标签: 自动泊车

1.引言 汽车进入智能化时代，自动泊车功能已成为标配。在研发测试阶段，实车测试面临测试场景覆盖度不足、效率低下和成本高昂等挑战。为解决这些问题，本文提出一种自动泊车HiL仿真测试系统方案，可大幅度提升测试效率及测试场景覆盖度、缩短测试周期、加速产品迭代升级。 2.自动泊车系统简介 多传感器融合的自动泊车技术结合了超声波雷达和摄像头来实现车位探测和环境感知。超声波雷达通过实时探测周围障碍物的距离，结合车辆自身的长宽，判断是否存在可泊入的空间车位，而摄像头则通过实时图像识别来检测划线车位及其周围环境。传感器的协同工作使自动泊车系统能够精确识别车位、实现精准停车，并确保停车过程中的安全性。 图1 自动泊车示意图 3.自动泊车HiL仿真测试系统 图2 自动泊车 HiL测试系统框图 自动泊车HiL仿真测试系统框架如上图2所示，结合场景仿真软件（VTD）、动力学仿真软件（DYNA4）、实验管理软件（CANoe）和HiL硬件平台，进行整车通信网络仿真、4路环视摄像头仿真和12路超声波雷达仿真，实现自动泊车功能的闭环测试。 3.1整车通信网络仿真 使用CANoe对智驾域控制器交互系统进行虚拟节点仿真，如转向系统、制动系统、组合惯导INS、驾驶员操作指令等。 图3 整车通信网络数据流程图 ①转向、制动系统等车辆实时运动状态信号：DYNA4模型输出轮速、车速、方向盘转角、档位信号等，CANoe做逻辑处理后与总线信号（如CAN FD、SOME/IP、DDS）映射；同时CANoe解析并处理智驾控制器发出的总线信号（如CAN FD、SOME/IP、DDS），映射到DYNA4模型实现车辆运动控制； GCJ02坐标系后映射到总线信号（如CAN FD、SOME/IP、DDS）； ③驾驶员车机操作信号：如选择车位、泊出方向选择等。 3.2环视摄像头仿真 针对4路环视摄像头，使用视频注入的方式进行图像数据仿真，如下所示： 图4 环视视频注入数据流程图 ①在场景仿真软件VTD配置文件simServer.xml中新增一个IG视图； ②在IG视图配置文件IGbase.xml对新建视图画面进行畸变配置设置画面FOV； ③通过CfgDisplay.xml配置文件确定摄像头安装位置及偏转方向，并分配对应的GPU通道进行图像渲染。 3.3超声波雷达仿真 针对12路超声波雷达仿真，在场景仿真软件VTD中配置OptiX 物理传感器模型，数据传输如图5所示： 图5 超声波雷达仿真数据流程图 ①在场景仿真软件VTD配置文件simServer.xml中新增一个IG视图，并配置读取OptiX 物理传感器模型配置文件； ②在配置文件IGbase.xml中修改配置，设置横向纵向发射的光线数量和数据存储的共享内存地址，输出障碍物距离（distance）及物体表面被光追探测到的坐标连线信息（cluster）； ③转发程序配置，编写转发程序读取共享内存中的数据，剔除无效数据，将传感器光追探测到的障碍物最小距离（distance）和障碍物表面每列最小坐标连线（cluster）通过TCP/UDP发送至实验管理软件CANoe； ④在实验管理软件CANoe中使用CAPL进行数据处理，处理后的数据通过总线信号（如CAN FD、SOME/IP、DDS）发送至智驾域控制器中。 4.案例展示 4.1环视摄像头视频注入标定效果 图6 VTD标定场景IG图 图7 4路环视融合（全景）图 4.2超声波雷达仿真效果 如下图9所示，将车身四周划分为1-16共16个扇区，其中FRS_6、RRS_7、RLS_14、FLS_15四个扇区为虚拟扇区，其数据值通过DR坐标系及邻近扇区推理算出，车头、车尾和右侧淡蓝色弧线为超声波雷达探测到障碍物形成的Cluster连线，扇区中的值为超声波雷达安装位置到障碍物的最近距离值，扇区无障碍物时默认值为5100。 图8 VTD泊出IG图 图9 超声波雷达扇区信息图 如下方链接所示，视频画面中左上角为真实车机泊车画面，左下角为智驾域控制器输出的4路环视摄像头画面，右边是智驾域控制器输出的泊车数据融合俯视图。 如上图10所示，本系统能够模拟复杂的泊车场景和环境因素，包括不同类型的停车位（如平行、垂直、斜向）以及各种位置和距离的停车位。同时，模拟了多种障碍物，如锥形桶、地锁、骑行者等，以确保自动泊车系统能够准确识别不同测试场景下的不同类型障碍物。允许团队评估自动泊车系统在繁忙停车场中的性能表现，并测试在不同天气条件（如晴天、雨天、雪天）、光照情况和道路状况下的准确性、响应速度及稳定性。 5.总结 借助这套自动泊车 HiL仿真测试系统，可快速构建车辆及环境模型，从而模拟车辆在各种情境下的泊车状态。同时弥补实车测试场景覆盖度低、成本高等痛点，提高自动泊车功能测试验证效率。 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。

