基于MBSE的智能駕駛總布置多學科協(xié)同研究

中圖分類號：U469.11 文獻標識碼：A 文章編號：1003-8639（2025）10-0001-03

【Abstract】This article first constructs a multidisciplinary collaborative design framework based on model systems engineering，and supports parallel development with the \"requirement-function-logic-physics\"paradigm and aunified data model; Secondly，anactiveconflict resolution strategy integrating multi-disciplinarysimulationforward-looking predictionandmulti-objectiveoptimizationdecision-making isproposed，promoting thedesign toshiftfrom \"experiencedriven\"to\"data-driven\".Experimental verification showsthatthis strategycan efectivelyidentifyandresolve hrmal performance conflicts，enhance thereliabilityand global optimalityof the design scheme，and provide theoretical references and practical guidelines for the research and development of intelligent vehicles.

【Key words】intelligentdriving;general layoutof the vehicle；multidisciplinarycollaborativedesign;conflict resolution; multi-objective optimization； MBSE

0 引言

人工智能、感知與車聯(lián)網(wǎng)技術推動汽車向以 L3+ 智能駕駛為核心的“軟硬件一體化”復雜系統(tǒng)變革，給傳統(tǒng)總布置帶來空間資源緊張（傳感器多維度要求）與多領域耦合（散熱、功能安全等）的雙重挑戰(zhàn)[]。傳統(tǒng)串行設計依賴物理樣車解決問題，周期長、成本高，難以應對多物理場耦合，故基于MBSE的“需求-功能-邏輯-物理”協(xié)同設計成為行業(yè)共識，而設計前期精準消突、實現(xiàn)全局最優(yōu)是核心難題[2-4]。

1智能駕駛汽車總布置的多學科協(xié)同設計框架

高級別智能駕駛功能的引入，從根本上顛覆了以機械布局為核心的傳統(tǒng)汽車總布置范式。

1.1總布置多學科協(xié)同的內(nèi)涵與新挑戰(zhàn)

智能駕駛汽車的總布置已超越傳統(tǒng)的“人－機-空間”關系優(yōu)化，演變?yōu)橐粋€旨在保障整車功能與性能最優(yōu)實現(xiàn)的復雜決策過程[5]。其多學科協(xié)同的內(nèi)涵在于：打破機械、電子電氣、軟件、熱管理等領域之間的壁壘，通過統(tǒng)一的數(shù)字化模型和協(xié)同平臺，實現(xiàn)各領域設計活動的并行、互動與迭代，從而在早期階段發(fā)現(xiàn)并解決潛在沖突，最終形成全局最優(yōu)的設計方案。

1.2基于MBSE的協(xié)同設計流程構建

為應對智能駕駛總布置的多學科耦合挑戰(zhàn)，本文提出基于模型系統(tǒng)工程（Model-BasedSystemsEngineering，MBSE）的協(xié)同設計流程，核心是從傳統(tǒng)文檔驅(qū)動的串行設計，轉(zhuǎn)向基于統(tǒng)一模型的V字型迭代開發(fā)（圖1）：左側(cè)下降沿實現(xiàn)系統(tǒng)層需求分解至各學科并行開發(fā)，右側(cè)上升沿完成各學科模型集成與系統(tǒng)級仿真驗證，底部反饋箭頭則支撐早期快速迭代，體現(xiàn)協(xié)同本質(zhì)。該流程包含兩大核心環(huán)節(jié)。

1）面向智能駕駛的RFLP設計范式。以“需求-功能-邏輯-物理”貫穿總布置全程。需求層將整車目標、法規(guī)、用戶需求及硬件布置約束轉(zhuǎn)化為可追溯的技術需求［如HWP（高速公路領航功能）功能分解為“前向視覺感知 ?200mⁱ ”]；功能層梳理“環(huán)境感知”“車輛控制”等核心功能及輸入輸出關系；邏輯層將功能映射為邏輯組件（如“環(huán)境感知”對應前視/環(huán)視感知子系統(tǒng)）并定義信息流；物理層將邏輯組件分配至具體硬件（如前視感知子系統(tǒng)對應前視攝像頭及控制器），在三維空間布局，且每一步?jīng)Q策需回溯驗證是否滿足頂層需求與功能。

