汽車趨勢進展：電氣化、自主性、連線和人工智慧

我們已來到汽車產業的重要反曲點。從 A 地到 B 地的旅程，我們所知的一切正在快速變化，各方的創新火花綻放光芒。前方的道路舖築著令人興奮卻不熟悉的新體驗。本文會展望模擬所實現的趨勢，這些趨勢將定義我們未來的移動體驗，也就是電氣化和自動駕駛車輛，以及支援運作的連線和人工智慧。其中會討論這些新一代技術的不確定性與前景，以及模擬在市面上更快推出這些技術時，協助製造商和供應商所扮演的角色。

電氣化

對於汽車是否應電氣化的爭論仍尚未停止。所有主要原始設備製造商 (OEM) 均已宣佈在未來十年或二十年內完全轉為電氣化的計畫。所有在這場轉型中扮演重要角色的因素中，最為重要的是成本。如何降低工程、材料和電動車生產的成本？同時，要如何讓產品更可靠？

在汽車領域中，可以說幾乎所有人都相信數位工程與數位創新是正確的方向。從規格到系統驗證，Ansys 協助 BMW、Porsche Motorsport 與 Volkswagen 等移動創新者發展其電氣化策略。

「透過模擬技術進行數位工程，可協助公司更快速、更出色地進行創新，而且成本更低，從初始設計到模擬驅動的產品開發，都包含在內。」Ansys 技術客戶經理暨電氣化動力系統主題專家 Zed Tang 博士表示。「而且，幾乎每個人都著重於使用更多模擬技術來協助推動未來的電動車設計。」

突破效率極限

在這個新環境中，OEM 和頂尖汽車供應商均面臨需不斷突破工程設計極限的新挑戰。就以內燃機引擎做為例子，只要提升整體效率的千分之一，就能大大延長車輛行駛里程數。但到頭來，其實只要增加一加侖的燃油箱容量，也可達到類似的成果。

然而電動車的情況並非如此，因為對車輛增添一個或多個電池模組，就會使重量大幅增加，而這影響的不只是電池組設計而已。這也需要調整電動機的尺寸，並且需要為電子裝置提供額外的冷卻功能。這突然讓電動車變得更重，而且需消耗更多電池電量。現在，各家公司必須突破電動車設計的極限，以達到最大效率，因為只要浪費任何一點能源，就會在目前的市場中造成重大的不利影響。

因此，工程師會盡一切可能來突破設計的極限。如果尖峰效率為 98%，每個人就會努力設法開發效率可達 98.1% 的設計。 

Tang 問：「那麼，這對在現場工作的工程師有什麼意義？」「我們無法製作足夠的原型或進行足夠的測試，來判斷那額外的百分之 0.1 是什麼。我們必須深入研究，而要怎麼做呢？我們會使用模擬技術，因為透過模擬可以找出前述所有資訊。在調整某些部分，並提升自動化與最佳化程度後，就能以視覺化的虛擬方式查看結果，協助我們更充分瞭解如何萃取出那額外的 0.1%。」

自動駕駛車輛

距離搭乘自動駕駛車輛在市區裡四處穿梭，還有好幾年的時間，而且大部分人都不急著放掉他們的方向盤。最近由美國汽車協會所進行的調查中，大部分駕駛人比較偏好對已採行的駕駛輔助系統進行改善，而非開發全自動體驗。事實上，85% 的受訪者表示自己對於自動駕駛技術有所恐懼或感到不確定。¹

不過，汽車工程師持續推動自動駕駛車輛 (AV) 技術進步，以改善先進駕駛輔助系統 (ADAS)，並在未來朝完全自主性邁進。自動駕駛車輛不受駕駛人輸入影響，可為所有車輛乘客 (以及其在行駛期間遇到的行人) 提供變革性的安全機會。也有潛力讓所有人都能更容易且更公平取得運輸資源、改善空氣品質，以及透過周全的都市規劃，減少交通壅塞並創建更環保的空間。

從安全方程式中排除人為錯誤

「基本上，可想見會對駕駛造成負面影響的所有人為因素，都可透過採用自動駕駛來降低。」Ansys 業務開發專員暨自動駕駛車輛主題專家 Gilles Gallee 表示。「因此，為了把這些風險因素拋諸腦後，我們必須在能夠自信地聲明自動駕駛比人類駕駛人更加安全之後，才能完全採用自動駕駛車輛。隨著我們一路進展至不同的自主性程度，原始設備製造商的關鍵問題在於如何讓技術更安全，以及如何向有關當局證明自動駕駛車輛實際上比人類駕駛人更安全。」

就自動技術而言，OEM 無法僅透過測試來複製安全效能。這表示 OEM 必須使用適用於特定測試方法的預期功能安全 (SOTIF) 情境，以顯現其系統安全無虞。SOTIF (ISO PAS/21448) 是專為解決車輛軟體開發人員所面臨的自動和半自動駕駛車輛的安全挑戰所開發。

為了克服安全驗證所需的龐大心力，Ansys 安全分析軟體搭配自主性模擬工具鏈，大規模地結合模擬以及統計數據和情境型分析。其也能在實際情境中，實現虛擬感應器模擬以進行感知測試和感應器行為驗證，進而進行有效率的可靠性分析。

