未来交通——自动驾驶

我们需要重点关注哪些因素，才能让无人驾驶车辆像当今的手机那样实现“预期”技术？MSC 软件花费了大量的时间来完善软件工具，以帮助工程师通过计算机仿真来设计更快速、更轻便且更安全的车辆。但是，要从仿真由人驾驶的汽车过渡到仿真由车辆控制中枢驾驶的汽车，还需要弥补当今车辆设计过程中的巨大空白。

由于无人驾驶车辆既新颖又复杂，因此需要对无数不同汽车品牌之间的车辆间通信进行规范。例如，福特货车与丰田轿车之间的通信。同时还必须处理仍与其他道路基础设施（例如路灯、道路标志等）进行互动的各种外部传感器输入的数据。为预测无人驾驶车辆的性能可信度并确保安全，汽车公司已扩大了其仿真技术的使用范围并采用了新技术。

MSC 软件预测，以下五种构架模块将成为无人驾驶车辆整体仿真成功的关键。

由脱机到实时

当涉及到对日益复杂的汽车系统进行真实性验证时，实时仿真绝对是关键所在。尽管脱机解决方案仍能够继续解算拥有极高复杂度的精密模型，但以下两个主要原因使得对实时仿真的需求不断增加。

首先，将虚拟模型与物理硬件（例如传感器、控制器、驾驶模拟器等）相连的要求，即所谓的硬件在环。这些实物资产有着限定的通信速度，并且相关的仿真模型必须能跟得上这一通信速度。实物与仿真世界之间的连接是实时模型的定义。

其次，车辆开发（包括动力学）的传统目标是对设备进行验证。而人类驾驶员，无论是对测试指令按部就班还是对各种情况当机立断，都不会被视为一个需要进行验证的“系统”（除进行驾照考试之外）。

自动驾驶车辆概念从一开始就彻底**了这种模式。现在，“驾驶员”无疑是车辆中最为复杂的系统，同样必须对其进行验证。不妨试想一下，自动驾驶的校车“司机”需要经历多少个场景的仿真测试才能被认为是安全可靠。

感知环境

如今，我们不仅可以对车辆响应进行准确的表述，还可以将车辆引入到由计算机仿真的真实驾驶环境中，这些环境包括其他汽车、树木、人及建筑物等。为自动驾驶车辆模型配备了可持续监测周围环境的各种传感器（雷达、激光雷达、视觉、红外线等），以便读取摂上述环境。车辆可根据这些反馈来计算后续要采取的动作，并将相应的信号发送给执行机构（转向、调速、制动等），以便驾驶汽车。然后在车辆底盘控制器上对这一行为进行编码。

到目前为止，车辆的动力学模型已经能够有效地对车辆的行为进行“黑盒”表述。也就是说，传感器和控制器开发人员关注的并不是车辆为何会有这些行为，而是其如何产生这些行为。尽管可以采用硬接线将响应行为与控制器相连，但这始终会受制于设计师所预想到的状况。

建立一个既能驻留在车辆控制器上又能了解预测响应与真实响应之间差异的车辆动力学模型，就可以在出现设计团队未预测到的状况时，也能让无人驾驶汽车进行导航。然后借助这一方法还可以捕捉磨损零部件、不正常胎压、积水所致低抓地力等产生的影响，并及时通知车辆采取最恰当的步骤。

数据爆炸

为能持续实时感受周围环境，自动驾驶汽车还必须访问包含有天气、障碍物、交通及道路状况的历史数据库。这可为质量控制及取证分析提供必要的框架。无人驾驶汽车在路上行驶的每分钟、每小时、每天及每年都离不开这些海量的数据转储，必须对其进行管理和存储。

毫无疑问，无人驾驶汽车的很大一部分环境就是其他车辆。因此，无人驾驶汽车须配备无数的传感器，能够以每秒高达 1 GB 的速度来创建、传输设备间的数据。大数据存储与数据馈送、传感器及车辆程序库的智能管理一样不可或缺。设计与工程团队还必须对保护多个总成及模型参数变化的模型程序库进行管理。此外还要确保各种表述方式（例如 MATLAB 和 Adams） 在所有这些参数变化后的模型之间保持一致。

这些海量的未处理传感器馈送数据以及经过仿真的传感器数据最后都会从建模数据存储设备迁移到大数据池中。

这些存储设备必须具备多种优势，例如：可将各种类型的数据存储在同一个存储库中；可对数据进行各种转换；可创建基于读取分析的模式；采用新的数据处理方式以及只受特定使用场景控制的单项主题分析，实现低成本、高可伸缩性。

同时还必须解决与存储结构无关的“数据提取”问题：换句话说，就是先将数据加载到系统中，然后再对其进行查询或处理。数据可供处理之后，在对汽车行为进行交互操作、推算及优化时，就可以采用矢量化之类的技术来优化查询评估的性能。

机器学习

当然，在讨论无人驾驶车辆时，不能不涉及人工智能这一主题。即使是经验丰富、才华横溢的车辆设计师和工程师团队也难以预测无人驾驶汽车导航时会遇到的各种潜在情景并预先进行编程。

目前正在研究的一种方案是自我监督的机器学习方式。可通过激光获取车辆环境中的各个表面点，这些点有可能过于稀疏，无法获取用来做对比的重要信息，另外由于时间延迟或估算误差，其准确度也有可能较低。这种方法可在受监督的学习过程中根据驾驶时实际冲击所产生的标记来学习地形。

另一种方法是通过强化学习来实现所谓的“避开障碍”。该方法的例子是以较高速度穿行于非结构化户外环境中的自动驾驶车辆。然后，受监督的学习算法只需通过单目视觉线索或者多个传感器的反馈就能准确估算与最近的障碍物之间的距离。

自动驾驶车辆系统采用视觉和机器人技术进行导航，其中包括图像处理和模式识别。在现实情况下，场景的噪声和变异性会导致严重的问题。在有着极高的噪声和变异性的环境中，人工神经网络始终有着出色的表现。

基于固定基本功能线性组合的回归及分级模型面临着维度所造成的明显限制。既要预先固定基本功能的数量，又要让其具备自适应能力。基本功能需要采用参数形式，以便在培训期间对参数值进行调整。前馈式神经网络就是这一类型中能够成功运作的模型。它也被称作“多层感知”。

自动驾驶领域所引入的另一种机器学习技术是深度学习。这种技术能让车辆的导航算法学习复杂的映射功能。深度学习是为数不多的（即便不是唯一的）能利用来自多种传感器（特别是来自相机系统）的海量培训数据的机器学习算法之一。它几乎涵盖了所有具有挑战性的领域，其中包括行人检测、车道检测、道路标识识别、交通灯、汽车、各种障碍物、环境与路面检测以及人类活动识别。

最后，正在探索的另一种扩展技术是采用针对无监督或半监督学习、层次化特征提取以及流模式的高效算法来取代固定特征。

全球的汽车行业都在不遗余力地进行无人驾驶汽车的开发。同样显而易见的是，迄今为止，原始设备制造商及其供应商在创造技术方面的能力要胜过他们在验证技术的防误操作、防篡改以及保持稳定方面的能力。对通信格式进行标准化仍然任重道远，需要对责任达成一致并提供基础设施，以便应对所需的海量数据传输。

我们如何才能了解这些海量新信息和各种新兴技术？计算机仿真是唯一能对所有潜在状况组合进行测试的技术途径，本文所述的结构化流程旨在为安全可靠的自动驾驶目标提供支持。MSC 软件能在这方面为您保驾护航。