CN117590765A - 基于电控软模型的硬件在环仿真方法及系统 - Google Patents
基于电控软模型的硬件在环仿真方法及系统 Download PDFInfo
- Publication number
- CN117590765A CN117590765A CN202311596193.7A CN202311596193A CN117590765A CN 117590765 A CN117590765 A CN 117590765A CN 202311596193 A CN202311596193 A CN 202311596193A CN 117590765 A CN117590765 A CN 117590765A
- Authority
- CN
- China
- Prior art keywords
- simulation
- data
- performance data
- vehicle
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 409
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 69
- 238000012937 correction Methods 0.000 claims abstract description 52
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000001052 transient effect Effects 0.000 claims description 83
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000013075 data extraction Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims 7
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims 7
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims 7
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于电控软模型的硬件在环仿真方法及系统,涉及车辆仿真技术领域。该方法搭建用于指示仿真车辆在数字孪生仿真试验场中电控逻辑的基础电控软模型,以及用于指示仿真车辆在数字孪生仿真试验场中整车运动的基础整车动力学模型,获取车辆在真实道路中实车表现数据,并通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据后,根据基础仿真表现数据和实车表现数据对动力学模型进行对标修正,以获取目标动力学模型,从而实现对动力学建模优化,并通过建立数字孪生仿真试验场减少道路因素对动力学模型对标的干扰,从而提高仿真动力学模型性能指标和智能汽车实车性能指标的一致性,使得仿真效果能够准确表现出实际智能车辆的性能。
Description
技术领域
本申请涉及车辆仿真技术,尤其涉及一种基于电控软模型的硬件在环仿真方法及系统。
背景技术
智能驾驶控制器硬件在环(hardware-in-the-loop,HIL)测试是指对智能驾驶系统的仿真测试验证,在仿真测试中,需要模拟道路交通环境、被测智能驾驶系统等,而为了实现闭环仿真测试,还需要建立满足智能驾驶测试需求的车辆的动力学模型,用以响应和执行智能驾驶系统发出的各种控制指令。
而现有的智能驾驶控制器硬件在环测试方案,车辆的动力学模型通常采用在车辆动力学软件中参数化的模型来进行测试,这种动力学模型和智能驾驶系统结合程度不足,属于传统非智能驾驶汽车的整体技术框架,不能充分满足线控制动、线控转向等智能驾驶动力学控制相关的需求,因此对于动力学模型和实车动力性能一致性较低。
因此现有技术在对智能驾驶控制器硬件在环测试时,对于动力学模型和实车动力性能一致性方面仍有所欠缺。
发明内容
本申请提供一种基于电控软模型的硬件在环仿真方法及系统,用以解决现有技术在对智能驾驶控制器硬件在环测试时,对于动力学模型和实车动力性能一致性方面仍有所欠缺的问题。
第一方面,本申请提供一种基于电控软模型的硬件在环仿真方法,包括:
搭建基础电控软模型和基础整车动力学模型,其中,所述基础电控软模型用于指示仿真车辆在数字孪生仿真试验场中的电控逻辑,所述基础整车动力学模型用于指示所述仿真车辆在所述数字孪生仿真试验场中的整车运动;
获取实际车辆在预设真实道路中的实车表现数据,所述实车表现数据包括电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据,其中,所述第二实车性能表现数据用于指示激活ADAS功能时的整车性能表现数据;
基于所述实车表现数据,通过所述基础电控软模型和所述基础整车动力学模型获取基础仿真表现数据,并根据所述基础仿真表现数据对所述基础电控软模型和所述基础整车动力学模型进行修正,以获取目标电控软模型和目标整车动力学模型,根据所述目标电控软模型和目标整车动力学模型生成目标动力学模型,其中,所述基础仿真表现数据包括电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据,所述第二仿真性能表现数据用于指示激活ADAS功能时的整车性能仿真参数。
在一种可能的设计中,所述根据所述基础仿真表现数据对所述基础电控软模型和所述基础整车动力学模型进行修正,包括:
对所述电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据分别进行预设轮数的联调修正,以获取修正后仿真数据,使得排除所述修正后仿真数据在预设数字孪生仿真道路上与所述实车表现数据在预设真实道路中的干扰误差数据,其中,所述修正后仿真数据包括电控模型修正仿真数据、第一整车修正仿真数据和第二整车修正仿真数据;
根据所述修正后仿真数据获取第一误差检测结果,所述第一误差检测结果用于指示所述修正后仿真数据是否满足初步误差要求。
在一种可能的设计中,所述根据所述修正后仿真数据获取第一误差检测结果,包括:
检测所述修正后仿真数据是否满足第一误差条件,所述第一误差条件包括第一预设稳态误差和第一预设瞬态误差;
其中,获取所述电控模型修正仿真数据、第一整车修正仿真数据和第二整车修正仿真数据与对应所述电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据的稳态误差和瞬态误差;
若各仿真数据与对应表现数据的稳态误差大于所述第一预设稳态误差,或者所述瞬态误差大于所述第一预设瞬态误差时,则通过所述第一误差检测结果指示所述修正后仿真数据不满足所述初步误差要求,并发出电控提示信息,以提示用户对所述基础电控软模型的逻辑和参数进行修改调整;
若各仿真数据与对应表现数据的稳态误差小于或者等于第一预设稳态误差,且所述瞬态误差小于或者等于第一预设瞬态误差时,通过所述第一误差检测结果指示所述修正后仿真数据满足初步误差要求后,根据所述修正后仿真数据获取第二误差检测结果,所述第二误差检测结果用于指示所述修正后仿真数据是否满足目标误差要求。
