本页面使用了机器翻译。
请花 1 分钟时间完成一个翻译质量的调查。
构建用于自动驾驶地面车辆验证的可扩展数字工程框架
自动化场景生成以实现可靠的自动驾驶车辆性能
“利用 MATLAB 工具，我们自动化了 128 个具有完全可追溯性的实时测试场景，将执行时间缩短了大约六倍，并将验证时间从数天减少到数小时。”
关键成果
- 在 7 小时内自动执行 128 个实时测试场景（原需一到两天），显著缩短了验证时间
- 实现了需求、架构和测试结果之间的完全可追溯性
- 开发了可适应新车辆平台和操作设计域 (ODD) 的可扩展框架
Tanmay Samak 和 Chinmay Samak 开发了一个灵活的数字孪生框架来验证越野自动驾驶车辆。
每年，飓风或地震等自然灾害都会导致难以进入偏远地区运送物资或评估损失。自动驾驶越野车辆为这一问题提供了一种解决方案，但这些复杂的网络物理系统面临着诸多工程挑战，例如应对复杂地形和恶劣环境条件，以及在用于感知、规划和控制的各种算法选项之间进行选择。因此，这些车辆的开发往往依赖于不一致的、临时的测试方法。
为了解决这个问题，克莱姆森大学国际汽车研究中心 (CU-ICAR) 自动化、机器人和机电一体化实验室 (ARMLab) 的研究人员，与 VIPR-GS 研究中心以及美国陆军 DEVCOM 地面车辆系统中心 (GVSC) 合作，开发了一个模块化的数字工程框架，用于在越野环境中核查和验证自动驾驶地面车辆。
该团队将 AutoDRIVE 生态系统中的数字孪生仿真与基于模型的系统工程和基于模型的设计工作流相结合。System Composer™ 用于指定和分析系统架构，并实现需求、设计和测试之间的双向可追溯性。一个自定义的基于 WebSocket 的 API 将 AutoDRIVE 与 MATLAB® 和 Simulink® 接口连接，实现了实时数据交换和自动化场景生成。
用于物体检测的深度学习模型与规划和控制系统相结合，以实现增强感知的控制。Variant Manager 和 Test Manager 被用于自动化 128 个独特的测试场景，每个场景模拟不同的环境条件和系统配置。
结果是一个可扩展的框架，能够在大约 7 小时内执行全面的验证，这相比之前的一到两天减少了 70% 到 85% 的时间，而且所有这些都可以一键触发。该团队目前正在探索硬件在环 (HIL) 测试和高性能计算集成，以进一步扩展功能。
