功能实现 ADAS HIL测试：通过引入实际控制器硬件，在真实时间约束下验证系统性能。 ADAS VIL测试：将实际车辆引入测试环境，实现半实物仿真测试。 ADAS实车测试：在真实道路环境下验证系统的功能完整性、性能稳定性和安全可靠性。 自动驾驶发展新趋势：端到端演进与舱驾融合 随着自动驾驶技术的快速迭代，行业发展呈现出两个显著趋势：一方面，自动驾驶系统的架构设计正从传统的模块化方案（包括环境感知、路径规划、行为决策和车辆控制等独立模块）逐步向端到端解决方案演进；另一方面，智能座舱与自动驾驶的融合成为新趋势，通过整合驾驶员状态监测、人机交互等智能座舱功能与自动驾驶系统，实现更安全、更智能的人机协同驾驶体验。 端到端自动驾驶的机遇与挑战 传统的模块化架构虽然结构清晰、易于调试和维护，但模块之间的串行处理可能导致误差累积，且各模块独立优化难以保证全局最优，在处理复杂动态场景时往往表现出局限性。而基于深度学习的端到端方案，通过直接建立感知数据到控制指令的映射关系，不仅简化了系统架构，还能够端到端地优化整个决策控制过程，提升了系统对复杂场景的理解和决策能力。特别是随着大模型技术在自动驾驶领域的应用，其强大的场景理解能力和决策推理能力，正在重塑自动驾驶的技术路线，为行业带来新的发展机遇和挑战。 （1）数据需求的升级 模型训练需要更大规模的数据集 数据质量和多样性要求显著提高 数据标注的准确性和效率面临考验 （2）仿真技术的革新 仿真模型的可信度要求更高 场景生成需要更强的真实感 传感器仿真精度需要进一步提升 （3）测试评估的变革 测试指标体系需要重新定义 评估方法需要适应端到端特点 测试结果的可解释性要求提高 为了积极应对这些挑战，北汇信息持续关注前沿技术发展，并将创新技术融入测试解决方案中。在提升现有仿真技术方面，我们通过引入高精度的传感器建模、动力学模型优化以及环境因素模拟等手段，不断提高仿真模型的保真度。同时，采用数据驱动的方法，通过大量实车数据对仿真模型进行标定和验证，确保仿真结果与真实场景的一致性。 在此基础上，我们引入了世界模型（World Model）技术，这是一种基于大规模数据训练的生成式AI模型。该技术通过学习真实世界的动态特征和规律，能够自动生成多样化的测试场景，并具备交通参与者行为预测能力。这不仅大幅提升了测试场景的覆盖度，还确保了生成场景的物理合理性。通过智能采样策略，系统能够自动识别关键测试场景，优化场景覆盖度，特别是在复杂交通流、极端工况等高价值测试场景的生成方面表现出色。 同时，我们采用了最新的3DGS（3D Gaussian Splatting）场景重建技术，这是一种基于高斯分布的三维点云表示方法。该技术通过多视角图像进行高精度场景重建，不仅能保持极高的视觉真实感，还支持实时渲染和动态更新。在实际应用中，3DGS技术可以快速构建真实道路场景，实现复杂环境的精确模拟，并为相机、激光雷达等多种传感器提供高保真度的仿真数据，为端到端自动驾驶解决方案的验证提供了更可靠的测试平台。 舱驾融合的机遇与挑战 传统的智能座舱和自动驾驶系统相对独立，虽然职责划分明确、开发维护方便，但系统间的信息壁垒限制了协同效应的发挥，在复杂场景下难以实现人车的最优交互。而基于深度融合的舱驾一体化方案，通过统一的数据和算力平台，实现了驾驶员状态监测、环境感知、人机交互等功能的深度融合，不仅提升了系统响应效率，还能实现更智能的人机协同决策，同时也实现了架构简化、成本优化和性能提升。特别是随着大模型在多模态交互领域的应用，其强大的场景理解能力和自然交互能力，正在重塑人车交互的模式，为行业带来新的发展机遇和挑战 （1）交互数据的融合 需要处理更复杂的多模态数据 对数据同步性要求更高 交互数据的实时性要求提升 （2）系统集成的升级 需要更高性能的计算平台 系统架构需要重新设计 软硬件接口更加复杂 （3）测试验证的创新 需要建立新的评估体系 人因工程测试更加重要 交互场景更加多样化 为了积极应对这些挑战，北汇信息持续关注前沿技术发展，融合优化现有测试解决方案，构建了完整的舱驾一体化测试验证体系。