前言：

AI在汽車行業(yè)的應(yīng)用日益深化，如何將機器學(xué)習(xí)領(lǐng)域的先進模型（如虛擬傳感器）集成到ECU軟件中，已成為業(yè)界面臨的核心挑戰(zhàn)。

本文基于ETAS最新的Embedded AI工具，將介紹一種創(chuàng)新路徑，旨在賦能工程師高效的開發(fā)、優(yōu)化并將ML模型成功部署在當(dāng)前嵌入式控制器ECU。文章也將探討這一變革性方法如何重塑開發(fā)工程師的角色，并加速AI技術(shù)在汽車領(lǐng)域的普及進程。

一、實際案例

舉一項具體功能為例進行闡述：基于數(shù)據(jù)驅(qū)動的ML模型預(yù)測傳統(tǒng)燃油發(fā)動機的進氣質(zhì)量 (Air Mass) ，并最終運行于ECU控制器。借此案例，我們會更完整展示ETAS嵌入式AI工具鏈的通用工作流程。

通常，能夠復(fù)現(xiàn)真實物理傳感器功能特性的軟件模型，被稱為虛擬傳感器。在示例中，建模數(shù)據(jù)來源于發(fā)動機試驗臺架，其細(xì)節(jié)在此不作贅述。我們的關(guān)注點將集中于從測量數(shù)據(jù)出發(fā)，經(jīng)由自動化ML模型構(gòu)建，最終生成面向發(fā)動機控制器的高度優(yōu)化C代碼這一完整工作流。

圖1：進氣質(zhì)量估算模型

二、ML模型開發(fā)

對許多在日常工作中不常接觸此類任務(wù)的工程師而言，運用現(xiàn)代機器學(xué)習(xí)算法創(chuàng)建數(shù)據(jù)驅(qū)動模型是一項不小的挑戰(zhàn)。因此，一款工具能夠妥善處理測量數(shù)據(jù)適配、算法選擇，并將復(fù)雜繁多的模型參數(shù)等抽象簡化，就顯得尤為重要。理想工具應(yīng)聚焦于工程師能夠輕松面對核心問題。

圖2：ML模型類型

工程師需要明晰哪些系統(tǒng)參數(shù)可能對目標(biāo)建模變量產(chǎn)生重要影響，哪些數(shù)據(jù)適用于解決當(dāng)前問題。尤其在處理瞬態(tài)測量數(shù)據(jù)與模型時，龐大的數(shù)據(jù)量及其采樣率更是關(guān)鍵考量因素。

ETAS的ASCMO工具為上述各個環(huán)節(jié)均提供了有力支持，助力工程師輕松構(gòu)建初始模型。

標(biāo)準(zhǔn)工作流程如下：

選擇測量文件：確定初始測量文件，并指定影響系統(tǒng)行為的相關(guān)參數(shù)，以及待建模的目標(biāo)輸出。

調(diào)整采樣時間：優(yōu)化采樣率，在充分捕捉所有相關(guān)效應(yīng)的同時，避免數(shù)據(jù)量過大影響建模速度。

模型構(gòu)建與訓(xùn)練：通過特有的Automated Machine Learning功能自動化機器學(xué)習(xí)，探索所選系統(tǒng)輸入與輸出之間的依賴關(guān)系。

2.1 選擇測量文件

選定目標(biāo)測量文件后，ASCMO將顯示其中包含的所有信號列表。工程師從中選取所需信號，并將其定義為“輸入”或“輸出”。此外，也可在此階段指定合適的采樣時間。

圖3：已加載測量文件的信號選擇界面（附采樣時間等選項）

預(yù)覽功能可直觀顯示所選信號的數(shù)據(jù)是否處于預(yù)期范圍并呈現(xiàn)合理變化趨勢。信號選擇支持過濾與保存，極大簡化了測量文件的管理，為之后其他項目的復(fù)用性提供了便利。