在一种可能的设计中,所述根据所述修正后仿真数据获取第二误差检测结果,包括:
检测所述修正后仿真数据是否满足第二误差条件,其中,所述第二误差条件的第二预设稳态误差小于所述第一预设稳态误差,所述第二误差条件的第二预设瞬态误差小于所述第一预设瞬态误差;
其中,若所述电控模型修正仿真数据与所述电控实车表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,检测所述第一整车修正仿真数据与所述第一实车性能表现数据,否则发出电控提示信息,以提示用户对所述基础电控软模型的参数进行修改调整;
若所述第一整车修正仿真数据与所述第一实车性能表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,检测所述第二整车修正仿真数据与所述第二实车性能表现数据,否则发出第一整车提示信息,以提示用户对所述基础整车动力学模型的参数进行修改调整;
若所述第二整车修正仿真数据与所述第二实车性能表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,通过第二误差检测结果指示所述修正后仿真数据满足目标误差要求,并将此时的电控软模型和整车动力学模型作为目标电控软模型和目标整车动力学模型,否则发出第二整车提示信息,以提示用户对激活ADAS功能的所述基础整车动力学模型的参数进行修改调整。
在一种可能的设计中,在获取实际车辆在预设真实道路中的实车表现数据后,还包括:
根据所述实车表现数据和神经网络动力学模型仿真表现数据获取校验结果,所述校验结果用于指示所述实车表现数据是否合格,所述神经网络动力学模型仿真表现数据通过神经网络动力学模型获取,所述神经网络动力学模型基于合格的历史实车表现数据训练获取;
若所述校验结果指示所述实车表现数据合格,将所述实车表现数据作为训练数据,对预设神经网络进行训练,以获取目标神经网络动力学模型,并对所述目标神经网络动力学模型进行效果评价。
第二方面,本申请提供一种基于电控软模型的硬件在环仿真系统,包括:道路定位匹配单元、实车采集单元、仿真采集单元、数据实时回传单元、任务调配单元、对标数据提取单元、仿真数据参数化单元和参数校验应用单元;
所述道路定位匹配单元用于实现实际车辆与数字孪生仿真试验场中仿真车辆的道路信息一致;
所述实车采集单元用于通过各车载传感器获取实际车辆在预设真实道路中的实车表现数据,其中,所述实车表现数据包括电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据,所述第一实车性能表现数据用于指示未激活ADAS功能时的整车性能表现数据,所述第二实车性能表现数据用于指示激活ADAS功能时的整车性能表现数据;
所述仿真采集单元用于通过各监控子单元获取基础仿真表现数据,其中,所述基础仿真表现数据包括电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据,所述第一仿真性能表现数据用于指示未激活ADAS功能时的整车性能仿真参数,所述第二仿真性能表现数据用于指示激活ADAS功能时的整车性能仿真参数;
所述数据实时回传单元用于将获取的所述实车表现数据和所述基础仿真表现数据上传至云端进行数据存储和数据处理;
所述对标数据提取单元用于将云端中的数据进行分类,将所述实车表现数据和所述基础仿真表现数据标记为关键数据,其他类型数据标记为非关键数据;
所述任务调配单元用于根据预设优先级顺序,将云端中的所述实车表现数据和对应的所述基础仿真表现数据依次下载至所述参数校验应用单元;
所述仿真数据参数化单元用于根据所述实车表现数据和对应的所述基础仿真表现数据,对目标神经网络动力学模型进行训练更新:
所述参数校验应用单元用于执行基于电控软模型的硬件在环仿真方法。
在一种可能的设计中,所述道路定位匹配单元包括实车定位端、高精度地图端和仿真定位端;
其中,所述实车定位端通过匹配高精度地图,获取所述实际车辆在真实道路上的位置;
所述高精度地图端根据高精度地图,以及基于所述高精度地图转化格式的仿真地图,使得所述高精度地图和所述仿真地图的道路信息一致;
所述仿真定位端通过匹配所述仿真地图,获取仿真车辆在数字孪生仿真试验场中的位置。
第三方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现基于电控软模型的硬件在环仿真方法。
本申请提供了一种基于电控软模型的硬件在环仿真方法及系统,通过在搭建用于指示仿真车辆在数字孪生仿真试验场中电控逻辑的基础电控软模型,以及用于指示仿真车辆在数字孪生仿真试验场中整车运动的基础整车动力学模型后,获取实际车辆在真实道路中的实车表现数据,并通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据后,根据基础仿真表现数据和实车表现数据对基础电控软模型和基础整车动力学模型进行调整修正亦即根据实车表现数据对动力学模型进行对标,以获取目标电控软模型和目标整车动力学模型,根据目标电控软模型和目标整车动力学模型生成目标动力学模型,从而实现了对动力学建模和优化,并通过建立数字孪生仿真试验场减少了道路因素对动力学模型对标的干扰,从而提高了动力学模型和智能汽车实车性能指标的一致性,使得仿真效果能够准确的表现出实际智能车辆的性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于电控软模型的硬件在环仿真方法的流程示意图一;
图2为本申请实施例提供的基于电控软模型的硬件在环仿真方法的流程示意图二;
图3为本申请实施例提供的基于电控软模型的硬件在环仿真方法的流程示意图三;
图4为本申请实施例提供的基于电控软模型的硬件在环仿真系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着社会和科技的发展,智能汽车产品的出现成为交通行业发展的新趋势,对于智能汽车产品的安全性、功能性要求越来越高,因此在对智能汽车产品的实际应用之前,需要对智能车辆驾驶产品进行仿真测试,相比实车测试安全风险低可以模拟更加丰富多样的工况,且可以大幅的加快测试效率、降低成本,因此在厂商中得到了广泛的应用,当然对于汽车产品的安全性与功能性还是需要经过实车的检验。
而现有技术在对智能车辆驾驶产品进行仿真测试时,需要建立满足智能驾驶测试需求的车辆的动力学模型,用以响应和执行智能驾驶系统发出的转向、制动、驱动指令或者其他类型的控制指令,而在现有方案中建立车辆的动力学模型时,通常是在车辆动力学软件中进行预设的参数化模型来实现对于动力学模型的搭建,并基于预设参数化搭建的动力学模型进行仿真测试,由于智能驾驶与传统车辆的运动参数和电控参数存在差异,因此通过预设的参数搭建动力学模型和智能驾驶系统结合程度不足,不能充分满足线控制动、线控转向等智能驾驶动力学控制相关的需求,使得搭建的动力学模型不能够准确体现智能汽车的实车性能,亦即使得搭建的动力学模型和智能汽车实车性能指标一致性方面存在差异,使得仿真效果不能准确的表现出实际智能车辆的性能。
