不容忽視的汽車安全測試

文Jeff Phillips

在汽車行業內，人們的焦點都放在趨勢變化方面，卻忽略了制造安全可靠車輛的挑戰。

世界處在不斷變化的過程中。對于交通運輸行業，這種變化是最明顯的。不僅僅是汽車的未來，而且未來大眾的出行方式將充滿了期待和機遇。網聯系統的技術革命也帶來了汽車電氣化、自動駕駛系統，車輛與車輛以及車輛與周圍基礎設施之間通信方式的變化。

由于大部分人的焦點都放在了趨勢變化，在某些程度上市場正在忽略目前制造安全可靠車輛的挑戰, 即如何配置測試來應對日益縮減的時間期限、集中式 ECU以及缺乏高效的企業數據管理解決方案等問題。

測試配置

法國小說家Jean-Baptiste Karr經常被引用的一句話，翻譯下來大致意思是“越多事情改變，改變的部分就越少”（The more things change,the more they stay the same）。 本 文作者曾訪問過世界各地汽車客戶的驗證工程師，包括OEM和一級供應商，大多圍繞“沒有足夠的時間來進行測試”和“沒有預算購買新設備”等問題展開。

現在，許多系統直接控制或連接到非常注重安全的系統，測試這些設備以確保安全性和可靠性的重要性已不言而喻。

其中最重要的莫過于看似簡單的“測試配置”任務。曾經很簡單的汽車零部件，例如車頭燈或汽車座椅，現在變成復雜的機電系統，它將ECU、傳感器、執行器以及與車輛其他部分的通信結合在一起。現在驗證這些子系統的行為需要不同的測試方法。以前車門、車窗、轉向柱、照明和座椅的測試都是純粹的物理測試，驗證物理性能和生命周期。這些機械測試采用的工具包括振動臺、環境室、執行器和數據采集系統。由于這些組件包含了更多的傳感、計算和控制功能，物理組件已經演變成車輛子系統，需要的設計和測試方法必須能夠反映動力總成的設計行為。隨著設計團隊適應這一新的現實，建模、軟件設計、回歸測試，硬件在環（HIL）測試和系統集成所帶來的測試挑戰并不是花費更長時間或投入更多資金就可以解決的。

對于交通行業來說，采集的數據只會隨著汽車朝5級自動駕駛方向發展而不斷增加。生物識別傳感器的數據將有助于了解駕駛員的狀態和健康狀況。汽車將基于這些數據自動啟動車道變換輔助系統和自適應巡航控制系統。而且更令人興奮的是，AI的應用也即將在汽車領域全面爆發。

解決這一挑戰需要專門的工具進行一次性測試，然后過渡到編程工具進行自動化，或者在改變時間長度、溫度、天氣因素、碰撞力等不同變量的情況下反復進行相同的測試。這種類型的專業化也體現在鄰近行業，比如半導體，其中工具專業化降低了測試的總體成本，并允許供應商更快地將產品推廣上市。這一趨勢也即將發生在運輸行業。事實上，已經有一些產品開始提供這種專業化，比如NI FlexLogger，該軟件提供了基于配置的數據記錄交互。

集中式還是非集中式

隨著智能和邊緣處理添加到汽車組件中，每輛車的ECU數量呈指數級增長。從邏輯上講，這意味著組件設計更模塊化，故障傳播的概率更低。隨著我們朝著5級自動駕駛汽車努力，來自各種傳感器系統的數據融合必將給當前分散式ECU趨勢造成影響。

一種觀點是將子系統集成到一個集中式ECU之下，有時稱為融合ECU。處理器集中化有助于簡化軟件更新、數據聚合、數據流、成本和關鍵路徑測試。這意味著原始設備制造商可選擇其差異化優勢，直接內部進行開發，并采用一級供應商提供的完全集成的端到端傳感器系統。例如，對于電動汽車，許多原始設備制造商正在嘗試將他們的IP（包括制動、充電和動力總成）隔離到一個ECU中，并通過業界的商用現成ECU來減少測試負擔，降低成本以及分散責任。對整個價值鏈來說，了解這些系統如何集成在一起并共享標準至關重要。

