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，以面對愈發嚴格的整車性能標準考核及市場份額的持續下滑趨勢。標定是汽車研發的關鍵環節，直接影響汽車的技術指標，然而傳統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，摸索并總結出數據驅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務。南棲仙策汽車交付團隊基于強化學習研發的技術優勢、服務汽車行業客戶的經驗，結合整車轉鼓排放標定、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難題。

《白皮書》總結了汽車行業客戶常面臨的標定難題：

1. 標定復雜度高，標定參數多達上千個。人工聯合調優難，性能“將就”。

2. 強烈依賴經驗，需要經驗豐富的工程師。人員易流失，經驗隨之帶走。

3. 試驗成本高昂，物理實驗開銷難降低。研發成本難降低，擠壓利潤空間。

4. 迭代周期冗長，需多次反復迭代試錯。拖延產品發布，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，嚴重影響了業務進展。

第二部分：介紹南棲強化學習工具的不同與優勢

南棲全球領先的數據驅動強化學習工具REVIVE提供的數據模擬環境和強化學習優化可有助于解決車企面臨的標定難題。REVIVE是面向行業專家的強化學習工具，通過數據驅動環境虛擬技術，進行大量虛擬推演與試錯，尋找最優方案。

REVIVE基于汽車標定數據模擬環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的實車驗證實驗中收集對應的性能狀態秒采數據并進行簡單的數據整理；然后根據汽車控制基礎邏輯構建業務模型，導入數據，使用REVIVE系統中的環境模型訓練功能，訓練控制邏輯圖中所有的神經網絡模塊，得到可運行的“數據仿真車”，并使用可視化評估指標驗證虛擬環境與真實環境的一致性；再使用REVIVE系統中的策略模型訓練功能，得到優化后的標定參數；最后將優化后的標定參數在虛擬環境中驗證，評估有效則上載到汽車進行實車驗證。

第三部分：結合發動機整車排放標定、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%，優于國六排放標準，并為后續車輛設計環節提供了充足的排放余量。

在串并聯混動系統標定任務上同樣成功。在起點—終點電量相同的約束下，能優化得到更合理的利用電池電量容量、更高效的利用發動機最優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