В сфере автомобильной безопасности происходят масштабные изменения в связи с внедрением FMVSS No. 127. Начиная с 2029 года, Национальное управление безопасности дорожного движения США (NHTSA) потребует, чтобы все легковые автомобили и легкие грузовики в Соединенных Штатах были оснащены системами автоматического экстренного торможения (AEB), отвечающими строгим и измеримым критериям производительности по скорости, дистанции и надежности.

Кроме того, недавно претерпел изменения Euro NCAP 2026 regulation, представляющий собой комплексную четырехэтапную структуру безопасности транспортных средств: в него был добавлен уровень надежности для обеспечения стабильной работы стека восприятия.

Разумеется, эти стандарты — не просто рекомендации, а обязательные требования, которые определят возможности выхода на рынок для производителей оригинального оборудования (OEM) на долгосрочную перспективу.

Ставки высоки: предполагается, что соответствующие требованиям системы AEB будут спасать 360 жизней и предотвращать 24 000 травм ежегодно. Однако выполнение этих ожиданий требует беспрецедентного уровня надежности систем и строгости валидации.

Чтобы решить эту задачу, эксперты по камерам Valeo’s в сотрудничестве с Ansys, входящей в состав Synopsys, усовершенствовали традиционные рабочие процессы валидации, внедрив дополнительный уровень в процессы симуляции «программное обеспечение в контуре» (SiL) и «аппаратное обеспечение в контуре» (HiL). Этот передовой подход укрепляет уверенность в производительности системы и помогает гарантировать, что современные системы помощи водителю (ADAS) стабильно соответствуют жестким требованиям новых нормативов.

Ошибки восприятия: критическая проблема в работе ADAS

Ошибки восприятия возникают, когда система ADAS неверно интерпретирует окружающую обстановку и прогнозирует потенциальную опасность там, где ее нет, что приводит к ненужным вмешательствам, таким как торможение или замедление. По сути, события такого рода представляют собой ложные срабатывания в цепочке «восприятие — прогнозирование — планирование», которая определяет поведение системы.

Однако в современной архитектуре ADAS подобные ошибки крайне редко исходят от какого-то одного датчика. Напротив, они часто возникают в процессах слияния данных с датчиков (sensor fusion), где несоответствия или рассогласования в выходных данных датчиков, обусловленные различиями в лежащей в их основе физике, могут приводить к неверным решениям на уровне системы.

Датчики и алгоритмы восприятия играют все более важную роль в управлении автомобилем. В связи с этим необходимость пересмотра процессов и обеспечения соответствующего уровня детализации должна учитываться на каждом этапе проектирования. Кроме того, крайне важна возможность итеративного перехода между анализом на уровне системы и на уровне компонентов на ранней стадии разработки автомобиля.

Для смягчения этих проблем восприятия автопроизводители полагаются на тщательную калибровку и настройку программного обеспечения ADAS с учетом таких факторов, как свойства ветрового стекла, материалы бампера и динамика автомобиля. Это помогает им найти баланс между чувствительностью системы и надежностью, необходимой для минимизации как пропусков обнаружения, так и ложных срабатываний.

Тем не менее, этот итеративный процесс также увеличивает сложность разработки, что в конечном итоге приводит к росту затрат и затягиванию сроков до начала серийного производства (SOP). Во многих случаях требуются дальнейшие корректировки на этапе после запуска производства с помощью беспроводных (OTA) обновлений программного обеспечения или отзывов автомобилей.

Оптические элементы в контуре (Optics-in-the-Loop) привносят реализм в валидацию камер ADAS

Одним из подходов к минимизации ошибок восприятия является предварительная валидация камер систем ADAS посредством симуляции, сочетающей тестирование SiL и HiL. Это широко распространенная методология, которая часто опирается на платформы симуляции, созданные на базе игровых движков.

Будучи эффективными, такие среды обычно не до конца воспроизводят физическое распространение света из внешней среды к комплементарному металл-оксид-полупроводниковому (CMOS) сенсору камеры. В результате некоторые проблемы восприятия могут оставаться незамеченными до поздних этапов разработки.

Этому ограничению есть простое объяснение. В традиционных конфигурациях SiL алгоритмы восприятия оцениваются с использованием синтетических или предварительно записанных изображений с упором на такие задачи, как обнаружение пешеходов, распознавание полосы движения и оценка расстояния. Однако такие подходы обычно предполагают идеальные входные изображения, игнорируя оптические искажения, возникающие вдоль реального оптического пути, в частности через ветровое стекло.

Более продвинутые методы SiL призваны устранить этот пробел путем моделирования физического поведения света внутри автомобиля. Сюда входит сохранение спектральной точности покрытий автомобиля, линз и ветрового стекла для получения более точного отклика в соответствующих диапазонах длин волн. При правильной реализации такие физически обоснованные симуляции могут помочь обнаружить проблемы восприятия на ранних этапах цикла разработки.

В ходе тестирования HiL акцент смещается на валидацию на уровне системы с использованием реального аппаратного обеспечения камер. В этом контексте смоделированные или записанные сцены внедряются в стек восприятия, который часто работает на целевой однокристальной системе (SoC) с требуемой частотой в реальном времени. При этом достижение производительности в реальном времени накладывает ограничения, поскольку симуляция работы камеры может потребовать компромисса между полной физической точностью и скоростью выполнения, особенно в отношении детальных оптических эффектов, таких как покрытия линз или сложные взаимодействия света.

Ни традиционное тестирование SiL, ни HiL в полной мере не учитывают то, что происходит до того, как свет достигает сенсора камеры. Этот оптический путь из внешней среды через ветровое стекло в камеру часто упрощается или упускается из виду. Это существенно, поскольку ветровое стекло может вносить целый ряд тонких эффектов, включая внутренние отражения между слоями стекла, дифракцию от нитей обогрева, ухудшение контрастности из-за пыли или микрокапель, а также блики при контровом свете.

Хотя эти эффекты часто едва заметны для человеческого глаза, они способны существенно изменить то, как камера внутренне представляет сцену. Если алгоритмы восприятия обучаются и проходят валидацию без учета этих факторов, они могут вести себя непредсказуемо в реальных условиях, что в конечном итоге приводит к ошибкам восприятия, таким как ненужное экстренное торможение.

Чтобы помочь преодолеть эти ограничения, был предложен уникальный взаимодополняющий подход к тестированию, который учитывает информацию о многоспектральной энергии на протяжении всего процесса распространения луча в сцене, а также управление многократным отражением лучей (вычислительное управление путями электромагнитных волн, отражающихся от нескольких поверхностей до достижения радиолокационного приемника).

Этот подход, опирающийся на опыт компании Valeo в разработке продукции, позволил создать успешный сквозной цифровой двойник камеры с использованием оптических элементов в контуре (OiL).

Ясное видение с помощью технологии OiL и цифрового двойника

Технология OiL охватывает все системы оптического управления, необходимые для точного представления оптической части датчика камеры, задействованного в системе ADAS. Вместо того чтобы начинать с предполагаемой идеальной системы, описанной в техническом паспорте, метод начинается с физически точного моделирования системы камеры, включая корпус, ветровое стекло автомобиля и любые другие влияющие компоненты.

Ни одна из классических SiL- или HiL-симуляций явно не моделирует то, что происходит до попадания изображения на матрицу камеры с точки зрения оптического пути или прохождения света из реальной среды через ветровое стекло в камеру. Это упущение имеет значение, поскольку ветровое стекло может привносить множество погрешностей, таких как:

Отражения-призраки между слоями стекла
Узоры теней, создаваемые нитями обогрева
Потеря контрастности из-за пыли, тумана или микрокапель
Эффекты бликов в условиях контрового света

Классический цикл валидации начинается с модели в контуре (MiL), переходит к SiL, затем к HiL и завершается испытаниями реальных автомобилей на полигонах или дорогах общего пользования в реальном мире. Согласно UNECE New Assessment/Test Method for Automated Driving (NATM) guidelines, каждый из этапов этого многокомпонентного методологического подхода обеспечивает получение конкретной аналитической информации, обнаружение проблем и покрытие тестами.

Интеграция оптических элементов управления в качестве цифрового двойника оптической системы в цепочку валидации SiL/HiL делает процесс валидации системы более предсказуемым, надежным и эффективным. Это достигается за счет использования методов обратной связи и адаптивной оптики для улучшения характеристик системы.

OiL как общая концепция может быть далее разделена на две основные подкатегории:

Полный OiL (Full OiL): этот подход сохраняет полное спектральное разрешение и исчерпывающие вычисления трассировки лучей без каких-либо упрощений или сокращений моделей. Благодаря сохранению полного физического моделирования оптических взаимодействий он обеспечивает максимальную точность и служит базовым эталоном для валидации. Такой уровень точности пока не позволяет выполнять симуляцию в режиме, близком к реальному времени.
OiL в реальном времени (Real-time OiL): это решение основано на параметрических представлениях и методах моделирования пониженного порядка для удовлетворения жестких требований к вычислениям в реальном времени при симуляциях HiL. Данный метод повышает вычислительную эффективность за счет оптимизации стратегий спектральной выборки и алгоритмов трассировки лучей, обеспечивая высокую скорость выполнения при сохранении физической точности.

Эти две категории не работают изолированно. Они предназначены для взаимодействия друг с другом. Внедрение этого подхода пока находится на ранних стадиях, однако оно очень перспективно для анализа высокоточных явлений.

Фокус на главном

Недавно компания Valeo в сотрудничестве с Ansys обеспечила реализацию полного OiL путем интеграции передовых возможностей оптического симулирования в среду валидации камер для усиления виртуальной проверки и оценки в целях повышения надежности ADAS.

Совместно инженерные команды создали высокоточный оптический цифровой двойник фронтальной камеры Valeo Smart Safety 360 EQ4, установленной за ветровым стеклом.

При создании этого цифрового двойника удалось воспроизвести взаимодействия фронтальной камеры в рабочей среде, включая:

Характеристики формирования изображения объектива камеры (разрешение, дисторсию и пропускание)
Физическую реакцию матрицы (квантовую эффективность, шум и кривые усиления)
Влияние структуры многослойного стекла ветрового стекла и внутренних отражений на восприятие
Оптические характеристики нитей обогрева, интегрированных в ветровое стекло и расположенных перед камерой (затенение поля зрения и эффекты тепловой нагрузки на оптические свойства ветрового стекла)
Изменения контрастности, вызванные загрязнениями на поверхности стекла ветрового стекла

Модель прошла валидацию на основе реальных измерений, полученных как на испытательном стенде, так и в ходе дорожных испытаний. Это гарантирует, что симулируемые изображения не только визуально схожи, но и количественно соответствуют действительности. В результате деструктивные оптические явления можно анализировать с большей степенью уверенности.

По мере развития автоматизации вождения потребность в надежности при разработке автомобильных систем восприятия и акцент на ней будут только расти. С этой целью системы камер ADAS должны оцениваться не только по тому, как они интерпретируют окружающий мир, но и по тому, как они его фактически видят, чтобы предотвратить опасные инциденты в будущем.

OiL выводит безопасность ADAS и эффективность разработки на новый уровень

Внедрение OiL в процессе валидации в среде симуляции повышает безопасность системы, снижает риски при разработке и способствует более предсказуемому и надежному поведению автомобиля там, где это важнее всего. Это усиливает процесс разработки ADAS за счет повышения реалистичности валидации восприятия с самого начала. Это дает ряд преимуществ, таких как:

Более раннее обнаружение условий, способных вызвать ошибки восприятия
Сокращение объема отладки на этапе дорожных испытаний
Более точное взаимодействие с OEM-производителями в отношении спецификаций ветрового стекла и его установки
Повышение надежности алгоритмов восприятия в различных условиях освещения и погоды
Снижение затрат на разработку за счет уменьшения числа итераций тестирования на поздних этапах

Короче говоря, OiL повышает уверенность в качестве восприятия камерой до того, как автомобиль выедет на дорогу.