世界处在不断变化的过程中。对于交通运输行业，这种变化是最明显的。不仅仅是汽车的未来，而且未来大众的出行方式将充满了期待和机遇。网联系统的技术革命也带来了汽车电气化、自动驾驶系统，车辆与车辆以及车辆与周围基础设施之间通信方式的变化。
由于大部分人的焦点都放在了趋势变化，在某些程度上市场正在忽略目前制造安全可靠车辆的挑战,即如何配置测试来应对日益缩减的时间期限、集中式ECU以及缺乏高效的企业数据管理解决方案等问题。
测试配置
法国小说家Jean-BaptisteKarr经常被引用的一句话，翻译下来大致意思是“越多事情改变，改变的部分就越少”（Themorethingschange,themoretheystaythesame）。本文作者曾访问过世界各地汽车客户的验证工程师，包括OEM和一级供应商，大多围绕“没有足够的时间来进行测试”和“没有预算购买新设备”等问题展开。
现在，许多系统直接控制或连接到非常注重安全的系统，测试这些设备以确保安全性和可靠性的重要性已不言而喻。
其中最重要的莫过于看似简单的“测试配置”任务。曾经很简单的汽车零部件，例如车头灯或汽车座椅，现在变成复杂的机电系统，它将ECU、传感器、执行器以及与车辆其他部分的通信结合在一起。现在验证这些子系统的行为需要不同的测试方法。以前车门、车窗、转向柱、照明和座椅的测试都是纯粹的物理测试，验证物理性能和生命周期。这些机械测试采用的工具包括振动台、环境室、执行器和数据采集系统。由于这些组件包含了更多的传感、计算和控制功能，物理组件已经演变成车辆子系统，需要的设计和测试方法必须能够反映动力总成的设计行为。随着设计团队适应这一新的现实，建模、软件设计、回归测试，硬件在环（HIL）测试和系统集成所带来的测试挑战并不是花费更长时间或投入更多资金就可以解决的。
解决这一挑战需要专门的工具进行一次性测试，然后过渡到编程工具进行自动化，或者在改变时间长度、温度、天气因素、碰撞力等不同变量的情况下反复进行相同的测试。这种类型的专业化也体现在邻近行业，比如半导体，其中工具专业化降低了测试的总体成本，并允许供应商更快地将产品推广上市。这一趋势也即将发生在运输行业。事实上，已经有一些产品开始提供这种专业化，比如NIFlexLogger，该软件提供了基于配置的数据记录交互。
对于交通行业来说，采集的数据只会随着汽车朝5级自动驾驶方向发展而不断增加。生物识别传感器的数据将有助于了解驾驶员的状态和健康状况。汽车将基于这些数据自动启动车道变换辅助系统和自适应巡航控制系统。而且更令人兴奋的是，AI的应用也即将在汽车领域全面爆发。集中式还是非集中式
随着智能和边缘处理添加到汽车组件中，每辆车的ECU数量呈指数级增长。从逻辑上讲，这意味着组件设计更模块化，故障传播的概率更低。随着我们朝着5级自动驾驶汽车努力，来自各种传感器系统的数据融合必将给当前分散式ECU趋势造成影响。
一种观点是将子系统集成到一个集中式ECU之下，有时称为融合ECU。处理器集中化有助于简化软件更新、数据聚合、数据流、成本和关键路径测试。这意味着原始设备制造商可选择其差异化优势，直接内部进行开发，并采用一级供应商提供的完全集成的端到端传感器系统。例如，对于电动汽车，许多原始设备制造商正在尝试将他们的IP（包括制动、充电和动力总成）隔离到一个ECU中，并通过业界的商用现成ECU来减少测试负担，降低成本以及分散责任。对整个价值链来说，了解这些系统如何集成在一起并共享标准至关重要。
