- 16 1 月, 2024
车辆中传感器使用频率的指数增长及其生成的丰富数据为汽车行业提供了绝佳的机会,使得人们能够分析这些数据,并通过高级驾驶辅助系统逐步提高驾驶自主性水平。邦奇动力正在研究新的技术,利用人工智能、大数据和机器学习来增强产品特性,并缩短产品开发周期时间。邦奇动力的目标是将人工智能逐步整合到所有部门,使其成为公司DNA的组成部分。
由于汽车的未来是电动汽车,因此人工智能的整合主要会带来两大好处。首先,可提高电动汽车的驾驶自主性水平;其次,可缩短上市时间。此外,还具有其它次要的好处。例如会对成本效益和产品设计优化产生影响。
驾驶自主性水平提高
提高电动汽车的驾驶自主性水平意味着首先要通过收集并学习驾驶员的重要思想部分来提高驾驶性能。通过分析历史数据,软件可确定任何特定时刻需要的驾驶模式(从最经济的驾驶模式到以性能为导向的驾驶模式),并使电驱动系统平稳运行。
上市时间缩短,但仍达到有利的成本效益
此外,数据有助于设计高度准确且可靠的模型,因此在缩短上市时间方面起到关键作用。创建的虚拟样本(数字孪生)旨在消除物理A(和B)样本的需求。在开发过程中,所有工程师均可访问这些数字模型。随着这些模型进入生产阶段,装配线数据会被输入到机器学习/人工智能数据库,以改进装配过程,最终目标是消除物理生产线末端检查的需求。
邦奇动力通过2个项目展示了机器学习和人工智能在开发和改进产品具体特性方面的差异:ConACon(Context Aware Control)和HAIEM(混合人工智能环境模型)。
人工智能工具利用通过过去的项目收集的大量数据提高这些模型在全虚拟原型环境中的可靠性。该方法可最小化未来开发过程中与物理原型相关的时间和成本。
项目:ConACon(Context Aware Control)
预测驾驶策略软件可自动调整驾驶性能设置,采用机器学习来进行决策,并根据不断变化的环境适应动态驾驶。与只能识别if/then/else命令的条件编程相比,具有明显优势。该软件采用分配到专用ConACon块(解读并生成首选驾驶性能设置)的3个输入源来完成该目标。其中2个是需立即采取行动的快速输入。
块1由我司的驾驶性能和驾驶策略团队开发,负责驾驶员输入(油门、制动、转向)。其采用通过模拟生成的数据,而非收集驾驶时的真实数据,因为后者成本昂贵且耗时。
块2专用于道路和驾驶风格识别。完全由邦奇动力开发的分类随机森林模型采用在不同驾驶员的试驾过程中收集的数据来创建“通用”驾驶员。通过导入具体数据,软件能够为独特的特定驾驶员定制驾驶性能。
块3将充当基于规则的解释器,纳入其他约束条件(例如:安全性、速度限制和导航命令);但其仍处于开发阶段,等待获取更多数据。
项目:HAIEM(用于机电一体化估算的混合人工智能)
本质上,其是第一原理物理诱导模型与数据驱动黑盒神经网络的组合,可通过有限的建模工作提高模型准确度。在HAIEM中开发的建模工具适用于我司混合DCT的2个离合器,与采用查找表补偿复杂非线性动力学行为的经典控制架构相比,其可提高换挡性能。广泛的测试表明人工智能预测与物理离合器的行为结果非常相似。该混合模型无需进行大多数此类测试,因此节省了时间和资源,另外还可用于未来电驱动控制挑战的准确工厂建模。
下一步是什么?
邦奇动力目前正在利用大数据建立不同系统和子系统的数字孪生图书馆。人工智能工具利用通过过去的项目收集的大量数据提高这些模型在全虚拟原型环境中的可靠性。该方法可最小化未来开发过程中与物理原型相关的时间和成本。在维持核心业务的同时,邦奇动力正在深入研究人工智能和机器学习的可靠性。此外,公司还在探索在专用软件的开发中应用生成式人工智能的潜在途径。