驾驶辅助系统硬件在环仿真技术发展现状
2022/6/20 来源:不详/导读/
对智能汽车的驾驶辅助系统提升安全性能的需求不断提高,多传感器信息融合是驾驶辅助系统的应用趋势,硬件在环仿真测试平台能对驾驶辅助系统安全性进行深度测试。通过分析汽车典型驾驶辅助系统主要传感器构成和传感器仿真特点,介绍先进的驾驶辅助系统硬件在环仿真测试平台构架。根据未来汽车多传感器融合环境感知发展趋势,总结未来自动驾驶汽车硬件在环仿真测试评价技术存在的挑战和发展方向,为行业应用提供参考。
先进驾驶员辅助系统(ADAS)可以协助驾驶员提高行车安全性和驾驶舒适性,被认为是提升出行效率、解决交通事故频发问题的有效措施。驾驶辅助系统依靠传感器采集车辆行驶四周的环境,并根据环境目标威胁而作出横向、纵向控制,可有效降低道路交通事故发生的概率。传统的场地测试是以假人、假车、环境模拟器等测试设备构建有限测试场景,测试决策控制算法的合理性和控制算法与车辆匹配的优劣。驾驶辅助系统连续感知、决策、执行,全天候持续运行,传统测试评价手段已难有效覆盖自动驾驶新特征。智能驾驶辅助系统在开发的过程中,每一阶段功能和性能的测试评价将通过多样化的试验结果相互组合印证,需要进行实车道路测试、公开道路测试,功能安全测试、信息安全测试、仿真测试等,硬件在环仿真测试平台是智能网联汽车“V”型开发过程中不可缺少的工具链。
驾驶辅助系统功能及传感器原理
驾驶辅助系统构成和原理汽车驾驶辅助系统的构成和系统原理,如图1所示。目前,驾驶辅助系统主要装备毫米波雷达、摄像头、°环视系统、超声波雷达,实现自动泊车(APA)、自适应巡航(ACC)、紧急制动(AEB)、盲区监测(BSD)、车道保持辅助(LKA)、交通拥堵辅助(TJA)等功能,而激光雷达主要是在更高级别的自动驾驶汽车上装备。车载传感器感知前方道路上障碍物、车道线、交通限速标志、行人等信息。使用摄像头和毫米波雷达获取前方目标相对距离、相对速度,通过决策与控制实现自适应巡航、紧急制动、交通拥堵辅助功能。摄像头可识别前方道路车道线,计算车辆与车道线的相对位置和车道线的曲率半径,结合车辆的底盘转向特性,实现LKA功能。图1典型驾驶辅助系统构成及原理图传感器目标探测原理1、毫米波雷达目标识别原理车载毫米波雷达主要分为脉冲式和连续调频式,由于脉冲信号在近距离探测目标时对硬件计算速度要求较高,因此不适用于车载近距离探测目标的需求。连续调频毫米波雷达采用雷达波调制的方式发送探测电磁波,通过调制发射电磁波信号与雷达天线接收到的目标反射雷达信号进行混频,利用傅里叶变换算法对混频信号进行解析,可解析出雷达与目标的相对距离和相对速度,并根据雷达接收天线阵列参数计算相对角度信息。2、摄像头目标识别原理作为ADAS的核心传感器之一,车载摄像头需要最大限度地适应不同的光照条件,能够更加快速、精确地感知路况信息,并加强对图像噪点的抑制。摄像头和摄像头后处理芯片端原理,如图2所示。摄像头的光感原件识别外界图像信息并转化为电信号,根据编码协议编码图像信号,通过低电压差分信号(LVDS)传输方式将图像传输至图像处理芯片(ECU),经过图像信号质量处理后,再传递至图像处理单元(GPU),利用深度学习或机器学习算法识别图像中不同层次目标(道路、行人、车辆、障碍物)。目标识别效果依赖于深度学习的样本的类型和数量,因此深度学习目标识别的样本需要不断迭代和更新。3、超声波雷达探测原理传感器内的超声波传感器发射出超声波,由接收传感器接收经障碍物反射回来的超声波,根据超声波反射接收的时间差,由控制单元内的CPU处理换算成距离。超声波雷达在速度很高情况下的测量距离有一定的局限性,这是因为超声波的传输速度很容易受天气情况的影响,在不同的天气情况下,超声波的传输速度不同,而且传播速度较慢,当汽车高速行驶时,使用超声波测距无法跟上汽车车距的实时变化,误差较大。