引言

什么是自動駕駛仿真測試

虛擬仿真技術是汽車研發、制造、驗證測試等環節不可或缺的技術手段，能有效縮短技術和產品開發周期，降低研發成本；隨著汽車智能化、網聯化趨勢的發展，虛擬仿真技術有了更大的發揮空間，比如自動駕駛系統的仿真測試驗證；虛擬仿真測試是實現高階自動駕駛落地應用的關鍵一環，具備自動駕駛功能的車輛必須經過大量的虛擬仿真測試以及實車路測之后才能商用化；

自動駕駛汽車商用化需經歷的三個測試階段：仿真測試、封閉場地測試、開放道路測試。

自動駕駛仿真測試：主要是以數學建模的方式將自動駕駛的應用場景進行數字化還原，建立盡可能接近真實世界的系統模型，無需實車直接通過軟件進行仿真測試便可達到對自動駕駛系統及算法的測試驗證目的。

仿真測試包括以下幾種類型：模型在環仿真（MIL）— 軟件在環仿真（SIL）— 硬件在環仿真（HIL）— 整車在環仿真（VIL）

自動駕駛系統開發V字流程

自動駕駛仿真測試的必要性

實車道路測試面臨的問題：

據美國蘭德公司研究：一套自動駕駛系統至少需要通過110億英里的駕駛數據來進行系統和算法的測試驗證才能達到量產的條件；因此單純依靠實車路測極難完成這一目標，并且實車路測還存在以下問題：

• 道路測試周期長，成本高，效率低
• 覆蓋的場景工況有限，尤其是對于“corner case”，很難復現
• 對于一些極端的危險場景，道路測試安全性無法保障

仿真測試的優勢：

• 測試場景配置靈活，場景覆蓋率高；
• 測試過程安全，且對于一些“corner case”能夠進行復現再測試
• 可實現自動測試和云端加速仿真測試，有利于提升測試效率和降低測試成本

實車測試與仿真測試方案對比

備注：● 真實 ○ 虛擬 ◎ 虛擬或部分真實 數據參考：中國汽車工程研究院

三者之間的關系

仿真測試、封閉場地測試、開放道路測試三者之間互相補充，形成測試閉環，共同促進自動駕駛車輛的研發和標準體系建立：

1）仿真測試結果可以在封閉場地和開放道路進行測試驗證；

2）通過道路測試得出的危險場景，將會反饋到仿真測試中，便可有針對性的去調整設定場景和參數空間；

3）仿真測試和封閉場地測試的最終結果要進行綜合評價，基于評價結果不斷地去完善評價準則和測試場景庫。

仿真測試、封閉場地測試、道路測試形成閉環促進研發及標準建立（資料來源- i-VISTA）

自動駕駛仿真測試的重要構成：場景庫、仿真平臺、評價體系；其中，場景庫是基礎，仿真平臺是核心，評價體系是關鍵；三者緊密耦合，相互促進：場景庫的建設需要仿真平臺和評價體系作為指導，仿真平臺的發展進化需要場景庫和評價體系作為支撐，而評價體系的建立和完善也需要以現有的場景庫和仿真平臺作為參考基礎；接下來筆者將從場景庫、仿真平臺、評價體系這三個重要方面依次展開來介紹。

一、場景庫

1.1 什么是測試場景，包含哪些核心要素？

自動駕駛測試場景定義：自動駕駛汽車與其行駛環境各組成要素在一段時間內的總體動態描述，要素組成由所期望檢驗的自動駕駛汽車的功能決定；（定義引自：中汽協團體標準-自動駕駛系統功能測試第7部分 – 仿真測試）簡言之，場景可以被視為是自動駕駛汽車行駛場合與駕駛情景的有機組合。具有場景無限豐富、極其復雜、難以預測、不可窮盡等特點。

測試場景要素：測試車輛自身要素以及外部環境要素；外部環境要素又包括：靜態環境要素、動態環境要素、交通參與者要素、氣象要素等。

測試場景要素劃分

1.2 什么是場景庫？場景庫中測試場景的數據來源？

場景庫定義：滿足某種測試需求的一系列自動駕駛測試場景構成的數據庫。場景庫能夠完成從場景數據的管理到場景測試引擎的橋接，實現從場景的自動產生、管理、存儲、檢索、匹配，到最后注入測試工具。

