凯捷科技2023自动驾驶未来今日白皮书21页

自动驾驶未来今日如何通过人工智能、数字化和仿真技术的协同，加快实现对自动驾驶功能的高效验证？23513171819目录简介验证和确认生态系统的多个维度的集成人工智能和数字孪生对自动驾驶汽车认证的影响 数字化和软件在自动驾驶汽车开发和验证中的作用新兴的验证和确认方法论自动驾驶汽车开发、测试和验证的关键要素尾注203的传感器，如摄像头、激光雷达（LiDAR）和毫米波雷达。通过复杂的数字技术和通信技术，它们将感知结果进行融合。除此之外，汽车主机厂已经引入了自动驾驶汽车域控制器，整合了处理过程，这种进步使得证明和记录人工智能系统代表司机做决定的可预测性、合理性和完整性的决策过程更具挑战性。这导致了汽车主机厂面临的最大挑战之一：传统的传感器和软件工程已经非常复杂，但现在管理验证人工智能系统所需的海量数据也非常复杂。下一代自动驾驶汽车平台每天可以轻松产生高达200TB的数据。在一个星期内，它们可以产生一个PB级的数据。SAE L3自动驾驶所需的数据量很容易达到200至300TB。这比谷歌地图数据库的预计规模多出五到七倍，据估计，整个谷歌地球地图储存数据约为43PB。4为了安全地验证自动驾驶汽车功能，需要大量的测试场景和超过1亿公里的试驾。这需要大量的驾驶、测试、验证，以及一个融合了虚拟仿真、数据挖掘和人工智能的深度设计的端到端流程。今天，测试是在路上、在测试台和在数据中心进行的。通常，验证生态系统包括代码审查、单元和组件测试、模型在环（MiL）、软件在环（SiL）、硬件在环（HiL）、车辆在环（ViL）或更普遍的X在环（XiL），这些都需要一致的可追溯性。为了确保灵活性、可扩展性和成本效益，一个混合（多）云基础设施和数据协调是关键的成功因素。1. “Adaptive cruise control,” Wikipedia, https://en.wikipedia.org/wiki/Adaptive_cruise_control2. Steinken, Melissa “Timeline: Milestones in ADAS Before 2010,” Jan. 27, 2020, Adapt https://www.adaptautomotive.com/articles/51-timeline-milestones-in-adas-before-20103. Webpage