[發明專利]用于對機動車輛，特別是自動駕駛機動車輛的部件進行XiL測試的系統

在審

• 申請號: 201910392101.0
• 申請日: 2019-05-13
• 公開（公告）號: CN110501991A
• 公開（公告）日: 2019-11-26
• 發明（設計）人: 圖爾加伊·伊斯克·阿朗德;埃萬蓋洛斯·比特薩尼斯;邁克爾·馬爾拜;弗雷德里克·斯蒂芬;阿蘭·瑪麗·羅杰·謝瓦利爾
• 申請（專利權）人: 福特全球技術公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 11278 北京連和連知識產權代理有限公司
• 代理人: 李紅蕭<國際申請>=<國際公布>=<進入

本發明涉及一種用于對機動車輛、特別是自動駕駛車輛的部件進行XiL測試的系統(2)，其中系統(2)被設計為加載表示機動車輛的部件的模型的模型數據集(MD)、對模型數據集(MD)進行分類以及使用模型數據集(MD)來確定測試數據集(TS)和與測試數據集(MD)對應的初始數據集(AD)以便對其他部件進行測試。

技術領域

本發明涉及一種用于對機動車輛、特別是自動駕駛機動車輛的部件進行XiL測試的系統。

背景技術

自動駕駛機動車輛(有時也稱為自主陸地車輛)是機動車輛，其可以無需人類駕駛員的干預而駕駛、轉向和停放(高度自動駕駛或自動駕駛)。在不需要駕駛員進行任何手動控制的情況下，也使用術語機器人車輛。駕駛員座椅可以保持空置；可能沒有方向盤、制動踏板以及油門踏板。

自動駕駛機動車輛能夠利用不同的傳感器檢測其環境，并且能夠根據獲得的信息確定其位置和其他道路使用者的位置，他們可以與導航軟件協作前往目的地以及能夠避免在途中發生碰撞。

由于自動駕駛機動車輛中的硬件和軟件部件的數量增加，所需的測試數量，特別是在原型批準之前所需的測試數量正在增加。

因此需要找到減少進行這種類型的測試所需費用的方法。

發明內容

本發明的目的通過一種用于對機動車輛(特別是自動駕駛車輛)的部件進行XiL測試的系統來實現，其中該系統被設計為加載表示機動車輛的部件的模型的模型數據集、對模型數據集進行分類以及使用模型數據集來確定測試數據集和與測試數據集對應的初始數據集以便對其他部件進行測試。

XiL測試可以是MiL(模型在環)、SiL(軟件在環)、PiL(處理器在環)和/或HiL(硬件在環)測試。MiL包括構建用于控制路徑的模型和用于行為模擬的ECU，SiL包括創建ECU的目標語言的模型以用于軟件開發中的自動測試，PiL包括處理器的測試，并且HiL指定一種方法，在該方法中嵌入式系統(例如實際電子ECU或實際機電部件、硬件)經由其輸入和輸出連接到匹配的對應物。

在操作中，系統加載機動車輛的部件的多個模型，所述模型由不同的用戶創建以執行XiL測試。在第一步驟中，系統分析這些模型并根據它們的特征(例如，根據他們的動態傳播行為)對它們進行分類。在另一步驟中，系統使用相應的模型確定每個模型的數據集和對應于相應測試數據集的初始數據集。因此，系統提供了可用于另一測試的測試數據集和初始數據集，在另一測試中，在輸入側上為相應的測試數據集提供被測系統，并將輸出側的變量與對應于其的初始數據集進行比較。

可以因此減少進行這種類型的測試所需的費用。

根據一個實施例，該系統被設計為自我學習。換句話說，該系統被設計用于機器學習。這意指系統可識別模型數據集中的模式和規律。系統也因此可以評估未知的模型數據集。監測或不受監測的學習算法可用于此目的。

根據另一實施例，該系統具有人工神經網絡。這種類型的人工神經網絡由多個處理單元、人工神經元經由通信信道的互連組成。在操作中，輸入變量通常經由非線性函數由人工神經網絡內的神經元處理，并且結果經由通信信道轉送到其他人工神經元。輸出變量表示處理操作的結果。人工神經網絡允許高度并行的數據處理。由此能夠在輸入變量中映射高度復雜的非線性依賴性。

根據另一實施例，人工神經網絡是多層神經網絡。這可以是沒有前饋的具有輸入層、一個或多個中間層以及輸出層的多層人工神經網絡，該輸出層在每種情況下可以具有多個人工神經元。系數被分配給每個人工神經元，在存在輸入值(例如，激活函數的系數)時定義后者的活動或行為。例如，深度學習算法能夠被用于在學習或訓練階段期間確定系數的相應值。然而，也可以使用其他人工神經網絡，例如，具有前饋和/或單層人工神經網絡的人工神經網絡。