日产如何借助……加快其车辆开发周期Sonatus

0:00 播客简介

欢迎收听《Driving Innovation 》播客的又一期节目。

现代汽车是设计和工程领域的非凡成就，但其研发、测试和验证过程也日益复杂。

今天，我们将深入探讨一家全球领先的汽车制造商如何通过数据驱动且借助AI 的方法，对其投产前验证流程进行全面革新，从而简化流程、提高效率，并最终降低成本。

我是主持人桑杰·卡特里（Sanjay Khatri），非常荣幸向大家介绍我们的嘉宾——日产欧洲技术中心电子规划、编码与网络安全部门的高级工程师莎拉·多雷（Sarah Dorey）。莎拉今天将与我们探讨该中心如何借助Sonatus CollectorAI 和AI Technician，解决重大的验证难题并加速其车辆开发项目。

我们将探讨事件驱动型数据采集的强大功能，了解通过连接复杂车辆子系统中的数据所能获得的洞察，以及迭代闭环工作流如何从根本上改变他们进行根本原因分析的方式。

莎拉，感谢你参加本期播客节目。

你好，很高兴认识你。能再次来到这里真好。

1:24 车辆开发中的验证挑战

谢谢。好的，那我们就直接进入正题吧。贵机构是日产汽车开发计划的核心，我应该说，这包括像日产LEAF和Juke这样屡获殊荣且广受欢迎的车型。顺便说一句，恭喜日产LEAF斩获各类奖项。贵团队在验证过程中遇到了哪些挑战，以至于促使你们寻求一种不同的方法？

是的，谢谢。问得真好，因为这确实是我们和许多原始设备制造商在开发阶段一直面临的挑战。

在我们所有的标准开发工作中，进行根本原因调查时往往会遇到困难。

这在业内并不罕见，但鉴于我们的制造工厂与欧洲的两个研发中心（一个在英国，一个在西班牙）之间相距甚远，收集数据可能会非常困难。你必须亲临现场，或者至少要在正确的时间、正确的地点安排一位具备相应技能、知识和能力的人员。 但现实往往并非如此。很多时候，你收集完数据后返回，再对数据进行分析。即便分析完毕，你仍需要进行更多数据采集，以便深入挖掘数据，真正分析出在特定场景或特定CAN连接下，哪个ECU出现了什么问题。因此需要更多的数据日志，而如果你已经离开现场，这就会成为一个问题。

此外，在我们的开发周期中，随着车辆陆续进入生产线，生产过程中也会出现一些问题。

传统模式是，只要连接上12伏电池，数据记录仪就会开始工作。

但直到该数据记录仪到达线路尽头，有人将其回收、上传数据，并通知我们数据已上传至云端，我们才能再次查阅这些数据。

因此，这在一定程度上拖慢了调查进程，使整个过程变得相当漫长。我们希望加快工作进度。我们的产品如此出色，希望能更快地将它们推向市场，让客户尽早用上。

这些产品也复杂得多。因此，我们需要关注许多开发方面的问题，这些都是常规问题。但我们要确保客户不会看到这些问题。

这款软件非常复杂。此外还有网络安全方面的问题。需要深入研究的内容很多，我们希望确保在产品发布时，客户能够获得我们产品所能提供的最佳体验。因此，这确实有效加快了开发进度，并提升了我们为客户提供的质量。

4:10 验证流程中的数字化转型

是的，我听你描述的这种做法，或许可以称之为将该流程“数字化”或“虚拟化”，使其更加动态、更具实时性，无需等待资产、等待测试车辆，也不必进行大量手动转移等操作。 也就是说，这大大减少了该流程中的阻力。所以你们通过 CollectorAI 和AI Technician，采用了一种更加数字化且支持AI 的工作流程。你们取得了哪些成效？

是的，这确实很有前景。我们目前显然正在进行概念验证项目，但工程师们对这些机遇表现出了极大的热情。正如我所说，以往我们不得不亲自前往现场收集数据。

借助策略的远程部署，我们无需亲自操作。此外，策略的重新部署同样非常快速且简单。

我们能很快看到结果。随后，当我们将这些数据导入AI Technician后，就能迅速开始进行FTA（故障树分析）。 我们可以运用自身的经验和专业知识，针对数据提出关键问题，而AI Technician会为我们理清其中的逻辑关联。因此，我们无需再在不同的SharePoint站点和文件中逐一筛选信息来整合这些知识，也不必去咨询公司内各部門的人员——因为我们已经汇集了所有关于日产的知识，借助AI Technician，就能将这些信息整合在一起。

