用人工智能重新定义ECU标定
由人工智能 代理完成数 据配置
保时捷工程集团开发的虚拟应用开发软件 PERL，将大部分控制系统数据配置作业转移给了人工智能，由此减少了车辆应用开发阶段对台架试验和试驾的需求。首批客户项目的成果，业已证明这一新方法的巨大潜力。
在为新车辆功能开发应用时，工程人员必须投入越来越多的人力，因为随着现代车辆功能范围的不断扩大，以及系统联网程度的不断提高，应用开发所需的测试和相关参数量，也明显水涨船高。为了能在未来继续妥善处理更复杂的情况，并提高开发效率，保时捷工程集团锐意尝试借助人工智能 (AI) 来校准和配置控制系统。“通过保时捷工程强化学习（Porsche Engineering Reinforcement Learning，简称 PERL），我们将驾驶功能的应用开发转变为一种智能决策过程。”保时捷工程集团项目经理马泰奥·斯库尔 (Matteo Skull) 介绍道。
PERL 基于所谓的“深度强化学习”，这是一种自学习人工智能程序。其基本原理是：这种人工智能并非对个别参数进行优化，而是针对整体功能制定策略，以获得最佳应用效果。这种方法的优点在于流程效率高，因为它具有自学习能力，而且普遍适用于车辆开发中的诸多领域（另请阅读《Porsche Engineering》杂志 2021/1 中关于 PERL 原理的内容）。“保时捷工程集团很早便意识到深度强化学习在自动控制系统应用开发方面的潜力。自 2017年以来，我们便开始与保时捷工程集团罗马尼亚克卢日和蒂米什瓦拉基地的人工智能专家合作开发 PERL，自此不断进一步改进这种方法。”保时捷工程集团高压蓄电池应用和诊断部门主管马蒂亚斯·巴赫博士 (Dr. Matthias Bach) 回忆道。PERL 现在已注册了 50 多项专利。
凭借相关能力，保时捷工程集团成为世界首批验证人工智能辅助应用开发方法，并将之纳入新车系统开发流程的公司之一。同时，PERL 已在两个客户项目的应用开发中投入使用。一方面，保时捷工程集团与位于德国卡尔斯鲁厄的 FZI 信息技术研究中心及保时捷总公司开展了大约三年的科研合作，其中就使用了 PERL 来调整混合动力汽车新型汽油发动机的混合气制备。另一方面，PERL 也用于保时捷一款电动车传动系减震器的应用开发。
90
%
取决于不同的任务，PERL 最高可达到 90% 的应用数据成熟度。通过 台架试验和试驾，可对原 始校准完成微调和验证。
50
项
保时捷工程集团现已注册 超过 50 项 PERL 相关专利。
控制器应用开发
在这两种情况下，控制器应用的开发中都要用到人工智能，这就构成了一项特殊的挑战。保时捷工程集团和 FZI 博士生托马斯·鲁道夫 (Thomas Rudolf) 解释说：“控制功能的应用开发要求非常高，因为我们必须精确控制高度动态的过程。例如，在发动机的混合气制备过程中，必须针对每种转速/扭矩组合，利用参数特征图谱，对喷油量进行正确调整，以便使 Lambda 值，也就是废气后处理最佳运行控制变量值与目标值达到一致。
这里的主要挑战在于：发动机与排气管末端的传感器系统之间有一定空间距离，由此会产生死区时间，除此之外，控制系统还必须高速运转，以应对负载的变化。如果控制响应过慢，废气净化系统的功能就会受到限制，导致排放量增加。如果控制过于激进，系统则可能发生颠簸。
因此，在这两个极端之间合理折衷至关重要。“汽车上复杂多变量控制系统的定制参数化，仍然是一项重大挑战。先进的学习方法可以显著加快范围庞大、成本高昂且有时需要手动进行的应用开发，并提高其效率。”时任卡尔斯鲁厄理工学院 (KIT) 控制系统研究所所长兼信息技术研究中心 (FZI) 所长的工程学博士泽伦·霍曼教授 (Prof. Dr.-Ing. Sören Hohmann) 在总结利用人工智能的优势时说。
“ 先进的学习方法可以显著加 快范围庞大、成本高昂且有 时需要手动进行的应用开 发，并提高其效率。”
工程学博士泽伦·霍曼教授
卡尔斯鲁厄理工学院 （KIT） 控制系统研究所所长兼信息技术研究中心 (FZI) 所长
PERL 能够调整大量控制参数，从而设定最佳混合气比例，即使发动机处于高动态运行状态下也不成问题。“特别是考虑到未来的排放标准还会更加严格，从而要求在所有运行范围进行更加精确的 Lambda 控制，PERL 就更是一种不可或缺的开发工具。”巴赫指出。保时捷工艺、质量和方法开发负责人加拉比娜·阿列克谢耶娃-劳施博士 (Galabina Aleksieva-Rausch) 也分享了她的评估意见：“我们将 PERL 作为潜力研究的一部分，与传统应用开发同时进行，以确保结果的可比性。结果大大超出了预期：人工智能方法的校准效果，即使不经微调，也已几乎与批量应用的校准效果相当。”
在计算机上利用人工智能生成的应用数据，成熟度在很大程度上取决于相应任务，但通常为 80%至 90% 左右。然后通过台架试验和试驾对原始校准进行微调和验证，由于质量控制和验证要求，这些试验和试驾今后依然将是应用开发的必要组成部分。在这方面，PERL 也可为应用开发者提供支持，因为该程序可在测试期间在后台运行，并利用获得的数据，为进一步的应用优化提出建议。
