面向汽车工程师的 ai 应用 -凯发k8网页登录

随着人们对高级车辆功能和零排放车辆的需求与日俱增，汽车工程师们面临越来越大的压力，他们需要以前所未有的速度在产品中融入新技术。为了满足这些需求，越来越多的团队都在转向人工智能 (ai)。

过去十年，ai 的兴起催生了各种技术，能够服务于工程工作流程的各个阶段。例如，机器学习模型可以用于车队历史数据挖掘，为设计阶段的关键决策提供信息；这些模型还可以部署到车辆上，成为高级驾驶辅助系统 (adas) 的一部分。

没有 ai 技术，当今的许多创新都无法实现。但对于汽车工程师来说，有些 ai 技术并不陌生。例如，高级统计模型（即今天所谓的机器学习模型）早已用来在标定工作流程中表征试车台数据。

阅读这本白皮书，您将了解到汽车团队如何使用 ai：

• 构建创新功能
• 提升现有产品性能
• 改进开发工作流程
• 解释真实数据
• 优化流程和服务

该白皮书还包含案例分析，通过实例展示工程企业如何将 ai 运用于自动驾驶、动力总成和控制、故障诊断和预测以及制造。

构建创新功能

马恒达卡客车事业部：使用机器学习估计路面状况

开发了一种工具，它使用来自车载传感器的数据，应用信号滤波和传感器融合从数据生成特征，然后运用机器学习模型来预测路面状况。该预测功能已整合到其他算法中，用于提高车辆燃油经济性。

自动驾驶

或许受 ai 技术影响最大的是自动驾驶。机器学习和深度学习模型能够感知周围的环境，因此在自动驾驶的发展进化中发挥着不可或缺的作用。这些模型可以接收来自摄像头、激光雷达、雷达和其他车辆传感器的数据，并将数据转换成有意义的环境表示。这类模型包含以下基础组成部分：已标注的真值数据，用于训练模型；算法，用于根据数据拟合模型；框架，用于验证模型性能。真值数据在这类模型的构建中发挥着重要作用，因此有相当一部分工作涉及数据集的获取和维护。

卡特彼勒：管理真值数据

与 mathworks 合作开发了一个大数据基础架构，其中包含：一个 web 前端，以便外部标注人员使用；一个数据库，用于查询和检索已标注的真值；一个界面，以便功能开发工程师使用标注的真值训练、验证和部署分类器。

大陆集团：根据摄像头数据进行交通信号识别

使用 ai 技术处理摄像头数据要求有一个完整的工作流程，涵盖从数据管护到模型开发和部署的各个环节。还需要借助工具来可视化模型性能，了解其优势和不足所在。的工程师们开发了一个交通信号识别工具链，可以标注真值、检查交通场景录像、开发和验证机器学习算法。

pathpartner：雷达点云目标分类

的工程师们为一项应用开发了基于雷达数据的机器学习算法，在夜间、天气恶劣或远距离的情况下，当相机检测效果不佳时，该应用仍能检测到行人和其他弱势道路使用者 (vru)。他们使用分类学习器快速评估多个机器学习算法并确定预测准确度。

autoliv：激光雷达点云目标检测

的工程师们使用深度学习检测激光雷达点云中的目标，从而在其他传感器无法检测的区域中识别对象。借助深度学习，该团队大大减少了手动标注和分析激光雷达数据的时间。

提升现有产品性能

宝马：检测过度转向

开发机器学习模型来检测过度转向，即车辆后轮在转弯时失去抓地力的情况。团队通过赛道驾驶员收集数据，分析来自不同车载传感器的数据，以找出最有助于检测过度转向的那些传感器。他们接着用新数据训练一个机器学习模型来执行该检测，然后将其部署到 ecu 进行车载测试。车载测试不仅证明该机器学习工作流程可行，还允许团队评估整个牵引控制系统的性能，并了解到相比以前的设计实现了哪些改进。

康明斯：开发系统辨识模型用于控制设计

正在研究如何使用机器学习加强经典控制设计。他们研究如何使用机器学习改进系统辨识模型以用于模型预测控制，以及如何将深度学习和强化学习等数据驱动方法与基于 pid 的控制结合使用。

vitesco：将强化学习用于减排

将强化学习用于排放应用场景。他们首先创建被控对象（包含发动机和排气系统）的详细模型，然后进行强化学习智能体的原型设计、生成和优化，以改进废气后处理系统的控制策略。