無論如何，驗證ECU上嵌入式軟件的行為這一挑戰將變得更加困難，而快速開發和構建HIL測試設備的能力將變得至關重要。目前HIL系統的事實標準是從端到端構建整個系統，這聽起來很有吸引力。過去這種模式行之有效，但兩個重要的發展正在改變這一格局。

首先，市場變化的速度導致這些“黑匣子”測試設備成本過高，因為每次變化都需要開發全新的黑匣子。其次是ADAS的演變。隨著ECU的功能越來越多，并將來自不同供應商的信息聚集在一起，所以這些知識和IP更為重要，因為汽車公司需要擁有該IP并深入了解才能對其測試系統進行相應的修改，黑匣子就無法實現這一目的。

歷史上，這種“內部所有權”一般體現在發動機控制中。然而，我認為ADAS系統是實現創新和所有權道路上的新“動力總成”，這意味著擁有ADAS的IP將同樣重要。由于缺乏靈活性，無法適應未來需求，加上定制服務的成本過高，工程師正在尋求其他解決方案。此外，還存在由于缺乏大規模應用而導致的成本問題。這些“黑匣子”測試方案不再適用于較小的子系統，而且即使是小型系統，也包含大量的軟件邏輯。

數據管理解決方案

這里我們不必要了解采集的數據量如何呈指數級增長。對于交通行業來說，采集的數據只會隨著汽車朝5級自動駕駛方向發展而不斷增加。來自雷達、激光雷達和相機等傳感器的數據將整合在一起，以了解汽車周邊的環境。生物識別傳感器的數據將有助于了解駕駛員的狀態和健康狀況。汽車將基于這些數據自動啟動車道變換輔助系統和自適應巡航控制系統。而且更令人興奮的是，AI的應用也即將在汽車領域全面爆發。

對于測試工程師來說，由于采集的數據量龐大、驗證采集數據的步驟增加以及實時分析這些大型數據采集的需求，數據問題將會加劇。最近發生的特斯拉死機就是即時數據處理挑戰的一個例子。正確做出決策無疑會帶來無限的潛在影響。

設想一種情況，系統發生崩潰，系統會分析汽車上傳感器的數據并識別自動駕駛算法中的錯誤。

如果用于測試這些系統的數據與用于監控和評估這些系統的數據相同，那么接下來的步驟可能是：錯誤被修復并自動更新到存在該錯誤的車上。相同的數據會在驗證系統時生成新的測試參數，以確保不會重復發生錯誤。

這種情況是未來十年我們對自動駕駛算法、人工智能和物聯網的預期。但是，目前這種情況并未發生，因為盡管我們加載的數據越來越多，但并沒有真正對這些數據進行分析。

這一問題的關鍵在于不僅可能，而且能夠輕松存儲、共享、查找和分析測量數據的企業數據管理解決方案。雖然這極具挑戰性，還有一些汽車公司采取了相應的解

決方案，并取得了顯著的成效。豐田將分析數據所需的工時減少了50%;道依茨將數據分析時間減少了90%。捷豹路虎將其測試數據的百分比從10%提高到了95%，而且時間縮短了20倍。這些案例的共同點在哪里呢？答案就是標準化的數據管理和分析企業方案。

發展趨勢

變化是汽車領域的新元素，其中變化的不僅僅是汽車的使用體驗或采用的技術。政府法規和責任保險覆蓋范圍即將發生未知的變化;汽車經銷商和汽車租賃公司紛紛倒閉。這些變化的重中之重是用于驗證和測試這些組件的系統和方法，不僅要確保低成本、快速上市時間、高可靠性，同時最重要的就是確保安全性。幸運的是，用于定義這些新系統的組件并不新穎。我們已經看到相同的技術正在應用到半導體和國防和航空航天的測試環境，后者具有許多相同的“自動駕駛”功能。NI在測試方面擁有40多年的卓越歷史，并且我們也專注于汽車行業。在未來，我們將討論從鄰近行業類似挑戰中汲取的許多經驗教訓，重點介紹汽車領域的許多發展趨勢以及它們對測試工程師的意義，并最終展示汽車行業取得的一些重大成功案例。