因此，我们能够以如此快的速度完成这项工作，这确实令人兴奋。虽然我们仍然需要公司内部的所有工程师来做出这些决策，但他们至少能够借助更多数据——尤其是真正可靠的数据——更快地做出决策。这对我们来说确实是一大优势。

6:04 远程访问与全球协作

所以，我理解你的意思是，首先，它让你们的工程师无需实际接触车辆就能进行研发工作。这样一来，就消除了在测试车辆资源方面可能出现的资源争夺问题。其次，它还能在测试驾驶过程中动态地进行操作——我想应该是这样——这样你们就无需将车辆开回车间，重新装配，或调整车载数据记录仪等操作了。 那么，您是否就是这样来描述它的？此外，这在哪些方面提供了帮助？您提到这是一个拥有多个分支机构的全球团队，假设您也与日本同事有合作。这些功能总体上如何帮助你们团队协作？

是的，这让我们在应对各种情况时拥有很大的灵活性和敏捷性。

这种远程部署策略的能力意味着，即使有一辆车正在巴塞罗那的测试赛道上行驶，我也能在家中访问它，也能在办公室操作它，甚至日本的那位同事也能查看仪表盘数据。因此，这辆车和这套数据集供所有人访问，确实为我们开辟了全新的可能性，让我们在测试时能够以前所未有的方式，将测试范围广泛扩展到整个测试车队。 通常情况下，测试车会被分配给特定的职能部门和特定的测试项目。因此，如果引入这种远程访问功能，确实意味着全球各地的工程师将拥有更多的可用资源。这确实令人非常兴奋。

我们来谈谈分析吧。

正如我之前提到的，如今的汽车非常了不起，包括我刚才提到的那些。但它们同时也非常复杂，电子元件众多，存在许多我称之为“跨域依赖”的情况，各项功能往往横跨多个子系统。

而且，我通常认为，将这些子系统之间的诸多关联点串联起来可能颇具挑战性，尤其是当你关注某个特定的数据孤岛时。

AI 技术员是如何与Collector（AI ）协同工作，帮助贵公司的工程师们在这些领域之间建立联系的？这又带来了哪些洞察，并节省了多少时间？

8:33AI 技术人员在数据分析中的作用

这些工程师虽然技艺超群，但他们不可能对如此复杂的车辆中每一台电子控制单元（ECU）和每一个系统都了如指掌。而且正如我之前所说，一旦再加上网络安全这一因素，我们所从事的工作就真正提升到了一个新的层面。

通过引入可与日产知识数据湖对接的AI 技师版，AI 技师版能够整合这些知识，让每个人都成为专家。

您不必再等上好几天才能收到某人的邮件。我们基本上采取的做法是：如果针对某个具体的技术问题进行根本原因调查，我们就能发现其中的改进空间。在概念验证实施过程中，我们发现根本原因调查的时间可以从两周缩短到两天。这简直是巨大的进步。

但正因为它能突破这种复杂性，正因为它能为我们的工程师理清所有这些关联，这真的令人兴奋。我特别喜欢它能结合我对日产的了解给出结果，因为我本身就是一名工程师。我不轻易相信任何人。如果你要给我一个答案，我就需要证据。

而且，要想让我信服，就必须深入浅出地解释。而“技术专家解决方案”确实做到了这一点——它用我能理解的语言向我解释。它会引用我可能曾在某个时候撰写过的文档，并深入剖析所有细节，实际上是在告诉我：“这就是你应该相信我的原因。”但它同时也解释了为何排除了其他可能性。这让我感觉就像是在与我们的工程师进行对话。 因此，这让我确信它确实深入挖掘了日产所拥有的知识储备——我们拥有多年积累的经验可以调用，从而给我提供高质量的反馈，使工程师在决策过程中能够依托真正丰富的知识作为决策依据，这正是我们所追求的目标。这就是我们所做的。但目前这个过程非常耗时。借助Sonatus （AI ），我们可以更快地实现这一点。