超声波散射角大,方向性较差,在测量较远距离的目标时,其回波信号会比较弱,影响测量精度,但超声波在短距情况下传感器具有非常大的优势,因此广泛应用于自动泊车的车位探测及行车盲点辅助。4、激光雷达探测原理激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统。其工作原理,如图3所示,其由激光发射机、光学接收机、转台和信息处理系统等组成,激光器将电脉冲变成光脉冲发射出去,光接收机再把从目标反射回来的光脉冲还原成电脉冲,根据光线的飞行时间获得单点的相对距离,并根据激光雷达基础坐标系计算目标点云在坐标系的位置(x,y,z)。激光雷达可直接生成带有坐标位置的点云信息,在多线激光雷达照射下可形成多点外轮廓,采用聚类分析、语义分割、深度学习等目标分类识别技术,建立车辆四周的道路、障碍物、行人、车道线、车辆、交通标志等数字化模型,直接应用于驾驶辅助系统的控制决策。驾驶辅助系统硬件在环仿真系统系统架构典型的驾驶辅助系统硬件在环仿真测试平台框架,如图4所示,包含了场景建模工作站、雷达目标模拟器、超声波雷达信号注入、视频暗箱、视频注入系统、ADAS-ECU、驾驶模拟器、车辆动力学模型所组成的仿真测试平台。图4驾驶辅助系统在环仿真测试平台框架硬件在环仿真典型数据传递过程步骤如下:场景软件将各个虚拟传感器模型检测目标信号输出至对应传感器模拟器。
各个模拟器子系统采用物理信号仿真的方式与真实传感器进行联合仿真。
传感器通过CAN/CANFD将采集到的目标信息输入至ADAS-ECU。
ADAS-ECU根据实时系统模拟输入车速、其他信息,驾驶模拟器输入的转向盘转角、油门踏板、加速踏板信号等信息,结合传感器目标、车道线识别结果进行综合决策。
ADAS-ECU输出决策控制命令至实时系统运行的车辆动力学模型,执行ACC、AEB、LKA、TJA、APA。
车辆动力学模型将执行相应动作,计算出各个车轮的位置(x,y,z),并将车速、减速度、方向转角等信息反馈至场景软件。
场景软件更新场景数据,完成新的一帧数据仿真。
雷达目标模拟器雷达目标模拟器是毫米波雷达射频信号在环仿真方案的关键部件。雷达目标模拟器通过射频天线接收端接收雷达信号后,采用傅里叶变换算法对该电磁波信号进行时域、频域分析,解析雷达波信号特征,再根据场景软件中雷达模型传递的被模拟目标速度、距离、雷达截面积值(RCS),通过射频信号技术对回波延时、多普勒频移、信号增益/衰减3项操作,完成雷达目标信号的速度、距离、RCS值的模拟。分析连续2束正弦波调制的雷达波信号,若物体保持静止,对采集的时域信号进行傅里叶变换后的结果,将会在相同的频率f位置出现峰值。雷达目标模拟器模拟距离为D的物体,通过计算出雷达发射与接收信号的时间差,实现模拟目标距离D。若物体移动速度为v,则连续2次信号解析的结果存在相位差,结合2束波发射的时间间隔,计算出所需相位差,对信号的相位进行偏移以模拟目标速度。雷达目标模拟器在实际应用过程中,主要性能参数,如表1所示,雷达目标模拟器的工作频段、瞬时带宽应大于等于被测雷达参数,模拟目标RCS值的范围代表模拟目标种类的丰富程度,而最近的目标模拟距离直接影响测试场景的搭建。雷达目标模拟器对每个雷达目标的模拟都需要配置独立的通道进行信号处理,模拟目标的数量与成本成正比,同时单方向上模拟目标的数量过多,会造成信号干扰。与实际道路行驶时雷达探测到的目标相比,模拟目标的数量较少,不能真实反映汽车在道路上行驶时所处的复杂电磁波环境。而对于运动多目标模拟,将雷达目标模拟器的收发天线置于环形导轨上,通过驱动电机驱动收发天线沿导轨运动,实现不同方向的雷达模板动态运动模拟,受限于机械结构设计,能模拟的方向目标有限。视频注入摄像头视频流注入原理,如图6所示。场景仿真软件构建虚拟场景并进行视景渲染,通过显卡输出视频流,通过HDMI\DVI与上位机的显卡通道相连,将采集到的视频流输入至视频注入模块中进行处理,处理完的信号通过ECU适配板输出给摄像头图像处理、目标识别的ECU,视频注入摄像头在环仿真的优点如下:可测试强光或逆光情况下控制算法的反应;
