标签: 汽车

全球领先的硅知识产权（IP）提供商Imagination Technologies（以下简称“Imagination”）宣布：其最新专注汽车领域的 Imagination DXS GPU IP 已通过 SGS-TÜV Saar（SGS旗下，世界领先的测试、检验和认证机构）的全面审核与评估，正式获得 ISO 26262 标准的 ASIL-B 级别认证。 根据ISO 26262 汽车安全完整性等级（ASIL），所有车辆执行的功能都根据潜在风险进行分级。ASIL-B 标准要求处理器对单点故障的诊断覆盖率超过 90%。 Imagination DXS GPU 在分布式功能安全领域引入了一项创新，该创新消除了满足ASIL-B 功能安全标准所需的PPA（功耗、性能、面积）开销。它采用已获得专利的机制，即利用当今处理器固有的并行性，以及任何线程都不会被完全利用的事实，在不重复工作负载或增加硅片面积的情况下，按照ASIL-B 标准设定的时间范围内识别故障。更多详细技术细节可查看白皮书——《分布式功能安全的创新与突破》。 “Imagination的GPU在汽车市场得到了广泛应用，并正在将其业务范围从车载信息娱乐扩展到更为关键的安全领域——高级驾驶辅助系统，”Imagination的首席产品官James Chapman表示。 “独立认证表明Imagination DXS GPU满足了ISO 26262 ASIL-B组件所期望的超过90%的诊断覆盖率，这为安全关键系统的集成商提供了必要的信心，证明Imagination创新的分布式安全技术能够满足他们的需求。我们预计该产品不仅在汽车领域会有很高的需求，还将在其他注重安全的市场中获得广泛应用。” “祝贺Imagination Technologies为其最新的汽车处理器获得ASIL-B认证。在整个评审过程中，Imagination展现了其重视安全的文化，以及适当严格的产品设计和开发流程，”SGS-TÜV Saar的功能安全产品经理Liu Min表示。 获得认证的具体产品型号是IMG DXS-8-256 GPU。Imagination计划在未来几个月内提交所有Imagination DXS GPU配置进行独立认证。

随着自动驾驶技术的快速发展，自动驾驶的研发逐渐形成一整套的流程，包括 数据采集，清洗标注，算法训练，仿真测试 到 量产 等各技术环节。通过复杂的步骤从原始数据中提出高价值的信息，其中对原始数据的精准采集是实现车辆环境感知的基石。毫米波雷达因其出色的测距、测速能力以及对恶劣天气的鲁棒性，成为不可或缺的传感器之一。 本文将以4D毫米波雷达ARS548为例，分享毫米波雷达如何快速实现数据采集，可视化及存储策略。关于毫米波雷达的特性可进一步了解文章 《毫米波雷达技术解析》 。 一、ARS548毫米波雷达概述 ARS548 是 4D高分辨率成像毫米波雷达（4D High Resolution Radar），如图1所示。它能够有效的测量 距离（Range），速度（Velocity），水平角度（Azimuth） 和 俯仰角度或高度（Elevation） 四个维度的信息，具备感知目标三维空间位置能力。具备以下特性： 图1：ARS548（图片来源于网络） 1.探测距离与视场角： 最大探测距离可达300米，水平视场角为±60°，垂直视场角为±4°至±14°。 2.数据输出： 支持最多800个Detection和50个Object的同时输出，测量周期为50ms至100ms可调。 3.接口： 采用100 BASE-T1接口，支持通过车载以太网转换器与标准以太网设备进行通信。 4.通信协议： 数据通过UDP协议传输，使用多播地址方式进行数据传输。 