基于數字孿生的車輛在環遠控評價測試系統和方法研究

摘 要：智能網聯汽車的自動駕駛等級越來越高，所需的測試、評價、驗證手段和里程也相應增長，智能網聯汽車的測試邊界也越來越廣泛，常常會涉及一些高速度、高難度的工況測試，這為測試人員在極限工況測試中的人身安全提出了新的挑戰。基于數字孿生的車輛在環遠控評價測試系統，將仿真場景里被控對象數據用真實車輛數據采集回傳，節省虛擬車輛動力學模型構建工作，能夠得到更加直觀、真實的測試結果。同時能夠實現遠程駕駛控制，控制試驗場地內的車輛進行一些危險，甚至極限工況的測試，保障測試人員在這些測試中的人身安全。同時將測試車輛的反饋數據回傳至實驗室，將測試工況在6自由度駕駛模擬器上復現，使得在實驗室內就可以感受實際車輛的真實駕駛感受。基于測試車輛在測試工況下的表現，結合主客觀評價數據庫，得出被測車輛智能駕駛系統的測試評價。

關鍵詞：智能網聯汽車 數字孿生 車輛在環 車輛遠控技術

1 緒論

1.1 研究背景與意義

隨著汽車工業的快速發展，尤其是新能源汽車和智能網聯汽車技術的不斷涌現，對汽車研發的要求更加迫切。傳統的整車研發流程中，原型車的制造和測試需要大量的時間和資源，而且一些特定的測試場景很難實現。車輛在環（Vehicle-in-the-loop，VIL）技術通過模擬車輛的動力學行為，實現對整車的功能、性能、安全性等多方面進行測試與驗證，從而大大提高了研發效率并降低了成本。

VIL技術的提出與發展得益于計算機仿真技術、車輛動力學模型以及硬件在環接口技術的不斷進步。這些技術的發展使得VIL測試能夠更加精確地模擬真實世界的駕駛條件，為汽車研發提供了一種新的測試手段。

VIL技術能夠在仿真環境中模擬真實的道路場景、天氣條件、交通流等元素，并能夠實時計算車輛在仿真環境中的運動軌跡和狀態，這對于測試汽車的性能和安全性至關重要。

1.2 國內外研究現狀

國外研究：國外在VIL技術方面的研究較早，已經建立了大規模的仿真環境，以滿足整車在環VIL測試的需求。例如，美國的NavLab系列智能車，德國的VaMoRs-P車輛系統等，這些系統在智能車輛技術方面取得了突破性進展。

國內研究：國內的研究起步相對較晚，但隨著經濟的發展和科技的進步，國內對智能車輛技術的研究也表現出空前的熱情，并取得了一定的成果。例如，吉林大學的JUTIV系列、國防科技大學的CITAVT系列等，這些研究成果標志著國內在智能車輛技術領域的快速發展。

技術應用：VIL技術在國外已經被廣泛應用于智能駕駛算法驗證、車輛性能測試與優化等領域。國內雖然起步晚，但也在逐步推廣應用，特別是在新能源汽車和智能網聯汽車領域。

1.3 研究目標與貢獻

研究目標：VIL技術的研究目標主要集中在提高測試的準確性和穩定性，以及如何將VIL技術與人工智能、大數據等新興技術相結合，為汽車研發帶來更多可能性。

面臨問題：VIL技術仍然面臨一些挑戰，如車輛動力學模型的建立和驗證需要大量的實驗數據和專業知識，仿真環境的真實性和可擴展性，以及硬件在環接口的實時性和穩定性等技術難題。

解決方案：為解決上述挑戰，本論文提出基于數字孿生的車輛在環遠控評價測試系統和方法，將仿真場景里被控對象數據用真實車輛數據采集回傳，節省虛擬車輛動力學模型構建工作，能夠得到更加直觀、真實的測試結果。同時能夠實現遠程駕駛控制，控制試驗場地內的車輛進行一些危險，甚至極限工況的測試，保障測試人員在這些測試中的人身安全。測試車輛的反饋數據回傳至實驗室，將測試工況在6自由度駕駛模擬器上復現，使得在實驗室內就可以感受實際車輛的真實駕駛感受。基于測試車輛在測試工況下的表現，結合主客觀評價數據庫，得出被測車輛智能駕駛系統的測試評價。