包括一套HIL测试系统进行智驾、座舱功能的自动化测试；再结合OS评测工具，实现测试用例与场景库的对齐，评估场景驱动下的性能覆盖指标；通过定制化的传感器故障注入设备（如摄像头、超声波雷达等）、通用故障注入模块（I/O、总线、电气类等），进行控制器应用层功能安全测试及底软功能安全测试。 （1）HIL仿真测试系统 硬件在环（HIL）测试平台：实时处理器、总线接口卡、I/O板卡、电源模块等； 仿真软件测试平台：场景仿真建模、传感器仿真建模、车辆动力学仿真建模等； 专业测试设备集成：传感器仿真设备、UI/UE测试设备等 场景库管理：标准场景库、场景泛化等 （2）操作系统评测工具链 支持实时操作系统性能分析 提供任务调度和资源利用率监控 实现内存泄漏和堆栈溢出检测 （3）功能安全测试系统 专业故障注入设备：传感器故障注入设备（如摄像头、超声波雷达等）、通用故障注入模块（I/O、总线、电气类等）； 安全机制验证：故障检测和处理机制测试、安全状态转换验证 展望未来，随着自动驾驶技术的不断演进，测试验证技术也将持续创新。北汇信息将继续深耕测试领域，通过技术创新和方法革新，为自动驾驶产品的质量提供更加全面和可靠的保障，推动自动驾驶技术的安全落地和快速发展。

自动泊车辅助系统（APA）是现代汽车智能驾驶技术的重要组成部分，该系统使得车辆能够在没有任何人为干预的情况下，自动完成泊车过程。具体来说，APA系统在泊车过程中通过布置在车辆周围的传感器（环视摄像头、超声波雷达等）完成对有效车位以及障碍物的感知识别，再进行泊车路径的规划、车辆运动的控制，从而完成泊车的工作。本文将重点介绍超声波雷达在APA自动泊车功能中的应用以及HiL测试环境中的仿真方法。 APA自动泊车中超声波雷达的应用 在自动泊车的应用场景中，一般需要在车辆周围布置12颗超声波雷达以完成全自动泊车的功能。相比于毫米波雷达或其他形式的雷达，超声波雷达具备制造成本低、安装方便、后期易维护等诸多优点。 超声波雷达主要分为两种类型，一种是安装在前后保险杠用于检测障碍物的短距雷达，探测距离一般为15~250cm，这类传感器被称为PDC传感器。另一种安装在车辆侧面，用于探测停车位长度的传感器，探测距离一般为30~500cm，这类传感器被称为PLA传感器 。PDC和PLA主要的分布如下图所示。 在实际的自动泊车应用场景中，超声波拥有多种工作模式，如自发自收（Direct Echoes）模式以及复杂的多发多收（Cross Echoes）工作模式。在自发自收的工作模式中，超声波雷达通过声波的飞行时间（TOF）即可计算车辆与障碍物之间的距离，这种模式原理相对简单，但不能获得障碍物的二维坐标，即无法获取障碍物相对于主车的空间位置。而多发多收的工作模式通过将多个超声波雷达作为声波的接收器，可以更好地获取障碍物相对于主车的空间位置，但是计算也将更为复杂。 超声波雷达测距原理及APA泊车流程 在车辆进行泊车时，超声波雷达可实时计算并输出车辆与周围障碍物的距离。控制器软件通过对超声波数据处理拟合出周围障碍物的轮廓、形状，相对位置等。以水平车位的泊车场景举例，驾驶员激活车辆APA自动泊车功能，车辆保持低速前进，结合超声波的感知融合数据，APA系统将识别可泊入的车位，驾驶员使能后，车辆将进入下一步路径规划、车辆控制等必要环节直到车辆泊入车位成功并退出APA自动泊车功能，如下图为整个APA自动泊车流程。 超声波雷达的基本仿真方法 了解了超声波雷达的基本工作原理以及车辆布局后，需要关注的一些重要参数： 测量范围：超声波雷达最远探测距离； FOV：超声波雷达水平视角范围，垂直视角范围。 雷达工作频率：工作频率对超声波的扩散、背景噪声、反射损失有影响，一般超声波雷达的工作频率在40kHz左右。 在HiL的仿真环境中，对超声波雷达的仿真需要借助专业的场景仿真软件（VTD）以及总线仿真实验管理软件（CANoe），在VTD中需要正确配置仿真的超声波雷达的各个参数，包括雷达的车辆安装位置、超声波雷达的最远探测距离、FOV视角等等。在总线仿真试验管理软件中需要明确超声波使用的通信协议、发送频率、波特率等。 