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。

自动驾驶的迅速发展带动车载摄像头的需求，同时提高对其的性能要求。 2021年中国乘用车ADAS摄像头市场规模超70亿元，预计2025年中国乘用车ADAS摄像头市场规模可达250亿元。在市场快速发展下，车载摄像头需在耐高温、抗震、防磁、防水、高动态范围、低噪点等基本性能基础上，将进一步提升像素、识别距离、视场角、3D立体测距、夜视能力等，以满足高阶自动驾驶功能要求。 感知性能方面 车载摄像头相比毫米波雷达、激光雷达，具备技术成熟、成本低、可以识别目标并分类等优势，但其相对依赖光线并且受天气影响大。目前行业内自动驾驶感知主要有摄像头为主的视觉感知和激光雷达多传感融合两种方案，其中视觉方案性价比高，激光雷达多传感融合的感知能力则更强，因此各大厂商根据自身情况采用相应的技术路线。 市场规模预测 自动驾驶飞速发展带动摄像头需求，根据现阶段自动驾驶渗透率及每辆车平均搭载的摄像头数目测算，预计2025年中国乘用车ADAS摄像头市场规模可达250亿元。 市场竞争格局 车载摄像头模组的集中度较高，前视摄像头Top 5供应商占据68%的市场份额，主要为外资企业；环视摄像头Top 5供应商占据61.7%的市场份额，TTE、德赛西威等国内企业积极布局抢占市场。 主机厂搭载量 2022年上半年比亚迪搭载摄像头高达200万颗，平均每辆车搭载3.5颗，高于上半年整体汽车行业平均2.3颗的水平，同时，特斯拉在售车型均标配8颗摄像头。 技术趋势方面 在自动驾驶功能对高分辨率摄像头的迫切需求下，800万像素前视车载摄像头将逐渐成为主流；另一方面，相比单目摄像头而言，双目、三目测距较简单且准确，因此3D立体前视车载摄像头搭载量也正迅速增长。此外，算力集中化、整车E/E架构驱动车载摄像头“去芯”，未来车载摄像头或将逐渐去掉DSP（ ISP ）图像信号处理器，被定义为“只采集、不计算”。由于ADAS功能需全天候运转，增强摄像头的夜视能力也显得极其重要，其中远红外/热成像的夜视系统具备在全天候下工作的能力，且在测距、穿透性上性能更佳，且不会受强光或光线突变的影响，是目前最适合用在夜视系统的技术方案。 车载摄像头通过光、电、图像信号转化实现图像显示，主要由光学镜头、CMOS、DSP等部件构成。车载摄像头是自动驾驶之“眼”，模仿人的眼睛帮助驾驶员观察驾驶环境，由于驾驶环境复杂多变，需具备耐高温、抗震、防磁、防水、高动态范围、低噪点等基本性能。 相比毫米波雷达、激光雷达，车载摄像头技术成熟、成本低、可以识别目标并分类，但依赖光线、受天气影响大。以摄像头为主的视觉感知方案性价比高，是目前应用比较多的一种方案，如特斯拉、极氪（搭载Mobileye方案）等。以激光雷达为基础并融合毫米波、摄像头的雷达方案虽然成本更高，但其感知性能更好，因此受到向L3进阶的车企重视并使用，如小鹏、蔚来、极狐等。 自动驾驶飞速发展带动摄像头需求，车载摄像头市场规模迅速增长。2022年上半年中国乘用车平均每辆车搭载2.3颗ADAS摄像头，预计2025年增长至6颗；2022年上半年，乘用车ADAS摄像头搭载量为超2000万颗，其中后视摄像头渗透率最高，前视摄像头渗透率相比2020年上半年增长近18个百分点；2022年上半年车载摄像头市场规模约37亿元，同比增长15%，预计2025年可达250亿元。 从技术层面来说，自动驾驶对车辆自身安全、行人安全与预警提出了更高的要求，车载摄像头的应用需求从成像镜头向感知镜头转变，800万像素前视车载摄像头将成为主流，其提高清晰度同时，还可拥有更远探测距离、更大视场角；此外，3D立体摄像头搭载量迅速攀升，在测距方面双目、三目立体摄像头比单目摄像头直接简单、准确。 车载摄像头供应商纷纷布局智能摄像头产品以满足自动驾驶需求，如博世第三代前视摄像头应用纹理识别、密集光流法、CNN卷积神经网络三大技术，可识别无车道线的道路、任意边界的车道线、人蹲下来/小球在道路上滚动场景、交通标志、行人、自行车、房屋、草木、天空等目标；德赛西威可提供基于环视摄像头的540°全景影像（包含360° 环视、180°底盘透视）、自动泊车、遥控泊车、360°行车记录仪等功能与解决方案。 整体而言，车载摄像头作为自动驾驶感知层基础且重要的传感器，市场规模、技术趋势的变化与自动驾驶发展息息相关。基于车载摄像头广阔的市场空间，国内外摄像头企业也积极拓展相关产品与业务。海外Tier 1 厂商如博世、法雷奥等出货量大，其代表产品的性能与技术应用走在行业前沿；国内厂商在产业升级的背景下加大产品研发力度与布局，提升在自主品牌车型的应用，有望持续扩大车载摄像头业务规模。