圖1基于MBSE的多學科協(xié)同設計流程圖

2）統(tǒng)一數(shù)據(jù)模型與協(xié)同平臺架構。統(tǒng)一數(shù)據(jù)模型可在修改零件位置時，自動觸發(fā)線束長度、重心變化等關聯(lián)分析并通知相關工程師；協(xié)同平臺具備變更管理與影響分析能力，設計變更需經(jīng)流程審批，平臺可自動分析變更對多學科、系統(tǒng)及需求的影響并生成報告，提升變更控制效率與準確性。

注：協(xié)同平臺采用“云原生 + 客戶端”混合架構，核心模塊包含需求管理（DOORSNext）、系統(tǒng)建模（MagicDraw，支持SysML語言）、CAD設計（CATIAV5）、仿真集成（ModelCenter），數(shù)據(jù)交互遵循PLM接口（Teamcenter）與FMI2.O標準，確保全學科數(shù)據(jù)無縫流轉(zhuǎn)。

1.3協(xié)同設計中的關鍵使能技術

所提出的框架依賴于多項關鍵技術的支撐。其中，數(shù)字化協(xié)同平臺是框架運行的載體，它集成了需求管理、系統(tǒng)建模、CAD設計、仿真分析等功能模塊，并確保數(shù)據(jù)流在各模塊間無縫傳遞。

2總布置多學科沖突消解策略與案例驗證

基于第1章構建的協(xié)同設計框架，本章將聚焦于該框架的核心價值輸出：沖突消解應是一個嵌入到設計流程每一步的、主動的、前瞻性的決策過程，而非事后的補救措施。

2.1多學科沖突的典型類型與生成機理

智能駕駛汽車總布置沖突，本質(zhì)是有限空間與資源難以兼顧多學科性能最優(yōu)，具體類型及生成機理如下。

1）物理空間沖突。硬件間靜態(tài)干涉或缺乏安裝/維修所需最小空間。因激光雷達、控制器等智能駕駛新增硬件，需在車頂、前保等有限車身區(qū)域爭奪優(yōu)位，如激光雷達置頂以求更佳視野，易與天窗、頂棚加強梁或安全氣囊展開區(qū)干涉。

2）性能沖突。部件自身性能達標時影響周邊性能，為深層難題，核心含三類：熱管理沖突，域控制器等高功耗部件若置于發(fā)動機艙高溫區(qū)或密閉處，既難散熱，又會加熱周邊線束、傳感器致其超溫；EMC沖突，域控制器等干擾源與攝像頭等敏感器件近距離布置或線束并行過長，易干擾傳感器信號，引發(fā)誤報漏報；振動與NVH沖突，精密傳感器布于副車架等強振區(qū)會降精度、減壽命，新增部件剛度及連接方式也可能改變車身模態(tài)，引人異響振動。

3）功能安全沖突。受ISO26262、預期功能安全（SOTIF）標準約束，如同功能傳感器需物理隔離防共因失效，與空間最小化、線束最短化布置原則相悖。

2.2沖突消解的核心策略

針對智能駕駛總布置沖突，本文提出“從被動檢查到主動預測優(yōu)化”的層次化消解策略，其核心主要包含兩個方面。

1）基于仿真的前瞻預測與虛擬驗證。這是沖突消解的技術基礎。在初步布置方案完成后，依托協(xié)同平臺集成的多學科仿真工具開展“假設分析”，如通過CFD（計算流體動力學）仿真預測控制器及周邊溫度、EM（電磁）仿真評估天線耦合干擾、FEA分析結(jié)構振動響應，提前發(fā)現(xiàn)熱管理、EMC等性能沖突，避免物理樣車階段的高額整改成本，同時為后續(xù)優(yōu)化提供明確方向。

2）基于多目標優(yōu)化的協(xié)同決策方法。針對仿真發(fā)現(xiàn)的沖突，摒棄傳統(tǒng)“試錯法”，采用多目標優(yōu)化（MOO）實現(xiàn)系統(tǒng)性決策。先定義設計變量（如控制器安裝坐標、散熱片尺寸）、硬約束（法規(guī)離地間隙、部件最小間隙等）及多目標函數(shù)（如最小化控制器溫度、線束長度，最大化雷達信噪比）；再通過NSGA-II（種群規(guī)模80、迭代次數(shù)150、交叉概率0.85、變異概率0.02）、粒子群算法（慣性權重0.7、學習因子c1、c2均為2）求解，輸出帕累托最優(yōu)解集（如圖2所示，體現(xiàn)控制器溫度與線束長度的權衡關系）；最終決策者可結(jié)合項目優(yōu)先級（如側(cè)重性能或成本），從解集中選擇最優(yōu)方案，使主觀決策基于客觀量化數(shù)據(jù)，實現(xiàn)科學決策。