本申请提供了一种基于电控软模型的硬件在环仿真方法,通过在搭建用于指示仿真车辆在数字孪生仿真试验场中电控逻辑的基础电控软模型,以及用于指示仿真车辆在数字孪生仿真试验场中整车运动的基础整车动力学模型后,获取实际车辆在真实道路中的实车表现数据,并通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据后,根据基础仿真表现数据和实车表现数据对基础电控软模型和基础整车动力学模型进行调整修正亦即根据实车表现数据对动力学模型进行对标,以获取目标电控软模型和目标整车动力学模型,根据目标电控软模型和目标整车动力学模型生成目标动力学模型,从而实现了对动力学建模和优化,并通过建立数字孪生仿真试验场减少了道路因素对动力学模型对标的干扰,从而提高了动力学模型和智能汽车实车性能指标的一致性,使得仿真效果能够准确的表现出实际智能车辆的性能。
本申请还提供了一种基于电控软模型的硬件在环仿真系统,包括道路定位匹配单元、电控软模型数据采集单元、整车动力学数据采集单元、数据实时回传单元、任务调配单元、对标数据自动提取单元、仿真数据自动参数化单元和参数自动化校验应用单元;
其中,对于道路定位匹配单元分为实车定位端、高精度地图端、仿真定位端三部分,实车定位端通过安装GNSS和IMU,并匹配高精度地图,获取实车在真实道路上的定位位置;高精度地图端,涉及真实道路采集的高精度地图,以及高精度地图转化格式的仿真地图,高精度地图和仿真地图要做到道路绝对位置匹配、道路属性和细节一致如试验场高精度地图;仿真定位端,通过虚拟GNSS和虚拟IMU,并匹配仿真地图,获取仿真车辆在仿真地图中的定位位置。仿真定位端以及仿真车辆,都运行在硬件在环测试系统里;
对于电控软模型数据采集单元分为实车端和仿真模型端,电控软模型数据采集单元实车端,通过在实车各个电控软模型模块安装各类传感器,对各个电控软模型模块的性能表现进行数据采集,电控软模型实车表现数据采集单元仿真模型端,通过在电控软模型仿真模型端设置的监控模块,对各个电控软模型仿真模型的性能表现进行数据采集;
对于整车动力学数据采集单元分为实车端和仿真模型端,整车动力学数据采集分为实车端,通过在实车安装相应传感器,采集整车性能表现相关实车表现数据,并从CAN总线采集相应数据,整车动力学数据采集分为仿真模型端,通过在动力学模型端设置的监控模块,对动力学模型的整车性能表现进行数据采集,其中,当然也可以将电控软模型数据采集单元实车端和整车动力学数据采集单元实车端作为实车采集单元,也可以将电控软模型数据采集单元仿真模型端和整车动力学数据采集单元仿真模型端作为仿真采集单元,以实现对相关数据的采集,只要能够实现采集相应的数据即可;
对于数据实时回传单元分为车端回传和仿真端回传两部分,数据实时回传单元车端回传,通过安装在车端的数据实时回传单元,将电控软模型模块实车表现数据采集单元和整车动力学实车表现数据采集单元采集到的数据实时上传到云端,进行数据存储和数据处理,数据实时回传单元仿真端回传,通过在动力学模型端设置的数据实时回传单元,将电控软模型仿真模型端性能表现数据以及动力学模型端动力学模型整车性能表现数据,实时上传到云端,进行数据存储和数据处理;
对于任务调配单元,用于调配动力学对标的进程和自动化测试管理。在收到数据实时回传单元回传的数据后,按照预设逻辑自动触发对标数据自动提取单元,并将对标数据自动提取单元提取到的关键实车对标数据,按照任务调配单元里预设的下载优先级顺序,依次下载到指定的各个硬件在环测试设备端;
其中,对于神经网络动力学模型,接下来经过仿真数据自动参数化系统和参数自动化校验和应用系统,自动迭代神经网络动力学模型,对于普通的动力学模型,手动修改动力学模型参数即电控软模型参数和其他动力学模型参数,并在数字孪生仿真试验场虚拟道路上运行,得到三大类仿真性能表现数据。通过不断输入三大类实车对标性能表现数据,并对比运行得到的三大类仿真性能表现数据,不断修正动力学模型参数,达到误差内精度即可;
对于对标数据自动提取单元,通过将数据实时回传单元,实时回传的电控软模型模块实车表现数据采集单元和整车动力学实车表现数据采集单元采集到的数据,按照任务调配单元里的预设逻辑进行云端的对标数据快速自动分类提取;
其中,预设逻辑中的分类逻辑为将提取到的数据分为关键数据和非关键数据,对非关键数据不进行下载,对关键数据分为三大类。第一大类是电控软模型表现数据,第二大类是整车性能表现数据亦即截取ADAS功能未激活且超过一定采样时长的片段,第三大类是ADAS整车性能表现数据亦即截取ADAS功能激活且超过一定采样时长的片段。根据这三大类性能表现数据,来调整电控软模型和其他动力学模型参数,其中包含普通动力学模型和神经网络动力学模型;
对于预设逻辑中的采样逻辑为按照特定采样周期进行采样,重点提取每一大类在整个测试过程中每个周期内的关键数据。采样后的数据,是三大类按照确定采样周期所采数据的切帧。如一个小时的数据,若每秒采集20次,则切帧数为60*60*20=72000帧,即72000组数据,以分为上述三大类,将从三大类数据中提取出的切帧数据按照参数自动化校验和应用流程,通过任务调配单元调配,下载到硬件在环端,导入仿真数据自动参数化单元中;
对于仿真数据自动参数化单元,专用于神经网络动力学模型,是任务调配单元将自动提取的三大类实车性能表现切帧数据,按照预设的下载顺序依次下载到指定的各个硬件在环测试设备端后,自动激活相应硬件在环测试设备端的仿真数据自动参数化单元,进行实车对标数据的硬件在环端神经网络动力学模型参数化更新;
对于参数自动化校验应用单元,专用于神经网络动力学模型,是在经过仿真数据自动化参数单元之后,在硬件在环端自动运行更新参数后的神经网络动力学模型,进行自动化测试,并将测试结果自动反馈给神经网络动力学模型,通过不断对比输入的三大类实车对标表现数据和运行得到的三大类仿真表现数据之间的差距,不断修正神经网络模型。
下面采用具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
图1为本申请实施例提供的基于电控软模型的硬件在环仿真方法流程示意图一。如图1所示,该方法包括:
S101、搭建基础电控软模型和基础整车动力学模型,其中,所述基础电控软模型用于指示仿真车辆在数字孪生仿真试验场中的电控逻辑,所述基础整车动力学模型用于指示所述仿真车辆在所述数字孪生仿真试验场中的整车运动;
具体来说,基于搭载有智能驾驶系统的车辆亦即智能车辆的动力相关参数,在车辆动力学软件中搭建基础整车动力学模型,其中,基础整车动力学模型指示的车辆尺寸、类型、驱动方式以及其他与动力相关的参数都与实际车辆保持一致,并在能够实现预设逻辑参数的软件如Matlab上搭建基础电控软模型亦即SoftECU模型,以实现仿真车辆在数字孪生仿真试验场中的电控逻辑,其中,基础电控软模型用于指示仿真车辆在数字孪生仿真试验场中的电控逻辑,包含转向机电控软模型、EBS电控软模型、TCU电控软模型、ECU电控软模型、ESC电控软模型、液力缓速器电控软模型和排气制动电控软模型等。
S102、获取实际车辆在预设真实道路中的实车表现数据,所述实车表现数据包括电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据,其中,所述第二实车性能表现数据用于指示激活ADAS功能时的整车性能表现数据;
