Creazione di modelli di veicoli virtuali per simulazioni su larga scala basate sul cloud

Le aziende automobilistiche di tutto il settore si affidano sempre più a metodi di sviluppo virtuale che utilizzano modelli di veicoli per consentire la prototipazione, la convalida e l'integrazione virtuali. Questo approccio offre vantaggi significativi, sia in termini di risparmio sui costi che di riduzione dei tempi di sviluppo, poiché i prototipi fisici vengono utilizzati solo per la convalida finale.

I team di progettazione, tuttavia, stanno scoprendo che è necessario superare alcuni ostacoli prima che si possano realizzare i vantaggi dello sviluppo virtuale. Innanzitutto, i team devono creare modelli di veicoli virtuali al giusto livello di fedeltà. Cioè, il modello deve essere sufficientemente dettagliato da catturare gli effetti di interesse, ma non così dettagliato da rendere proibitivi i tempi di simulazione. Successivamente, devono integrare modelli fisici di impianti e modelli software. I team di ingegneri devono inoltre incorporare scenari di guida che mettono in pratica il modello a circuito chiuso e visualizzare i risultati della simulazione per estrarre informazioni utili. In molti casi, hanno anche bisogno di un modo per eseguire simulazioni su larga scala per supportare studi o ottimizzazioni sui compromessi di progettazione.

In questo articolo descriviamo un flusso di lavoro che affronta tutte queste aree chiave. Il flusso di lavoro include la creazione di un modello con app Virtual Vehicle Composer, personalizzando il modello, utilizzandolo per eseguire simulazioni sul desktop e quindi distribuendolo nel cloud per eseguire studi su larga scala (Figura 1). Molti clienti MathWorks utilizzano già questo flusso di lavoro o uno simile per ridurre i tempi di simulazione, semplificare le simulazioni basate su cloud e supportare un numero crescente di casi d'uso di modellazione di veicoli virtuali.

Generazione e personalizzazione di un modello di veicolo virtuale

Costruire un modello di veicolo da zero non è un compito banale. È di grande aiuto iniziare con un modello di riferimento prima di personalizzarlo per soddisfare i requisiti di un particolare progetto. Questo è uno dei motivi per cui MathWorks fornisce, da diversi anni, soluzioni precompilate applicazioni di riferimento del veicolo per un'ampia varietà di test e manovre del veicolo. In R2022a, MathWorks ha rilasciato l'app Virtual Vehicle Composer in Powertrain Blockset™ e Vehicle Dynamics Blockset™. Questa app rende ancora più semplice per i team di ingegneri la configurazione e la costruzione di veicoli virtuali per test e analisi delle prestazioni tramite un'interfaccia utente intuitiva. Quando utilizzano l'app, gli ingegneri iniziano selezionando un gruppo propulsore per il veicolo (ad esempio, un propulsore EV a due motori), specificando un modello longitudinale puro o uno che include anche la dinamica laterale e configurando parametri chiave, come la massa del veicolo, dimensioni dei pneumatici, coppia massima del motore e così via. Possono quindi selezionare quali casi di test eseguire da una serie di cicli di guida e manovre, nonché quali segnali registrare durante le simulazioni. Una volta effettuate queste scelte di configurazione, un singolo clic genererà un modello Simulink^® pronto per la simulazione (Figura 2).

L'app Virtual Vehicle Composer consente ai team di configurare e generare modelli completi in pochi minuti. Ancora più importante, tuttavia, il modello risultante è completamente personalizzabile, quindi i team possono ampliarlo con nuove funzionalità del modello di impianto, controller o sensore o con funzioni aggiuntive scritte in C o MATLAB.^®.

Per illustrare questa parte del flusso di lavoro, abbiamo implementato un caso d'uso in cui abbiamo personalizzato una versione di un modello di veicolo elettrico generato con l'app Virtual Vehicle Composer e quindi utilizzato per studiare le prestazioni di un sistema di frenata di emergenza autonoma (AEB).

Il modello di veicolo elettrico che abbiamo generato non includeva i sensori, gli algoritmi di controllo e gli scenari di test necessari per eseguire i test AEB, quindi abbiamo incorporato questi componenti da un modello campione Automated Driving Toolbox™. A quel punto, si trattava di trascinare e rilasciare i componenti AEB di cui avevamo bisogno, collegare i segnali necessari per adattarli alla struttura del modello e copiare i parametri del veicolo e i dati di calibrazione del controller dal modello campione AEB. Il modello a circuito chiuso risultante, comprendente sia l'impianto EV che il controller AEB, comprendeva quasi 33.000 blocchi (Figura 3).

Esecuzione di simulazioni desktop

Una volta assemblato e configurato un modello di sistema completo, il passaggio successivo nel flusso di lavoro consiste nell'eseguire simulazioni sul desktop. Nel nostro caso d'uso di esempio, l'obiettivo era capire quanto bene funzionasse l'algoritmo di controllo AEB per il veicolo elettrico che avevamo modellato. Ad esempio, volevamo sapere se il controller fermava l'auto in modo sicuro, senza collisioni, in una varietà di scenari e in una vasta gamma di pesi del veicolo. Volevamo anche valutare i parametri chiave di controllo, come l'applicazione iniziale della forza frenante (o della pressione dei freni) e il momento specifico in cui i freni venivano applicati completamente (Figura 4). Le simulazioni desktop forniscono un modo per convalidare il modello, valutare la configurazione del test e verificare gli script di automazione con una serie limitata di esecuzioni di test prima di passare a uno studio più completo.