場景庫包含4種典型測試場景（中汽中心基于數據來源不同的一種分類方法）：自然駕駛場景、危險工況場景、標準法規場景、參數重組場景。

四種典型測試場景

測試場景的數據來源主要包括三大部分：真實數據、模擬數據以及專家經驗

1）真實數據：即現實世界真實發生的，經過傳感器采集到或以其它形式被記錄保存下來的真實場景數據，包括自然駕駛數據、交通事故數據、路側單元監控數據、封閉場地測試數據以及開放道路測試數據等；

2）模擬數據：主要包括駕駛模擬器數據和仿真數據；前者是利用駕駛模擬器進行測試得到的場景要素信息；后者是自動駕駛系統或車輛在虛擬仿真平臺上進行測試得到的場景要素信息。

3）專家經驗數據：基于專家的仿真測試經驗總結歸納出來的場景要素信息，其中標準法規就是專家經驗數據的典型代表。

測試場景數據來源

備注：測試場景數據來源參考《自動駕駛系統功能測試第7部分：仿真測試（征求意見稿）》

1.3 場景庫的搭建流程

搭建流程：

• 確定單個虛擬場景的數據存儲方式與標準
• 構建單個自動駕駛虛擬測試場景
• 在眾多的虛擬測試場景中根據特征標簽選取適當場景作為場景庫的組成部分

自動駕駛測試場景構建流程（圖片參考：中汽數據有限公司）

自動駕駛研發測試與場景庫的搭建形成閉環：測試場景庫的搭建，能有效驅動自動駕駛的研發測試工作，自動駕駛的研發測試反過來也能夠為場景庫提供反饋意見，豐富場景庫。

1.4 國內場景庫發展現狀

現狀分析：

• 場景庫的數據格式標準制定涉及國家多個部委，由于缺乏有效溝通協調機制，標準制定落后市場進展，故當前數據庫的建設處于各自為戰的狀態；
• 場景庫數據格式標準不統一，全國統一的場景庫很難形成，進而又影響到了自動駕駛仿真評價、認證體系的建立。

國內典型場景庫介紹

附表1. 中國典型場景庫介紹

1）中汽數據有限公司 – 自建場景庫

場景庫覆蓋范圍：自然駕駛場景庫（1228種）、功能安全場景庫（110種）、V2X場景庫、危險事故場景庫（206種）、中國特有交通法規場景庫（82種）、和預期功能安全場景庫（70種）等。

a. 自然駕駛場景庫

基于中國不同道路拓撲結構、交通基礎設施、環境條件、車輛信息的動靜態要素特征，從不同維度對數據庫進行分類構建和更新迭代：

• 地域覆蓋 - 北京、天津、上海等重點城市
• 工況覆蓋 - 高速、城市、鄉村、停車場等重點領域
• 環境覆蓋 - 晴天、雨天、雪天、霧霾等多種天氣
• 建立了可適用24項ADAS測試的功能場景庫、邏輯場景庫

b. 功能安全場景庫

• 基于場景ODD元素重組、虛擬仿真場景復現、關鍵場景仿真驗證等技術手段研發功能安全場景庫
• 遵照ISO26262標準，對ADAS系統功能安全危害-ASIL風險等級提供有據可依的量化評估方案

功能安全場景庫生成過程：

第一步：參考ODD分類的國際標準，對駕駛區域、天氣、光線等7大類場景要素以及30類子要素進行排列與重組，進而形成體系化功能場景庫；

第二步：將上述功能場景，基于真實路采場景數據，調整相關參數范圍從而得到相應的邏輯場景，最后在仿真軟件中搭建駕駛場景與周邊環境，形成所需的復現場景；

第三步：在仿真驗證軟件中，激活ADAS功能，對復現場景下的電子電氣失效展開仿真驗證，并對產生的風險進行評估，根據公式計算出嚴重度（S）、暴露度（E）和可控性（C），最后根據ISO26262標準最終確定ASIL風險等級。

c. V2X 場景庫

• 根據LTE-V終端及DSRC終端應用層開發經驗以及《合作式智能運輸系統車用通信系統應用層及應用數據交互標準》中的場景要求進行場景庫構建
• 從數據安全、通信安全、控制安全、身份安全等四個方面進行V2X場景數據積累研究
• 建立了V2X 測試場景庫創建流程，形成測試用例3500條

2）中國汽車工程研究-自建場景庫

場景庫數據來源：標準法規、交通事故、人工經驗以及自然駕駛數據。

場景庫生成方案：場景數據采集、場景分類提取、場景數據標注、場景聚類、場景重構、虛擬場景轉化等。

場景庫V2.0生成方案（來源-中國汽車工程研究院）

中國典型場景庫V2.0：

• 參考德國PEGASUS項目的場景分類體系及ASAM推出的OpenDRIVE 和OpenSCENARIO仿真格式
• 包括標準法規場景1000例、經驗式場景3000+例、重構場景5萬+例、事故場景150+例

2020年12月，“中國典型場景庫”在V2.0版本的基礎上升級到V3.0：

• 在2.0版本的基礎上，新增了典型事故場景、自動駕駛事故場景和預期功能安全場景三大板塊
• 涵蓋總計20余項自動駕駛功能；總量大于10萬例的OpenX標準格式場景文件
• 為了便于企業的自動駕駛技術開發，把場景庫分為基礎、初級、中級、高級四個模塊等級

四個等級場景包（數據來源-中國汽研官網）

3）百度 – 自建場景庫

涵蓋場景類型：

• 法規標準場景：滿足基本的標準法規要求
• 危險工況場景：保證自動駕駛的安全性
• 能力評估場景：評價自動駕駛能力

典型場景類型數量：200種左右

涵蓋：不同的道路類型、障礙物類型、道路規劃、紅綠燈信號

測試場景數據來源：自然駕駛路采數據、交通數據庫、人工經驗等。

測試場景基于生成方案的不同又分為：Logsim場景和Worldsim場景，目前總共提供了 220 個Worldsim場景和 17個Logsim場景。

a. Logsim：由路測數據提取的場景，提供復雜多變的障礙物行為和交通狀況，場景充滿不確定性

b. Worldsim：由人為預設的障礙物行為和交通燈狀態構成的場景，場景簡單

4）騰訊– 自建場景庫

路測實采數據積累：截止到2020年，已經積累了超過50萬公里交通場景數據。

涵蓋場景類型：車輛避撞能力、交通合規性、行為能力、視距影響下交叉路口車輛沖突避免、碰撞預警、緊急制動、危險變道、無信號交叉口通行、行人橫穿等方面。

典型場景類型數量：1000種左右

場景生成方案：通過Agent AI能力，可以自由生成各種隨機的駕駛場景

二、仿真平臺

2.1 仿真平臺典型架構

仿真平臺一般包括仿真框架、物理引擎和圖形引擎；其中仿真框架是平臺軟件平臺的核心，支持傳感器仿真、車輛動力學仿真、通信仿真、交通環境仿真等；

1）傳感器仿真：支持支持攝像頭、激光雷達、毫米波雷達以及GPS/IMU等傳感器仿真；

2）車輛動力學仿真：基于多體動力學搭建的模型，將包括轉向、懸架、制動、I/O硬件接口等在內的多個真實部件進行參數化建模，進而實現車輛模型運動過程中的姿態和運動學仿真模擬；

3）交通場景仿真：包括靜態場景還原和動態場景仿真兩部分，靜態場景還原主要通過高精地圖和三維建模技術來實現；

動態場景仿真既可通過把真實路采數據經過算法抽取后，再結合已有高精地圖進行創建，也可通過對隨機生成的交通流基于統計學的比例，經過人工設置相關參數后自動生成復雜的交通環境;

例如可模擬自動駕駛汽車在現實世界中可能遇到的極端情況和危險情況，從模擬暴雨和暴雪等惡劣的天氣條件到較弱的光線照明，再到周圍車輛的危險操作等；

4）V2X仿真（通信仿真）：支持創建真實或虛擬傳感器插件，使用戶能夠創建特殊的V2X傳感器；既可以用來測試V2X系統，又可生成用于訓練的合成數據；

仿真平臺典型架構（圖片參考-2019自動駕駛仿真技術藍皮書）

2.2 國內典型自動駕駛仿真平臺

附表2. 國內典型自動駕駛仿真平臺信息梳理

注：√- 有此功能 ×-無此功能 — Unknown

1）浙江天行健智能科技 – Panosim

平臺類型：面向汽車自動駕駛技術與產品研發的一體化仿真與測試平臺

平臺特點：

• 支持實時在線仿真：MIL/SIL/HIL/VIL
• 支持ADAS技術與產品的開發與測試
• 支持駕駛模擬體驗與人機共駕系統的研發與測試
• 支持感知、規劃、決策、控制算法研發與測試
• 高置信度車輛動力學模型：對標CarSim，支持27自由度復雜動力學模型

2）51WORLD – 51Sim-One

平臺類型：覆蓋自動駕駛全流程的一體化集成的仿真測試平臺

平臺特點：

• 可實現多傳感器仿真、交通流與智能體仿真、感知與決策仿真、自動駕駛行為訓練等功能
• 可擴展的并行分布式仿真架構，可部署在單機、私有云和公有云環境
• 支持實時在線仿真：HIL/DIL
• 自動駕駛數字孿生評價測試
• 平臺內置了一系列場景庫和測試案例庫
• 軟件平臺提供Python、C++、ROS、OSI等API接口
• 支持多車協同互動：平臺支持接入多個測試系統，包括自動和手動駕駛系統

3）騰訊 – TAD Sim

平臺類型：基于虛幻引擎打造的虛實結合、線上線下一體化的仿真測試平臺

平臺特點：

• 集成了游戲引擎、三維重建技術、車輛動力學模型、虛實一體交通流等技術
• 游戲技術的應用可實現場景的幾何還原、邏輯還原及物理還原
• 一套系統滿足全棧算法使用需求：能夠完成從感知到決策規劃，再到控制的全算法閉環仿真測試驗證
• 一套系統滿足MIL/SIL/HIL/VIL使用需求，覆蓋了完整的汽車V字開發流程
• 內置高精地圖，支持全國高速和快速路仿真

4) 沛岱（上海）技術有限公司– Pilot-D GaiA

平臺類型：基于德國自動駕駛仿真核心技術所研發的仿真測試平臺

平臺特點：

• 提供高保真的環境傳感器仿真：激光雷達、毫米波雷達以及攝像頭仿真等
• 提供C++和MATLAB接口，適配于不同的車輛和系統
• 提供三個版本的軟件解決方案：Standard版-單機解決方案，NET版-云計算和互動測試解決方案，RT版-提供HIL和VIL仿真測試
• 支持交互式自動駕駛仿真：同一虛擬場景下，多臺主機（車輛）進行互聯仿真測試
• 提供基于VR/MR/AR的駕駛員模擬

2.3 國外典型仿真測試平臺

附表3. 國外典型自動駕駛仿真平臺信息梳理

注：√- 有此功能 ×-無此功能 — Unknown

1）西門子 – PreScan

類型：以物理模型為基礎的傳統汽車仿真平臺

平臺特點：

• 仿真流程主要分為四個步驟：搭建場景、添加傳感器、添加控制系統、運行仿真
• 可在開環、 閉環以及離線和在線模式下運行
• 支持導入 OpenDrive 格式的高精地圖
• 支持與第三方動力學軟件聯合仿真，如CarSim、dSPACE ASM、 VI-Grade、AmeSIM等
• 支持與其它類型第三方的軟件的聯合仿真，如Matlab& Simulink，MOMO & Logitech 轉向操縱臺 、dSPACE / 控制臺、HIL工具（ETAS、dSPACE 、Vector、OpalRT等）
• 支持基于云端布置大規模仿真

2）MSC Software – VTD

類型：傳統汽車仿真平臺

平臺特點：

• 支持從SIL 到 HIL 和 VIL 的全周期開發流程
• 支持與第三方的工具和插件聯合仿真
• 平臺的功能和存儲支持開放格式：OpenDrive, OpenCRG和OpenScenario
• 仿真流程主要分三個步驟：路網搭建， 動態場景配置， 仿真運行

——提供圖形化的交互式路網編輯器 Road Network Editor (ROD)， 在構建路網仿真環境的時候，可以同步生成OpenDrive高精地圖

—— 對于動態場景構建，提供了圖形化的交互式場景編輯器 Scenario Editor

3）德國IPG – CarMaker

類型：以傳統動力學仿真為基礎優勢發展起來的自動駕駛仿真平臺

平臺特點：

• 支持與第三方軟件進行聯合仿真：ADAMS、 AVLCruise、 rFpro 等
• 包括道路、交通環境、車輛、駕駛員的閉環仿真系統

—— IPG Road：可以模擬多車道、 十字路口等多種形式的道路， 并可通過配置 GUI生成錐形、 圓柱形等形式的路障

—— IPG Traffic：提供豐富的交通對象模型，如車輛、 行人、 路標、交通燈、 道路施工建筑等

—— IPG Driver：提供可自學習的駕駛員模型

• 支持高精地圖的導入/導出

—— 支持從HERE HD Live Maps導入地圖數據

—— 支持ROAD5和OpenDrive 格式導出地圖數據

• 支持在高性能計算 (HPC) 集群上并行執行大量測試目錄
• 支持在Docker容器中運行，具有良好的可移植性和可擴展性

4）英偉達- Drive Constellation

類型：基于虛幻引擎開發，由兩臺服務器構成的自動駕駛仿真平臺

平臺構成：

a.第一臺服務器硬件構成：由8個英偉達RTX Turing GPU

作用：運行DRIVE Sim軟件來模擬仿真自動駕駛車輛上的傳感器數據（包括攝像頭、毫米波雷達、激光雷達、IMU和GNSS）以及駕駛場景數據；

b.第二臺服務器硬件構成：自動駕駛車輛目標AI ECU

作用：用于處理第一臺服務器傳輸過來的模擬數據，如傳感器仿真數據

平臺特點：

• 較高真實度：作為一種實時的硬件在環解決方案，可以測試和驗證與將來會搭載在自動駕駛車輛中完全相同軟件和硬件系統
• 云仿真工作流：在無縫的端到端工作流中執行自動駕駛測試。用戶可以遠程訪問 DRIVE Constellation 并將模擬場景提交給云端的車輛測試車隊，然后進行可視化測試并以較快的速度給出評估結果
• 可擴展性：該平臺支持在數據中心進行大規模部署，能夠并行運行各種仿真測試；且在DRIVEConstellation平臺中的每一英里的測試都包含感興趣事件（特殊工況），能夠在很短的時間內完成數月或數年的測試
• 完整的反饋回路：第一臺服務器運行 DRIVE Sim 軟件，該軟件模擬仿真駕駛場景以及自動駕駛車輛上產生的傳感器數據。然后將模擬仿真的傳感器數據發送到第二臺服務器上進行數據處理，最后第二臺服務器再將駕駛決策信號輸出給第一臺服務器，因此便形成了一個仿真閉環

英偉達- DriveConstellation 仿真平臺（來源-英偉達官網）

5）微軟 – AirSim

類型：建立在虛幻引擎（Unreal Engine）上的無人機及自動駕駛開源仿真平臺

平臺特點：

• 建立在虛幻引擎（Unreal Engine）上的無人機及自動駕駛模擬研究項目，能夠打造出高逼真的交通環境，實現車輛及傳感器仿真模擬
• 完成車輛建模測試：AirSim包含車輛模擬、城市道路場景，并提供可簡化編程的API以及即插即用的代碼
• 快速構建豐富場景：AirSim 可提供詳細的 3D 城市街景，包括交通信號燈、公園、湖泊、工地等豐富的場景
• AI 研究平臺：AirSim 提供包括 C++ 和 Python 等多語言的API 接口。使用者可同時使用 AirSim 和眾多機器學習工具。主要用于測試深度學習、 計算機視覺和自主車輛的端到端的強化學習算法