具体来说,在各对应的软件上完成对基础电控软模型和基础整车动力学模型的搭建后,通过实车采集单元中各车载传感器获取实际车辆在预设真实道路中的实车表现数据,其中,电控实车表现数据用于指示实际车辆在真实道路上行驶时的电控参数和逻辑,第一实车性能表现数据用于指示实际车辆在未激活ADAS(Advanced Driving AssistanceSystem,高级辅助驾驶系统)功能时的行驶表现数据,第二实车性能表现数据用于指示激活ADAS功能时的行驶表现数据亦即整车性能表现数据,因此第二实车性能表现数据相较于第一实车性能表现数据所表征的行驶表现数据更加丰富;
其中,实车表现数据分为直接数据和间接数据。直接数据是通过实车CAN总线、仪表等能直接读取到的基本性能表现数据,如车速、油门踏板开度、制动踏板开度、发动机转速、方向盘转角等。间接数据是需要特殊传感器测量或者进行运算或转化而得到的数据,比如加速度、横摆角速度、空挡滑行距离、制动距离、加速时间、制动时间等。基础仿真表现数据的直接数据和间接数据的数据类型与实车表现数据保持一致。
在进行动力学模型对标时,保证动力学模型的直接数据和实车的直接数据保持一致,通过调电控软模型参数以及整车动力学参数,来实现动力学模型的间接数据和实车的间接数据在误差范围内,从而实现动力学性能表现数据和实车性能表现数据在误差范围内。误差计算时,默认通过计算仿真和实车间接数据的加权误差,来确定动力学性能表现数据和实车性能表现数据的误差。
S103、基于所述实车表现数据,通过所述基础电控软模型和所述基础整车动力学模型获取基础仿真表现数据,并根据所述基础仿真表现数据对所述基础电控软模型和所述基础整车动力学模型进行修正,以获取目标电控软模型和目标整车动力学模型,根据所述目标电控软模型和目标整车动力学模型生成目标动力学模型。
具体来说,在完成对基础电控软模型和基础整车动力学模型的搭建,并获取到实车表现数据后,根据对实际车辆的定位,在数字孪生仿真试验场中确定与实际车辆定位相同的位置,以确定数字孪生仿真试验场中仿真车辆对应的道路信息,并基于对应的道路信息,通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据,亦即实现对实际车辆和仿真车辆行驶在相同位置时,仿真车辆的运动表现数据,其中,数字孪生仿真试验场存储有预设仿真地图,对于预设仿真地图为根据实际车辆所行驶的真实道路信息转化获取。
本实施例提供了一种基于电控软模型的硬件在环仿真方法,通过在搭建用于指示仿真车辆在数字孪生仿真试验场中电控逻辑的基础电控软模型,以及用于指示仿真车辆在数字孪生仿真试验场中整车运动的基础整车动力学模型后,获取实际车辆在真实道路中的实车表现数据,并通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据后,根据基础仿真表现数据和实车表现数据对基础电控软模型和基础整车动力学模型进行调整修正亦即根据实车表现数据对动力学模型进行对标,以获取目标电控软模型和目标整车动力学模型,根据目标电控软模型和目标整车动力学模型生成目标动力学模型,从而实现了对动力学建模和优化,并通过建立数字孪生仿真试验场减少了道路因素对动力学模型对标的干扰,从而提高了动力学模型和智能汽车实车性能指标的一致性,使得仿真效果能够准确的表现出实际智能车辆的性能。
下面采用一个具体的实施例,对本申请的基于电控软模型的硬件在环仿真方法进行详细说明。
实施例二
图2为本申请实施例提供的基于电控软模型的硬件在环仿真方法流程示意图二。如图2所示,所述方法包括:
S201、搭建基础电控软模型和基础整车动力学模型,获取实际车辆在预设真实道路中的实车表现数据;
具体来说,在完成对基础电控软模型和基础整车动力学模型的搭建后,亦即进行动力学仿真建模和电控软模型定制化建模,确定电控软模型模型逻辑和参数后,通过实车采集单元中各车载传感器进行若干轮实车表现数据采集,主要采集以下三类数据:电控软模型模块实车性能表现数据、整车实车性能表现数据和基于各ADAS功能的整车实车性能表现数据;
将采集到的实车表现数据实时回传并上传至云端中进行数据存储和处理,其中,实车表现数据包括电控实车表现数据亦即电控软模型模块实车性能表现数据、第一实车性能表现数据亦即整车实车性能表现数据和第二实车性能表现数据亦即基于各ADAS功能的整车实车性能表现数据,第二实车性能表现数据用于指示激活ADAS功能时的整车性能表现数据。
S202、基于所述实车表现数据,通过所述基础电控软模型和所述基础整车动力学模型获取基础仿真表现数据;
具体来说,在完成对基础电控软模型和基础整车动力学模型的搭建,并获取到实车表现数据后,进行实车对标数据提取,将提取的三类整车性能表现数据下载到硬件在环端,在仿真地图中运行电控软模型和动力学模型,并获取三类仿真性能表现数据,并通过调整三类参数,来对标仿真和实车的三类性能表现亦即通过道路定位匹配排除道路因素对动力学表现的干扰;
进一步地,通过道路定位匹配单元中的实车定位端匹配高精度地图,获取实际车辆在真实道路上的位置,并根据高精度地图进行格式转化,以获取对应的仿真地图,通过仿真定位端匹配对应的仿真地图,获取仿真车辆在数字孪生仿真试验场中的位置,使得实际车辆和仿真车辆行驶时的道路信息相同,基于相同的道路信息,通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据,亦即实现获取实际车辆和仿真车辆行驶在相同位置时仿真车辆的运动表现数据,并将获取的基础仿真表现数据上传至云端中,与对应时刻的实车表现数据进行关联数据存储和处理;
其中,基础仿真表现数据包括电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据,第一仿真性能表现数据用于指示未激活ADAS功能时的整车性能仿真参数,第二仿真性能表现数据用于指示激活ADAS功能时的整车性能仿真参数。
S203、对所述电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据分别进行预设轮数的联调修正,以获取修正后仿真数据;
具体来说,在通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据后,需要对基础仿真表现数据进行修正,使得修正后仿真数据排除实车表现数据在预设真实道路中的干扰误差数据如实际道路状况与仿真地图中的道路状况不一致产生的误差;
其中,通过任务调配单元随机获取云端中的实车表现数据和对应的基础仿真表现数据,并根据实车表现数据中的电控实车表现数据修正基础仿真表现数据中的电控仿真表现数据,根据第一实车性能表现数据修正第一仿真性能表现数据中的非结构参数如仿真特有的参数,而实车表现数据没有提供的参数,根据第二实车性能表现数据修正第二仿真性能表现数据如修正各类延时参数,以实现对基础电控软模型和基础整车动力学模型的联调修正后,并重新获取新一轮的实车表现数据,基于新一轮的实车表现数据和对基础电控软模型和基础整车动力学模型修正后的电控软模型和动力学模型,获取此时的仿真数据亦即修正后仿真数据;
其中,修正后仿真数据包括电控模型修正仿真数据、第一整车修正仿真数据和第二整车修正仿真数据。
S204、检测所述修正后仿真数据是否满足第一误差条件,所述第一误差条件包括第一预设稳态误差和第一预设瞬态误差;
