Mise en œuvre d'une méthodologie de test hybride Vehicle-in-the-Loop pour les fonctions de conduite automatisée

Les systèmes avancés d’aide à la conduite (ADAS) et les systèmes de conduite automatisée (AD) nécessitent des tests approfondis dans un large éventail de scénarios de conduite avant de pouvoir être utilisés en toute sécurité dans les véhicules de production. Ces tests peuvent représenter un défi important pour les ingénieurs automobiles en raison des limites des deux grandes approches couramment utilisées aujourd'hui. La première approche, qui consiste à tester les fonctionnalités AD et ADAS par simulation uniquement, est efficace pour le développement précoce d'algorithmes, mais ne parvient pas à capturer la dynamique réelle du véhicule et les effets liés au matériel qui peuvent affecter considérablement les performances de l'algorithme. Une deuxième approche, basée sur la réalisation de tests sur un véhicule réel, élimine ces limitations, mais elle est plus longue, plus coûteuse et plus difficile à reproduire, sans parler du risque potentiel pour certains scénarios de conduite.

Pour combler le fossé entre les tests de simulation uniquement et les tests embarqués, mon équipe de Virtual Vehicle Research a mis en œuvre une approche de test hybride. Cette approche est définie en incorporant des tests vehicle-in-the-loop qui combinent un véhicule réel avec des véhicules virtuels dans un cadre de cosimulation, permettant des tests sûrs et réalistes des fonctionnalités ADAS et AD dans des scénarios de trafic simulés (Figure 1). Dans un scénario de freinage brusque, par exemple, cette approche de test hybride peut être appliquée pour effectuer des tests d'un système de freinage d'urgence automatique qui tient pleinement compte de la masse réelle du véhicule, de la dynamique du système de freinage, des retards matériels et d'autres nuances très difficiles, voire impossibles à capturer dans des modèles, le tout sans risquer une collision arrière réelle.

Nous avons validé notre méthodologie de test hybride en testant les capacités ADAS développées en interne à l'aide de l’approche Model-Based Design avec MATLAB^® et Simulink^®. Ces capacités intègrent des fonctions de suivi latéral et longitudinal ainsi que de décision de changement de voie pour prendre en charge les fonctionnalités de régulateur de vitesse adaptatif (ACC), d'assistance au maintien de voie (LKA) et de planification de trajectoire (TP). L’approche Model-Based Design nous a permis de modéliser, simuler et générer rapidement du code pour les fonctions ADAS, ce qui nous a permis de concentrer nos efforts sur la validation des tests hybrides en tant qu'approche plutôt que sur les détails de codage et de mise en œuvre de bas niveau.

Comment fonctionnent les tests hybrides

Lors des tests hybrides, un véhicule réel équipé d'un logiciel et d'un matériel AD ou ADAS fonctionne sur un terrain d'essai fermé, exempt de tout autre véhicule ou obstacle. Au lieu de détecter et de réagir au trafic réel, le logiciel de contrôle interagit avec un environnement virtuel qui est continuellement mis à jour en temps réel à mesure que le véhicule se déplace sur le terrain d'essai. Dans notre configuration, le véhicule d'essai est une Ford^® Mondeo Hybrid équipée d'un kit ADAS qui permet un contrôle total de l'accélérateur, des freins, de la direction et des changements de vitesse du véhicule. Le terrain d'essai est la piste d'essai de l'ÖAMTC Lang/Lebring, près de Graz, en Autriche (Figure 2). De plus, l'environnement virtuel est basé sur Simulation of Urban MObility (SUMO), un package de simulation de trafic continu et open source, avec l'environnement statique (y compris les panneaux de signalisation, les coordonnées des voies et d'autres éléments d'infrastructure) défini à l'aide des spécifications de format d'ASAM OpenDRIVE^®.