6）巴塞羅那自治大學（聯合豐田研究院和英特爾實驗室） – CARLA

類型：基于虛幻引擎開發，采用服務器和多客戶端架構的開源平臺

平臺特點：

• 用于城市自動駕駛系統的開發、訓練和驗證的開源模擬器
• 提供開源數字數據資源（包括城市布局、建筑以及車輛）搭建的自動駕駛測試訓練場景
• 可使用Vector Zero的道路搭建軟件RoadRunner制作場景和配套的高精地圖
• 研究三種自動駕駛方法的性能：傳統的模塊化流水線，通過模仿學習訓練得到的端到端模型，通過強化學習訓練得到的端到端模型

7）LG電子 - LGSVLSimulator

類型：基于游戲引擎-Unity研發的自動駕駛開源仿真平臺

平臺特點：

• 模擬器支持ROS、ROS2和Cyber RT，提供了自動駕駛開源平臺Autoware和百度Apollo的集成
• 支持自動駕駛系統的軟件在環（SIL）和硬件在環（HIL）測試
• 虛擬場景構建—— 提供Python API，使用戶能夠通過編寫腳本來創建所需的虛擬場景

—— 高精地圖：支持創建、編輯和導入/導出現有3D環境的高清地圖

注：高精地圖支持的導入/導出格式：

a．支持的導入格式：Apollo5.0高清地圖、Autoware Vector map、Lanelet2和OpenDrive 1.4

b. 支持的導出格式：Apollo 5.0、Lanelet2和OpenDrive 1.4

LGSVL工作流程（來源：公眾號-自動駕駛仿真）

2.4 國內科技公司–云仿真平臺

傳統的仿真測試一般是單機仿真測試，但高階自動駕駛系統的商業化應用，需要進行龐大數量測試場景的仿真測試；海量的數據存儲，運算及處理已經成為擺在自動駕駛研發道路上一道障礙，而云平臺的分布式架構、加速計算能力以及高數據算力的特性，能夠可以很好的解決這一問題，進而能夠極大地提升系統研發和驗證測試效率；因此，云平臺仿真必將是未來自動駕駛仿真測試技術的發展趨勢，同時也會是企業開展自動駕駛開發的核心技術壁壘之一。

附表4. 國內科技公司云仿真平臺信息梳理

1) 百度 – Apollo云仿真平臺

主要應用：

• 內部：支撐Apollo系統的開發與迭代
• 外部：為Apollo生態開發者提供基于云端的決策系統仿真服務

平臺特點：

• 搭建在百度云和微軟Azure上的云仿真平臺
• 與Unity合作，開發基于 Unity 引擎的虛擬仿真環境
• 提出了端到端的自動駕駛仿真系統：AADS系統 - 基于數據驅動的交通流仿真框架 + 基于圖像渲染的場景圖片合成框架

2）華為 – 自動駕駛云服務Octopus

平臺提供三大服務：數據服務、訓練服務、仿真服務；服務覆蓋自動駕駛數據、模型、訓練、仿真、標注等全生命周期業務；

• 數據服務：數據處理、數據湖治理、數據存儲等
• 訓練服務：大數據AI平臺、模型管理、分布式訓練任務等
• 仿真服務：場景庫、仿真系統、評測系統等

平臺提供的三大服務

平臺特點：

• 解耦四大關鍵要素 - 硬件、數據、算法、高精地圖，構建以數據驅動為核心，驅動自動駕駛閉環迭代的開放平臺
• 數據的自動化處理：數據自動挖掘（平臺可支持PB級數據量存儲和億級數據秒級檢索）和數據自動化標注（可節省超過70%的標注人力成本）
• 一站式自動駕駛DevOps能力：通過從代碼接入、版本管理，再到仿真、評測，形成了一套完整的、閉環的自動化評測系統
• 大規模并行仿真：系統每日虛擬測試里程可超過1000萬公里，評測指標200+，支持3000個實例并發測試
• 真實場景數字孿生：可以將真實路采的典型路段數據轉換成仿真場景，并與高精地圖相結合，實現真場景數字孿生，可以實現95%以上的場景還原能力