具体来说,在获取到修正后仿真数据后,根据修正后仿真数据获取第一误差检测结果,其中,获取电控模型修正仿真数据、第一整车修正仿真数据和第二整车修正仿真数据与对应电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据的稳态误差和瞬态误差,亦即获取三类数据的稳态误差和瞬态误差,第一误差检测结果用于指示修正后仿真数据是否满足初步误差要求。
S205、若各仿真数据与对应表现数据的稳态误差大于所述第一预设稳态误差,或者所述瞬态误差大于所述第一预设瞬态误差时,则通过所述第一误差检测结果指示所述修正后仿真数据不满足所述初步误差要求,并发出电控提示信息;
具体来说,将三类数据的稳态误差和瞬态误差,分别与第一预设稳态误差如10%和第一预设瞬态误差如15%进行比较,针对三大类当前轮次实车性能表现数据和仿真性能表现数据,若稳态误差超过10%或瞬态误差超过15%,则重新修改电控软模型SoftECU,亦即若检测到其中稳态误差大于10%或者瞬态误差大于15%时,通过第一误差检测结果指示修正后仿真数据不满足初步误差要求,并发出电控提示信息,以提示用户对基础电控软模型的逻辑和参数进行修改调整,亦即根据实车表现数据中的电控实车表现数据修正基础仿真表现数据中的电控仿真表现数据。
S206、若各仿真数据与对应表现数据的稳态误差小于或者等于第一预设稳态误差,且所述瞬态误差小于或者等于第一预设瞬态误差时,通过所述第一误差检测结果指示所述修正后仿真数据满足初步误差要求后,检测所述修正后仿真数据是否满足第二误差条件;
具体来说,在将三类数据的稳态误差和瞬态误差,分别与第一预设稳态误差和第一预设瞬态误差进行比较后,若稳态误差不超过10%且瞬态误差不超过15%,则进入下一步,亦即只有在检测到三类数据的稳态误差和瞬态误差均小于或者等于对应的第一预设稳态误差和第一预设瞬态误差时,第一误差检测结果指示修正后仿真数据满足初步误差要求,并进一步对修正后仿真数据进行检测,亦即检测修正后仿真数据是否满足第二误差条件,并通过第二误差检测记过指示修正后仿真数据是否满足目标误差要求,其中,第二误差条件的第二预设稳态误差小于第一预设稳态误差,第二误差条件的第二预设瞬态误差小于第一预设瞬态误差。
S207、若所述电控模型修正仿真数据与所述电控实车表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,检测所述第一整车修正仿真数据与所述第一实车性能表现数据;
具体来说,在第一误差检测结果指示修正后仿真数据满足初步误差要求后,将电控模型修正仿真数据与电控实车表现数据的稳态误差和瞬态误差分别与对应的第二预设稳态误差如5%和第二预设瞬态误差8%进行比较;
判断三大类当前轮次实车性能表现数据和仿真性能表现数据,若每一类的稳态误差超过5%或者瞬态误差超过8%,则调整电控软模型参数,使其达到该误差范围内,亦即若检测到电控模型修正仿真数据与电控实车表现数据的稳态误差第二预设稳态误差如5%,或者瞬态误差大于对应的第二预设瞬态误差如8%时,发出电控提示信息,以提示用户对基础电控软模型的逻辑和参数进行修改调整达到该误差范围内,若电控模型修正仿真数据与电控实车表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,检测第一整车修正仿真数据与第一实车性能表现数据。
S208、若所述第一整车修正仿真数据与所述第一实车性能表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,检测所述第二整车修正仿真数据与所述第二实车性能表现数据;
具体来说,在检测到电控模型修正仿真数据与电控实车表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差后,若检测到第一整车修正仿真数据或者第一实车性能表现数据的稳态误差大于对应的第二预设稳态误差,或者瞬态误差大于第二预设瞬态误差时,发出第一整车提示信息,以提示用户对基础整车动力学模型的参数进行修改调整,亦即根据第一实车性能表现数据修正第一仿真性能表现数据中的非结构参数如仿真特有的参数,若检测到第一整车修正仿真数据与第一实车性能表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,检测第二整车修正仿真数据与第二实车性能表现数据。
S209、若所述第二整车修正仿真数据与所述第二实车性能表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,通过第二误差检测结果指示所述修正后仿真数据满足目标误差要求,并将此时的电控软模型和整车动力学模型作为目标电控软模型和目标整车动力学模型,根据所述目标电控软模型和目标整车动力学模型生成目标动力学模型;
具体来说,在检测到第一整车修正仿真数据与第一实车性能表现数据的稳态误差和瞬态误差不大于对应的第二预设稳态误差和第二预设瞬态误差后,若检测到第二整车修正仿真数据与所述第二实车性能表现数据的稳态误差大于第二预设稳态误差,或者瞬态误差大于对应的第二预设瞬态误差时,发出第二整车提示信息,以提示用户对激活ADAS功能的基础整车动力学模型的参数进行修改调整,亦即根据第二实车性能表现数据修正第二仿真性能表现数据如修正各类延时参数,然后再输入下一轮数据,如此重复,直至达到预设误差范围内,亦即第二整车修正仿真数据与第二实车性能表现数据的稳态误差和瞬态误差不大于对应的第二预设稳态误差和第二预设瞬态误差;
若检测到第二整车修正仿真数据与第二实车性能表现数据的稳态误差和瞬态误差不大于对应的第二预设稳态误差和第二预设瞬态误差时,通过第二误差检测结果指示修正后仿真数据满足目标误差要求,从而实现根据实车表现数据完成对仿真数据的对标,并获取此时经过调整修正后的目标电控软模型和目标整车动力学模型,并将目标电控软模型和目标整车动力学模型构成的动力学模型作为目标动力学模型。
本实施例提供了一种基于电控软模型的硬件在环仿真方法,通过图4中的道路定位匹配单元、实车采集单元、仿真采集单元、数据实时回传单元、任务调配单元和对标数据提取单元实现获取目标动力学模型,其中,在搭建用于指示仿真车辆在数字孪生仿真试验场中电控逻辑的基础电控软模型,以及用于指示仿真车辆在数字孪生仿真试验场中整车运动的基础整车动力学模型后,获取实际车辆在真实道路中的实车表现数据,并通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据后,根据基础仿真表现数据和实车表现数据对基础电控软模型和基础整车动力学模型进行调整修正亦即根据实车表现数据对动力学模型进行对标,以获取目标电控软模型和目标整车动力学模型,根据目标电控软模型和目标整车动力学模型生成目标动力学模型,从而实现了对动力学建模和优化,并通过建立数字孪生仿真试验场减少了道路因素对动力学模型对标的干扰,从而提高了仿真动力学模型性能指标和智能汽车实车性能指标的一致性,使得仿真效果能够准确的表现出实际智能车辆的性能。
实施例三
图3为本申请实施例提供的基于电控软模型的硬件在环仿真方法流程示意图三。如图3所示,所述方法包括:
S301、获取实际车辆在预设真实道路中的实车表现数据;
具体来说,步骤S301与步骤S201的实现方式类似,本实施例此处不做赘述。