2.2 調(diào)整采樣時間

為應(yīng)對各種潛在情況，測量數(shù)據(jù)常以高分辨率采集，這也導(dǎo)致了數(shù)據(jù)量龐大，可能在后續(xù)建模中成為障礙，增加計算時間與PC內(nèi)存消耗。同時，過高的分辨率還可能引入與真實物理關(guān)系無關(guān)的噪聲。因此，審慎考量適當(dāng)?shù)牟蓸訒r間及必要的濾波手段，對確保模型精度至關(guān)重要。

為此，ASCMO提供了調(diào)整采樣時間以及使用濾波器去除數(shù)據(jù)噪聲的選項。

圖4：可能存在噪聲或采樣率過高的測量值

2.3 模型構(gòu)建與訓(xùn)練

在ASCMO中構(gòu)建模型主要有兩種策略

其一為手動流程，雖能提供最大靈活性，但要求工程師深入了解各種AI機器學(xué)習(xí)算法、其應(yīng)用場景及相關(guān)參數(shù)；

另一種則是自動化機器學(xué)習(xí)策略，旨在將尋找最佳模型類型并自動化配置繁瑣任務(wù)。由于搜索空間可能異常龐大，通常需要在嘗試多種模型以挑選最優(yōu)解所耗費的時間，與缺乏先驗知識之間進行權(quán)衡。

對于數(shù)據(jù)驅(qū)動建模及機器學(xué)習(xí)算法經(jīng)驗尚淺的工程師而言，尋找合適的模型及最優(yōu)配置仍非易事。ASCMO內(nèi)置了一套核心思路，其設(shè)計原則是：在提供充分的模型探索的同時，避免因選項過多而使工程師無所適從。

為獲得更精確的模型，經(jīng)驗豐富的工程師也可以手動測試不同模型類型，并利用大量可調(diào)參數(shù)評估其質(zhì)量。而對于不熟悉此類模型或希望提升效率的工程師，ASCMO的“AutoML”功能運用優(yōu)化啟發(fā)式算法，為特定建模問題自動尋找最優(yōu)模型類型及其配置，此過程的耗時取決于問題的復(fù)雜度、測量數(shù)據(jù)量以及系統(tǒng)輸入的數(shù)量。

自動化機器學(xué)習(xí)模型探索的結(jié)果，以模型誤差與模型復(fù)雜度構(gòu)成的帕累托前沿圖(Pareto Front)呈現(xiàn)。右側(cè)顯示當(dāng)前選定模型的詳細(xì)信息。圖5所示當(dāng)前選定模型為一個采用“GRU”類型、包含3層的循環(huán)神經(jīng)網(wǎng)絡(luò)，其RMSE值約為22。

圖5：不同模型的帕累托前沿圖（模型誤差 vs. 模型復(fù)雜度）。誤差越低，模型通常越復(fù)雜。

為驗證模型質(zhì)量，必須使用獨立的測試或驗證數(shù)據(jù)集，對模型推理結(jié)果與實際測量值進行對比。ASCMO支持導(dǎo)入任意附加數(shù)據(jù)集以測試模型，并包含協(xié)助選取合適測試數(shù)據(jù)的功能。只有當(dāng)模型能夠良好泛化，可靠的預(yù)測未知行為時，才真正具備應(yīng)用價值。

圖6: 模型預(yù)測（藍(lán)色）與測量真值（黑色）的對比，——GRU模型，輸出Air-Mass隨時間變化

在帕累托前沿中，追求更低的模型誤差往往意味著要接受更高的模型復(fù)雜度(參數(shù)量)。當(dāng)計劃將此模型部署到嵌入式設(shè)備（如發(fā)動機控制器ECU）時，這是一個必須權(quán)衡的折衷方案。對于此類應(yīng)用，ETAS安全高效的專用代碼生成工具Embedded AI Coder巧妙的加入到當(dāng)前工作流程中。

