南京2022年4月15日 /美通社/ -- 在“雙碳”大趨勢下，燃油汽車亟需提高技術指標，以面對愈發(fā)嚴格的整車性能標準考核及市場份額的持續(xù)下滑趨勢。標定是汽車研發(fā)的關鍵環(huán)節(jié)，直接影響汽車的技術指標，然而傳統(tǒng)基于專家或模型的標定方法耗時長、成本高，并不能化解車企面臨的困境，而新興的AI技術可提供超越傳統(tǒng)的高效解決方案。
南棲仙策是強化學習AI智能決策應用的領軍者，在汽車標定業(yè)務上。南棲將強化學習技術與汽車標定場景充分融合，摸索并總結(jié)出數(shù)據(jù)驅(qū)動的虛擬標定解決方案，旨在高效、高精度、低成本地完成標定業(yè)務。南棲仙策汽車交付團隊基于強化學習研發(fā)的技術優(yōu)勢、服務汽車行業(yè)客戶的經(jīng)驗，結(jié)合整車轉(zhuǎn)鼓排放標定、混動標定兩個實際案例，編寫了《汽車虛擬標定白皮書》（以下簡稱為《白皮書》），展示了強化學習應用技術帶來的AI能力，以及幫助汽車行業(yè)客戶提升核心競爭力的潛力。
《白皮書》分為三部分進行闡述。
第一部分：概述整車標定概念及車企面對的四大行業(yè)難題。
《白皮書》總結(jié)了汽車行業(yè)客戶常面臨的標定難題：
1. 標定復雜度高，標定參數(shù)多達上千個。人工聯(lián)合調(diào)優(yōu)難，性能“將就”。
2. 強烈依賴經(jīng)驗，需要經(jīng)驗豐富的工程師。人員易流失，經(jīng)驗隨之帶走。
3. 試驗成本高昂，物理實驗開銷難降低。研發(fā)成本難降低，擠壓利潤空間。
4. 迭代周期冗長，需多次反復迭代試錯。拖延產(chǎn)品發(fā)布，耽誤市場時機。
除以上4點外，近兩年受新冠疫情的影響，標定實測工作常常中斷，嚴重影響了業(yè)務進展。
第二部分：介紹南棲強化學習工具的不同與優(yōu)勢
南棲全球領先的數(shù)據(jù)驅(qū)動強化學習工具REVIVE提供的數(shù)據(jù)模擬環(huán)境和強化學習優(yōu)化可有助于解決車企面臨的標定難題。REVIVE是面向行業(yè)專家的強化學習工具，通過數(shù)據(jù)驅(qū)動環(huán)境虛擬技術，進行大量虛擬推演與試錯，尋找最優(yōu)方案。
REVIVE基于汽車標定數(shù)據(jù)模擬環(huán)境的強化學習解決方案過程：
REVIVE方案主要分為四步：首先在人工標定參數(shù)的實車驗證實驗中收集對應的性能狀態(tài)秒采數(shù)據(jù)并進行簡單的數(shù)據(jù)整理；然后根據(jù)汽車控制基礎邏輯構(gòu)建業(yè)務模型，導入數(shù)據(jù)，使用REVIVE系統(tǒng)中的環(huán)境模型訓練功能，訓練控制邏輯圖中所有的神經(jīng)網(wǎng)絡模塊，得到可運行的“數(shù)據(jù)仿真車”，并使用可視化評估指標驗證虛擬環(huán)境與真實環(huán)境的一致性；再使用REVIVE系統(tǒng)中的策略模型訓練功能，得到優(yōu)化后的標定參數(shù)；最后將優(yōu)化后的標定參數(shù)在虛擬環(huán)境中驗證，評估有效則上載到汽車進行實車驗證。
REVIVE基于數(shù)據(jù)模擬環(huán)境的強化學習解決方案過程
第三部分：結(jié)合發(fā)動機整車排放標定、混動標定兩個案例，介紹REVIVE成功應用方案。
《白皮書》實例證明，南棲獨特的AI虛擬標定技術可顯著降低汽車尾氣排放值。與人類工程師相比，THC降低了51%，CO降低了29%，NOx降低了18%，優(yōu)于國六排放標準，并為后續(xù)車輛設計環(huán)節(jié)提供了充足的排放余量。
在串并聯(lián)混動系統(tǒng)標定任務上同樣成功。在起點—終點電量相同的約束下，能優(yōu)化得到更合理的利用電池電量容量、更高效的利用發(fā)動機最優(yōu)工況特性的混動策略，使得整車在WLTC實驗中取得更低的油耗。
南棲仙策《汽車虛擬標定白皮書》全文下載鏈接如下：
https://forms.ebdan.net/ls/ukA9JYSV?bt=yxy