S302、根据所述实车表现数据和神经网络动力学模型仿真表现数据获取校验结果,所述校验结果用于指示所述实车表现数据是否合格,所述神经网络动力学模型仿真表现数据通过神经网络动力学模型获取;
具体来说,通过任务调配单元随机获取云端中的实车表现数据并进行对标数据自动提取后,任务调配单元将实车表现数据下发到硬件在环测试端仿真数据参数化单元的神经网络动力学模型中,以获取自动运行更新实车表现数据后的动力学模型亦即神经网络动力学模型,进行自动化测试,并通过参数校验应用单元记录测试过程中的电控软模型模块仿真性能参数和车辆动力学仿真性能参数亦即获取到神经网络动力学模型仿真表现数据;
进一步地,获取神经网络动力学模型仿真表现数据中电控网络仿真数据、第一整车网络仿真数据和第二整车网络仿真数据与对应实车表现数据中电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据的稳态误差和瞬态误差;
检测电控网络仿真数据与电控实车表现数据的稳态误差和瞬态误差是否不大于对应的第一稳态误差和第一瞬态误差,若是,检测第一整车网络仿真数据和第二整车网络仿真数据,与对应第一实车性能表现数据和第二实车性能表现数据的稳态误差和瞬态误差是否不大于对应的第一稳态误差和第一瞬态误差,若不是,则发出告警信息,提示用户对基础电控软模型的逻辑和参数进行修改调整,亦即检测电控软模型模块仿真性能参数和电控软模型模块实车表现数据是否能达到“稳态误差不超过10%且瞬态误差不超过15%”,若不能,则发出警告并记录Log文件,待人工核查实车采集数据有效性及电控软模型仿真模型,若能,则进入下一步;
进一步地,判断车辆动力学仿真性能参数和实车整车性能数据是否能达到“稳态误差不超过10%且瞬态误差不超过15%”,若不能,则发出警告并记录Log文件,待人工核查实车采集数据有效性及电控软模型仿真模型,若能亦即若第一整车修正仿真数据和第二整车修正仿真数据,与对应第一实车性能表现数据和第二实车性能表现数据的稳态误差和瞬态误差均不大于各对应的第一稳态误差和第一瞬态误差,通过校验结果指示基础仿真表现数据和实车表现数据合格。
S303、若所述校验结果指示所述实车表现数据合格,将所述实车表现数据作为训练数据,对预设神经网络进行训练,以获取目标神经网络动力学模型;
具体来说,在检测到校验结果指示实车表现数据合格时,将合格的实车表现数据作为训练数据输入至预设神经网络中进行训练,以获取适应的目标神经网络动力学模型后,通过输入新的实车表现数据至目标神经网络动力学模型中,即可获取对应的仿真车辆的参数,以实现对动力学参数的自动获取和及时更新;
进一步地,检测目标神经网络动力学模型标记是否合格,其中,获取多组新的实车表现数据,并将多组所述新的实车表现数据输入至目标神经网络动力学模型中,以获取多个输出的目标仿真动力学数据,获取各目标仿真动力学数据与对应新的实车表现数据的多个差值,在多个差值中,将小于预设值的差值标记为目标差值,并获取目标差值的数量,若目标差值的数量大于预设数量,则将目标神经网络动力学模型标记为合格,并记录至模型数据库中,若目标差值的数量小于预设数量,则将目标神经网络动力学模型标记为不合格,记录至模型数据库中。
本实施例提供了一种基于电控软模型的硬件在环仿真方法,通过图4中的道路定位匹配单元、实车采集单元、仿真采集单元、数据实时回传单元、任务调配单元、对标数据提取单元、仿真数据参数化单元和参数校验应用单元实现获取目标神经网络动力学模型,其中,通过在搭建用于指示仿真车辆在数字孪生仿真试验场中电控逻辑的基础电控软模型,以及用于指示仿真车辆在数字孪生仿真试验场中整车运动的基础整车动力学模型后,获取实际车辆在真实道路中的实车表现数据,并通过基础电控软模型和基础整车动力学模型获取基础仿真表现数据后,基于基础仿真表现数据和实车表现数据获取目标神经网络动力学模型,从而实现了对动力学参数的自动获取和及时更新以及参数自动化校验和应用。
图4为本申请实施例提供的基于电控软模型的硬件在环仿真系统的结构示意图,本实施例中的基于电控软模型的硬件在环仿真系统可以实现基于电控软模型的硬件在环仿真方法,如图4所示,该基于电控软模型的硬件在环仿真系统包括道路定位匹配单元、实车采集单元、仿真采集单元、数据实时回传单元、任务调配单元、对标数据提取单元、仿真数据参数化单元和参数校验应用单元;
其中,道路定位匹配单元用于实现实际车辆与数字孪生仿真试验场中仿真车辆的道路信息一致;
实车采集单元用于通过各车载传感器获取实际车辆在预设真实道路中的实车表现数据,其中,所述实车表现数据包括电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据,所述第一实车性能表现数据用于指示未激活ADAS功能时的整车性能表现数据,所述第二实车性能表现数据用于指示激活ADAS功能时的整车性能表现数据;
仿真采集单元用于通过各监控子单元获取基础仿真表现数据,其中,所述基础仿真表现数据包括电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据,所述第一仿真性能表现数据用于指示未激活ADAS功能时的整车性能仿真参数,所述第二仿真性能表现数据用于指示激活ADAS功能时的整车性能仿真参数;
数据实时回传单元用于将获取的所述实车表现数据和所述基础仿真表现数据上传至云端进行数据存储和数据处理,其中,数据实时回传单元车端回传部和仿真端回传部,车端回传部通过安装在车端的数据实时回传系统,将电控软模型模块实车表现数据采集系统和整车动力学实车表现数据采集系统采集到的数据实时上传到云端,进行数据存储和数据处理,仿真端回传部通过在动力学模型端设置的数据实时回传系统,将电控软模型仿真模型端性能表现数据以及动力学模型端动力学模型整车性能表现数据,实时上传到云端,进行数据存储和数据处理;
对标数据提取单元用于在收到数据实时回传单元回传的数据后,将云端中的数据按照预设逻辑进行分类,将所述实车表现数据标记为关键数据,其他类型数据标记为非关键数据,其中,关键数据亦即实车表现数据分为三大类。第一大类是电控软模型表现数据,第二大类是整车性能表现数据(截取ADAS功能未激活且超过一定采样时长的片段),第三大类是ADAS整车性能表现数据(截取ADAS功能激活且超过一定采样时长的片段),根据这三大类性能表现数据,来调整电控软模型和其他动力学模型参数;
进一步地,预设逻辑中的采样逻辑为按照特定采样周期进行采样,重点提取每一大类在整个测试过程中每个周期内的关键数据,采样后的数据,是三大类按照确定采样周期所采数据的切帧,如一个小时的数据,若每秒采集20次,则切帧数为60*60*20=72000帧,即72000组数据,分为上述三大类,并将三大类数据中提取出的切帧数据通过任务调配单元调配,下载导入到硬件在环端中对应的仿真数据自动参数化单元中;
任务调配单元用于根据预设优先级顺序,将云端中的关键数据如实车表现数据和对应的基础仿真表现数据依次下载至参数校验应用单元,其中,根据不同类型的动力学模型如神经网络动力学模型和普通的动力学模型进行不同的选择调配,对于神经网络动力学模型,经过仿真数据自动参数化单元和参数自动化校验应用单元,自动迭代神经网络动力学模型;
