软件定义汽车 – 重塑汽车软件开发体系

13:35–14:05

从软件赋能到软件定义，汽车行业不仅需要解决诸如错误发现滞后带来的高昂代价、功能融合所需的跨学科知识、功能安全与实施成本之间的权衡等老问题，也面临着新的挑战：软件复杂度的不断提升、利用数据驱动创造价值、人工智能的引入和实现、数字技术和工程能力的结合。这些问题和挑战同样也给予了行业审视和重塑软件开发体系的机会，让软件能成为未来价值的真正驱动力：

系统工程 – 应对多学科多领域复杂系统设计，构建系统和软件架构模型开展分析和权衡并集成行为实现早期需求验证；

软件工厂 – 可配置可复用软件开发集成高效自动化流程，满足快速开发迭代和可靠质量安全；

数据驱动 – 引入机器学习和深度学习等在内的人工智能算法，充分挖掘车队数据和工程数据创造新价值；

虚拟车辆 – 利用车辆仿真平台早期集成软件算法，实现包括自动驾驶在内的功能虚拟验证。

新体系下模型从算法到系统，从物理到数据，从设计到验证被赋予了更为广泛的应用范围和生命周期，担负起承载企业知识资产的重要使命。软件定义汽车，模型赋能软件。

AUTOSAR发展趋势

14:05–14:35

AUTOSAR作为汽车行业的软件架构标准已经被全行业广泛应用。智能网联汽车和软件定义汽车的快速发展对软件架构提出了新的要求，AUTOSAR AP标准也在逐渐成熟并进入到汽车。不少工具和软件供应商也已基于AP标准开发了产品。作为汽车行业全球最大的标准组织，AUTOSAR还在做些什么来满足大家的需要呢？此演讲将讲述AUTOSAR组织标准化工作的来龙去脉，并介绍在中国参与AUTOSAR标准化工作的途径。

功能安全、信息安全和ASPICE的系统化实施方案

14:35–15:05

伴随着汽车新四化的兴起，汽车行业ECU开发的要求和标准也随之提高，功能安全、信息安全和ASPICE的要求也越来越普及。这些标准都有自己定义的一套完整的规范和实施过程，把这些要求在同一个项目中快速高效的结合起来、减少工程师的重复性工作、提高开发效率并有效降低成本是大家共同追求的目标。在这里我们将分享KOSTAL在这方面的一些实践经验供大家参考。

BMS软件开发及工具链管理

15:15–15:45

随着新能源汽车的发展，动力电池管理系统(BMS)的重要性日渐凸显。为了确保用户能够安全、舒适及便利的驾驶新能源汽车，在电池的高安全性、高动力性、长寿命方面，BMS扮演着重要的角色。广汽一直以来都在使用MATLAB^® & Simulink^®作为算法开发及辅助软件集成。本次演讲将主要介绍广汽BMS软件从开发初期模型到代码生成工具的选择，到现今面对新能源汽车的快速发展，软件迭代更新要求越来越快、软件复杂度也越来越高等问题，目前的BMS软件应对现状。同时在此发展背景下，高效的模型搭建与验证、软件框架的搭建与管理、满足相关MCU要求的自动代码生成、软件集成的高效管理等等，这些软件开发细节的重要性也日益凸显。为了更好的应对BMS软件的发展，目前广汽与MathWorks公司合作定制开发了Model-Based Design软件开发平台。

基于Simulink电池管理系统SOC算法在环仿真研究

15:45–16:15

本次演讲重点从BMS功能安全的软件架构介绍，通过架构介绍帮助了解SOC算法在架构中的重要性；同时针对新能源汽车BMS面临的SOC算法估算难点与痛点问题分析与研究；并进一步介绍基于Simulink^®建模与仿真在SOC估计算法运用。

基于模型的持续集成加速车载软件开发和交付

16:15–16:45

当前整个汽车软件行业的趋势是，日渐复杂的系统、 软件规模和更快速的交付需求。基于模型设计解决了开发的难度之后，融合到持续集成当中，可以进一步提高开发的速度来响应更快交付的需求。