Per progettare scenari di guida sintetici per i test, abbiamo utilizzato l'app interattiva Driving Scenario Designer di Automated Driving Toolbox, che fornisce anche diverse applicazioni di esempio e AEB per evitare collisioni. Avevamo un semplice criterio di superamento/fallimento per ogni scenario: Se l'ego Vehicle si fermava prima di entrare in collisione con il veicolo, il pedone o l'ostacolo sul suo percorso, il test è stato superato (Figura 5).

Volevamo eseguire diversi casi di test, quindi abbiamo deciso di automatizzare l'esecuzione dei test, che può essere eseguita tramite uno script MATLAB o Simulink Test™. Per la fase iniziale di simulazioni desktop, abbiamo deciso di eseguire 16 test diversi, variando parametri, come la velocità del veicolo, sia nell'algoritmo di controllo che in quello dell'impianto, nonché nello scenario di test per esercitare il sistema in un'ampia gamma di condizioni. Su un singolo core di elaborazione, il completamento di questa scansione di 16 esecuzioni ha richiesto circa 23 minuti. Per ridurre i tempi di simulazione, abbiamo utilizzato Parallel Computing Toolbox™ per eseguire gli stessi test in parallelo su quattro core. Ciò ha ridotto il tempo di simulazione a poco più di 7 minuti. Anche a questo ritmo più veloce, tuttavia, ci sarebbero voluti giorni per completare lo studio fattoriale completo che volevamo condurre, che prevedeva migliaia di simulazioni. Tali studi su larga scala sono particolarmente adatti al cloud. L'esecuzione di questa scansione dei parametri su piccola scala prima sul desktop ci ha permesso di confermare che i nostri script di automazione per l'esecuzione delle simulazioni e il controllo del criterio superato/fallito funzionavano come previsto. Ciò, a sua volta, ci ha dato la sicurezza necessaria per ampliare lo studio per una combinazione molto più ampia di condizioni di test nel cloud.

Esecuzione di studi di simulazione su larga scala nel cloud

Esistono molti motivi per eseguire simulazioni nel cloud. Il ridimensionamento, per sfruttare maggiori risorse computazionali, è una motivazione comune. Gli ingegneri potrebbero anche voler semplicemente scaricare i lavori computazionali dalla loro workstation principale, oppure i team potrebbero voler accedere su richiesta ad hardware computazionale specializzato che è necessario solo occasionalmente.

Quando si lavora in MATLAB, il passaggio dal desktop al cloud è semplice; non è necessario riscrivere script o algoritmi. MathWorks offre architetture di riferimento per l'esecuzione MATLAB e Simulink su macchine virtuali (VM) nel cloud, nonché contenitori predefiniti che possono essere distribuiti nel cloud.

Per il nostro studio abbiamo utilizzato l'architettura di riferimento per l’esecuzione di MATLAB Parallel Server™ su Amazon^® Web Services. Disponibile su GitHub®, questa architettura di riferimento semplifica l'avvio di istanze di macchine virtuali Windows^® o Linux^® basate su MathWorks ^® Amazon Machine Images (AMI), anche per i team con poca o nessuna esperienza nel cloud. Una volta avviata l'istanza, ci siamo collegati tramite un desktop remoto, abbiamo caricato i nostri file di configurazione del test e quindi eravamo pronti per iniziare a eseguire i test su un cluster di macchine virtuali Linux con quattro macchine a 32 core.

Abbiamo eseguito uno studio fattoriale completo che includeva 28 scenari, 16 valori per un parametro del modello di impianto e cinque valori ciascuno per due parametri di controllo. Ciò ha prodotto una suite di test di 11.200 simulazioni. Nel cloud i test sono stati completati in circa 90 minuti, mentre su una workstation a quattro core lo stesso studio avrebbe richiesto circa due giorni.

Analizzando i risultati di questo studio, abbiamo confermato che il controller AEB si è dimostrato ragionevolmente robusto in tutti i test. Abbiamo notato alcuni casi di guasto, in cui il veicolo virtuale non è riuscito a fermarsi in tempo (Figura 6). In un flusso di lavoro tipico, questi casi verrebbero esaminati in modo più dettagliato sul desktop, dove gli ingegneri analizzeranno i risultati in MATLAB e Simulink per identificare la causa principale del guasto e decidere come rimediare al problema (ad esempio, ottimizzando il controller parametri) e, se necessario, aggiornare il modello per un'esecuzione di test di follow-up nel cloud. Gli studi di simulazione su larga scala con modelli di veicoli virtuali semplificano l'identificazione di questi potenziali casi di guasto e consentono ai team di ingegneri di concentrarsi su problemi potenzialmente critici nelle prime fasi del processo di progettazione.

Conclusione

Poiché lo sviluppo di veicoli virtuali diventa sempre più centrale nel flusso di lavoro automobilistico complessivo, i team di ingegneri avranno bisogno di modi per tenere il passo con la domanda sempre crescente di simulazione. Virtual Vehicle Composer offre ai team un significativo vantaggio in termini di produttività in quest'area consentendo loro di configurare rapidamente modelli di veicoli adatti. Poiché questi modelli non sono scatole nere, gli ingegneri hanno la flessibilità di migliorarli e personalizzarli rapidamente in Simulink in base alle esigenze specifiche del loro progetto. Inoltre, i team possono continuare a utilizzare MATLAB e Simulink insieme al cloud computing per automatizzare gli studi di simulazione su larga scala e analizzare i propri sistemi in un’ampia gamma di condizioni per identificare potenziali problemi, valutare compromessi di progettazione ed eseguire ottimizzazioni.