圖2控制器布置方案的多目標優(yōu)化帕累托前沿

2.3 實例應用與效果分析

以某L3級智能駕駛車型前艙域控制器（ADCU）布置為例驗證策略有效性：初始方案（A）將ADCU置于發(fā)動機艙近防火墻處，雖線束短、易維修，但CFD熱仿真顯示夏季極端工況（環(huán)境溫度 40^qC+ 日照 1000W/m² ，符合GB/T28046.3—2011標準）下其殼溫達 105°C ，遠超 85°C 最高工作殼溫，存在過熱風險。

消解時選取A（原方案）、B（乘員艙儀表板下）、C（前艙縱梁側(cè)近冷卻模塊）三個潛在布置位置為設計變量，以不干涉踏板機構（B）、滿足碰撞安全距離（C）為約束，以“最低工作溫度、最短線束增量、最小碰撞安全影響”為目標函數(shù)。采用層次分析法（AHP）量化目標權重：溫度（0.4）、線束增量（0.3）、維修性（0.3），綜合評分 =（100- 溫度） ×0.4+（5- 線束增量） ×0.3+ 維修性得分×0.3 （維修性：優(yōu) ₌₁₀ 、良 ⁼⁸ 、中 ⁼⁶ ），經(jīng)CFD散熱、線束長度、碰撞安全仿真（結(jié)果見表1），再通過權衡分析：方案B控溫最優(yōu)（ 72% ）但線束增加 2.5m 、維修性差，綜合評分 Σ=Σ （100-72）×0.4+（5-2.5 ） ×0.3+6×0.3=11.2+0.75+1.8=13.75 5方案C溫度（ 89% ）、線束增量（ 1.2m ）、維修性均衡，綜合評分 δ=（ 100-89 ） ×0.4+ （5-1.2） ×0.3 +8×0.3=4.4+1.14+2.4=7.94 ，僅需局部加強（增重0.8kg ）應對碰撞影響。綜合價值最高，故選定方案B。

表1域控制器不同布置方案的多學科評估結(jié)果

3 結(jié)束語

針對智能駕駛汽車總布置復雜性及傳統(tǒng)機械主導設計難以應對多學科耦合的問題，本文提出多層次方案：一是構建以“需求-功能-邏輯-物理”（RFLP）范式為核心、統(tǒng)一數(shù)據(jù)模型為“單一可信數(shù)據(jù)源”的MBSE協(xié)同框架，貫通從需求到物理實現(xiàn)全流程，前置總布置重心以提效提質(zhì)；二是提出融合多學科仿真預測與多目標優(yōu)化決策的主動沖突消解策略，可精準定位并通過帕累托最優(yōu)解集解決空間、性能、功能安全沖突，前艙域控制器案例驗證其能消除設計階段過熱風險，推動設計向“數(shù)據(jù)驅(qū)動”轉(zhuǎn)型。

參考文獻

[1]馬明月，苗澤霖，王韋清，等.基于通行規(guī)則模型的自動駕駛仿真場景構建研究[J].汽車工程，2025，47（8）：1437-1447.

[2]賈鑫，張強，張志恒，等.面向自動駕駛仿真的動態(tài)駕駛環(huán)境拓撲建模方法研究[J].汽車工程，2025，47（8）：1448-1458.

[3]承靖鈞.基于整車在環(huán)的自動駕駛自適應巡航控制測試方法研究[D].西安：長安大學，2024.

[4]宋越.變道切人交通場景下智能駕駛系統(tǒng)測試評價方法研究[D].重慶：重慶理工大學，2025.

[5]石英魁，胡川，鄒建中，等.基于人機博弈的駕駛權接管控制策略[J].汽車工程，2025，47（8）：1501-1512.

（編輯 林子衿）