整个的仿真链路中，VTD通过内置的完美传感器或其他精度更高的自定义开发模型将各个超声波雷达探测到的与障碍物最近的距离打包成UDP，发送至CANoe进行数据解析及总线仿真，如下图所示，VTD实时发送12组雷达输出的UDP数据，通过这种方式，可以有效简化传输链路，同时也能提高整个仿真的性能。当然，根据不同的仿真需求，可修改组包数据的结构，将障碍物的三维坐标、ID、属性等进行输出，通过获取不同的数据，结合CANoe可进行更多种类的APA自动泊车测试与验证。 CANoe支持多种总线仿真能力，结合Vector硬件如VN1640、VN1670、VN5650及其他传感器通信设备，可以为控制器提供CAN/CAN FD、TCP/UDP、SOME/IP、DSI3等多种协议支持，同时软件提供VN硬件配置窗口，以便用户方便管理仿真系统中的VN接口盒。 北汇信息的APA仿真功能技术方案 北汇信息在已交付的项目中完成了多种超声波仿真测试方案的实施落地。针对SOME/IP、CAN/CAN FD总线的超声波雷达仿真，CANoe结合VN1670、VN5650或其他通信接口盒，可为控制器提供精度更高、报文发送周期更稳定、故障注入类型丰富的总线仿真平台。 DSI3总线协议具备主从式一对多的异步单线电流电压型通信、自动分配ID、异步通信、低成本、抗干扰强、支持多种数据格式传输等优点，非常适用汽车功能安全等应用场景。通过CANoe与VTD联合后，将仿真的超声波探测的障碍物距离输出至CANoe，CANoe将距离数据处理成符合要求的飞行时间数据格式并发送至DSI3通信设备，DSI3通信设备通过信号转换，将仿真的超声波数据发送至被测控制器，完成控制器的12路超声波数据仿真。 在VTD中使用完美传感器探测车辆周围障碍物的情况下，通常由于完美传感器障碍物检测特性，会存在一定的距离误差，完美传感器的仿真方案并不能对毫米级别的距离做出反应，为了弥补这部分的误差，需要做更多的额外算法来修正误差。这不仅占用了更多的计算资源，并且处理之后的结果也不一定能完美的修正误差。如下图。 北汇信息为此提供了一套以光线追踪原理进行测距的超声波模型，相比使用12路的完美传感器，光线追踪的传感器模型能够提供毫米甚至微米级别的距离检测，并且将12路的传感器模型整合成一个光线追踪的超声波模型，极大地简化了工程的传感器布置，以及提高仿真的效率。模型的运行环境需要 NVIDIA CUDA环境的支持，支持配置超声波雷达的最远探测距离、FOV、安装位置等等，仿真频率等，如下为光线追踪原理图。 总结 APA自动泊车功能作为智能驾驶中重要的一环，在应对日益错综复杂的泊车环境时， HiL测试可以通过虚拟化仿真手段，加速APA功能开发及测试验证，减少APA实车测试验证成本，可通过搭建更多复杂、丰富的泊车场景来验证APA功能的测试覆盖度。北汇信息在智能驾驶MiL/SiL/HiL/ViL测试中拥有诸多成功的方案与实施经验，在持续的项目开发中，北汇信息也致力于新方案的技术验证与实施，为中国智能网联汽车发展贡献自己的力量。

TDA2x SoC是一款专为高级驾驶员辅助系统（ADAS）设计的高性能、低功耗的片上系统。 其在**前置摄像头应用、环绕视图应用、传感器融合应用等**方面有着广泛的应用。 **其特色包括异构可扩展架构、Vision AccelerationPac、全面的外设集成等。 功能： TDA2x SoC基于异构可扩展架构，该架构包括TI定浮点C66x DSP内核、全面可编程Vision AccelerationPac、ARM® Cortex™-A15 MPCore™处理器与两个Cortex-M4内核，以及视频及图形内核与大量的外设。 Vision AccelerationPac经过精心设计，可运行中低级视觉处理功能，从而可将DSP与ARM内核解放出来，在最低功耗下实现最佳性能。 应用： 1. 前置摄像头应用：包括远光灯辅助、车道保持辅助、高级巡航控制、交通信号识别、行人／对象检测以及防碰撞等。 2.环绕视图应用：支持智能2D及3D环绕视图以及后方碰撞警告等泊车辅助应用，并可运行为前置摄像机开发的行人／对象算法。 3. 传感器融合应用：作为融合雷达与摄像机传感器数据的中央处理器，帮助做出更稳健的ADAS决定。 特色： 1. 