為了展現這些能力，Gallee 的團隊提議 Mercedes 應在證明中使用 Ansys 設計最佳化工具，以向德國當局證明安全性。他們使用此方法獲得成功，讓 Mercedes Benz 2022 S-Class 成為全球市面上首款 L3 自動駕駛車輛。

車輛連線與人工智慧

從透過高速無線網路連線分享的車輛資訊所獲得的深入見解，很可能是推動未來自主性的動力。為了達到高度自主性，必須考量多項因素，包括先進感應器技術、精確判斷車輛位置、最新的地圖資訊、對其他車輛和行人的局部感知，以及規劃和決策。

為了幫助您瞭解這類互動的規模，在 2019 年，有 3,100 萬輛汽車均以某種程度的自動化運作。而到了 2025 年，全球銷售的新車將有近 60% 會以 2 級 (L2) 的自主性運作。

然而這些成就代表邁向完全自主性的進展有限。現在仍有著龐大的運算任務需要因應，其中涉及許多需要近乎即時回應的車內應用程式。所有這類活動都會由人工智慧 (AI) 以及在所有層面均受到模擬支援的高度連線進行協調，從安全驗證到實際感應器和天線性能驗證等無一例外。

車輛連線：人工智慧與自動駕駛車輛之間的橋樑

當然，自動駕駛車輛和自動駕駛生態系統中的其他元素之間必須進行許多對話，而這需仰賴一致、低延遲的連線，以將感知拓展到車輛正前方之外的範圍。

「未來的全自動環境將由協調車輛移動的較大通訊網格主導。」Ansys 首席技術專家 Christophe Bianchi 表示。「城市中的汽車會與城市對話、與其他車輛對話，而這一切都涉及從某一地點安全抵達另一地點的任務。那麼，我們要如何模擬所有事件、環境中的發生一切事物，外加所有必要的通訊，包括所有這些不同參數間的訊號品質呢？這就是數位任務工程軟體的任務。」

我們現在已開始看到前述部分智慧互動實際展現。Autotalks 是連接至自行車手把的小型裝置，可避免碰撞風險。此系統會連接至車輛和相關車輛基礎設施，成為更廣泛移動生態系統的一部分，因此包括自行車在內的所有車輛都會連線，並與基礎設施以及彼此對話，即時監控交通並分享重要資訊。

衡量 Autotalks 與其他連線技術時，最重要的成功指標是可靠的服務與涵蓋範圍。模擬讓 5G 設計師能夠達成這些目標，並提升產品可靠度，同時也能將功率、效能與成本最佳化。

人工智慧：應用程式的核心

AI 需仰賴資料，而這對汽車來說是好事一樁，因為資料驅動的深入見解加上機器學習 (ML)，已推動自助駕駛技術加速發展。與 ADAS 和自主應用程式相關的一大挑戰是 AI/ML 需要龐大的資料集，此資料集需涵蓋所有邊緣邊角案例，並且可結合規則式系統運作，以實現更優異的效能。

最終，需透過 AI/ML 驅動的決策系統與自動駕駛車輛的規則式系統密切合作，以優先考量在實際駕駛環境中安全運作的複雜性，藉此確保安全。AI/ML 系統可計算任何駕駛人操控行為的風險分數，讓其可獲得做出決策所需的控制能力。

「在汽車 AI/ML 中，其中一個關鍵挑戰是當資料未正確涵蓋整個空間時，找出這類原則會變成一項棘手的問題。」Ansys 研究與開發部資深總監 Jay Pathak 表示。「在路上時，多項因素會相互影響，因此從路上所得到的數據集，會一口氣反映所有這些環境因素一起發生的情況；然而，若我們僅想找出單一的因素時，會發現沒有這樣的數據。這對汽車機器學習社群來說是一大挑戰。」

若要取得必要資料，需要從大數據轉換至實用的資料，以及由模擬擴增的非監督式 AI 學習方法，藉此在資料集中產生具有挑戰性的動態，否則在真實情況下很難找到這類動態。如同 AI 應用程式會「閱讀」整個網際網路，以瞭解如何妥善搭配文字來編寫可信的文章，自動駕駛的 AI 應用程式則會從無數的駕駛模擬中吸收所有資料，以向自動控制軟體提供更充分的資訊，好在任何駕駛狀況下都可做出反應。

加速推動電氣化與自動駕駛以滿足當前產業趨勢，需要非凡的解決方案。幾乎在所有在路上的通訊和所有雲端式資料交換背後，都有可對應的 Ansys 解決方案。移動產業的領導者可從廣大的 Ansys 模擬和軟體相關工具產品組合中獲得助益，以推動新一波的車輛技術。

瞭解 Ansys 如何為您的汽車應用程式提供協助。 

參考資料

1. AAA Survey Reaffirms Public Skepticism Over Self-Driving Tech (AAA 調查再次肯定了大眾對自我駕駛技術的懷疑)，IoT World Today，2022 年 5 月 20 日。