本次演讲介绍基于模型设计中，模型规范检查，缺陷检查和动态测试以及生成代码的静态分析，如何与持续集成系统融合，为更好的、更快和更安全的车载软件构建完成的自动化平台。

为自动驾驶应用设计仿真场景

13:35–14:05

仿真是开发高级辅助驾驶（ADAS）和无人驾驶功能的常用方法，可以减少实车测试的工作量。汽车工业一直在寻找类似OpenSCENARIO的标准，以描述驾驶环境的动态仿真过程。

本演讲将介绍如何使用RoadRunner编辑真实道路路网，你可以用内置的交通参与者构建场景，也可以从外部的MATLAB^®、Simulink^®或CARLA等工具创建和集成自定义参与者。如果有需要，这些场景还可以导出为OpenSCENARIO，用于外部工具的仿真和分析。按照这个工作流程，你可以快速创建和仿真交通场景，探索系统方案和测试系统设计。

高精地图在仿真和自动驾驶环境下的应用

14:05–14:35

随着投入市场的自动驾驶功能级别不断升高，功能复杂度和场景数量的增加导致建模与仿真变得更加关键。而对于复杂的路网和真实场景，易图通丰富的数据资源，如SD/HD地图、实际道路采集数据等，再结合MATLAB^®和RoadRunner，可以帮助用户快速搭建高覆盖、逼真的仿真场景。此外，高精度地图在自动驾驶领域也发挥着重要的作用，如AVP、融合定位等。本次演讲将分享MATLAB、RoadRunner和易图通数据平台的仿真场景搭建、易图通高精度地图产品、应用，以及MATLAB和地图结合的应用案例。

基于MATLAB的V2X应用场景平台开发

14:35–15:05

V2X (Vehicle to everything)，即车联万物。通过无线通讯技术，将车-路-人-云等智能终端形成联网，使汽车具备复杂环境感知。依赖MATLAB^®平台（如Simulink^®、自动驾驶工具箱、RoadRunner等）对V2X相关算法进行仿真验证，可以提前识别算法缺陷，减少量产装车后的问题。而本次演讲将从三个方面分享V2X应用场景平台开发。

1、V2X简介及算法开发中的仿真需求
1.1 V2X概念介绍
1.2 V2X应用典型场景介绍
1.3 V2X相关算法开发对于仿真平台的需求
2、基于MATLAB的V2X系统级仿真平台搭建
2.1 V2X软件架构
2.2 V2X车端典型场景仿真架构
2.3 算法性能评估分析
3、新功能开发需求
3.1 路侧环境自动V2X生成消息集
3.2 协议栈拥塞控制系统级仿真

车辆在环系统在智驾开发中的应用

15:15–15:45

随着智能驾驶技术的不断发展，为保证智能驾驶车辆的舒适性与安全性，在智驾系统开发中需进行大量的测试验证，车辆在环系统（vehicle-in-the-loop, VIL）因场景搭建便捷、车辆动力学真实等特点被广泛采用。本次演讲将分享基于RoadRunner、Simulink^®和Speedgoat^®的车辆在环工具链的应用案例。以下是本次演讲的主要内容：

