人工智能强化学习汽车标定领域探讨
人工智能强化学习汽车标定方案
汽车标定领域尤其是柴油车的排放标定，需要花费大量的测试时间和人力，测试成本比较高，非常拖延新车型的上市时间。
随着国六标准的实施，RDE测试也在不断提高要求。通过强化学习算法，构建机器学习模型，设定更严格的参数寻找更优的目标，在虚拟环境中推演RDE测试下的排放情况，提升标定效果，可以大幅度压缩实验室标定周期，降低标定成本。
核心技术——智能决策系统框架
接入环境交互数据（如：转鼓测试秒采数据）、业务指标、业务约束（目标和硬性要求），通过在不同参数下测试数据的学习，学得与汽车标定测试场景相近的虚拟环境，在虚拟环境中寻找最优业务指标（如排放最低）的决策策略，无成本试错推演。
技术亮点
标准、高效地从少量历史数据中学习环境，输出决策策略，不断优化提升效果。
柴油车标定案例介绍
第一步，设定目标，比如国六标准、油耗降低等。
第二步，获取数据，进行环境模拟的数据是业务场景下产生的实际数据，包括转鼓测试1800秒的尾气排放检测数据、标定过程测量值比如汽车转速、扭矩，以及电控单元的参数（即我们需要优化决策的参数）。
第三步，进行模拟环境的学习和参数搜索。
转鼓实验1800s秒采数据，及汽车工况数据
电控单元参数实验过程中的采样值
电控单元参数调整（以map型举例）
实车验证结果
实验复盘——影响因素和泛化能力的证明
通过运用强化学习智能决策工具，可以大幅提高汽车标定的效率和效益
1、减少50%~70%实验次数，实验周期缩短4个月左右
2、制定更高标准，同步调优多个指标
3、减少人工和标定实验成本投入
4、新车更早进入市场
强化学习还可以运用在以下汽车领域
1、汽油车——寻求效益最佳
智能标定尾排成本平衡：设定目标为满足国家尾排要求的前提下，降低后处理目标成本，提升效益，实现经济&效率双重最优化。
2、混合动力车——降低油耗
混动模式切换：在满足电池剩余电量的要求下，通过调整优化模式切换条件，有效降低整车油耗，帮助企业提升双积分政策下的竞争力。
3、剩余里程推演，缓解用户焦虑
基于历史用户习惯、用户历史行为数据，结合油耗、电耗情况，进行用户驾驶耗电耗油推演，从而预测剩余里程。
南栖仙策是南京大学人工智能学院俞扬教授创办，专注于智能决策领域，是南京大学人工智能创新研究技术孵化企业，具备全球领先的人工智能能力。