一旦工程師選定合適模型，ASCMO便可將其導(dǎo)出為多種格式（例如也可用于仿真環(huán)境），這里提供一種專用格式，供Embedded AI Coder直接讀取和使用。同時，為最大化操作便利性，這一操作也可直接從ASCMO菜單界面啟動，自動生成高度優(yōu)化的嵌入式C代碼。

圖7: ASCMO的GUI菜單頁面中直接調(diào)用Embedded AI Coder

三、性能表現(xiàn)

微控制器MCU資源有限，且面臨嚴(yán)格的實時性約束。與其他商用C編譯器類似，Embedded AI Coder運用多種技術(shù)優(yōu)化運行時性能和內(nèi)存占用。

針對特定函數(shù)使用專用API。例如，一個優(yōu)化后的Saturation函數(shù)可比通用實現(xiàn)方式節(jié)省6個CPU周期。

許多矩陣點積運算需要用到前序操作的部分?jǐn)?shù)據(jù)切片。工具會復(fù)用已加載至內(nèi)存中的數(shù)據(jù)，而非完全重新加載，從而顯著節(jié)約硬件資源。

智能內(nèi)存劃分通過分析所有神經(jīng)網(wǎng)絡(luò)層，嘗試分配盡可能少的RAM，其策略是復(fù)用可用內(nèi)存區(qū)域而非總是申請新內(nèi)存。

此外，借助硬件資源預(yù)估功能，工程師可早期評估所選模型是否適合目標(biāo)MCU。

如圖8所示，從ASCMO的帕累托前沿導(dǎo)出了兩個備選模型。

圖8：用于嵌入式部署的兩種模型變體

圖9與圖10證實了預(yù)期：相對簡單的模型比精度高的模型占用資源要少得多。

圖9：模型（2），RMSE較高，復(fù)雜度較低

圖10：模型（1），RMSE較低，復(fù)雜度較高

對硬件運行資源使用情況的細(xì)致分析，有助于在模型構(gòu)建階段即進行優(yōu)化。通過提供這些全面的能力，ETAS嵌入式AI工具鏈有效支持工程師進行權(quán)衡決策，為特定項目需求選取最佳模型。

從ASCMO v5.16開始，AI Coder的硬件資源預(yù)估正式內(nèi)置在ASCMO的AutoML功能中，有助于在探索最優(yōu)模型和參數(shù)時，預(yù)先考量目標(biāo)硬件的特定內(nèi)存與性能約束(RAM、ROM、Runtime)。這種預(yù)篩選機制確保ASCMO只推薦在給定約束條件下能提供最佳質(zhì)量的模型類型。

圖11：硬件資源限值在AutoML界面中作為可選項

圖12：此時Pareto Front顯示所有基于硬件資源考量后的可選模型

最終，工程師再根據(jù)實際需要和傾向性做出恰當(dāng)選擇。通常，明智的做法是在滿足精度要求的前提下，選擇盡可能簡潔的模型。

四、部署到目標(biāo)硬件

如同ASCMO通過友好的用戶工作流抽象了機器學(xué)習(xí)的復(fù)雜性，Embedded AI Coder同樣致力于簡化將機器學(xué)習(xí)模型轉(zhuǎn)化為資源高效、安全可靠的代碼的過程，以下章節(jié)將詳述此方面特性。

4.1 代碼集成

首先，生成的代碼需易于集成至任何現(xiàn)有的ECU軟件開發(fā)工具鏈中。如圖所示，所有集成指導(dǎo)均在README文檔中詳細(xì)說明。

圖13：生成的代碼文件夾概覽。

/code/CMakeLists.txt 和 /code/CMakePresets.json 等附加文件，使得用戶能夠輕松地為任何設(shè)備及工具鏈集成并編譯代碼。若工程師部署了基于CI/CD流水線的服務(wù)器自動化流程，亦可通過命令行調(diào)用該工具。

圖14：帶有詳細(xì)注釋的示例集成文件。

此外，針對使用MATLAB/Simulink等基于模型進行軟件開發(fā)的用戶，AI Coder在生成代碼的同時，可直接封裝成Simulink模塊庫，直接拖入至模型開發(fā)和仿真環(huán)境。

