随着人们对高级车辆功能和零排放车辆的需求与日俱增，汽车工程师们面临越来越大的压力，他们需要以前所未有的速度在产品中融入新技术。为了满足这些需求，越来越多的团队都在转向人工智能 (AI)。

过去十年，AI 的兴起催生了各种技术，能够服务于工程工作流程的各个阶段。例如，机器学习模型可以用于车队历史数据挖掘，为设计阶段的关键决策提供信息；这些模型还可以部署到车辆上，成为高级驾驶辅助系统 (ADAS) 的一部分。

没有 AI 技术，当今的许多创新都无法实现。但对于汽车工程师来说，有些 AI 技术并不陌生。例如，高级统计模型（即今天所谓的机器学习模型）早已用来在标定工作流程中表征试车台数据。

阅读这本白皮书，您将了解到汽车团队如何使用 AI：

• 构建创新功能
• 提升现有产品性能
• 改进开发工作流程
• 解释真实数据
• 优化流程和服务

该白皮书还包含案例分析，通过实例展示工程企业如何将 AI 运用于自动驾驶、动力总成和控制、故障诊断和预测以及制造。

构建创新功能

马恒达卡客车事业部：使用机器学习估计路面状况

马恒达卡客车事业部开发了一种工具，它使用来自车载传感器的数据，应用信号滤波和传感器融合从数据生成特征，然后运用机器学习模型来预测路面状况。该预测功能已整合到其他算法中，用于提高车辆燃油经济性。

自动驾驶

或许受 AI 技术影响最大的是自动驾驶。机器学习和深度学习模型能够感知周围的环境，因此在自动驾驶的发展进化中发挥着不可或缺的作用。这些模型可以接收来自摄像头、激光雷达、雷达和其他车辆传感器的数据，并将数据转换成有意义的环境表示。这类模型包含以下基础组成部分：已标注的真值数据，用于训练模型；算法，用于根据数据拟合模型；框架，用于验证模型性能。真值数据在这类模型的构建中发挥着重要作用，因此有相当一部分工作涉及数据集的获取和维护。

卡特彼勒：管理真值数据

卡特彼勒与 MathWorks 合作开发了一个大数据基础架构，其中包含：一个 Web 前端，以便外部标注人员使用；一个数据库，用于查询和检索已标注的真值；一个界面，以便功能开发工程师使用标注的真值训练、验证和部署分类器。

大陆集团：根据摄像头数据进行交通信号识别

使用 AI 技术处理摄像头数据要求有一个完整的工作流程，涵盖从数据管护到模型开发和部署的各个环节。还需要借助工具来可视化模型性能，了解其优势和不足所在。大陆集团的工程师们开发了一个交通信号识别工具链，可以标注真值、检查交通场景录像、开发和验证机器学习算法。

PathPartner：雷达点云目标分类

PathPartner 的工程师们为一项应用开发了基于雷达数据的机器学习算法，在夜间、天气恶劣或远距离的情况下，当相机检测效果不佳时，该应用仍能检测到行人和其他弱势道路使用者 (VRU)。他们使用分类学习器快速评估多个机器学习算法并确定预测准确度。

Autoliv：激光雷达点云目标检测

Autoliv 的工程师们使用深度学习检测激光雷达点云中的目标，从而在其他传感器无法检测的区域中识别对象。借助深度学习，该团队大大减少了手动标注和分析激光雷达数据的时间。

提升现有产品性能

宝马：检测过度转向

宝马开发机器学习模型来检测过度转向，即车辆后轮在转弯时失去抓地力的情况。团队通过赛道驾驶员收集数据，分析来自不同车载传感器的数据，以找出最有助于检测过度转向的那些传感器。他们接着用新数据训练一个机器学习模型来执行该检测，然后将其部署到 ECU 进行车载测试。车载测试不仅证明该机器学习工作流程可行，还允许团队评估整个牵引控制系统的性能，并了解到相比以前的设计实现了哪些改进。

康明斯：开发系统辨识模型用于控制设计

康明斯正在研究如何使用机器学习加强经典控制设计。他们研究如何使用机器学习改进系统辨识模型以用于模型预测控制，以及如何将深度学习和强化学习等数据驱动方法与基于 PID 的控制结合使用。

Vitesco：将强化学习用于减排

Vitesco 将强化学习用于排放应用场景。他们首先创建被控对象（包含发动机和排气系统）的详细模型，然后进行强化学习智能体的原型设计、生成和优化，以改进废气后处理系统的控制策略。