进一步地,对于普通的动力学模型,手动修改动力学模型参数亦即电控软模型参数和其他动力学模型参数并在数字孪生仿真试验场虚拟道路上运行,得到三大类仿真性能表现数据,通过不断输入三大类实车对标性能表现数据,并对比运行得到的三大类仿真性能表现数据,不断修正动力学模型参数,达到误差内精度即可;
仿真数据参数化单元用于根据所述实车表现数据和对应的所述基础仿真表现数据,对目标神经网络动力学模型进行训练更新,亦即专用于神经网络动力学模型,是任务调配单元将自动提取的三大类实车性能表现切帧数据,按照预设的下载顺序依次下载到指定的各个硬件在环测试设备端后,自动激活相应硬件在环测试设备端的仿真数据自动参数化单元,进行实车对标数据的硬件在环端神经网络动力学模型参数化更新;
参数校验应用单元用于神经网络动力学模型,是在经过仿真数据参数化单元之后,在硬件在环端自动运行更新参数后的神经网络动力学模型,进行自动化测试,并将测试结果自动反馈给神经网络动力学模型,通过不断对比输入的三大类实车对标表现数据和运行得到的三大类仿真表现数据之间的差距,不断修正神经网络模型,以获取目标神经网络动力学模型。
进一步地,道路定位匹配单元包括实车定位端、高精度地图端和仿真定位端,其中,所述实车定位端通过匹配高精度地图,获取所述实际车辆在真实道路上的位置,高精度地图端根据高精度地图,以及基于所述高精度地图转化格式的仿真地图,使得所述高精度地图和所述仿真地图的道路信息一致,仿真定位端通过匹配所述仿真地图,获取仿真车辆在数字孪生仿真试验场中的位置。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上基于电控软模型的硬件在环仿真方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于电子设备或主控设备中。
本申请还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于电控软模型的硬件在环仿真方法,其特征在于,所述方法包括:
搭建基础电控软模型和基础整车动力学模型,其中,所述基础电控软模型用于指示仿真车辆在数字孪生仿真试验场中的电控逻辑,所述基础整车动力学模型用于指示所述仿真车辆在所述数字孪生仿真试验场中的整车运动;
获取实际车辆在预设真实道路中的实车表现数据,所述实车表现数据包括电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据,其中,所述第二实车性能表现数据用于指示激活ADAS功能时的整车性能表现数据;
基于所述实车表现数据,通过所述基础电控软模型和所述基础整车动力学模型获取基础仿真表现数据,并根据所述基础仿真表现数据对所述基础电控软模型和所述基础整车动力学模型进行修正,以获取目标电控软模型和目标整车动力学模型,根据所述目标电控软模型和目标整车动力学模型生成目标动力学模型,其中,所述基础仿真表现数据包括电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据,所述第二仿真性能表现数据用于指示激活ADAS功能时的整车性能仿真参数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述基础仿真表现数据对所述基础电控软模型和所述基础整车动力学模型进行修正,包括:
对所述电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据分别进行预设轮数的联调修正,以获取修正后仿真数据,使得排除所述修正后仿真数据在预设数字孪生仿真道路上与所述实车表现数据在预设真实道路中的干扰误差数据,其中,所述修正后仿真数据包括电控模型修正仿真数据、第一整车修正仿真数据和第二整车修正仿真数据;
根据所述修正后仿真数据获取第一误差检测结果,所述第一误差检测结果用于指示所述修正后仿真数据是否满足初步误差要求。
3.根据权利要求2所述的方法,其特征在于,所述根据所述修正后仿真数据获取第一误差检测结果,包括:
检测所述修正后仿真数据是否满足第一误差条件,所述第一误差条件包括第一预设稳态误差和第一预设瞬态误差;
其中,获取所述电控模型修正仿真数据、第一整车修正仿真数据和第二整车修正仿真数据与对应所述电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据的稳态误差和瞬态误差;
若各仿真数据与对应表现数据的稳态误差大于所述第一预设稳态误差,或者所述瞬态误差大于所述第一预设瞬态误差时,则通过所述第一误差检测结果指示所述修正后仿真数据不满足所述初步误差要求,并发出电控提示信息,以提示用户对所述基础电控软模型的逻辑和参数进行修改调整;
若各仿真数据与对应表现数据的稳态误差小于或者等于第一预设稳态误差,且所述瞬态误差小于或者等于第一预设瞬态误差时,通过所述第一误差检测结果指示所述修正后仿真数据满足初步误差要求后,根据所述修正后仿真数据获取第二误差检测结果,所述第二误差检测结果用于指示所述修正后仿真数据是否满足目标误差要求。
4.根据权利要求3所述的方法,其特征在于,所述根据所述修正后仿真数据获取第二误差检测结果,包括:
检测所述修正后仿真数据是否满足第二误差条件,其中,所述第二误差条件的第二预设稳态误差小于所述第一预设稳态误差,所述第二误差条件的第二预设瞬态误差小于所述第一预设瞬态误差;
其中,若所述电控模型修正仿真数据与所述电控实车表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,检测所述第一整车修正仿真数据与所述第一实车性能表现数据,否则发出电控提示信息,以提示用户对所述基础电控软模型的参数进行修改调整;
若所述第一整车修正仿真数据与所述第一实车性能表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,检测所述第二整车修正仿真数据与所述第二实车性能表现数据,否则发出第一整车提示信息,以提示用户对所述基础整车动力学模型的参数进行修改调整;
若所述第二整车修正仿真数据与所述第二实车性能表现数据的稳态误差和瞬态误差小于或者等于对应的第二预设稳态误差和第二预设瞬态误差时,通过第二误差检测结果指示所述修正后仿真数据满足目标误差要求,并将此时的电控软模型和整车动力学模型作为目标电控软模型和目标整车动力学模型,否则发出第二整车提示信息,以提示用户对激活ADAS功能的所述基础整车动力学模型的参数进行修改调整。
5.根据权利要求1所述的方法,其特征在于,在获取实际车辆在预设真实道路中的实车表现数据后,还包括:
根据所述实车表现数据和神经网络动力学模型仿真表现数据获取校验结果,所述校验结果用于指示所述实车表现数据是否合格,所述神经网络动力学模型仿真表现数据通过神经网络动力学模型获取,所述神经网络动力学模型基于合格的历史实车表现数据训练获取;
若所述校验结果指示所述实车表现数据合格,将所述实车表现数据作为训练数据,对预设神经网络进行训练,以获取目标神经网络动力学模型,并对所述目标神经网络动力学模型进行效果评价。
6.一种基于电控软模型的硬件在环仿真系统,其特征在于,包括:道路定位匹配单元、实车采集单元、仿真采集单元、数据实时回传单元、任务调配单元、对标数据提取单元、仿真数据参数化单元和参数校验应用单元;