可测试多目、°环视系统;
可以通过对视频注入板卡进行编程,实现图像信号级、像素级的故障注入;
可实现低延时高保真的摄像头在环仿真测试。
测试场景建模软件场景仿真软件与车辆动力学软件联合仿真可实现闭环,能够将车辆动力学模型与交通场景很好地融合起来,进而弥补了车辆动力学软件在真实交通场景建模、路网系统建模及交通状况控制方面的不足,形成整个复杂交通环境。场景仿真软件具有强大的道路环境交通仿真能力,包括:复杂路网建模,包含异形交叉路口、转弯、坡度、超高、及路边建筑(隧道、桥梁等);
具有强大的交通仿真和交通规则仿真能力,包含交通流模拟、行人干扰;
多种天气模式渲染(雨、雪、雾、沙尘暴等),动态实时光影、HDR渲染和路面渲染;
采用开放的标准和接口,非常适合与第三方软件进行联合仿真;
传感器仿真能力,包括理想传感器和复杂传感器,可以获得目标的ObjectList或者模拟传感器的点云数据。
目前,商用的场景软件功能都较为相近,性能和功能区别不够明显。各个场景软件都支持Opendrive和Openscenario格式的道路网络与场景格式化导入。在场景软件中建立起各个传感器的物理模型,通过目标列表直接注入至ADAS-ECU,可实现快速决策、控制算法验证,与传感器目标物理信号模拟方式相结合,可解决驾驶辅助系统算法开发不同层级的需求。未来测试技术发展预测传感器通过全方位的°环视、多雷达系统、高精度定位等自主感知信息获取车辆有限距离的外部环境信息,结合5G车路协同技术实现远距离的路径规划、事故早报等功能,为高度自动驾驶应用提供技术基础。智能网联汽车是多系统协调,多技术融合,同时存在多方面的风险,当前需要多维度多角度的测试评价达到置信程度。测试技术挑战传感器数量、类别的增多给整套自动驾驶系统的硬件在环仿真测试带来了巨大的技术挑战。典型多传感器自动驾驶汽车,如图7所示。全车有6个毫米波雷达、1个激光雷达、6个摄像头、惯导、车路协同设备,若对所有传感器都配置对应的物理信号仿真模拟器,会带来多模拟器硬件实时仿真协调性的挑战和多实时系统之间任务解包、任务分配、信号输出与反馈之间的同步性问题,挑战现有的测试模型和框架。针对常见的视觉、雷达、GNSS在环仿真,已经有经过大量验证的可实施方案。对于环视系统和前视摄像头,采用视频流注入的方式是较优的解决方案,而激光雷达单帧仿真的点云数量巨大,采用物理仿真的方式很难实现实时准确仿真。不同的激光雷达结构形式各异,采用激光雷达目标模拟器方式存在较大的技术难度和通用性问题,因此针对激光雷达仿真,采用点云数据直接注入目标控制器。受制于雷达目标模拟器的仿真原理,1个雷达仿真子系统能仿真的雷达目标数量较少,正常雷达检测到道路上目标至少大于8个,因此采用信号延时的雷达仿真方式存在一定的局限性。未来针对雷达目标模拟器采用阵列式的多目标模拟暗箱,利用电信号高速控制雷达信号收发与目标仿真计算,至少可实现16个不同方向及运动目标的模拟。同时在场景软件中建立起毫米波雷达模型,将场景中背景目标材质的雷达反射特性进一步细化,传递给雷达目标模拟器进行目标仿真,贴近真实雷达环境。结论目前,驾驶辅助系统的硬件在环仿真测试,由于视频暗箱进行摄像头在环仿真的方案只能覆盖单目摄像头,采用视频流信号注入至摄像头图像处理ECU的方式,可以覆盖多种类型的视觉方案的测试需求,同时具备视频信号层的故障注入功能,但存在需针对每款摄像头芯片模组进行开发的缺点。传统的雷达模拟器只能实现较少目标模拟,多目标阵列式雷达目标信号仿真,能够让雷达在环仿真测试更加贴近真实的雷达环境。来源:汽车工程师汽车测试网
网站·社群·技术·直播
长按