无论如何，验证ECU上嵌入式软件的行为这一挑战将变得更加困难，而快速开发和构建HIL测试设备的能力将变得至关重要。目前HIL系统的事实标准是从端到端构建整个系统，这听起来很有吸引力。过去这种模式行之有效，但两个重要的发展正在改变这一格局。
首先，市场变化的速度导致这些“黑匣子”测试设备成本过高，因为每次变化都需要开发全新的黑匣子。其次是ADAS的演变。随着ECU的功能越来越多，并将来自不同供应商的信息聚集在一起，所以这些知识和IP更为重要，因为汽车公司需要拥有该IP并深入了解才能对其测试系统进行相应的修改，黑匣子就无法实现这一目的。
历史上，这种“内部所有权”一般体现在发动机控制中。然而，我认为ADAS系统是实现创新和所有权道路上的新“动力总成”，这意味着拥有ADAS的IP将同样重要。由于缺乏灵活性，无法适应未来需求，加上定制服务的成本过高，工程师正在寻求其他解决方案。此外，还存在由于缺乏大规模应用而导致的成本问题。这些“黑匣子”测试方案不再适用于较小的子系统，而且即使是小型系统，也包含大量的软件逻辑。
数据管理解决方案
这里我们不必要了解采集的数据量如何呈指数级增长。对于交通行业来说，采集的数据只会随着汽车朝5级自动驾驶方向发展而不断增加。来自雷达、激光雷达和相机等传感器的数据将整合在一起，以了解汽车周边的环境。生物识别传感器的数据将有助于了解驾驶员的状态和健康状况。汽车将基于这些数据自动启动车道变换辅助系统和自适应巡航控制系统。而且更令人兴奋的是，AI的应用也即将在汽车领域全面爆发。
对于测试工程师来说，由于采集的数据量庞大、验证采集数据的步骤增加以及实时分析这些大型数据采集的需求，数据问题将会加剧。最近发生的特斯拉死机就是即时数据处理挑战的一个例子。正确做出决策无疑会带来无限的潜在影响。
设想一种情况，系统发生崩溃，系统会分析汽车上传感器的数据并识别自动驾驶算法中的错误。
如果用于测试这些系统的数据与用于监控和评估这些系统的数据相同，那么接下来的步骤可能是：错误被修复并自动更新到存在该错误的车上。相同的数据会在验证系统时生成新的测试参数，以确保不会重复发生错误。
这种情况是未来十年我们对自动驾驶算法、人工智能和物联网的预期。但是，目前这种情况并未发生，因为尽管我们加载的数据越来越多，但并没有真正对这些数据进行分析。
这一问题的关键在于不仅可能，而且能够轻松存储、共享、查找和分析测量数据的企业数据管理解决方案。虽然这极具挑战性，还有一些汽车公司采取了相应的解决方案，并取得了显著的成效。丰田将分析数据所需的工时减少了50%;道依茨将数据分析时间减少了90%。捷豹路虎将其测试数据的百分比从10%提高到了95%，而且时间缩短了20倍。这些案例的共同点在哪里呢？答案就是标准化的数据管理和分析企业方案。
发展趋势
变化是汽车领域的新元素，其中变化的不仅仅是汽车的使用体验或采用的技术。政府法规和责任保险覆盖范围即将发生未知的变化;汽车经销商和汽车租赁公司纷纷倒闭。这些变化的重中之重是用于验证和测试这些组件的系统和方法，不仅要确保低成本、快速上市时间、高可靠性，同时最重要的就是确保安全性。幸运的是，用于定义这些新系统的组件并不新颖。我们已经看到相同的技术正在应用到半导体和国防和航空航天的测试环境，后者具有许多相同的“自动驾驶”功能。NI在测试方面拥有40多年的卓越历史，并且我们也专注于汽车行业。在未来，我们将讨论从邻近行业类似挑战中汲取的许多经验教训，重点介绍汽车领域的许多发展趋势以及它们对测试工程师的意义，并最终展示汽车行业取得的一些重大成功案例。