二、硬件集成 为了能快速采集到毫米波雷达的数据，需要对其进行 硬件集成与连接 ，如图2所示。 图2：Radar 硬件连接方案 以同时连接3个毫米波雷达为例，整个系统均支持12V的供电运行，可快速实现各设备稳定供电运行。在数据链路采集上，需要将车载以太网接口的数据转换到标准以太网，这一转换过程涉及以下步骤： 1. 网口转换： 使用如 康谋NETLion100转换器 ，将车载以太网信号转换为标准以太网信号。NETLion100集成了网络分线器(Tap)和双介质转换器于一身，支持BroadR-Reach®网络信号与100BASE-TX以太网之间的双向转换，并提供LED信号实时显示数据传输质量，可快速进行数据转换和分析。 2. 数据传输原理： 雷达数据以UDP包的形式发送至指定的多播地址， 康谋BRICK plus 设备通过网络接口接收这些数据包。BRICKplus提供广泛的接口支持多个传感器同时连接，实现高带宽数据的采集、处理和记录。 3. 采集与监控： 在BRICK plus端，可以使用Wireshark等网络分析工具来捕获和分析从雷达发送的数据包，检查数据包是否正确传输。 三、软件开发 为了采集到毫米波雷达输出的点云数据，需要理解数据的传输形式并能够实时解析。具体来说需要解决如下的问题： 1.数据采集 ：实时从ARS548雷达获取原始数据，这要求系统能够与雷达硬件接口进行高效通信，并且能够处理高频率的数据流。 2.数据解析： 将原始数据转换为可读的格式，如目标的距离、速度和角度。需要对雷达数据包进行解码，并提取出有用的信息。 3.数据可视化： 将解析后的数据以图形化的方式展示，便于分析和监控。需要实时更新数据显示。 ROS提供了模块化的节点系统 ，便于管理和扩展。每个节点可以独立开发和测试，使得系统的整体复杂性得到有效管理。十分契合我们对问题的拆解以及功能节点的完成。此外采用ROS的发布/订阅模型可以实时采集传输的雷达数据。 对于单个毫米波雷达的采集，解析和可视化，可以通过在ROS中对应 创建3个节点 来实现。3个节点分别负责Radar设备接收UDP数据，解析并发布ROS消息，以及将雷达检测和对象信息转换为可视化Marker消息。 针对3（多）个毫米波雷达的同时采集，我们采用 每个节点同时发布和订阅多个topic数据 实现同时采集和传输。并且为了实现多个雷达数据的同时显示，采用 Foxglove 进行可视化呈现，呈现效果如图3所示： 图3 ：Radar 可视化 随后， 采用ROSbag进行数据存储 ，能够确保数据的完整性和准确性。 四、总结 通过 集成高性能的硬件设备 和采用 ROS框架 ，实现了毫米波雷达数据的高效采集、实时处理和直观可视化，同时支持多雷达系统的数据同步采集和存储，提供了一个稳定、灵活且可扩展采集方案。

如果您希望从 数百万小时的驾驶数据中查找特定的相关驾驶事件和未遂事故 ，以确保您的所需功能正确运行，最好的方法就是 创建一个系统性能的概览分析 ，实现在数据日志中快速检索关注点。为此，康谋在本文将为您详细介绍 IVEX的智能概览功能 ，助力AD/ADAS的开发与验证！ 一、AD/ADAS性能概览的重要性 为了开发、演进、测试和验证自动驾驶（AD）功能或自动驾驶辅助系统（ADAS），各大企业都在生成数千小时的包含仿真或真实世界的驾驶数据日志。那么 ，如何才能知道自身的AD/ADAS系统是否始终按要求运行？是否朝着更好的表现发展？ 对“脱离”AD/ADAS模式的情况进行分析是一种常见的方法。这有助于了解系统失败的“原因”，而后可对表现不佳的地方进行分组，提供一个概览以确定纠正这些失败的优先顺序。然而， “脱离”分析仅涵盖“已知”的不当行为，对于边缘/极端情况该如何处理？