PERL 用于批量开发时的效率增益，目前暂时无法量化。不过，目前便可肯定的是，人工智能辅助应用开发方法（如 PERL）将能显著加快整个开发过程：“有了 PERL，我们就可以更早着手于应用开发，更快获得有效结果，从而可以更有针对性地处理后续开发步骤，以提高效率。”阿列克谢耶娃-劳施团队的斯蒂法诺·奇尼 (Stefano Chini) 表示。
PERL 的第二项用途涉及电动车传动系的减震。在这一领域，工程师们试图通过有针对性的抵消对策，来减弱动力传动系中的干扰性振动——例如，耳机的“降噪”，又称“噪声消除”(Noise Cancellation) 功能就是基于同样的原理。这主要包括 1 至 15 赫兹范围内的激励，车内人员通常会因此感受到振动，在最坏的情况下，连传动系都可能受到损坏。与发动机内的混合气形成一样，最佳控制对于系统功能也是至关重要的，因为若要做到有效减震，必须在正确的时间、以正确的节拍操控车辆电机。此外，反向振动不可太强，因为产生反向脉冲所需的电机扭矩将无法用于推进。因此，在这一设计中，舒适性和行驶动性直接相互作用。
减震器应用篇
神经网络提高仿真精度
如果要做到有效减震，就必须在正确的时间、以正确的节拍操控电动汽车的电机。此外，反向振动不可太强，因为产生反向脉冲所需的电机扭矩将无法用于推进。为了能够使用 PERL，开发人员首先根据台架数据，创建了真实振动曲线的底盘物理模型，然后借助神经网络对其加以扩展。硬件模型负责物理仿真，人工神经网络则可弥补真实世界与仿真环境之间的精度差距。
PERL 政策培训
云计算为计算工作提速
该人工智能代理使用大数据集和随机初始化的特征曲线图谱来进行训练，以确保策略具有良好的通用性。云端上的 64 个 CPU 内核并行处理仿真，与本地机器相比，计算速度显著加快。该策略经由云端图形处理器优化。
找到最佳平衡点
综上所述，在设计减震器时，应用工程师必须在舒适性和运动性之间找到最佳的平衡点。为了尽可能达到保时捷应有的最佳效果，在每个电动车桥的减震设计中都必须同时为三个特性曲线图谱配置数据。因其高度复杂，在手动应用开发过程中，要对控制系统完成稳健的初始设局设置，需要花费大量人工。然后，应用开发人员才能开始校准微调。“PERL 的主要目标之一，就是缩短这段时间。而且，我们从一开始就致力于将人工智能普遍应用于各种不同的车辆平台和衍生车型。”保时捷软件工程师莫里斯·豪斯 (Maurice Hauß) 说。
为能将 PERL 应用于此，来自保时捷工程集团和保时捷总公司的开发团队，首先根据一系列个别台架数据，创建了真实振动曲线的底盘物理模型，然后使用神经网络对其进行扩展。“硬件模型负责物理仿真，人工神经网络则可弥补真实世界与仿真环境之间的精度差距。”斯库尔解释说。然后就可以将 PERL 核心方法投入使用了。该人工智能代理使用基于混合模型的大数据集和随机初始化的特性曲线图谱来进行训练，以确保策略具有良好的通用性。
“PERL 已经证明，这种方法普遍适 用于所有配置数据，而且人工智能 可以大大减少应用开发所需的人力 和时间。”
马蒂亚斯·巴赫博士
保时捷工程高压蓄电池应用和诊断部门主管
在密集训练结束后，只需几秒钟就能针对目标用途完成特定车辆的应用调整。此外，人工智能策略无需变更，有时甚至也无需特定车辆测量数据，即可从原始车辆转移到其他衍生车型，包括配备其他传动系的车辆。因此，使用 PERL 的成效远远超出了预期。“得益于 PERL，我们可以使用预先计算好的数据来开始新车型的应用开发；测试车辆的其他用户可以在此期间并行处理车辆应用，而不必等待我们。”保时捷电动车应用主管托比亚斯·卢列特 (Tobias Roulet) 解释说，“我们总共可以节省一到两周的应用开发时间。此外，PERL 还提供了有效的前提条件，使我们得以在传动系首次开机调试时，杜绝因应用数据不正确而造成损坏的风险。”
在成功完成这两个客户项目后，客户给出了一致正面的评价。“PERL 已经证明，这种方法普遍适用于所有配置数据，而且人工智能可以大大减少应用开发所需的人力和时间。因此，新开发的 PERL 方法，有助于实现保时捷工程集团的战略目标之一：确保在短时间内，为复杂任务提供高质量的解决方案，从而使我们的客户受益。”巴赫表示。保时捷已在计划扩大 PERL 的使用范围。例如，此程序即将用于优化凸轮轴轴承控制应用开发。
综述
保时捷工程集团在驾驶功能的应用开发中采用了强化学习 (RL) 技术。这种新的方法意味着大部分校准工作都将由人工智能完成，最后才在测试车道上手动进行微调。此外，训练有素的 RL 代理可以接管多种车辆衍生车型的应用开发。因此，RL 方法可以大幅减少应用开发的需时和成本。
信息
本文首次发表于《保时捷工程杂志》2024年第1期。
文字：Richard Backhaus
版权：本文中发布的所有图片、视频和音频文件均版权保护。未经保时捷工程书面许可，不得部分或全部复制。欲了解更多信息，请联系我们。
联系方式
您有问题或想了解更多信息吗？请联系我们：info@porsche-engineering.de
消耗数据
Taycan（图）耗电量（综合）：
24.1–19.6 kWh/100 km; 二氧化碳排放量（综合）：0 g/km; 续航里程（综合）：370–510 km; 室内电动续航里程：440–627 km; 全部 WLTP 消耗数据；更新于：2023/11。