改进开发工作流程

马自达：使用基于模型的标定减少测试工作量并提高模型准确度

基于模型的标定包含以下过程：使用传统统计方法定义测试计划，从试验或仿真环境捕获数据，根据数据拟合基于数据的模型，然后使用基于数据的模型作为真实系统的代理来优化系统性能。使用基于模型的标定方法，工程师们将测试工作量减到最低，降低了发动机模型复杂度，并提高了模型预测排气管烟气量的准确度。

通用：在电力驱动系统中使用基于模型的标定

基于模型的标定方法也可以用于标定电力驱动系统。标定其电流基准产生表，为电力驱动系统中的每种速度/转矩/电压组合定义优化的电流指令。他们使用试验设计制定优化的测试计划，然后根据试验数据拟合各种机器学习模型，以将电流作为输入的函数进行建模。这些电流模型支持快速设计探索，便于团队执行优化，生成车辆软件所需的电流基准表。

ai 辅助测试

我们可以利用 ai 技术减少测试所需的人工监督。我们可以使用历史测试数据训练模型，用于在测试过程中识别理想和不理想的行为。ai 模型可以基于图像、视频或音频等传感器数据进行训练，因此可以用于执行测试标准的实时分类。

大发：识别发动机爆震

一直以来，爆震识别工作离不开经验丰富的测试人员。的工程师们开发了一种使用声学分析从音频信号提取特征的方法。这些特征会被馈送到一个发动机爆震分类的深度学习模型。该模型能够准确判断爆震声音，媲美熟练工人。

减少排放

传统汽车制造商正面临日益增加的双重考验：一方面要生产由电池或燃料电池驱动的零排放汽车，另一方面还要继续开发内燃机 (ice) 驱动的常规汽车。在极为严格的清洁空气法规的推动下，基于 ice 和催化转化器的系统日益精密，车载诊断 (obd) 系统也变得更为复杂。这些系统往往是非线性的，开发、调优和测试此类系统会耗费大量资源。一种可行的替代方式是使用 ai 技术开发数据驱动的模型，以便更多地使用虚拟环境进行开发。

雷诺：开发排气估计器

传统的 no_x（氮氧化合物）排放量估计依赖于查找表或燃烧模型。但是，查找表不够准确，而燃烧模型计算量太大。于是，的工程师们使用深度学习网络对发动机熄火 no_x 排放水平建模。他们收集真实发动机在常见行驶工况下的试验数据，然后使用多种深度神经网络配置多次迭代，以找出最适合对发动机熄火 no_x 建模的配置。接着，他们把这个模型集成到非线性观测器中，用于控制设计和桌面仿真。

解释真实数据

本田：评估排气后处理系统

汽车工程师分析来自 1,000 辆汽车的 100 万公里行驶数据，为开发活动提供指导，确保遵守排放法规。他们开发了一个管道对原始数据进行预处理和筛选，然后提取速度、里程、挡位选择、空调使用和交通状况等特征。工程师通过此分析得出统计学分布，据此确保车辆的排气后处理系统符合性能要求。

大众汽车数据实验室：分析驾驶模式

分析不同驾驶者的遥测数据差异，进而开发出分类器，可以根据车辆传感器自动确定是谁在驾驶。他们使用来自车辆的 can 总线数据，并使用滑动窗从时序中提取各种统计学特征。他们通过这种方法对驾驶者进行统计学识别，使“随开随走、即用即付”之类的潜在商业模式成为可能。

真实车队数据

联网车辆生成的真实驾驶数据可用于车辆设计的方方面面。这些数据量可能极为庞大，因此需要有专门的 it 系统进行存储。

福特：访问和分析车队数据

团队借助 matlab 处理其存储在 apache spark™ 上的车队数据，工程师们可以使用熟悉的工具访问和分析这些数据。这些数据可以帮助 adas 工程师们理解某项功能在真实世界的表现，并生成可用于仿真和验证的场景。

优化流程和服务

梅赛德斯-奔驰：检测错误机器周期

的工程师们运用异常检测方法来检测制造生产参数中的错误周期。他们使用时间序列方法识别机器周期的特征，然后执行统计分析来表征正常周期和异常周期。

预测性维护

预测性维护方法现在也用于车载应用。特别是在商用车领域，对设备运营者而言，计划外停机可能花费不菲。传统的解决办法是在故障发生前早早安排定期维护。但是，这要求额外的人工来负责维护，并且有可能导致使用寿命未到的部件提前报废。

贝克休斯：预测泵故障

使用机器学习方法开发预测性维护算法，可以预测石油开采设备上的泵故障，从而减少计划外故障，预计每年可节省一千万美元。