一文聊聊高级自动驾驶域控制器功能安全设计
高级自动驾驶中央域控制器的设计过程需要充分掌握其中的安全设计原则,因为前期设计中,无论是架构、软件、硬件还是通信都是需要充分掌握其设计规则才能充分发挥出相应的优势,同时规避掉一定的设计问题的。
这里我们讲的高阶域控制器功能安全设计主要是指包含前端研发中预期功能安全所涉及的场景分析和后端功能安全所涉及的所有子项。首先以硬件基础层面为连接基点,通过数据通信端实现整个系统架构通信、数据流传输,软件则是烧录到硬件上,以硬件为载体,通信单元负责相互之间的模块调用。因此对于域控制器的安全设计端来说。从整车安全能力分析上看,主要的分析过程也包括如下三个方面:系统理论分析 STPA(Systems Theoretic Process Analysis)、失效模式与影响分析FMEA、故障树分析(Fault Tree Analysis, FTA) 。
对于架构核心中的域控制器来讲,其中涉及到非常强大的功能安全等级。我们可以总体分为三个层面:数据通信安全、硬件基础安全、软件基础安全三个层面。而具体到相应的分析过程却需要充分考虑到包含硬件基础层面功能安全、软件基础层面功能安全以及数据通信能力等几个方面,且每个方面的分析都需要面面俱到。
数据通信安全
通信端作为连接和数据流入流出端,对整个系统架构通信起着举足轻重的作用,对于数据通信层面来说,其功能安全要求主要指通用数据完整性机制、在线计数机制(Rolling Counter)、系统诊断数据刷新、时间戳信息(Time Stamp)、时间溢出(CheckSum)、管理授权代码、数据冗余、网关等几大方面。其中,对于数据通信来讲,诸如在线计数、诊断、时间溢出校验等都和传统的点对点Canbus信号是一致的,而对于下一代自动驾驶来说,数据冗余、中央网关管理优化、数据授权访问等则是需要重点关注的方面。
他们在功能安全的整体要求如下:
硬件基础层面
硬件基础层面的功能安全要求主要是指微控制器模块、存储模块、电源支持、串行数据通信等几大模块。
微控制器模块安全
这里的微控制器也就是我们常说的AI芯片(SOC)、浮点运算芯片(GPU)以及逻辑运算芯片(MCU)几个运行于车端域控制器的主要运算单元。从功能安全设计的角度上讲,各类不同的微控制器模块包含通用设计模块、锁步核校验(包含锁步核比较、锁步核自检)、时钟校验(包含时钟比较、时钟自检)、程序流监控、心跳监控、硬件看门狗功能、中断保护、内存/闪存/寄存器监控/自检、电源监控和自检、通信保护等几大方面。
需要说明的是微控制器应通过硬线向监控单元提供“活动心跳”周期性切换信号。切换信号应由安全看门狗管理,该看门狗还提供程序流监控功能。仅允许安全看门狗在看门狗服务期间切换“活动心跳”。微控制器安全软件则应在每次为内部安全看门狗服务期间切换“活动心跳”,这向监控单元指示微控制器正在运行并且安全看门狗定时器正在运行。系统后台应通过检查信号切换和高低状态的时间都在有效范围内来监控“活动心跳”切换信号。一旦检测到“活动心跳”故障,SMU 将激活安全降级。
对于看门狗程序来说,应在系统初始化期间进行测试,以避免潜在的故障。过程中应测试以下故障类型:
- 不正确的看门狗触发时间(在关闭窗口中触发);
- 没有看门狗触发;
存储模块安全
存储模块是整个域控不可或缺的一部分,在整个芯片运算过程中,主要用于进行临时性、常用的文件存储,以及运算过程中的数据交换,比如我们的操作系统启动程序就是存放在一个SOC/MCU外挂的存储单元中,又如我们下一代自动驾驶产品中必须用到行车/泊车高精地图,通常也是外挂于芯片的存储单元进行存储的,还有一些底层软件中的诊断、日志类的文件也是放到我们外挂的芯片中进行存储的。那么对于整个存储单元而言,需要满足什么样的条件才能确保达到合适的功能安全条件呢?如下图做具体说明。
整个存储单元的安全主要包括寄存器监控、通用存储单元、RAM/内存 ECC、ECC自检、闪存冗余、寄存器写保护、范围保护、寄存器自检等多个方面。
电源供给完整性
电源供给的完整性安全方法测试主要是通过对整个电源运行状态的。通过故障注入,并实时监测来进行的。
一种测试方法示例是配置较高或较低的监控阈值,以强制监控器检测欠压或过压故障并验证是否正确检测到故障。注入故障时,电源监视器应激活辅助关闭路径。微控制器应监控辅助关断路径,如果辅助关断路径的行为与预期的测试程序一致,则仅考虑测试“通过”,否则视为“失败”。一旦检测到失败,微控制器将激活安全降级。该测试可由专用 BIST 功能支持,并且必须由微控制器软件根据详细程序进行配置。
软件基础安全
关于软件基础安全层面的设计考虑,主要是对车载智能驾驶软件开发过程中可能出现的软件故障进行的综合考虑。其中包括软件文档设计、软件语言和风格、安全关键变量、故障探测和纠错、软件架构、安全关键代码、程序流程监控、变更管理等几个大方面。所有层面的软件设计描述均应使用自然语言,以定义模型或代码目的。比如,当多个变量间的独立性对系统的安全至关重要时,不应将这些变量组合为一个使用变量公共地址的数据要素。这可能导致涉及结构中所有要素的共模系统性失效。如果变量已经分组,则应针对安全关键函数进行恰当论证。
本文从功能安全的角度出发,从各个不同的方面详细分析了整个自动驾驶域控制器设计综合要素及流程。其中,包含硬件基础、软件方法、数据通信等各个方面。这些功能安全设计能力都是在关注整个架构层面的同时,充分关注其内部各个部件之间的联系,确保设计过程的合规性和完整性,避免在设计后期出现不可预估的后果。因此,作为详细的安全设计细则,可以为开发工程师提供必要的参考。
以上是一文聊聊高级自动驾驶域控制器功能安全设计的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

昨天面试被问到了是否做过长尾相关的问题,所以就想着简单总结一下。自动驾驶长尾问题是指自动驾驶汽车中的边缘情况,即发生概率较低的可能场景。感知的长尾问题是当前限制单车智能自动驾驶车辆运行设计域的主要原因之一。自动驾驶的底层架构和大部分技术问题已经被解决,剩下的5%的长尾问题,逐渐成了制约自动驾驶发展的关键。这些问题包括各种零碎的场景、极端的情况和无法预测的人类行为。自动驾驶中的边缘场景"长尾"是指自动驾驶汽车(AV)中的边缘情况,边缘情况是发生概率较低的可能场景。这些罕见的事件

写在前面&出发点端到端的范式使用统一的框架在自动驾驶系统中实现多任务。尽管这种范式具有简单性和清晰性,但端到端的自动驾驶方法在子任务上的性能仍然远远落后于单任务方法。同时,先前端到端方法中广泛使用的密集鸟瞰图(BEV)特征使得扩展到更多模态或任务变得困难。这里提出了一种稀疏查找为中心的端到端自动驾驶范式(SparseAD),其中稀疏查找完全代表整个驾驶场景,包括空间、时间和任务,无需任何密集的BEV表示。具体来说,设计了一个统一的稀疏架构,用于包括检测、跟踪和在线地图绘制在内的任务感知。此外,重

目标检测在自动驾驶系统当中是一个比较成熟的问题,其中行人检测是最早得以部署算法之一。在多数论文当中已经进行了非常全面的研究。然而,利用鱼眼相机进行环视的距离感知相对来说研究较少。由于径向畸变大,标准的边界框表示在鱼眼相机当中很难实施。为了缓解上述描述,我们探索了扩展边界框、椭圆、通用多边形设计为极坐标/角度表示,并定义一个实例分割mIOU度量来分析这些表示。所提出的具有多边形形状的模型fisheyeDetNet优于其他模型,并同时在用于自动驾驶的Valeo鱼眼相机数据集上实现了49.5%的mAP

写在前面&笔者的个人理解这篇论文致力于解决当前多模态大语言模型(MLLMs)在自动驾驶应用中存在的关键挑战,即将MLLMs从2D理解扩展到3D空间的问题。由于自动驾驶车辆(AVs)需要针对3D环境做出准确的决策,这一扩展显得尤为重要。3D空间理解对于AV来说至关重要,因为它直接影响车辆做出明智决策、预测未来状态以及与环境安全互动的能力。当前的多模态大语言模型(如LLaVA-1.5)通常仅能处理较低分辨率的图像输入(例如),这是由于视觉编码器的分辨率限制,LLM序列长度的限制。然而,自动驾驶应用需

纯视觉的标注方案,主要是利用视觉加上一些GPS、IMU和轮速传感器的数据进行动态标注。当然面向量产场景的话,不一定非要是纯视觉,有一些量产的车辆里面,会有像固态雷达(AT128)这样的传感器。如果从量产的角度做数据闭环,把这些传感器都用上,可以有效地解决动态物体的标注问题。但是我们的方案里面,是没有固态雷达的。所以,我们就介绍这种最通用的量产标注方案。纯视觉的标注方案的核心在于高精度的pose重建。我们采用StructurefromMotion(SFM)的pose重建方案,来保证重建精度。但是传

写在前面&笔者的个人理解近年来,自动驾驶因其在减轻驾驶员负担和提高驾驶安全方面的潜力而越来越受到关注。基于视觉的三维占用预测是一种新兴的感知任务,适用于具有成本效益且对自动驾驶安全全面调查的任务。尽管许多研究已经证明,与基于物体为中心的感知任务相比,3D占用预测工具具有更大的优势,但仍存在专门针对这一快速发展领域的综述。本文首先介绍了基于视觉的3D占用预测的背景,并讨论了这一任务中遇到的挑战。接下来,我们从特征增强、部署友好性和标签效率三个方面全面探讨了当前3D占用预测方法的现状和发展趋势。最后

中科院自动化所深度强化学习团队联合理想汽车等提出了一种新的基于多模态大语言模型MLLM的自动驾驶闭环规划框架—PlanAgent。该方法以场景的鸟瞰图和基于图的文本提示为输入,利用多模态大语言模型的多模态理解和常识推理能力,进行从场景理解到横向和纵向运动指令生成的层次化推理,并进一步产生规划器所需的指令。在大规模且具有挑战性的nuPlan基准上对该方法进行了测试,实验表明PlanAgent在常规场景和长尾场景上都取得了最好(SOTA)性能。与常规大语言模型(LLM)方法相比,PlanAgent所

写在前面&笔者的个人理解目前,随着自动驾驶技术的越发成熟以及自动驾驶感知任务需求的日益增多,工业界和学术界非常希望一个理想的感知算法模型,可以同时完成三维目标检测以及基于BEV空间的语义分割任务。对于一辆能够实现自动驾驶功能的车辆而言,其通常会配备环视相机传感器、激光雷达传感器以及毫米波雷达传感器来采集不同模态的数据信息。从而充分利用不同模态数据之间的互补优势,使得不同模态之间的数据补充优势,比如三维点云数据可以为3D目标检测任务提供信息,而彩色图像数据则可以为语义分割任务提供更加准确的信息。针