1.智驾开发测试系统分析

智驾测试系统中MIL、SIL、HIL、DIL、VIL、Real测试系统的特点及差异。

2.车辆在环测试系统的优势

a.场景搭建便捷

应用Driving Scenario Designer、RoadRunner快速搭建仿真场景。

b.车辆动力学真实

应用Speedgoat建立实时仿真系统。

3.车辆在环测试系统的难点

a.实车运动学参数与仿真车辆参数的映射关系

实车与仿真车辆间位姿转换模型建立，实现WGS坐标—>SIM坐标转换。

b.车辆在环测试系统中的接口设计

感知与规控的接口匹配以及规控与实车间的接口适配。

4.车辆在环测试系统的局限

a.感知模型置信度优化

b.交通流模型置信度提高

5.基于MATLAB^®车辆在环测试系统设计

a.系统架构设计

b.仿真场景搭建

c.模型接口调试

d.实时系统验证

6.车辆在环测试系统应用案例

a.ACC场景应用实例

b.LDW场景应用实例

c.APA场景应用实例

MATLAB & Simulink助力低速自动巡航的开发

15:45–16:15

低速自动驾驶由于其应用场景的复杂性，并没有像强约束应用场景的高速那样短期内实现了创造性的突破。高速场景下类似标准车道线、交通标志、高精地图以及单一的障碍物类型这样的强约束在低速下不存在或存在但没有很强的标准性。低速场景只能依靠车身传感器感知的局部信息来完成路径规划和控制，相对难度更大，但好消息是低速给予自动驾驶系统相对更长的决策时间，能容忍的感知错误也比高速大。一些在高速上只能作为参考的技术在低速下却能发挥重要作用，如基于语义分割进行可行驶区域识别，如近距离探测的超声波技术。

我们具体研究的低速自动巡航场景包括两边有障碍物的窄道场景，车道线场景，限位路桩场景等，它们共同的特点是能够使用成熟的环视和超声波来附加解决此类场景下自动驾驶问题。这样做的好处是不需要使用很昂贵的部件，可以在硬件配置不变的基础上带给车辆更多的功能，有助于推向量产化，从而实现在量产中更快的迭代，而不是一直把技术放在实验室或停留在演示阶段。

MathWorks对于自动驾驶开发来说，是一个很有效的“加速器”。在低速泊车领域，自动驾驶工具箱提供了一个完整的范例框架和理论基础，我们从这个范例框架出发，结合自身的技术沉淀，建立了从仿真系统到核心代码的开发部署，再到实车log数据的记录分析和回放一整套的解决方案。

具体来说，我们首先实现了从测绘地图转换成图像，再映射为世界坐标系下的高精地图，然后模拟车辆在地图中任意姿态时所探测到的实际图像输出，输出图像由核心算法实现路径规划后返回给仿真系统，仿真系统跟踪此路径控制车辆行进，然后再在可控的时机重新输出图像，实现闭环仿真。

另外一点被高效使用到的是基于MATLAB^®实现的log回放以及可视化数据分析方法。相对于“打印log分析bug的传统方式”，新方法带来的是跨跃式的突破。首先，log变得完整且灵活，log记录整个事件的完整时间序列及对应的图像数据，车辆姿态数据，超声波数据等，这些数据以结构体的方式存在，可以在MATLAB或C/C++环境中完整回放出来，再现bug发生的场景。其次，灵活的绘图可以让我们直观的看到庞大数据之间的关系，更容易找出规律性或异常点。

MathWorks另一个优点是可生成针对嵌入式的C代码。我们的系统需要部署在多核异构的嵌入式上运行，具体来说可能在ARM上，也可能是DSP上，决定了我们必须选择C作为编译时使用的代码，从而也排除了基于类似openCV库开发的可能。利用MathWorks提供的基础函数库，使用M语言加Simulink^®，我们可以轻松把自己的开发思想实现，然后按需生成高效的C代码，辅助以必要的SIL测试后，这些代码就可以交付并集成编译了。如果没有这样的工具链，我们无法想象完全基于C来完成此项工作的难度。

在具体实现的过程中，我们技术上经历了两代产品。第一代使用 RRT + Dubins曲线 + costmap的思路，和MathWorks范例提供的技术路线类似，优点是数学逻辑完备，缺点很多，如“蛇行”，如在嵌入式运行效率差。第二代开发思路上考虑实用，和超声波充分融合，路径作为宏观引导，更近的距离靠超声波调整。为避免“蛇行”，路径规划做了居中和直行优化；为了能够高效的在嵌入式上运行，我们充分使用了Simulink Coder™的诊断优化功能。

低速自动巡航的开发一开始就是面向量产的，在3年多的时间里，此项技术作为我们基于环视和超声波实现低速自动驾驶解决方案的一部分，不断的向车厂推广，以及和客户一起在实际开发过程中迭代。今年会逐步量产成熟度比较高的一些场景，作为实验性功能推送给终端驾驶者。

