未来汽车 - dSPACE

汽车行业在开发、验证和确认将定义未来汽车的日益数字化和互联的组件方面面临着众多挑战。除了纯粹的服务外，客户还期望在运营过程中不断深入开发，除了通过新功能进行与安全相关的更新外，还可以在整个产品生命周期内保持车辆的价值。

我们不仅发现了新的E/E架构，也发现了开发过程中的重叠阶段。汽车不再被视为自包含的产品，而是一个在整个生命周期中不断变化的开放式系统。我们不能通过更换硬件来改进汽车，这会给客户和制造商带来巨大的物流和财务支出。相反，我们需要通过软件来提供这些功能，就像每个人都熟悉智能手机一样。应用程序和安全关键更新的交换一键完成，非常方便。因此，本文使用了“软件定义车辆”一词。

问题的定义——数据驱动方法

该模式转变为何会给汽车行业带来一大挑战？

我们不能孤立地看待软件定义车辆，始终应该结合其环境。车辆环境不仅会给汽车带来各种各样的情况，它也在不断变化。随之而来的不可控性一直持续到测试任务，这就需要数据驱动的解决方案。数据不仅用于功能开发，也是后期进行验证所必需的。这带来了一个新的问题：光收集大量数据是不够的，还需要从各种各样的数据中筛选出相关数据集。

为此，需要一个全面设计的新流程。该流程必须涵盖数据摄取、数据处理和人工智能训练，乃至总体集成，流程不断重复，每一次迭代都可以进一步提高系统的成熟度。

在目前的开发过程中，数据记录在车辆的硬盘上，定期读取。通过交换硬盘或在指定位置进行WLAN传输来读取。除了硬件成本外，这还需要大量的后勤工作。尽管开发过程中仍然可以使用该流程，但最晚在产品准备批量生产时，它就会达到极限。除了巨大的硬件成本外，该方法只能在很长的服务间隔内读取数据，因此并不实用。

解决方案——让车队选择数据记录

如何构建数据采集，才能以有效的工作量和成本生成开发过程迫切需要的数据？

我们不能着眼于单台测试车辆，要考虑到整个车队。车队由参与日常交通的大量车辆组成。因此，我们有足够的数据，但相关组件的选择也至关重要。

如何解决？在采集车辆自身的数据时，就进行选择。一天结束时，可能只剩下几秒钟的数据，但这几秒钟代表着特别相关甚至关键的情况。如果考虑进一步加强互联互通，该方法可以延伸到整个车队。如果同一交通情况涉及多台车辆，可以将数据集合并，进一步限制需要保存的数据量，同时让场景更加全面。

由于数据量显著减少，就可以使用移动通信进行传输，无论数据是长期存储在云后端，还是在收集点附近处理，用于延迟关键型应用程序。这意味着用户可以省去昂贵的硬件、人工交换的后勤工作，也避免了相关车辆的停驶时间。

开发/仿真

由于进行情景数据采集，在采集时就已经对元数据进行了初步分析和标注。模型训练和后续测试的效率也随之提高。可以从场景数据库中筛选出类似的场景，还可以同时导出其他合成场景。合成场景是场景参数有针对性的变化，场景参数覆盖范围广，可以测试特别相关的场景。一个非常明显的例子是其他交通参与者的轨迹变化或随后引入的关键环境因素，如雨水或太阳眩光。

借助SIL测试的迭代开发过程最好在云中进行，这样可以确保在最短的时间内以最高的成本效率交付。充分证明了模型的成熟度，就可以在下一个较高的测试实例（比如在硬件在环测试台架上）中进行验证和确认，然后在驾驶测试中、在特别极端的情况下最终测试算法。