更重要的是，对于险些发生的事故如何处理？ 例如，由于一个错误检测或者说“幽灵检测”，白色的自车认为它将与车辆1发生碰撞，因此决定执行变道操作，如图1所示。幸运的是，由于自车的左车道是空的，该操作是可行的，否则就可能会由于自车的急刹车而导致与车辆4发生追尾事故。 图1 追尾未遂 这种更深入、更有成效的分析也与ISO 21448（SOTIF）所提出的过程相匹配，以识别在某些不利触发条件下系统可能会表现出的局限性、弱点与干扰，而这些都可能导致事故或相关意外事件的发生。 如果能够提供AD/ADAS系统性能的概览，工程师就可以迅速在结构化分析中定位所有相关的事件或条件，例如： （1）数据日志中出现了哪些未遂事故？ （2）系统在哪一个操作域（OD）表现不佳，原因是什么？ （3）开发是否正朝着更好的表现方向发展？ （4）是否应该修改功能需求，以便流畅且充分地与现实世界交互？ （5）功能是否满足了指定的需求？ 因此，为了开发和验证AD/ADAS系统，需要有效地识别、分析并了解所有可能的未遂事故、性能不足或触发条件，这些都对AD/ADAS系统构成了挑战。 然而，当前高度依赖人工的技术手段如同“海底捞针”，在数百万小时的驾驶数据中几乎难以发现目标。 二、康谋IVEX智能概览 为了整理驾驶数据并找到那些重要的“针”， 康谋IVEX通过使用特定的安全和关键绩效指标（SPIs，KPIs），即根据采集/模拟驾驶数据汇总的“指标（metrics）”，以创建系统性能的最佳概览。 1、利用指标整理驾驶数据 由于采集数据的非结构化特性和不断变化的动态交通环境，整理驾驶数据存在巨大挑战。我们设定了3个主要指标类型来整理数据： 传感器与感知指标、行为指标、舒适度指标。 第一层是传感器与感知指标。 它们是自动驾驶汽车与环境的初始接触点，表示系统对周围环境的感知程度，有助于在开发的早期阶段突出性能不佳的情况，例如误报对象检测、车道线提取失败等。 第二层指标关注AD/ADAS系统采取的控制和行为动作。 例如，对于自动紧急制动（AEB）系统，需要检查制动信号是否在正确的时间触发，进而产生更好的减速。 第三层指标是指乘客可能体验到的舒适度。 例如，为了验证自动车道保持辅助系统（ALKS），可以测量车辆产生的任何会给乘客带来不适的摆动行为。 根据待测的AD/ADAS功能确定了哪些指标是感兴趣的之后，就可以有效地开始整理数据。除了前面的例子，指标还可以是跟踪感知物体尺寸、检查检测到的车辆边界框是否分裂或合并、监测与其他交通元素的前后距离和横向距离、预测潜在碰撞以及评估检测到的车道标识质量。 IVEX软件也允许工程师通过简单的编程API包含他们自己的定制指标。 2、创建合理且可观的概览 当使用选定的指标整理好记录的驾驶数据后，如何在所有的数据中找到所需的“针”？ 在IVEX中，我们创建了一个优化的流程来高效处理所有驾驶数据日志。 我们汇总了所有的测量结果，提供了一个基于指标的清晰组织。此外，由于当前的L2+ ADAS系统受限于运行设计域（ODD），例如ALKS仅适用于车速低于60公里/小时的高速公路场景。我们根据ODD对分析进行切分，以便于简化搜索空间。 所有结果被汇总并呈现在一个简洁、可定制的界面中，只需单击三下即可“大海捞针”，详细检查特定的驾驶场景。 现在，我们可以观察整理得到的数据结果，如下图所示。这些结果是对所有数据日志的全面汇总，并以简单但具有指导性的方式展示。每个指标的结果显示在每一行上，而ODD则显示在列中。在每个单元格内呈现的是相应指标与ODD组合的违规率。 图2 聚合分析 举个例子，假设我们正在分析城市环境中驾驶系统的舒适性： 在一次点击中，我们选择了“低速”ODD（小于15公里/小时）下的“急刹车”指标。 