所述道路定位匹配单元用于实现实际车辆与数字孪生仿真试验场中仿真车辆的道路信息一致;
所述实车采集单元用于通过各车载传感器获取实际车辆在预设真实道路中的实车表现数据,其中,所述实车表现数据包括电控实车表现数据、第一实车性能表现数据和第二实车性能表现数据,所述第一实车性能表现数据用于指示未激活ADAS功能时的整车性能表现数据,所述第二实车性能表现数据用于指示激活ADAS功能时的整车性能表现数据;
所述仿真采集单元用于通过各监控子单元获取基础仿真表现数据,其中,所述基础仿真表现数据包括电控仿真表现数据、第一仿真性能表现数据和第二仿真性能表现数据,所述第一仿真性能表现数据用于指示未激活ADAS功能时的整车性能仿真参数,所述第二仿真性能表现数据用于指示激活ADAS功能时的整车性能仿真参数;
所述数据实时回传单元用于将获取的所述实车表现数据和所述基础仿真表现数据上传至云端进行数据存储和数据处理;
所述对标数据提取单元用于将云端中的数据进行分类,将所述实车表现数据和所述基础仿真表现数据标记为关键数据,其他类型数据标记为非关键数据;
所述任务调配单元用于根据预设优先级顺序,将云端中的所述实车表现数据和对应的所述基础仿真表现数据依次下载至所述参数校验应用单元;
所述仿真数据参数化单元用于根据所述实车表现数据和对应的所述基础仿真表现数据,对目标神经网络动力学模型进行训练更新:
所述参数校验应用单元用于执行如权利要求1-5任一项所述的方法。
7.根据权利要求6所述的系统,其特征在于,所述道路定位匹配单元包括实车定位端、高精度地图端和仿真定位端;
其中,所述实车定位端通过匹配高精度地图,获取所述实际车辆在真实道路上的位置;
所述高精度地图端根据高精度地图,以及基于所述高精度地图转化格式的仿真地图,使得所述高精度地图和所述仿真地图的道路信息一致;
所述仿真定位端通过匹配所述仿真地图,获取仿真车辆在数字孪生仿真试验场中的位置。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311596193.7A CN117590765A (zh) | 2023-11-27 | 2023-11-27 | 基于电控软模型的硬件在环仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311596193.7A CN117590765A (zh) | 2023-11-27 | 2023-11-27 | 基于电控软模型的硬件在环仿真方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117590765A true CN117590765A (zh) | 2024-02-23 |
Family
ID=89919634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311596193.7A Pending CN117590765A (zh) | 2023-11-27 | 2023-11-27 | 基于电控软模型的硬件在环仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117590765A (zh) |
-
2023
- 2023-11-27 CN CN202311596193.7A patent/CN117590765A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110794810B (zh) | 一种对智能驾驶车辆进行集成化测试的方法 | |
CN107544290B (zh) | 一种新能源汽车性能评估分析和优化系统及方法 | |
Huybrechts et al. | Automatic reverse engineering of CAN bus data using machine learning techniques | |
US20190084582A1 (en) | Optimization of a vehicle to compensate for water contamination of a fluid of a vehicle component | |
CN113484851B (zh) | 车载激光雷达的仿真测试系统、方法和整车在环测试系统 | |
CN111492320B (zh) | 环境传感器的行为模型 | |
CN113740077A (zh) | 车辆底盘测试方法、装置、设备及存储介质 | |
CN104850570A (zh) | A2l文件自动生成方法及系统 | |
King et al. | A taxonomy and survey on validation approaches for automated driving systems | |
CN112925221A (zh) | 基于数据回注的辅助驾驶闭环测试方法 | |
CN113191071A (zh) | 一种虚拟标定发动机模型的方法及其相关装置 | |
CN117590765A (zh) | 基于电控软模型的硬件在环仿真方法及系统 | |
CN111930818A (zh) | 一种rde数据后处理方法、装置、设备及存储介质 | |
CN114021307A (zh) | 车辆控制器调试方法、装置、计算机设备和存储介质 | |
US20230273047A1 (en) | Method and Apparatus for Providing a High-Resolution Digital Map | |
Raghupatruni et al. | Credibility of software-in-the-loop environments for integrated vehicle function validation | |
CN114065546A (zh) | 自动驾驶的仿真方法及系统 | |
CN115267861B (zh) | 自动驾驶的融合定位精度测试方法、装置及电子设备 | |
CN112051074B (zh) | 车辆标定参数获取方法、系统及计算机可读存储介质 | |
CN113467429B (zh) | 一种基于pcan-usb及adas控制器的实车场景回注系统及方法 | |
EP4191462A1 (en) | Method and system for quantifying vehicle requirement | |
CN114861516B (zh) | 一种车辆动力性能确定方法、装置及存储介质 | |
US20240184686A1 (en) | Method for assessing a software for a control unit of a vehicle | |
US11720722B2 (en) | Signal flow-based computer program with direct feedthrough loops | |
CN115373648A (zh) | 一种a2l文件生成方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |