丰田为 ADAS 打造虚拟试验场

为逼真的虚拟测试创建数字资产


一辆造型优美的白色丰田 SUV 原型车,在该汽车制造商位于日本爱知县的技术总部准备进行严格的试驾。工程师们安装了设备,使机器人驾驶员能够在蜿蜒的道路上准确评估车辆的驾驶性和性能,包括其高级驾驶辅助系统 (ADAS)。

实际上,在本次试驾中所经过的蜿蜒道路是一套精密的车辆在环仿真 (VILS) 系统,其设计目的在于评估 ADAS 及其他动态功能。一块大型外部屏幕负责显示三维场景,与此同时,实时驾驶仿真器会生成相应的运动、振动以及声音。包括激光雷达和相机在内的传感器提供了实时反馈。

丰田的 VILS,名为高级驾驶辅助系统实车仿真器 (ADAS-RCS),使用联合仿真模块通过底盘测功机连接现实世界与虚拟世界。机器人驾驶数小时,检查关键绩效指标,以查找潜在弱点。然后,人工智能根据结果为解决这些弱点设定目标。

一辆白色丰田 SUV 停在测功机上,挡风玻璃前安装有一块大屏幕。设置的正面视图位于左侧,背面视图位于右侧。

丰田的 VILS,即 ADAS-RCS。(图片所有权:丰田)

“仿真器的主要功能是能够一次性进行多功能评估,”丰田汽车公司基于模型的开发 X-in-the-Loop 仿真团队 (MBD XILS) 的车辆性能开发工程师宫田大树表示,他同时也在基于模型的设计平台团队工作。他的团队致力于通过针对性的仿真来优化车辆开发流程。实现精益化的车辆开发是其目标。

丰田的 ADAS-RCS 中逼真的虚拟环境,支持在各种复杂路面上进行测试,而这些路面在该汽车制造商的实体测试场中并不存在。然而,开发三维道路数据模型需要投入大量的时间和精力。为解决这一问题,该团队最终采用 MATLAB® 和 RoadRunner 来复现真实的外部场地行驶工况。

在 RoadRunner 中仿真路况的屏幕截图。

使用 MATLAB 在 RoadRunner 中测试路况。(图片所有权:丰田)

Miyata 说道:“我们之所以采用 RoadRunner,是因为它创建三维虚拟场景、读取多样化环境中的各种地图数据,以及通过与 MATLAB 集成来分析这些数据的能力,都给我们留下了深刻的印象。”他补充道:“RoadRunner 能够进行直观的调整,这也是一个决定性因素。”

丰田团队的 VILS 目前主要面向自适应巡航控制系统的测试,但工程师们也计划将该模拟器用于车道循迹辅助、变道辅助、预碰撞安全系统以及其他新型高级安全功能的研发。

Miyata 表示:“ADAS-RCS 最近才进入运行阶段。我们认为它在未来还有非常广阔的应用前景。”

将危险路况测试前置

在过去,丰田的专业驾驶员,被称为“大师”,需要在该汽车制造商位于日本的测试场上,耗费大量时间来评估车辆性能。由于设计上的限制,他们不得不在汽车开发流程的后期,才对最坏情况场景进行测试。天气状况会影响现场测试条件,常常导致需要重新测试,这给本已紧张的开发计划带来了更大压力。

随着高级驾驶辅助系统 (ADAS) 和软件定义汽车的出现,汽车开发变得日益复杂。在丰田,工程师们正在将 ADAS 的道路测试前置,通过复现各种影响驾驶员反应、判断和车辆操作的状况来实现,例如,在交通繁忙时变道或是在曲折的山路上行驶。

Miyata 指出:“像天气、行人及移动物体这类因素,是无法通过预设场景来完全捕捉的。快速发现并攻克此类边缘场景,对于提升车辆的功能安全与网络安全至关重要。”

“感谢 MATLAB 及其工具箱,让我能够专注于我真正想做的事情。”

丰田 VILS、ADAS-RCS 的架构图。共有四个阶段:虚拟环境、传感器-车辆模型、底盘测功机和AI评估,每个阶段都配有ADAS开发和测试的图标说明。

ADAS-RCS 的架构。(图片所有权:丰田)

视野受阻和盲区弯道构成了最大的技术挑战。在传统的纯手动场景生成流程中,创建三维道路既费力又耗时,每条路段都需要耗费超过六个月的时间。此外,这些路线也无法在丰田的其他模拟器中使用,包括模型在环 (MIL) 和软件在环 (SIL) 模拟器。

Miyata 说道:“丰田拥有各种不同的模拟器,如果为每一种都准备无法复用的专属场景,将会产生巨大的成本。” 他的团队需要一种更快速、更高效的方法。

在 Miyata 担任丰田汽车性能工程师的早期,他曾负责提升车辆的舒适性。他在开发一种测试发动机噪声的方法时,首次接触到了 MATLAB。他回忆道:“我加深了对信号处理的理解。得益于 MATLAB 及其工具箱,我才能够专注于自己真正想做的事情。”

他最终选择使用 MATLAB 和 RoadRunner,为 MBD XILS 小组的仿真平台生成三维驾驶路线。团队首先从 ZENRIN® DataCom 的标准清晰度地图数据段中,提取经度、纬度和高程数据,用于道路生成阶段。

Miyata 凭借其在 MATLAB 方面的经验,设计出一种方法,将道路生成所需的繁琐数据预处理工作,包括生成道路倾斜坡度所需的点平滑和曲线拟合,实现了自动化。随后,Miyata 使用 Automated Driving Toolbox™ 中的驾驶场景设计器,将地图数据转换为 OpenDRIVE® 格式。

“驾驶场景设计器非常方便,它让我能够比预期更快地完成我想做的工作。”他说道。

生成贴近现实的周边环境

生成道路之后,工程师们利用 RoadRunner 来构建周边环境。这时,团队遇到了俯仰问题。乍一看,交互式编辑器中的道路似乎很平滑,但当 Miyata 在模拟器中沿路行驶时,车辆却像在崎岖不平的道路上一样上下颠簸。RoadRunner 根据 OpenDRIVE 文件创建了道路,但由于道路连接处的海拔高度不连续,导致路面出现了厘米级的颠簸。

Miyata 在 MATLAB 中创建道路时,对高程信息使用了多项式近似法,但使用 RoadRunner Scene Builder 则避免了类似的颠簸问题。他说道:“现在我们能够以更高的效率和更强的可扩展性来生成道路模型了。”

当 Miyata 将高程数据添加到模拟器中,并带着同事进行试驾时,又出现了另一个问题。显示器上前方可见的道路,似乎漂浮在点缀着稀疏卷云的明亮蓝天中。

“如果没有 RoadRunner,创建虚拟道路将需要花费大量的时间和精力。”

RoadRunner 中的两条仿真道路。左边有俯仰问题,右边使用道路海拔的多项式近似进行平滑。

使用多项式近似对道路海拔进行平滑处理。(图片所有权:丰田)

事实证明,问题在于某些地点缺少海拔数据。这些数字高程数据源自日本国土地理院,该机构负责日本全国的勘测与地图绘制工作。然而,团队当时使用的一款第三方工具,在所选的地图数据段中,将河流处的海拔高度显示为 -9,999。为解决这个问题,Miyata 再次求助于 MATLAB。

他的团队创建了一个工具,该工具能将高程数据与影像数据相结合,并将其转换为拼接融合后的 GeoTIFF 格式,以供 RoadRunner 使用。在新的高程数据准备就绪后,Miyata 在 RoadRunner 的图形用户界面中,将注意力集中在了一个特定的地图区域。他将图像拖放到地面上,检查其贴合度,然后添加了 OpenDRIVE 道路数据。只需几次简单的点击,他就添加了虚线将道路变成了双车道,进行了一些微调,并粘贴了高程信息。