Lorsque le véhicule d'essai se déplace sur la piste multivoie, sa position, sa vitesse et son orientation sont capturées via le GPS et d'autres capteurs embarqués. Ces informations sont relayées vers l'environnement virtuel exécuté sur un PC industriel dans le véhicule, où elles sont utilisées pour orienter le véhicule de test (ego véhicule) dans la simulation de trafic. Sur la base de la simulation du véhicule autonome et de sa position par rapport aux véhicules virtuels et aux éléments d'infrastructure statiques, l'environnement virtuel génère un ensemble de listes d'objets et d'informations de détection de voie, qui sont envoyées via une interface de bus CAN au logiciel de contrôle ADAS fonctionnant sur hardware temps réel MicroAutoBox de dSPACE^®. Le logiciel de contrôle utilise les listes d'objets et les informations sur les voies pour prendre des décisions en matière de freinage, d'accélération, de changement de voie et de planification de trajectoire, avant d'envoyer les signaux nécessaires pour exécuter ces décisions aux actionneurs de direction, d'accélérateur et de freinage du véhicule via le bus CAN (Figure 3).

Modélisation, simulation et génération de code pour les fonctions ADAS

Nous avons commencé à développer les composants ACC, LKA et de planification de trajectoire de notre fonction ADAS (que nous avons baptisée Motorway Chauffeur (MWC)) à l'aide d'un ensemble de modèles Simulink développés par nos collègues pour une autre application ADAS. Nous avons adapté ces modèles pour utiliser les listes d'objets et les informations sur les voies provenant de l'environnement virtuel et avons exécuté une série de simulations en boucle fermée sur le bureau pour vérifier la fonctionnalité de base du système (Figure 4). Nous avons également effectué des simulations de nos modèles de contrôle ADAS avec IPG CarMaker à l'aide de la plateforme d'intégration Model.CONNECT.

Après avoir testé nos fonctions ADAS via simulation, nous avons utilisé Embedded Coder^® pour générer du code C++ à partir de nos modèles, puis déployer le code sur le matériel cible MicroAutoBox en préparation des tests embarqués.

Réalisation de tests embarqués et résultats de post-traitement

Nous avons installé l'ensemble de la configuration matérielle, y compris le matériel MicroAutoBox et le PC industriel, dans le véhicule de test (Figure 5). Avec cette configuration, nous avons effectué de nombreux tests sur le terrain d'essai pour évaluer diverses fonctions ADAS et AD, notamment les changements de voie et les changements de vitesse en réponse aux messages d'information infrastructure-véhicule (IVIM) en présence de trafic virtuel.

Après les essais routiers, nous avons utilisé MATLAB pour analyser les données enregistrées par les capteurs embarqués et générer des tracés montrant la vitesse, l'angle de braquage et la position du véhicule au fil du temps (Figure 6). Cette analyse était au cœur de nos objectifs de recherche, car elle nous a permis d'utiliser les tests Vehicle-in-the-loop pour évaluer les indicateurs de performance clés (KPI) de la fonctionnalité ADAS.

Le post-traitement des données dans MATLAB a également joué un rôle déterminant dans l'analyse des problèmes que nous avons découverts lors de nos tests. Par exemple, lors d'un test, nous avons remplacé les données de la liste d'objets provenant de l'environnement virtuel par des données similaires provenant directement d'une caméra MobilEye ADAS. Lors de l'échange des données simulées avec les données du capteur réel, nous avons remarqué des oscillations dans les signaux de commande. Notre analyse a révélé que le problème provenait d'un retard d'environ 300 millisecondes dans les données de détection de voie. Après avoir introduit ce même retard dans notre modèle Simulink, les simulations ultérieures ont montré des oscillations similaires. Nous pouvions alors modifier notre algorithme de contrôle pour tenir compte de ce délai et régénérer le code pour résoudre le problème.

Les étapes suivantes

Notre équipe continue de développer la méthodologie de tests hybrides que nous avons mise en œuvre. Nous explorons actuellement plusieurs améliorations, notamment l'utilisation de visualisations 3D pour les scénarios de circulation à la place des visualisations actuelles à vol d'oiseau. Une autre amélioration prévue est l'inclusion de modèles de capteurs physiques dans le cadre de simulation, qui soutiendra le développement et les tests d'algorithmes de perception sur le véhicule et permettra une intégration plus poussée des capteurs embarqués dans les tests hybrides.