在 COVID-19 大流行之前，Elektrobit 開始將電動汽車連接到云，作為捕獲數據的一種手段，可以為新汽車功能的開發提供信息。該解決方案使 OEM 能夠利用車輛數據創建應用程序，而 EV 云場景只是一個示例用例。舉一個真實的例子，該解決方案建立在傳感器上，這些傳感器收集車輛數據和托管在混合云上的人工智能模型，預測它們在現場的表現。

它由幾個組件組成，包括：

EB 輔助測試實驗室：基于云的數據管理工具，可與現有開發環境集成，以優化數據和存儲資源、簡化工作流和交互，并簡化數據訪問。

EB Assist 汽車數據和時間觸發框架 （ADTF）：EB Assist ADTF 既是開發框架又是交互式環境，可促進車輛數據生命周期（從日志記錄到可視化），甚至包括在基于云的硬件在環 （HiL） 仿真中重放數據。

當公司成立時，他們被動地收集和處理來自美國、德國和日本車輛的汽車數據。然而，這項工作演變成 Elektrobit、大陸集團和AWS之間的全球合作，以幫助汽車工程師更深入地了解現場設備的性能。

汽車虛擬化現實

該解決方案從合作伙伴關系中獲益匪淺，最引人注目的是訪問大陸汽車邊緣 （CAEdge） 硬件，這有助于匯總車輛信息，例如重量、軸數和輪胎規格，以及任何相關的傳感器數據。

CAEdge 是一個模塊化的硬件/軟件汽車技術堆棧，它將能夠運行 AI 模型的車輛端點與可用于開發、部署和維護汽車軟件的基于云的虛擬工作臺相結合。Elektrobit 操作系統 （OS），例如用于 AUTOSAR Classic 的 EB tresos 或用于自適應 AUTOSAR 的 EB corbos、用于汽車的 Linux 操作系統等，運行在 CAEdge 之上，以實現 EV 傳感器數據的捕獲、聚合和傳輸。

CAEdge 的云部分存在于 AWS EC2 實例中，該實例是 EB Assist 測試實驗室的托管位置。這里的優勢怎么強調都不為過，因為 AWS 基礎設施提供了整個服務器場的并行處理性能，以加速 AI 模型的訓練或執行高級 HiL 測試。但除了本質上無限的計算性能之外，與亞馬遜基礎設施配對的能力也為電動汽車開發人員提供了一條無硬件的前進道路。

毫不奇怪，該技術的早期采用者是電動商用車隊車輛的原始設備制造商和供應商，他們在更準確地估計續航里程和電池壽命方面擁有既得利益。正如您在下面的視頻中看到的，Elektrobit 的技術研究主管 Jérémy Dahan 演示了一個完全虛擬的選項，其中上述整個堆棧在 Amazon EC2 服務器實例上運行。該堆棧模擬了電動汽車貨運卡車的大致續航里程、電池壽命、功耗和長途旅行的其他細節。

在演示中，Jeremy 在專用裸機EC2實例上啟動了一個Windows VM，該實例允許硬件加速運行使用QEMU創建的CAEdge的模擬版本。他進一步“虛擬化”了模擬硬件，使其可以同時支持 EB Classic AUTOSAR 和虛擬化的自適應 AUTOSAR 操作系統，以及包含 Elektrobit 汽車 Linux 操作系統的虛擬機。

在仿真平臺級別，所有這些都由 EB 虛擬機管理程序進行分區和管理。借助仿真功能，此嵌套堆棧可用于提供接近傳統測試設置中的仿真結果。

自適應 AUTOSAR 實例聚合行程數據并將其指定為傳輸到“云”，在那里它作為 json 文件存儲在 AWSS3 服務器上。到達那里后，數據可用于訓練 AutoML 模型，該模型可以準確預測 EV 卡車的性能，然后將其優化并在“邊緣”重新部署。

在邊緣，推理算法捕獲所有相關的行程特征，并在距離預測中考慮它們。該算法及其預測結果也由自適應AUTOSAR OS管理，該操作系統將輸出顯示為車輛集群上的信息。

最后，在此過程中收集的每一位行程數據都可以存儲和重放以備將來參考。

您的電動汽車能走多遠？

對于已建立的原始設備制造商，該解決方案提供了對商業化電動汽車將如何運營現實世界的見解。借助 Elektrobit 的虛擬化硬件和靈活的、符合 AUTOSAR 標準的操作系統，工程師可以監控車輛診斷，為操作員提供最佳操作條件（速度、檔位、路線規劃等）的建議，甚至可以在發現電池在某些條件下性能不佳時為下一代車輛的設計提供信息。

所有這些都是為了增加范圍和效率，這反過來當然有助于降低成本。

通過結合這些軟件和硬件解決方案，Elektrobit 能夠彌合云連接和電動汽車之間的差距——無論它們是虛擬的還是真實的。

審核編輯：郭婷