接下来,我们看到的是在所选择的ODD内,所有分析的数据日志中施加的制动减速度分布情况。如果要求规定施加的制动减速度应小于4米/秒²，那么可以立即看到有0.06%的情况未能满足这一要求。通过第二次点击，就可以选择特定的制动范围（分布中的列）来分析特定的事件/情景。 图3 智能概览访问特定记录数据流程示意图 而后，工程师就可以直接访问确切时间戳的特定记录数据，观察完整情况并获得有关问题的额外见解。 三、结论 本文案例中，IVEX可以从69小时的驾驶日志中准确筛选出会令乘客非常不舒适的特定急刹车事件（减速度超过4米/秒²），展示了一种非常简单工作流程。 除了能够帮助工程师在几秒钟内从大量数据中找到相关事件，IVEX还提供可用于根据SOTIF和UL4600进行安全论证的报告。 简而言之， IVEX可以助力于实现： 1、整理海量数据日志并从中识别特定事件 2、识别需要添加为SOTIF分析一部分的触发条件 3、跟踪AD/ADAS系统在不同迭代中的演变，以展示系统改进的论据，并为UL4600文档提供具体的支持。

在当今快速发展的自动驾驶技术领域， 传感器 的作用日益凸显，它们是实现车辆环境感知的基石。其中， 毫米波雷达 因其独特的优势，已成为自动驾驶传感器套件中不可或缺的一部分。这种雷达不仅能够在各种恶劣的天气条件下稳定工作，还能提供精确的距离和速度信息，这对于车辆的安全导航至关重要。 一、毫米波雷达概述 RADAR(RAdio Dectecting And Ranging) 是指利用毫米波信号（30-300GHz）来探测和测量目标的雷达系统，其中毫米波是微波的一个子频段。在汽车领域，使用的毫米波雷达主要在 24GHz，77GHz和79GHz 三个频段，如图1所示。 图1 毫米波雷达频段 我们知道随着毫米波雷达工作频率越高，波长就越短，分辨率就越高。因此，与24GHz雷达相比，工作频率在76-81GHz的毫米波雷达，物体分辨准确度，测速和测距精确度都会进一步提高，能检测行人和自行车，且设备体积更小，更便于在车辆上安装和部署。 按照探测距离，毫米波雷达可分为 短程（SRR），中程（MRR）和远程（LRR）雷达 ，如图2所示。 图2 短、中、远程雷达 为了在车端更好的采集车辆周围信息，通常将毫米波雷达安装在车辆正前方和四周，即 角雷达和前向雷达 。主要实现BSD、LCA等L0自动驾驶功能，以及在ACC等L1~L2自动驾驶功能中实现重要的目标感知。如图3所示。 图3 角雷达与前向雷达 进一步来说，通过三种探测距离的雷达不同程度组合，可以承担着不同的ADAS功能，如表1所示： 表1 ADAS功能与雷达配置 二、毫米波雷达工作原理 毫米波雷达通过天线发射特定波形的电磁波，并接收目标反射的电磁波，通过信号处理计算出目标的位置、移动速度和方位等信息。毫米波雷达主要由 天线、射频（RF）组件和数字信号处理模块 组成，如下图4所示： 图4 毫米波雷达组成（图片来源于网络） 从技术角度来看， FMCW（Frequency Modulated Continuous Wave）调频连续波雷达 是现在的主流方案。相对于其他的波形调制技术而言， FMCW 可进行多目标探测，距离与速度探测，并可对目标进行连续追踪，系统敏感性高且误报率低。 FMCW发送的是频率随时间变化的波形，通常是 线性变化 的，如图5所示： 图5 FMCW波形（图片来源于网络） 通过上述分析，毫米波雷达工作流程如下，如图6所示： 1、首先射频发射器TX产生电磁波信号并且将之发射，信号到达目标物体； 2、物体反射或者散射信号形成回波信号，接收器RX接收回波信号； 3、混频器将回波信号与原始信号混合，经过滤波器进行滤波，得到中频IF信号（实际是雷达发射信号与回波信号的频率差，包含有物体的位置、速度等信息）； 4、中频信号输入到处理后端进行调制解调、FFT（FastFourierTransform，快速傅里叶变换）等算法处理，提取目标信息(Point cloud)并进行分析，实现目标检测、距离测量、速度测量、方位估计； 5、最终将结果输出以进行后续感知处理。 