圖15：多種代碼集成方式

4.2 安全與合規(guī)

生成代碼已滿足ISO26262等汽車功能安全標(biāo)準(zhǔn)的所有要求，在保證與原始ML模型行為一致的同時，確保了內(nèi)存安全并符合MISRA規(guī)范。

Embedded AI Coder會對生成的代碼執(zhí)行自動化測試與驗證，這極大降低了軟件最終發(fā)布所需的工作量。

圖16：逐層驗證流程

功能安全是汽車系統(tǒng)的重中之重，必須確保生成的C代碼能夠毫無例外的正確執(zhí)行ML模型。為此，Embedded AI Coder采用了自動驗證例程，對神經(jīng)網(wǎng)絡(luò)的各個獨立層以及ML模型的整體輸出進行雙重核查。在代碼生成過程中，ML模型的每一步運算首先會經(jīng)過獨立的驗證例程。編碼器通過數(shù)值驗證，確保生成的C代碼在每個獨立操作上產(chǎn)生的中間結(jié)果，均與原始模型對應(yīng)神經(jīng)網(wǎng)絡(luò)層的結(jié)果一致。與此同時，驗證過程確保只訪問合法的內(nèi)存區(qū)域。

通過全局驗證，對生成的ML模型輸出進行數(shù)值等價性及內(nèi)存訪問合法性的最終檢查。數(shù)值等價性意味著，使用驗證數(shù)據(jù)時，由ETAS ASCMO模型計算出的結(jié)果與生成代碼計算出的結(jié)果完全相同，生成代碼在代碼生成過程中未引入任何副作用，其行為與原始模型精確一致。工程師將獲得一份驗證報告，證明該ML模型的執(zhí)行符合功能安全要求，滿足量產(chǎn)項目所需的等級標(biāo)準(zhǔn)。

圖17：自動化驗證結(jié)果

五、嵌入式AI工具鏈總結(jié)與展望

以上展示了如何以簡潔快速的方式生成高精度模型，并進一步將其轉(zhuǎn)化為面向嵌入式系統(tǒng)（如控制器ECU）安全高效的C代碼。

圖18：ETAS 嵌入式AI工具鏈

ETAS嵌入式AI方案成功彌補了傳統(tǒng)汽車領(lǐng)域軟件開發(fā)及標(biāo)定工程師與機器學(xué)習(xí)新領(lǐng)域之間的鴻溝，可推進AI在汽車電子中的創(chuàng)新應(yīng)用。

嵌入式ECU中AI模型的三大應(yīng)用場景

1. 虛擬傳感器 : 利用現(xiàn)有信號預(yù)測目標(biāo)物理量

用訓(xùn)練好的ASCMO模型替代物理傳感器，節(jié)省硬件成本

在物理傳感器失效時，作為備份軟件傳感器，保障系統(tǒng)安全

對物理傳感器無法安裝或測量的信號進行估算

應(yīng)用示例：NTC傳感器信號模擬、電機轉(zhuǎn)子位置估算等

2. 大幅縮短軟件標(biāo)定工作量

直接用訓(xùn)練好的ASCMO模型替代復(fù)雜的基于物理原理的ECU模型

獲得更優(yōu)的估計質(zhì)量，同時顯著減少標(biāo)定工作。避免了在極其復(fù)雜的模型中維護DCM文件、更新大量查找表及邏輯所帶來的人工和耗時

應(yīng)用示例：扭矩模型、進氣量模型、氮氧化物（NOx）排放模型等

3. 預(yù)測性維護

利用系統(tǒng)在健康狀態(tài)下的穩(wěn)健信號數(shù)據(jù)，訓(xùn)練ASCMO異常檢測自編碼器模型

檢測系統(tǒng)異常行為，從而預(yù)防損壞，并能夠提前通知用戶或運維人員

應(yīng)用示例：運動部件的健康狀態(tài)監(jiān)測