自动驾驶基础技术：基于机器学习的汽车数字孪生模型

导读：自动驾驶不再只是技术愿景的概念，而是全世界真正的技术趋势。不断发展到更高的自治程度需要能源优化方面的更多工作，却很少使用自动和监控传感器来优化自动驾驶电动汽车的电动推进驱动系统。

图1：基于五个组件的数字孪生模型

图1显示了组件之间的交互。所有组件相互依赖。物理系统为虚拟系统的开发提供了基础，虚拟系统负责服务系统的仿真、控制和优化策略。可以使用不同的控制器和优化算法。服务系统是对物理和虚拟系统的需求做出响应的综合服务平台。

DT数据是物理、虚拟和服务系统的综合数据，也是建模、优化和预测的方法。由于数据是所有系统的驱动力，因此需要注意的是，通过将所有参与创建DT模型的系统的信息结合起来，可以形成更全面和一致的数据。基于此模型，EDPS的DT可以在实际的物理机器上实现之前，通过使用深度学习工具来帮助其优化。

进一步利用机器学习来帮助评估EPDS（电力推进驱动系统）的性能是目前一个日益增长的研究领域。不同版本的Kalman滤波器、支持向量机、决策树和各种神经网络结构是这一领域的主要工作工具。神经网络方法中的主要步骤包括两个步骤。

• 第一步是训练过程，其中与一组给定的EPDS性能数据相关联的部分信号数据用于训练网络，另一部分用于验证训练过程。该程序需要测量或模拟数据，通常不容易获得。

• 第二步是利用训练好的神经网络，对电动助力转向系统（EPDS）的性能进行分析，并通过运行装置的实测数据提出运行方式的建议。

一旦机器学习算法确定了输入特征或变量（电流、电压、环境温度）之间的复杂关系与每个区域的局部温升之间的相关性，它就能够在线预测能源系统中最敏感的点。或者，深度学习算法，即卷积神经网络-卷积神经网络（CNN）或传输学习，可以是处理基于图像特征或未标记数据的EPDS性能的一个有前途的选择。

第二步的结果是对EPDS的运行模式提出建议。这些方法的缺点在于训练人工智能系统所需的数据量和质量以及评估EPDS性能的测量分辨率，这需要多个本地传感器和传感器与计算平台之间进行大量的数据传输。这就是为什么很少计划测试平台。

02试验台

采用标准或至少是固定程序的实验室试验台能够对电子防护装置的性能进行评价，为今后的初步研究和开发提供了一个附加值。早期设计是新产品开发过程中一个重要但往往被低估的设计阶段，早期设计阶段所做的决策对结果的影响要比后期的决策大得多。

图2显示了允许EPD稳态和瞬态模式模拟的试验台概念。第一个神经网络可以基于从实验室试验台获得的数据。作为第二个主测试平台，将使用ISEAUTO平台。ISEAAUTO是一款小型客车，主要在大学校园内行驶，因此车速限制在20公里/小时。

图2：电力推进驱动系统试验所用的实验室试验台

ISEAUTO的特点是完全符合项目目标的要求。ISEAAUTO的车身设计（如图3所示）还考虑了自主巡航所需的传感器位置。自动驾驶汽车的电子框架提供控制器软件与推进电机驱动系统之间的通信，它有三个主要任务：制动、转向和加速。

与传统汽车类似，制动任务包括驻车制动和减速。驻车制动器用于在乘客上车和无操作模式时保持车辆静止。减速任务可以通过适当控制电动机来解决；但是，为了向乘客和车外人员提供所需的安全条件，减速电机制动应与液压装置相结合。

通过在机器人操作系统（ROS）上的PC上运行Autoware来实现自治，ROS通过专用以太网与控制器进行通信，从而最大限度地减少延迟。任务关键型控制器分为两层-主控制器层和驱动器控制器层。主控制器的主要任务是以最小的延迟将信息从PC机转发到PC机。驱动控制器管理加速/制动信号、驻车制动器和方向盘。

图3：ISEAUTO车辆试验台

该模型并不一定意味着3D可视化模型，因为它的重要性在于工艺流程和背后的数据，但是，通过DT模拟增加了用于在线远程干扰的虚拟现实（VR）工具，增加了安全层，总体上为危险环境和远程工作增加了更多可能性。多年前，大多数人认为虚拟现实只能用于游戏和其他娱乐目的，但事实上，它已经在研究中使用了几十年。现在虚拟现实可以应用于人类活动的任何领域。这样可以防止几十个错误和错误而不造成任何损失。

03总结

该概念的最终目标是为EPDS性能评估开发一个专门的无监督预测和控制平台。这个目标需要开发几个子任务和相关目标：

• 开发不同能源系统组件（电机、发电机、齿轮箱、轴承等）的物理模型以及这些组件的相关简化模型（试验台），这些模型将用于构建系统的DT；

• 根据开发的DT概念，开发和实施虚拟传感器的概念；

• 开发基于人工智能的系统，允许使用虚拟传感器控制EPD；

• 开发上述概念的专门知识，并以ISEAUTO为例展示其实现上述最终目标的能力。

物理器件模型的建立可以使用成熟的建模技术（如MATLAB）进行。物理模型的简化模型可以用模型降阶方法构造。可将不同型号的EPDS-DT并行装配。数字孪生体可以作为虚拟传感器，也可以在数字孪生体中实现虚拟传感器。将来自实际设备和虚拟传感器的数据与机器学习例程相结合，将能够对电能系统的设备进行诊断和预测。Digital twins不仅包括一个物理对象仿真（有关电机部件供应商的数据、提供的服务和未来的服务计划、关于异常情况的数据等等）。模拟器基本上是根据历史数据和物理/数学模型创建的。

以下文章来源于轩辕实验室 ，作者轩辕实验室