图6 毫米波雷达工作流程（图片来源于网络） 三、4D毫米波雷达 在 3D毫米波雷达 的应用中，主要收集的数据涵盖了物体的X、Y坐标和速度（v），然而， 这种技术在获取目标高度信息方面存在局限 。例如，在桥洞和前车同处一距离时，由于缺少高度信息，可能导致误判，从而引发不必要的紧急制动。此外，它在识别静止目标、判断物体高度或区分相邻障碍物时也面临挑战。 随着技术的快熟发展， 新一代的4D毫米波雷达 通过增加对物体俯仰角度的测量， 有效地弥补了这一缺陷，实现了对物体高度的识别。 所谓“4D”，是指这种雷达能够测量目标的距离、水平方位、速度以及高度四个维度的信息。4D毫米波雷达不仅继承了传统毫米波雷达在各种天气和光照条件下稳定工作的能力，以及能够探测到被遮挡物体的优势，还在测量精度和分辨率上实现了显著提升。 它能够识别更小的物体、静止物体，甚至是空中的障碍物。 这种雷达对复杂道路环境的适应性更强，这得益于其配备的纵向天线和采用的MIMO（多输入多输出）技术，这些技术共同作用，形成了虚拟的孔径阵列，从而提高了对角度、速度和距离的分辨率。 四、总结 随着技术的不断进步，毫米波雷达正朝着更高分辨率、更低成本和更强的集成能力的方向发展，特别是在4D成像技术的应用上，它通过增加对物体高度的测量能力，显著提升了对复杂交通环境的感知和理解。 在自动驾驶领域，毫米波雷达以其全天候的工作能力、远距离探测性能、高精度测量以及物体识别与分类的能力，成为了实现安全、可靠自动驾驶的关键传感器技术。随着成本的降低和性能的提升，毫米波雷达不仅能够作为其他传感器的有力补充，还能为未来的智能出行提供了坚实的技术基础。

故障现象　 一辆 2013款宝马116i车，搭载N13B16A 发动机，累计行驶里程约为12.1万km。车主反映，该车行驶中偶尔加速无反应，且发动机故障灯异常点亮。 故障诊断 接车后试车，故障现象无法再现。用故障检测仪检测，发动机控制单元（ DME）中存储有多个与节气门相关的故障代码（图1），分析故障代码，推断故障可能是由节气门翻板过脏，偶尔卡滞引起的。 图 1　DME中存储的故障代码 拆下节气门总成检查，并不算脏；反复多次直接给节气门电动机短暂供电，节气门翻板打开及回位均无明显异常。用虹科 Pico示波器测量给节气门电动机供电时的电流波形（图2），发现起动瞬间的电流约为5.4 A，运转时的电流约为3.0 A，电流波动较大且不规律，由此推断节气门电动机的炭刷与换向器接触不良。 图 2　给旧的节气门电动机供电时的电流波形 订购新的节气门总成，首先多次直接给节气门电动机短暂供电，发现节气门打开及回位动作确实比旧的节气门总成反应快；测量给节气门电动机供电时的电流波形（图 3），发现起动瞬间的电流约为2.8 A，运转时的电流约为0.8 A，电流波动较小且规律。 图 3　给新的节气门电动机供电时的电流波形 故障排除　 更换节气门总成后交车，半个月后进行电话回访，车主反映故障未再出现，故障排除。 故障总结　 拆解旧的节气门总成，发现节气门电动机的炭刷磨损并不严重，但换向器磨损严重（图 4），且存在短路现象。 图 4　换向器磨损严重 作者： 余姚东江名车专修厂　叶正祥 免拆诊断 “不靠猜” ，精准修 车更高效！ 30余家主机厂的选择，用科技助力您的成功——欢迎前往虹科Pico官网了解： https://www.qichebo.com/