改进开发工作流程

马自达：使用基于模型的标定减少测试工作量并提高模型准确度

基于模型的标定包含以下过程：使用传统统计方法定义测试计划，从试验或仿真环境捕获数据，根据数据拟合基于数据的模型，然后使用基于数据的模型作为真实系统的代理来优化系统性能。使用基于模型的标定方法，马自达工程师们将测试工作量减到最低，降低了发动机模型复杂度，并提高了模型预测排气管烟气量的准确度。

通用：在电力驱动系统中使用基于模型的标定

基于模型的标定方法也可以用于标定电力驱动系统。通用汽车标定其电流基准产生表，为电力驱动系统中的每种速度/转矩/电压组合定义优化的电流指令。他们使用试验设计制定优化的测试计划，然后根据试验数据拟合各种机器学习模型，以将电流作为输入的函数进行建模。这些电流模型支持快速设计探索，便于团队执行优化，生成车辆软件所需的电流基准表。

AI 辅助测试

我们可以利用 AI 技术减少测试所需的人工监督。我们可以使用历史测试数据训练模型，用于在测试过程中识别理想和不理想的行为。AI 模型可以基于图像、视频或音频等传感器数据进行训练，因此可以用于执行测试标准的实时分类。

大发：识别发动机爆震

一直以来，爆震识别工作离不开经验丰富的测试人员。大发的工程师们开发了一种使用声学分析从音频信号提取特征的方法。这些特征会被馈送到一个发动机爆震分类的深度学习模型。该模型能够准确判断爆震声音，媲美熟练工人。

减少排放

传统汽车制造商正面临日益增加的双重考验：一方面要生产由电池或燃料电池驱动的零排放汽车，另一方面还要继续开发内燃机 (ICE) 驱动的常规汽车。在极为严格的清洁空气法规的推动下，基于 ICE 和催化转化器的系统日益精密，车载诊断 (OBD) 系统也变得更为复杂。这些系统往往是非线性的，开发、调优和测试此类系统会耗费大量资源。一种可行的替代方式是使用 AI 技术开发数据驱动的模型，以便更多地使用虚拟环境进行开发。

雷诺：开发排气估计器

传统的 NO_X（氮氧化合物）排放量估计依赖于查找表或燃烧模型。但是，查找表不够准确，而燃烧模型计算量太大。于是，雷诺的工程师们使用深度学习网络对发动机熄火 NO_X 排放水平建模。他们收集真实发动机在常见行驶工况下的试验数据，然后使用多种深度神经网络配置多次迭代，以找出最适合对发动机熄火 NO_X 建模的配置。接着，他们把这个模型集成到非线性观测器中，用于控制设计和桌面仿真。

解释真实数据

本田：评估排气后处理系统

本田汽车工程师分析来自 1,000 辆汽车的 100 万公里行驶数据，为开发活动提供指导，确保遵守排放法规。他们开发了一个管道对原始数据进行预处理和筛选，然后提取速度、里程、挡位选择、空调使用和交通状况等特征。工程师通过此分析得出统计学分布，据此确保车辆的排气后处理系统符合性能要求。

大众汽车数据实验室：分析驾驶模式

大众汽车数据实验室分析不同驾驶者的遥测数据差异，进而开发出分类器，可以根据车辆传感器自动确定是谁在驾驶。他们使用来自车辆的 CAN 总线数据，并使用滑动窗从时序中提取各种统计学特征。他们通过这种方法对驾驶者进行统计学识别，使“随开随走、即用即付”之类的潜在商业模式成为可能。

真实车队数据

联网车辆生成的真实驾驶数据可用于车辆设计的方方面面。这些数据量可能极为庞大，因此需要有专门的 IT 系统进行存储。

福特：访问和分析车队数据

福特团队借助 MATLAB 处理其存储在 Apache Spark™ 上的车队数据，工程师们可以使用熟悉的工具访问和分析这些数据。这些数据可以帮助 ADAS 工程师们理解某项功能在真实世界的表现，并生成可用于仿真和验证的场景。

优化流程和服务

梅赛德斯-奔驰：检测错误机器周期

梅赛德斯-奔驰的工程师们运用异常检测方法来检测制造生产参数中的错误周期。他们使用时间序列方法识别机器周期的特征，然后执行统计分析来表征正常周期和异常周期。

预测性维护

预测性维护方法现在也用于车载应用。特别是在商用车领域，对设备运营者而言，计划外停机可能花费不菲。传统的解决办法是在故障发生前早早安排定期维护。但是，这要求额外的人工来负责维护，并且有可能导致使用寿命未到的部件提前报废。

贝克休斯：预测泵故障

贝克休斯使用机器学习方法开发预测性维护算法，可以预测石油开采设备上的泵故障，从而减少计划外故障，预计每年可节省一千万美元。