Miyata 说道:“RoadRunner 的图形用户界面非常直观。面对像这样棘手的情况,可以很轻松地进行调整。”

最后一步是通过 RoadRunner Scenario 中的视频回放来检查道路的生成效果。一个按钮提供了无人机视角的 360 度鸟瞰图,另一个按钮则允许团队从驾驶员的视角来观察道路。这一次,ADAS-RCS 终于呈现出了精确倾斜的区域和连绵起伏的山景。道路悬浮的问题不复存在。为连绵起伏的地形添加阴影和细节,营造出了一个更逼真的环境。

Miyata 说道:“如果没有 RoadRunner,创建这些虚拟路段将会耗费我们巨大的时间和精力。” Miyata 估计,他的团队若要创建类似的驾驶场景,至少需要长达六个月的时间。

扩展精益车辆开发

过去 Miyata 的团队需要一天以上才能创建的新三维路段,现在不到 30 分钟就能完成。RoadRunner 提升了团队的整体效率。

Miyata 解释道:“能够输出适用于各种模拟器的格式,例如 OpenDRIVE 和 OpenSceneGraph,这极大地降低了场景生成成本。这是一个巨大的优势。”

接下来,他所在的小组计划进一步实现 VILS 流程的自动化和精益化。他们还计划与量产开发团队合作,将仿真的优势带给他们。Miyata 认为,让更多人来使用这项技术,发现问题并进行改进,是至关重要的。

我们已经取得了显著进展,并成功地使用 RoadRunner Scenario 纳入了真实的交通流量。

两张截图显示了围绕丰田总部周边环境的仿真再现,建筑物以三维白色方块表示。

丰田总部周边环境的再现。(图片所有权:丰田)

在 MATLAB Expo 日本用户大会的演讲中,Miyata 探讨了扩展开发的问题。他重点介绍了 MATLAB 实时脚本、App 设计工具 和 MATLAB Compiler™ 如何帮助部署代码,以供多用户处理地理信息系统数据。他表示,使用 Git™ 可以实现版本控制,并根据用户需求进行定制化。他接着说道,实时脚本还可以在 JupyterLab 等环境中编写易于理解的操作手册,从而实现用户友好的应用程序部署。

自那次博览会后,他的团队利用免费的可编辑全球地图 OpenStreetMap® 扩展了仿真器的功能,用以复现被称为“豆腐块建筑”的简单建筑物,这个名字源于长方形的豆腐块。丰田还有一个专门负责生成高精度资产的部门。Miyata 表示,ADAS-RCS 项目激励了他们去探索利用这些资源的新方法。

利用 ADAS-RCS 将公共道路驾驶评估前置的工作,目前仍处于验证阶段,但 Miyata 和他的同事们预计,这最终将使进行实际试驾所需的天数减少约70%。

该小组未来的计划包括:利用从现场采集的点云数据,通过人工智能 在 RoadRunner 中对建筑物资产进行自动分类和放置。他们也正在探索混合现实技术的应用。

Miyata 说道:“此外,我们已经取得了长足的进步,成功地利用 RoadRunner Scenario 引入了真实的交通流。没有逼真的仿真环境,就无法对 ADAS 进行全面的测试。”

在为仿真环境构建数字资产的过程中,团队处理了许多具有挑战性的案例。拥有功能强大且易于使用的工具是必不可少的。

他继续说道:“如果我们能有效地利用数字资产,我们期望 ADAS-RCS 和 XILS 能够再上一个新台阶。将其部署为工具链将成为可能,从而改进整个车辆开发流程。”


阅读其他案例

面板导航

自动驾驶/机器人

将成熟的机器人方法应用于汽车开发过程中

雷诺使用 ROS Toolbox 和 Simulink 集成推进 ADAS 原型开发

面板导航

自动驾驶/机器人

设计校园自动班车 WATonoBu

自动驾驶班车是开发 ADAS 技术的理想平台

面板导航