2 提出的研究方法

2.1 方法框架

該系統及方法包括云平臺端、實驗室端和測試車輛端，通過5G網絡進行數據通訊。

云平臺端主要提供實驗室端與車端的數據交互平臺，控制車輛運行，反饋車輛數據。

實驗室端主要提供駕駛模擬器、生成數字孿生仿真場景以及數據收發平臺，實時接收測試車輛端的數據，反饋實車測試過程中的駕駛感受。

測試車輛端主要提供實車以及數字孿生仿真場景的場地測試驗證。

架構見圖1實驗室端，圖2測試車輛端。

2.2 關鍵技術與算法

整個測試系統由三部分組成：實驗室端、云平臺端和測試車輛端。

2.2.1 實驗室端-實時仿真技術

實驗室端主要由數字孿生仿真平臺以及測試評價平臺組成。

數字孿生仿真平臺主要由場景仿真軟件和場景管理軟件組成，根據測試工況，構建孿生虛擬動態測試場景。

測試評價平臺由多種硬件設備和評價數據庫組成，包含駕駛模擬器、AR頭顯以及監控中心。

駕駛模擬器為6自由度的運動平臺，實時接收測試車輛端的數據，體現實車測試過程中的運動狀態，反饋測試工況下的駕駛感受；數據收發平臺主要與云平臺進行數據交互，將孿生虛擬動態場景以及仿真場景設定的運行軌跡輸出給實際測試車輛端，同時將實車狀態和控制數據轉換為車輛仿真模型數據，發送給駕駛模擬器，反饋駕駛感受，同時發送給自動駕駛仿真軟件，更新車輛運動狀態。

AR頭顯為測試評價人員提供虛擬的仿真場景顯示。

監控中心負責監控數字孿生仿真平臺和實車的測試數據，并結合主客觀評價數據庫，形成對數字孿生車輛的測試評價。主客觀評價數據庫由法規、行業標準等構成，用于建立以行駛自治性、學習進化性和交通協調性為指標的智能度主客觀綜合評價理論，用于評價自動駕駛車輛面對不同場景時的任務完成度。

2.2.2 云平臺端-數據傳輸同步技術

云平臺端主要提供實驗室端與車端的數據交互平臺，接收上傳的孿生虛擬場景和實車運動狀態，并實時下發接收的數據。

2.2.3 測試車輛端-數據采集回傳技術

測試車輛端主要由被測車輛、注入設備、車載工控機、車載收發單元以及測量監控等設備組成。

車載收發單元提供數據收發的作用，接收來自實驗室端的虛擬仿真工程和場景，以及來自實車測試端的車載信息和車輛位置，分別向實車端和實驗室端同步數據。

車載工控機內置場景仿真軟件，運行與實驗室端一致的仿真工程，通過數據同步，保證實驗室端和實車端的試驗工況一致性。

注入設備將孿生場景信息轉換為傳感器數據注入車載智駕系統，運行設定的測試工況。

動態測量和視頻監控設備主要進行測試數據的采集。

整個測試車輛端提供實車以及數字孿生仿真場景的場地測試驗證。

2.3 新方法論的優勢

（1）傳統的ADAS/AD硬件在環測試系統使用的被控對象模型為車輛動力學軟件提供的仿真模型，該模型要經過大量的測試才能得出，是整車廠的核心數據。本論文提出的測試方法，實現硬件在環和實車在環的數據同步，使得仿真場景里的被控對象數據來源于真實車輛的數據，而不是仿真模型。

同時，檢測機構能夠基于本測試方法，展開智能駕駛系統的硬件在環和整車在環測試，而不需要整車廠提供被測車輛的動力學模型參數，即維護了客戶核心數據的保密性要求，也使得測試結果與實車保持一致。

（2）實現全類型故障注入的實車測試。在產品開發階段，智駕域控制器需要注入故障來驗證系統軟硬件，識別影響車輛正常運行的風險。注入故障類型包括幀丟失故障、信號無效、高低電壓故障、硬線類故障等，通常全類型的故障注入在HIL階段進行。而實車由于空間的限制，只能在車輛上布置總線類信號故障注入板卡，進行總線類故障注入測試，其余故障注入測試不能實現。故而，現階段的測試觀測不到在全類型故障注入下的實車表現。

文章提出的測試方法，能夠實現實驗室端硬件在環測試系統和實車端的車輛在環測試系統的數據同步，通過在HIL端進行故障注入，結果反饋到實車端，由實車接收后作出反應，實現全類型故障注入下的實車測試。

（3）危險、極限工況下的測試評價。實車端上傳車身的動態數據、車身姿態等數據，同步到孿生端仿真工程進行車輛位置以及動力學更新；孿生端接受現實體上傳的數據后，做出決策生成控制執行指令，下發至實車端控制車輛運行。得益于孿生端和實車端的數據同步，在實驗室內就可以控制試驗場地內的車輛進行一些危險，甚至極限工況的測試，保障測試人員在這些測試中的人身安全。

（4）實驗室駕駛模擬器的駕駛感受來自真實車輛反饋，更貼近實車測試，用于主客觀評價更加精準。駕駛模擬器為6自由度的運動平臺，通過模擬物體在三個方向的平動和轉動，即前后平移、左右平移、上下垂直運動、俯仰、滾轉和偏航及復合運動，進而可模擬出各種道路地形的運動姿態。

駕駛模擬器實時接收測試車輛端的動態數據，體現實車測試過程中的運動狀態，反饋測試工況下的駕駛感受，精準地實現工況測試的主客觀評價。

（5）主客觀評價數據庫。主客觀評價數據庫由國內外智能駕駛系統相關法規、行業標準的測試規程和評價指標組成，建立以行駛自治性、學習進化性和交通協調性為指標的智能度主客觀綜合評價理論，用于評價自動駕駛車輛面對不同場景時的任務完成度。

如GBT 39323-2020《乘用車車道保持輔助（LKA）系統性能要求及試驗方法》中針對車道保持輔助系統的車道偏離糾偏工況測試規范，要求車道偏離抑制功能引起的車輛橫、縱向減速度應不大于3m/s2，引起的車速減少量應不大于5m/s。主客觀評價數據庫依據性能要求及試驗方法，以及針對LKA系統開展的測試評價結果，生成測試報告。

3 基于數字孿生的車輛在環遠控技術的應用前景

3.1 智能駕駛系統開發

基于數字孿生的車輛在環遠控技術在智能駕駛系統開發中的應用至關重要。它允許開發者在虛擬環境中測試和驗證自動駕駛算法，將真實車輛置于真實的道路條件下，通過模擬各種交通場景和環境因素，該技術能夠對自動駕駛車輛的場景感知、路徑規劃、決策及控制算法進行閉環測試與評價。這種方法不僅提高了測試的效率，還降低了成本，并且可以在不危及公共安全的情況下，測試極端和危險的場景。

3.2 車輛性能測試

在車輛性能測試方面，該技術可以模擬不同的工況，如加速性能、制動性能、懸掛系統性能等，為車輛性能的優化提供重要參考。例如，通過模擬車輛在不同速度下的行駛速度和加速度，可以了解其在不同工況下的動力表現。此外，該技術還可以評估車輛的最高速度，這是評估車輛動力性能的重要指標之一。通過這些測試，可以全面了解汽車的動力性能特點，并提供有力的數據支持，為汽車制造商和消費者提供準確的性能評估和選擇參考。

3.3 安全性評估

安全性評估是基于數字孿生的車輛在環遠控技術的另一個重要應用領域。該技術可以模擬真實交通場景中的各種危險和高風險操作，而不必擔心發生碰撞，從而提供安全的環境來執行這些測試。例如，可以模擬不小心走到車輛前面的行人，以測試車輛的緊急制動系統。此外，該技術還可以用于優化邊緣情況，通過將真正的目標車輛駕駛員虛擬化，降低成本。通過這些測試，可以重復高效測試危險、極端場景，同時確保車輛的安全性和可靠性。

4 車輛在環技術的挑戰與未來研究方向

4.1 技術挑戰

4.1.1 仿真環境的真實性

仿真環境需要提供真實的道路場景、天氣條件、交通流等元素，并能夠實時計算車輛在仿真環境中的運動軌跡和狀態。提高仿真環境的真實性和可擴展性是該技術面臨的另一個挑戰。

4.1.2 無線傳輸的時效性

實驗室端的仿真數據以及車端的車輛數據通過5G無線通信，采用專網傳輸的方案進行數據傳輸，經咨詢運營商，傳輸時延最大可以控制在20ms。以120km/h速度下的行駛場景為例，20ms的時延將導致車輛行駛0.67m才會接收到制動指令，再加上車輛計算、執行的過程，有可能增加事故風險。因此無線傳輸的時效性也是實現該技術需要考慮的。

4.2 未來研究方向

4.2.1 傳感器和交通行為模型的優化

當前使用的傳感器模型多為理想模型，無法精確模擬真實傳感器的物理特性。同時，交通行為模型與實際車輛存在差異，需要結合實車數據進一步完善。

4.2.2 多域融合安全技術的發展

隨著新能源汽車高度智能化、網聯化，功能安全與預期功能安全要求日益增加，信息安全、網絡安全成為未來VIL技術發展的重要方向。

4.2.3 整車可靠性試驗的拓展

未來的整車可靠性試驗將更加注重對電動汽車電池系統、驅動系統和充電系統等關鍵部件的評估，VIL技術將在這一領域發揮重要作用。

5 結論

基于數字孿生的車輛在環遠控評價測試系統和方法旨在解決傳統VIL車輛動力學模型精度不足、一致性評價不足，同時無需測試人員駕駛就能夠進行一些極限、危險工況的測試，保障測試人員在這些測試中的人身安全。測試車輛的反饋數據回傳至實驗室，將測試工況在6自由度駕駛模擬器上復現，使得在實驗室內就可以感受實際車輛的真實駕駛感受。基于測試車輛在測試工況下的表現，結合主客觀評價數據庫，得出被測車輛智能駕駛系統的測試評價。

參考文獻：

[1]徐志剛，張宇琴，王羽，等.我國自動駕駛汽車行業發展現狀及存在問題的探討[J].汽車實用技術，2019，45（1）：13-21.

[2]康誠，嚴欣，唐曉峰.智能網聯汽車自動駕駛仿真測試技術研究綜述[J].時代汽車，2022（22）：4-6.

[3]馬彬，童亮.智能網聯汽車技術教學內容優化研究[J].中國教育技術裝備，2021（24）：72-75.

[4]文謝.基于數字孿生的汽車自動駕駛仿真測試方法[J].信息與電腦，2023，35（15）：61-63．

[5]李克強，常雪陽，李家文，等.智能網聯汽車云控系統及其實現[J].汽車工程，2020，42（12）：1595-1605.