异构可扩展架构：结合了DSP、Vision AccelerationPac、ARM Cortex-A15及Cortex-M4内核，提供灵活的处理能力。 2. Vision AccelerationPac：专为ADAS设计，提供超过8倍的计算性能增长，同时拥有特建的ADAS加速器，如优化的矢量协处理器和32位可编程RISC内核。 3. 全面的外设集成：包括多摄像头接口、以太网、PCI Express、USB和多种内存接口，方便与车辆其他系统的连接和数据交换。 4. 安全性与可靠性：支持Android, Linux和RTOS操作系统，拥有丰富的安全特性，如加密、安全引导、设备身份验证和隔离防火墙等，确保系统的安全稳定运行。

引言 随着自动驾驶技术的快速发展，基于高精地图的自动驾驶功能已初步落地应用，并持续迭代升级。在研发测试阶段，多方面因素导致测试人员可能无法拿到控制器内部高精地图对应的OpenDRIVE文件 ①，使得仿真场景与控制器内部高精地图无法完全匹配，自动驾驶功能受限，得不到有效的测试验证；而实车道路测试风险和成本高、周期长、覆盖度低等问题，很难保证自动驾驶系统的可靠性和安全性。 针对这一核心技术痛点，本文提出了基于外部数据注入的高精地图仿真方案，提高自动驾驶功能研发阶段的测试有效性，可以大幅降低实车道路测试的风险和成本，加速自动驾驶功能的研发和部署，确保自动驾驶系统的可靠性和安全性。 什么是高精地图？ 高精地图，很容易被误解为相对于普通的导航电子地图精度更高的一种地图，实则两者有着完全不同的含义。 图1：左-导航电子地图、右-高精地图 导航地图（SD MAP） ，是一种面向驾驶员使用的电子地图，它存储的主要是道路级别元素信息，如道路形状等，精度为5m-10m左右。 高精地图（HD MAP） ，是一种专为自动驾驶汽车设计的地图，它拥有精确（厘米级精度）的车辆位置信息和丰富的道路元素数据信息，如交通标志、地面标志、车道线、信号灯以及道路坡度、曲率等，可以帮助汽车预知路面复杂信息，是实现自动驾驶功能的关键技术之一，主要体现在一下几个方面： 精确定位： 高精度地图提供了精确的道路信息和地标数据，帮助车辆实现精确定位，包括车辆当前位置等信息。 环境感知： 基于高精度地图数据，车辆能够更准确地感知周围环境，包括道路标志、交通信号、障碍物等，从而提高交通场景的感知能力。 路径规划： 高精度地图为自动驾驶系统提供了详细的道路网络数据，帮助系统规划最优路径，避开拥堵区域，优化行驶路线。 决策制定： 基于高精度地图和环境感知数据，自动驾驶系统可以进行智能决策，比如避让障碍物、调整车速、安全变道等，以确保行驶安全。 高精地图仿真方案 在搭建虚拟仿真环境进行自动驾驶功能测试验证过程中，需要确保仿真场景地图和自动驾驶控制器内部高精地图完全重合（车道级精度：误差小于1cm），提高车辆的定位精确性、传感器模型输出的道路元素信息与高精地图匹配性，才能保证自动驾驶控制器融合定位及环境感知结果准确，为路径规划和决策制定提供精确的输入信息，提高自动驾驶功能研发阶段的测试有效性。 不同的测试背景及需求对应不同的仿真方案： 方案一：如测试人员拿到控制器内部高精地图对应的OpenDRIVE文件时，可以采用基于OpenDRIVE文件的定位仿真，简单有效； 方案二：针对无法拿到对应OpenDRIVE文件的情况（方案一失效），北汇信息创新地提出基于外部数据注入的高精地图仿真解决方案。 方案一：基于OpenDRIVE文件的定位仿真方案 当测试人员能够拿到控制器内部高精地图对应的OpenDRIVE文件时，直接将OpenDRIVE文件导入到场景仿真软件中，自动生成高精地图中交通标志、地面标志、车道线、信号灯以及道路坡度、曲率等信息；仿真流程如下图所示： VTD（场景仿真软件）可输出精确的车辆位置信息（UTM坐标系），并通过Ethernet送至CANoe(测试管理软件)； GCJ02坐标系，并通过Ethernet/CANFD发送至控制器。 图2 基于OpenDRIVE文件的定位仿真原理图 方案二：基于外部数据注入的高精地图仿真方案 当测试人员拿不到控制器内部高精地图对应的OpenDRIVE文件时，无法保证仿真场景地图与控制器内部高精地图完全匹配，自动驾驶功能受限。