很有意思。是的，我喜欢它如何辅助工程师的工作——就像给他们配备了一位“得力助手”，能够主动去获取那些他们可能无法接触到，或者本身并不熟悉的信息。在我看来，这似乎还包含某种迭代过程，对吧？ 也就是说，这并非一种静态的线性流程——先获取数据，再进行分析，然后回去测试——而更像是一种顺序流程。

11:10 闭环工作流动态

能否向我详细介绍一下闭环工作流的某些方面？具体来说，就是如何处理这些动态数据，分析AI Technician生成的数据，然后可能再回过头来对分析结果进行迭代优化？能否稍微谈谈这种工作方式的普及程度，以及它实际上对你们有多大帮助？

是啊，工程师就是那种从小就总爱问“为什么”的孩子。为什么，为什么会这样？所以每当出现问题，需要调查研究时，他们就会这么做。你给我一些数据，但我还会追问更多“为什么”。我们的政策就是基于这一点制定的。

它的范围可以相当广泛，因此我们可以直接让它查找ECU上出现的任何DTC。它会标记这些DTC，并自动收集相关数据。这真的很棒。此外，我们还可以专门捕获我们想要针对的CAN信号。

因此，如果我知道自己正在寻找与CAN网络相关的内容，就可以进行相应设置，系统也会将相关数据反馈给我。这样，我就能同时进行多项数据采集，真正覆盖我需要处理的所有内容。系统会自动将所有数据日志上传到AWS。随后，这些数据就会与日产的技术知识一同存储在AWS中，并并列存放。

借助AI Technician，我们就可以开始分析这些数据。接下来最棒的一点是，我们可以将这些FTA分析结果——也就是所有关于“为什么”的洞察——整合回策略中，并重新部署。因此，无论是通过我的用户界面（比如在我家花园里），还是西班牙、日本等全球各地的同事，我们都能轻松地重新部署该策略。而且我们可以不断重复这个循环。

借助闭环系统，我们获得了额外的安全保障。而且日产的数据并未存储在其他人的云端，因此在这方面不存在安全漏洞。因此，我们可以相当放心，所有数据都集中存储在一起，同时又能对数据进行深入分析。

所以这真的超酷，真的。

13:19 对成本和效率的影响

你刚才稍微提了一下全球团队之间如何更好地协调一致。

随着您将这些工具扩展到即将推出的Juke和LEAF等车型，您认为在AI 辅助验证的智能测试领域，下一步该如何发展？

是的，谢谢。现在确实是一个绝佳的机会，可以将我们更多的数字化工作成果反哺到整个流程中。在概念验证阶段，我们可以发现其中的优势所在，然后就大步向前。 随后，我们可以从[AI]技术人员那里获得相关建议，从而发掘更多机遇——无论是发现整个业务范围内的趋势，例如车队中出现某些异常情况；还是单纯希望保障整个车队的数据安全，无论是单辆车还是多辆车，我们都能做到。这样，我们就可以开始研究哪些环节可以进行并行测试。

所以，可能是我需要一个数据集。也可能是我有两三个同事也需要同一辆车的数据集。我们可以针对那辆车制定我们的策略。我们不需要三辆不同的车。

因此，我们正是通过测试车辆才得以观察到这种减重效果。由于成本高昂，这些都是原型车。因此，只要能通过这种方式获得任何优势，对我们来说都是一大收获。

莎拉，这真的很有帮助。我真的很感谢你抽出宝贵的时间。我知道你很忙，但这真的帮了我大忙。我也学到了很多。我原本以为自己对我们正在进行的项目了解很多，但这次确实又学到了不少，而且你让这个项目变得更加生动丰富。所以，我真的很感谢你能参加这次会议。

谢谢。感谢邀请我来。能和大家聊聊总是很开心。

15:16 结论与关键要点

至此，本期《Driving Innovation 》播客又一集精彩内容已告一段落。我们看到，日产欧洲技术中心在Sonatus 数据采集员AI 和AI 技术员的协助下，正在从根本上改变量产前的测试与验证工作。通过利用事件驱动的数据采集以及基于闭环的AI 辅助工作流，日产欧洲正在加速车辆开发进程、降低成本，并实现全球团队的更好协同。 非常感谢莎拉·多雷（Sarah Dorey）分享了这种智能测试方法如何塑造Juke和LEAF等车型的未来。我们期待在未来的节目中，为您带来更多关于AI 辅助车辆开发与验证领域最新进展的内容。