好車的標準有很多。在眾多標準中，駕駛舒適性無疑扮演著一個至關重要的角色。 因為它不僅直接影響到消費者對於某款車型的購買決策，還深刻關係到後期的客戶滿意度。因此，在新車正式上市之前，往往會反覆進行舒適性測試。Porsche Engineering也會應整車廠的要求開展試車與調試工作。主管的車輛動力學工程師們會依據製造商標準對車輛進行細緻調試，優化舒適性或運動性等特性，以確保達到客戶滿意的理想效果。
在專案的關鍵節點，將會進行聯合驗收駕駛，屆時項目負責人以及非底盤開發團隊成員也會參與駕駛，親自體驗並評估車輛的性能。參與人員包括車型系列和項目負責人以及客戶管理層等。在這些測試中，會詳細評估車身的振動、車輛的側傾表現、過路緣時的反應以及震動和顛簸…等因素。特別是低於35赫茲(Hz)的底盤振動，對舒適性的影響尤其顯著。
然而，由於每位駕駛員的個人偏好和經驗背景不同，舒適性的評定也存在一定的主觀性。有的人可能喜歡硬朗的懸吊系統，而有的人則偏愛柔軟舒適的懸吊系統。 因此，Porsche Engineering開發了一款基於人工智慧的駕駛舒適性評估工具，它能在試車準備過程中提供有力的支援，它可以對懸吊系統的現狀進行評估，然後將評估結果與客戶設定的目標進行對比。
專案團隊首先探討了人工智慧是否能夠像人類一樣，以精準、細緻的方式評估駕駛舒適性。挑戰在於：人類的駕駛舒適性感知涉及眾多因素，如何將這種主觀的體驗與客觀的測量數據有效結合，就成了特別需要攻克的難題。
研發團隊的第一步是為車輛裝備了六個高精度加速度感測器，在Porsche魏斯阿赫(Weissach)測試場的850米舒適測試道上進行了多次試駕，並即時記錄了底盤的振動數據。這條測試道的路況豐富多樣，為收集大量具有特殊性的測量數據提供了天然的優勢。路面會產生長波與短波激化作用，在試駕過程中既可測得低頻，也能獲取高頻數據。
測量數據與人類專家的主觀評估結果，成為了神經網路訓練的基礎數據。首先透過傅立葉變換(Fourier transform)將感測器採集的加速度數據轉化為頻譜，便於明確識別車內哪些區域的振動最為劇烈。這個頻譜可作為神經網路的輸入信號，經過無數次反覆運算訓練，神經網路逐漸學會了從輸入數據中找出與專家團隊評估之間的規律與關聯。經過訓練，人工智慧就能確實具備了評估駕駛舒適性的能力了。
優化感測器設置
接下來，團隊開始對測量設備進行優化，力求提升測量的速度與精準度。最初，所用的精密感測器集成困難，成本不菲，並且校準過程繁複冗長。而且，這類感測器適用於高頻聲學測量：其測量範圍可達100,000赫茲，而在駕駛舒適性評估中，關注的是低於35赫茲的振動。
為此，團隊選用了來自賽車領域的更具性價比的感測器，並驗證了其測量數據是否依舊符合舒適性評估的標準。其採用了四個感測器，分別安裝在駕駛員座椅導軌、B柱、減震器塔和車輪架上。Porsche Engineering新一輪的試駕結果顯示，優化後的配置成功提供了足夠精準的數據，為基於人工智慧的舒適性評估提供了有力支撐。
目前，神經網路可接受來自振動感測器的1個輸入信號，經過分析後生成一個包含10個參數的表格，全面描述底盤的表現。這個基於人工智慧的駕駛舒適性分析器可以在普通電腦上就可運行，無需依賴高端電腦。而訓練過程最多只需一天，而試駕數據分析則可在幾分鐘之內完成。未來，團隊還將引入其他經驗豐富的員工，結合不同車輛的數據，共同提升網路的準確性和分析能力。這種方式與一般試車不同，主觀評估的偏差極小，因為業內專家的意見通常高度一致。
除了為驗收測試做準備還設定了另一個目標：未來，車輛將透過基於人工智慧的駕駛舒適性評估器進行自動校準，可以將車輛放置在試驗臺上，反復駛過相同的路線。在這個不斷反覆運算的過程中，底盤的各項參數將被不斷優化，直到基於人工智慧的駕駛舒適性評估結果完全符合客戶的需求。這一過程能夠全自動完成，無需任何人工干預。
另一個突破性的應用是將基於人工智慧的駕駛舒適性評估器引入量產車中。在這種情況下，系統就可以即時監測底盤的舒適性與性能。基於人工智慧的評估系統，不僅作為開發工具，有助於加快底盤最終應用的落實，更能夠成為消費者往後用車時智慧化的「行車伴侶」，確保其在道路上始終享受高水平的舒適性和安全保障。