受制于传感器精度以及SoC算力的限制，很多新的开发思想无法在当前一代的域控制器平台上部署，好消息是新一代的域控制器使这一切变得可能。如遥控泊车场景，需要车辆自主去寻找车位，在车道，车位，导流线，可行驶区域多重约束下，车辆自主巡航去寻找车位或者召唤到指定位置。另外如记忆泊车，低速跟随，地下停车场的旋转路径等场景，低速自动巡航技术都有广泛的应用，需要我们去进一步探索。我们也会持续升级这一技术，并搭载在合作的客户车型上应用量产。

冗余智能制动系统研发创新及虚拟仿真技术应用

13:35–14:05

高级别智能电动车辆对底盘电控系统功能安全有更高的要求，必须满足Fail-operational，整车新型EEA架构发展呈现出域控、计算集中化、接口标准化、软硬件结构等趋势，也带来底盘控制系统架构变化以及信息安全的新要求。本次演讲将分享中汽创智在智能制动系统关键技术方面取得的突破，包括多级冗余制动系统架构、集成化轻量化的机电液耦合执行器设计、低功耗高可靠性的安全电路、基于多核异构的核心控制算法软件、电机直驱助力及线性电磁阀技术等；以及在软件开发方面的探索，以满足ASPICE CL3规范为基础，融入ISO26262功能安全开发，构建正向开发全栈工具链环境，形成软件开发V-Model的全覆盖，提升软件质量以及鲁棒性。

虚拟车辆建模以及规模化仿真的云端部署

14:05–14:35

在汽车行业向电气化、自主化以及汽车互联方向发展的大趋势下，虚拟车辆仿真的重要性越来越凸显。然而如何搭建出具有合适仿真精度与速度的模型来回答各种工程问题是关键。车辆建模也只是一个开始，基于之上的仿真平台必须能支持必要的规模化仿真，以支持工程师们做出客观的工程决策。本次演讲将介绍MathWorks在更轻松实现自定义以及更自动化实现车辆仿真方面的最新进展，并通过案例来介绍如何将大规模虚拟车辆仿真分析部署到云端。

基于多自由虚拟整车模型的电动四驱控制算法开发

14:35–15:05

多自由整车模型，整车零部件的准确建模和仿真，与电动汽车整车驾驶功能的快速开发是密不可分的。

本演讲将介绍在前期车辆开发过程中，与MathWorks工程咨询团队合作，使用Powertrain Blockset™对变速箱，电力电子，及齿轮组扭杆系统进行建模；使用Vehicle Dynamics Blockset™对1DOF，7DOF，14DOF整车进行建模；并使用Simulink^® Projects对开发工程进行管理；可在MIL环境下完成所有的控制策略开发。能满足车辆姿态估计，换挡控制，前后轴动态扭矩矢量分配，车轮滑转控制等四驱核心功能的开发.

车辆动力学建模仿真助力底盘控制开发

15:15–15:45

MATLAB^®从 R2022a开始提供了Virtual Vehicle Composer，该app可以通过界面操作方式快速实现自定义架构的整车模型，包括纵向动力学与横向动力学模型，可分别用于整车能耗分析以及驾驶稳定性分析等等。而Simscape™则提供了包括机、电、液等多物理域的建模解决方案，可以搭建各分系统细节模型，对分系统做参数分析与性能优化。本次演讲将如何将以底盘分系统为例，介绍如何基于Simscape搭建细节模型，并将其集成到整车模型里，进一步分析分系统性能以及零部件失效对整车控制的影响。

基于Simulink的虚拟车辆模型在HIL仿真测试中的应用

15:45–16:15

基于Simulink^®的Vehicle Dynamics Blockset™、Powertrain Blockset™以及Simscape™等工具箱，可以快速搭建车辆系统模型。借助于Simulink Real-Time™工具箱和Speedgoat^®实时仿真硬件平台，可实现虚拟车辆模型的实时化仿真，对车载控制器进行HIL测试。本次演讲主要包含以下内容:

• 车载控制器HIL测试系统
• 车辆系统模型的搭建
• 实时模型的配置和集成
• 车载控制器HIL测试

使用Simulink搭建整车模型及其自动驾驶仿真

16:15–16:45

使用仿真可以加速开发自动驾驶控制算法，实现快速验证，有利于敏捷开发，减少实车测试的工作量。

本演讲将介绍如何基于 Simulink^®提供的车辆模型，帮助大家快速搭建商用车整车模型，构造AEB场景，集成ADAS算法，快速搭建自动驾驶仿真框架，。

基于Simulink平台，你可以对于不同的自动驾驶开发任务，选择不同的颗粒度的车辆、传感器模型、环境模型等应用于不同自动驾驶仿真需求，集成自动驾驶环境仿真工具，支持HIL测试，设置或导入常见的自动驾驶测试场景，探索系统方案和测试系统设计。

探讨工程专家和数据科学家在大数据分析上的合作模式

13:35–14:05

数字化转型是当前很多工业企业探索的重要任务，成立数字化部门，引进数字化人才，吸引数据科学家都是重要的事项。新事物的引入也会带来新的问题，其中如何让数据科学家和公司内的工程专家有效合作，发挥各自所长来正向促进企业数字化转型就是一个问题，这是一个参杂着技术和业务元素的复杂问题。本次演讲将分析这个问题，并探讨如何解决这个问题，创新性的提出了两种合作模式。

演讲的第一部分将详细分析大数据分析的能力要求，分别是机器学习、编程能力和领域知识。其中编程能力是数据科学家和工程专家重叠的地方，他们都擅长MATLAB^®或Python^®的编程，另两个是大家各自擅长的，这就意味着他们需要合作。

演讲的第二部分将深入分析数据科学家和工程专家之间的天然“矛盾”。第一个“矛盾”是观念上的，数据科学家推崇数据驱动的建模，强调关联，而不重视因果；工程专家却恰恰相反，基于物理或化学原理的建模才是他们最放心的。第二“矛盾”是技能上的，数据科学家擅长在大数据的基础上通过机器学习算法来发掘数据里的潜在规律，而工程专家擅长在试验数据上利用清晰的物理或化学原理来建立可靠的仿真模型。

演讲的第三部分将探讨大数据分析合作的两种模式，在工业企业数字化的真实场景中数据虽大，却不是真正意义上的大数据，数据虽多，但也存在数据质量差、采样频率的低的问题。目前主流的合作模式是工作坊式的合作，即工程专家和数据科学家坐在一起建模，将以发动机进气系统健康状态预测模型为例来说明。另一种创新的合作模式是流水线式的合作建模，以一种技术方法将完整模型分为边缘模型和云端模型。工程专家负责边缘模型，数据科学家负责云端模型。这种方式实现了建模在时间和空间上的解耦，也能充分的发挥工程专家和数据科学家各自擅长的技能。会以发动机起动系统性能监测为例来展开说明。 第二种合作模式可以让工程专家继续使用他们擅长的MATLAB、Simulink^®在边缘控制器中集成边缘模型，而不是被分流去尝试云端建模。也让MathWorks可以集中精力让MATLAB成为云端建模的便利工具。

这次演讲期待参会者可以全面的了解工业企业里大数据分析上数据科学家和工程专家的潜在“矛盾”和合作的必要性，以及如何高效合作。希望在这一问题我们的成功经验可以被借鉴帮助到其他企业的数字化转型。

构建动力电池包的云端数字孪生

14:05–14:35

为构建物理资产的数字孪生，创建与验证模型十分重要，但是建模只是整个开发流程中的一环。在本次演讲中，我们将通过项目示例介绍动力电池包建模、云端部署，与现有数据架构集成，并基于真实车队数据预测电池健康状态。欢迎和我们一同探讨数字孪生项目中的关键问题。

基于MATLAB实现车云协同电池管理

14:35–15:05

 近年来，大数据、云平台、人工智能等技术的融合发挥着强大的储存、运算和学习能力，且我司用户累计里程超97亿公里，为构建云端BMS提供强大数据源。2021年，工信部指导意见指出发挥企业大数据监测平台效能，弥补高性能算法无法应用于车端的不足。为此，本演讲聚焦行业普遍关注的电池寿命问题，介绍云端BMS发挥效能及原理，目标实现电池与整车同寿，并为梯度利用提供支持。通过云端建立大数据驱动及机理模型，并将基于Simscape™开发的机理模型快速部署到Spark™平台并充分利用Hadoop^®大数据环境，预测寿命变化趋势，一对一全生命周期迭代更新车端参数，延长电池寿命，实现动力电池车云融合控制，并构建云端模型算法库，建立模型竞争管理机制，以获得最优计算结果。

