MATLAB EXPO 2026 中国

汽车行业正经历一场重大变革，驱动因素包括电气化、软件定义架构、人工智能和数字孪生等技术。这些创新以前所未有的速度进入市场，催生了新的参与者，他们正在重塑汽车设计和制造的方式。目前尚不清楚，是这些采用全新开发方法的新进入者，还是拥有丰富经验但学习曲线更陡的传统汽车制造商，最终会主导市场。从其他行业借鉴经验为双方提供了适应和发展的宝贵策略。在本次演讲中，将探讨跨行业趋势以及在整个开发过程和生态系统中系统性使用模型和数据如何加速汽车行业的转型。

本次演讲介绍了系统级虚拟仿真如何集成到康明斯发动机控制软件与标定的开发流程中，从传统硬件测试向先进仿真模型的转变，并展示了仿真在发动机与 ECU 开发过程各关键阶段中的应用。

通过多个仿真实例，说明系统级虚拟验证在控制软件开发和标定开发中的具体应用。这些示例包括：用于软件与标定调优的特定仿真案例、用于控制功能验证的故障排查仿真、在不同初始温度下进行的热管理仿真以评估排放控制与发动机性能、在不同海拔条件下进行的整车性能仿真以评估扭矩和控制特性，以及利用统计 DOE 方法进行的集成标定透明度与稳健性验证场景，用于分析标定在不确定性条件下的可靠性。

通过这些实际案例，展示了虚拟验证如何提升标定透明度、节省测试资源并增强整体稳健性，并分享在标定全生命周期中持续使用系统级仿真，以支持数字化转型、流程优化以及发动机控制系统开发的持续创新的感悟。

随着车辆智能化和网联化的快速发展，车辆控制器的架构愈发集中，车载软件中集成了越来越多的车身域、底盘域、座舱域乃至智驾域的功能，车载软件的规模、复杂性都在不断增加；另一方面，日益缩短的项目周期给软件的敏捷迭代提出了更高的要求。如何保证高质量的软件交付、缩短验证周期、减少后期深层次问题带来的修复成本，对于控制器厂商至关重要。基于Polyspace^® 静态检查工具与Jenkins^® 持续集成工具，我们构建了软件代码自动化静态检查的流程体系，可以在Polyspace Access™ Web 界面中查看静态分析的结果，并及时修复潜在的代码问题，为软件敏捷迭代的同时提高软件质量提供了保障。

当前车辆控制系统的智能化升级面临一个核心矛盾：对高算力、高预测性智能算法的需求，与汽车功能安全所要求的实时性、高可靠性及成本控制之间的巨大张力。传统的基于规则（如MAP查表+PID控制）的控制策略开发周期长、适应性差、无法应对复杂多变的环境。然而，尽管这类经典策略计算需求低，但其固有问题在于：标定工作量大、无法保证全局最优、对车型变化和老化的适应性不足，且难以利用驾驶风格、路况等预测信息。虽然将复杂算法置于中央计算SoC是一种选择，但出于功能安全、实时响应和成本考虑，许多关键控制任务仍需在微控制器（MCU）层面完成。因此，如何在满足ASIL-D等高安全等级的车规级MCU上，高效部署并实时运行先进的预测与智能控制算法，是本次演讲旨在解决的关键技术问题。

本次演讲将详细阐述分别使用模型预测控制和强化学习两种算法框架解决车辆轨迹控制与速度控制的运动跟踪问题，以及如何利用英飞凌AURIX™TC4xx系列微控制器的内部的并行处理单元（PPU），来在MCU层面加快部署。PPU是一个专为线性代数和神经网络计算优化的矢量数字信号处理器（VDSP），它为在MCU上实现边缘AI提供了强大的硬件基础。

通过本次演讲，观众将获得以下收获：洞察行业痛点，深刻理解当前汽车电子电气架构下，底层控制器智能化所面临的具体挑战与机遇。掌握关键技术路径，学习一条切实可行的、将复杂AI算法（如神经网络，模型预测控制和强化学习）部署到车规级高性能MCU上的完整技术路径。了解嵌入式工具链应用，熟悉MathWorks强大有效的环境仿真平台（RoadRunner），MathWorks强大的基于模型的开发工具Simulink^® 和 Embedded Coder^®，英飞凌为TC4xx PPU提供的全套软件开发工具和流程，了解如何利用这些工具提高开发效率。

涉及到的算法包括模型预测控制，强化学习，神经网络构建的求解优化方法，主动抗扰控制，扩张状态观测器。PIL，HIL。

得到了多个项目的支持，包括产业化项目。本项目的目的是探索并验证一套基于MCU的智能控制算法快速开发与部署流程，为下一代智能网联汽车的核心控制器提供高性能、高安全性的技术解决方案。本研究连接前沿学术研究（如人工智能、控制理论）与产业实际需求（如汽车电子、自动驾驶）的关键桥梁。研究成果直接服务于学院的车辆智能控制研究方向，并为与国内外领先汽车电子企业的产学研合作提供坚实的技术支撑和案例积累。

MathWorks的产品中： 

1. RoadRunner为该平台提供了环境仿真平台； 
2. Deep Learning Toolbox™为本项目的优化求解算法提供模型构建和压缩的支持，并利用Embedded Coder生成了PPU的向量处理器代码；
3. Simulink为强化学习和模型预测控制算法提供了搭建支持，并利用Embedded Coder for PPU实现了代码生成，HSP for AURIX TC4xx提供了代码生成和调试的支撑。

随着高阶智能驾驶（如城市NOP系统）的规模化应用，感知系统在复杂交通环境下面临着准确度、效率与功能安全的众多挑战。本演讲将围绕目标选择（Target Selection）和长尾数据不足两大核心问题，介绍一套兼顾数据驱动性能与功能安全约束的工程化方案。

首先，面对感知系统处理海量异构数据的需求，基于MATLAB^®和Simulink^®构建可拆解、高扩展的多传感器融合架构，高效完成了多传感器数据级联与关联逻辑的开发。同时，针对目标选择模块在极端工况下，路试数据匮乏与深度学习“黑盒”特性的安全隐患，将重点分享如何依托Deep Learning Toolbox^™设计轻量化深度学习模型，与规则引擎协同工作，在提升目标选择准确度的同时，满足功能安全要求。

此外，针对长尾数据匮乏问题，将继续利用Deep Learning Toolbox灵活的底层架构，开展生成式AI在交通时序数据增强中的实践，从 CGAN 到 条件扩散模型（Conditional Diffusion Model），高效合成高质量场景数据。

最后，通过Simulink Coder™ 和Embedded Coder^®将上述复杂AI模型与融合逻辑生成高效率的C/C++代码，并利用Simulink Coverage^™进行严格的MCDC等测试，实现从算法建模、仿真验证到 TDA4VM 等嵌入式平台部署的完整工程闭环。

本主题将重点介绍如何借助 Simulink^® 及 Virtual Vehicle Composer构建高效、精准的虚拟整车开发体系,包括车辆建模和模型参数校准等。

随着整车架构日益复杂、仿真需求持续增长，Virtual Vehicle Composer 提供了快速配置闭环车辆模型的能力，使动力系统、底盘控制等关键领域的建模与验证更加高效一致。

该主题还将通过实例展示多种直观而强大的子系统标定校准方法，覆盖发动机、电机、电池、悬架和轮胎等核心组件，帮助工程师在虚拟环境中实现高精度标定和性能优化。

本主题旨在帮助技术与管理团队全面认识虚拟车辆技术的价值与应用场景，为企业在智能电动汽车时代的竞争中赢得速度与优势。