因此，针对自动驾驶仿真测试，提出基于外部数据注入的高精地图仿真方案，使得控制器内部地图数据与仿真场景中的道路元素信息一致，如下图所示： 图3 基于外部数据注入的高精地图仿真原理图 屏蔽控制器内部地图模块组件，截断控制器内部地图模块与融合规控模块组件之间的数据传输，使用外部自制地图模块替代。 分析地图模块输出接口协议（通信协议、数据封装协议），基于Linux环境开发中间件（与控制器内部中间件保持一致、如DDS）及应用程序MapComponent（地图组件），建立与控制器内部组件之间的通信 基于场景仿真软件VTD开发MapPlugin(高精地图插件)，解析提取OpenDRIVE中的道路元素信息并写入共享内存 MapComponent读取MapPlugin写入到共享内存中的道路元素信息，并根据接口协议封装数据，通过中间件（如DDS）发送至控制器内部。 地图解析插件MapPlugin开发原理 图4 地图解析插件MapPlugin代码框架 如上图所示： MapPlugin插件主要通过数据预处理模块提取Ego车运动状态、位置等信息 在此基础上，开发地图解析模块提取Ego车周围车道信息、车道线信息、道路边界信息、交通灯信息； 将 MapPlugin 代码编译成Plugin（.so文件），在VTD中加载运行 OpenDrive中的道路元素信息有很多，需要提取哪些数据取决于控制器内部高精地图组件输出接口协议，一般包含两类数据：静态地图数据（如车道线、车道信息等）、动态地图数据（如Ego车到匝道口、收费站的距离等）。 地图组件MapComponent开发原理 图5 MapComponent框架原理 如上图所示：MapComponent包括共享内存数据读取（SHMRead）和中间件数据封装发送（MapAgent、如DDS）两块内容 SHMRead：读取MapPlugin写入到共享内容中的道路元素信息，二次处理后对Proto中的接口信号赋值 MapAgent：封装proto接口数据、序列化处理后发布（MapAgent的开发需适配控制器内部环境框架）。 Map.yaml：应用程序配置，包括通信端口、任务使能、接口数据管理等 高精地图仿真案例 下面展示的是一个基于外部数据注入实现高精地图仿真，结合其它传感器仿真（如Lidar、Camera、Radar、USS），完成高速领航功能（自动下高速、上匝道）的仿真测试案例。 图6 左-VTD仿真场景、右-注入到控制器内部的高精地图 如上图所示：左图为VTD仿真场景（OpenDRIVE格式地图），右图是MapPlugin解析提取VTD仿真场景道路元素信息，通过MapComponent注入到控制器内部后生成的高精地图；右图中绿色实线为道路边界，蓝色实线为车道线，黑色实线为推荐导航路径，粉红色实线为非推荐路线。 Ego车在高速路上行驶，导航终点设置在高速路出口，领航功能激活后，车辆会自动超车、绕障、变道、驶入匝道，到达目的地附近后请求驾驶员接管，完成领航任务。 总结 高精地图作为自动驾驶的关键技术之一，在产品研发阶段，测试人员无法拿到控制器内部高精地图对应的OpenDRIVE文件在一定程度上阻碍了自动驾驶功能的测试验证，北汇信息提出的基于外部数据注入的高精地图仿真方案能够有效解决这一技术痛点，加速自动驾驶功能的研发测试。 高精地图技术加速了自动驾驶功能的落地应用，与此同时，高精地图的实时性、数据准确性、范围覆盖度、隐私和安全性在一定程度上也限制了自动驾驶的推广，以特斯拉为代表的纯视觉无图自动驾驶方案已展现出一定的竞争力。随着新技术的发展与突破，自动驾驶方案也在不断迭代更新，自动驾驶功能离我们越来越近。 北汇信息作为Vector的技术合作伙伴，覆盖自动驾驶MiL/SiL/HiL/ViL测试、车联网测试，传感感知测试等，针对性地为客户提供优质的自动驾驶测试解决方案、系统集成测试和测试服务，助力自动驾驶产品的研发测试和快速迭代。 ①OpenDRIVE是一种用于描述道路网络和交通环境的开放标准文件格式。它提供了一种统一的描述道路几何结构、车道信息、交通标志、交通灯等元素的方式，可用于创建高精度地图，供自动驾驶系统使用。