人工智能算法的工程应用-以驾驶风格识别和速度预测为例

15:15–15:45

研究表明，混合动力汽车、传统汽车以及纯电动车， 其经济性能受驾驶员的风格影响较大。在大数据时代，从大数据中准确、高效挖掘出其相应的驾驶风格信息，开发相应的风格识别算法对车辆智能化软件开发具有重要意义。演讲中将展示如何通过MATLAB^®和Simulink^®，进行大数据的处理和基于机器学习的驾驶风格识别算法开发。

基于MATLAB 和 Simulink的智能网联汽车应用系统快速原型方案—以预测性GPF再生优化为例

15:45–16:15

随着智能网联技术在汽车行业的普及和深度应用，越来越多的汽车智能网联应用的研发在系统方案设计等方面都要面临越来越大的系统复杂度。这降低了研发人员研发的效率，并在系统中引入了更多非确定性的风险因素。为了预见性的解决这些问题，快速原型的构建经常被作为有效的系统设计验证的手段。而对于先进的智能网联汽车应用，相比传统的汽车应用，我们需要更加适用于汽车行业，更适用于智能网联汽车应用的快速原型工具。本次的分享主要介绍了我司在选择适用于智能网联汽车应用的快速原型构建工具的思考，并展示它们在实际工程下的应用。

数据驱动的动态系统建模—模型降阶之路

16:15–16:45

动态系统建模被各领域广泛应用，例如电动汽车，能源系统，航空航天。我们通常会针对被控对象建模，对被控对象进行建模是因为我们希望了解这个系统（被控对象）的物理特性以及接受一些外部输入（力，扭矩，电流等等）时会有什么样的动态响应，基于此从而可以更好的给出控制输入得到我们期望的系统的输出，以及理解系统的退化或最大化提升系统效率。这些动态系统的行为是由多物理场复杂的交互作用决定的，因此系统行为和系统响应建模通常需要复杂的第一原理支撑，仿真时也需要大量的计算(例如有限元模型)。这也是本此演讲的出发点，提供数据驱动（主要介绍深度学习和系统辨识）的模型降阶（reduced order modeling）提速的方法，通过数据得到具有一定保真度的数据模型，在捕捉到系统动态特性的同时也提升仿真速度。

 8月3日：Simulink开发和部署Adaptive AUTOSAR应用原型

13:30

Adaptive AUTOSAR上机实践内容：

• Simulink^®开发和部署AP应用
• AP自上而下开发工作流程
• ARA::COM建模和代码生成
• AP应用的标定、存储和日志

 8月5日：Simulink 模型测试验证

13:30

Simulink^® 模型测试验证上机实践内容：

• 需求与模型以及测试用例双向追溯
• 建模规范检查与运行时错误分析
• 功能测试用例编写与覆盖率分析

 8月12日: MATLAB与PyTorch&TensorFlow互操作以及AI模型集成到Simulink

9:00

MATLAB^®近年一直在持续投入以满足工程师和科研人员对AI的开发需求。从基础的CNN到对GAN的支持，从LSTM到neural ODE的支持，从简单易用的trainNetwork函数到支持使用基于dlarray的模型函数自定义训练循环，MATLAB一直在稳步跟随深度学习领域的发展趋势。当然很多工程师也希望能够在MATLAB中调用开源模型，以复用现有代码，促进团队内部合作，并与Model-Based Design工作流充分结合起来，进行仿真，测试，以及代码生成。

本次活动将通过构建数据驱动的电池SOC估计器的示例，介绍AI算法开发，与Python^®的双向调用和深度学习跨框架互操作（包括但不限于TensorFlow™/PyTorch/ONNX™），以及将神经网络集成到Simulink^®进行系统仿真，自动生成C代码并部署到硬件的全流程。