在“双碳”大趋势下，燃油汽车亟需提高技术指标，以面对愈发严格的整车性能标准考核及市场份额的持续下滑趋势。标定是汽车研发的关键环节，直接影响汽车的技术指标，然而传统基于专家或模型的标定方法耗时长、成本高，并不能化解车企面临的困境，而新兴的AI技术可提供超越传统的高效解决方案。
南栖仙策是强化学习AI智能决策应用的领军者，在汽车标定业务上。南栖将强化学习技术与汽车标定场景充分融合，摸索并总结出数据驱动的虚拟标定解决方案，旨在高效、高精度、低成本地完成标定业务。南栖仙策汽车交付团队基于强化学习研发的技术优势、服务汽车行业客户的经验，结合整车转鼓排放标定、混动标定两个实际案例，编写了《汽车虚拟标定白皮书》(以下简称为《白皮书》)，展示了强化学习应用技术带来的AI能力，以及帮助汽车行业客户提升核心竞争力的潜力。
《白皮书》分为三部分进行阐述。
第一部分：概述整车标定概念及车企面对的四大行业难题。
《白皮书》总结了汽车行业客户常面临的标定难题：
1. 标定复杂度高，标定参数多达上千个。人工联合调优难，性能“将就”。
2. 强烈依赖经验，需要经验丰富的工程师。人员易流失，经验随之带走。
3. 试验成本高昂，物理实验开销难降低。研发成本难降低，挤压利润空间。
4. 迭代周期冗长，需多次反复迭代试错。拖延产品发布，耽误市场时机。
除以上4点外，近两年受新冠疫情的影响，标定实测工作常常中断，严重影响了业务进展。
第二部分：介绍南栖强化学习工具的不同与优势
南栖全球领先的数据驱动强化学习工具REVIVE提供的数据模拟环境和强化学习优化可有助于解决车企面临的标定难题。REVIVE是面向行业专家的强化学习工具，通过数据驱动环境虚拟技术，进行大量虚拟推演与试错，寻找最优方案。
REVIVE基于汽车标定数据模拟环境的强化学习解决方案过程：
REVIVE方案主要分为四步：首先在人工标定参数的实车验证实验中收集对应的性能状态秒采数据并进行简单的数据整理;然后根据汽车控制基础逻辑构建业务模型，导入数据，使用REVIVE系统中的环境模型训练功能，训练控制逻辑图中所有的神经网络模块，得到可运行的“数据仿真车”，并使用可视化评估指标验证虚拟环境与真实环境的一致性;再使用REVIVE系统中的策略模型训练功能，得到优化后的标定参数;最后将优化后的标定参数在虚拟环境中验证，评估有效则上载到汽车进行实车验证。
REVIVE基于数据模拟环境的强化学习解决方案过程第三部分：结合发动机整车排放标定、混动标定两个案例，介绍REVIVE成功应用方案。
《白皮书》实例证明，南栖独特的AI虚拟标定技术可显著降低汽车尾气排放值。与人类工程师相比，THC降低了51%，CO降低了29%，NOx降低了18%，优于国六排放标准，并为后续车辆设计环节提供了充足的排放余量。
在串并联混动系统标定任务上同样成功。在起点—终点电量相同的约束下，能优化得到更合理的利用电池电量容量、更高效的利用发动机最优工况特性的混动策略，使得整车在WLTC实验中取得更低的油耗。
信息来源：美通社