3) 騰訊 – TAD Sim Cloud

平臺特點：

• 分布式架構，支持在Windows、Linux和Web環境下部署
• 海量場景加速測試：該云平臺支持一萬個以上場景的并行計算，且1000個場景的運行時間縮短至4分鐘
• 虛擬城市技術加速測試：可加載城市級高精地圖，并同時部署上百萬輛交通流車輛和上千臺自動駕駛主車
• 構建自研的閉環仿真模型：自研車輛動力學、傳感器、交通流、地圖和場景編輯等全套模型，并支持OpenX系列和OSI國際仿真標準

騰訊云平臺系統架構（來源-自動駕駛云論壇演講報告）

4）阿里 – 混合式仿真測試平臺

平臺特點：

• 引進真實路測場景和云端訓練師，采用虛擬與現實結合的仿真技術；
• 規模化地解決了極端場景的復現難題：通過任意改變極端場景變量，平臺可在30秒內復現一次極端場景；解決了極端場景數據不足，自動駕駛AI模型訓練效率低的問題
• 每日虛擬測試里程超過800萬公里

三、仿真測試評價體系

3.1 仿真測試評價維度及具體評價內容

1）兩個重要評價維度：真實性和有效性

a. 真實性評價：主要是針對場景庫真實合理性的評價，分為場景信息真實度、場景分布真實度兩個方面

真實度評價的兩個維度

場景信息真實度：在場景在構建過程中，需要合理準確的在虛擬環境中渲染測試場景中的靜態環境要素（如交通設施、道路及障礙物等）、動態環境要素（動態指示設施、通信環境信息）、交通參與者要素（機動車/非機動車、行人等）以及氣象環境要素（環境溫度、光照條件、天氣情況）等信息。

場景分布真實度：在參數重組場景中對于由特征元素組合和人工編輯合成的場景，由于人工修改參數后可能會出現真實世界不存在的場景，因此在人工編輯場景時需參考真實世界場景的參數值范圍去合理化地設置參數重組場景。

b. 有效性評價

目前尚未統一的有效性評價標準，當前可參考的標準如下：

2）具體評價內容：仿真測試自身評價以及自動駕駛車輛駕駛性能、駕駛協調性、標準匹配性、學習進化性等方面；

自動駕駛仿真測試評價項目

注：評價項目內容參考《2020中國自動駕駛仿真藍皮書》

3.2 仿真測試評價標準示例

評價方法：（兩種）

• 基于功能的評價方法：針對特定的自動駕駛功能，在給定測試場景的前提下，判斷測試的自動駕駛汽車是否可以在該場景中安全行駛
• 基于場景的評價方法：將測試車輛置于測試場景中，在自動駕駛汽車能夠安全行駛的前提下，判斷該場景的復雜程度，例如周圍環境的復雜程度或駕駛任務的復雜程度等

評價指標：（兩類）

• 通過性評價指標：針對自動駕駛做出判斷以及規定場景內必須實現目標的評價；如安全性、完備性、經濟性、人工干預度等評價指標，量化上采取0/1機制
• 性能評價指標：表征自動駕駛汽車在具體測試場景下預期功能實現的程度；如智能性、舒適性、擬人性等評價指標，量化上采取差值機制

參考：評價標準參考《自動駕駛系統功能測試第7部分：仿真測試（征求意見稿）》

結語

自動駕駛仿真測試發展面臨的挑戰

1）場景庫建設

• 沒有統一的數據格式標準，企業之間的場景庫建設缺乏合作，資源重復性投入大；
• 場景庫數據的標注、分析提取等環節仍然依靠大量人工，場景庫建設效率低，成本高；
• 場景庫的覆蓋率依然不高，不足以覆蓋常見的交通場景；
• 窮舉覆蓋全場景的測試用例與測試效率和測試精度如何平衡。

2）仿真平臺

• 測試場景有限，在測試方法的標準化與仿真虛擬測試應用上還較為薄弱；
• 目前尚無一款完美的自動駕駛仿真軟件，能夠實現所有模塊的仿真測試功能，仍然需要多個仿真軟件進行聯合仿真；不同自動駕駛仿真軟件，往往需要開發不同的仿真接口，不僅增加了時間成本，也增加了工程師的學習成本；
• 仿真環境缺乏現實世界物理現實的真實性和豐富性，并且訓練效果有限，可擴展性差；
• 系統仿真軟件也存在自身固有的弱點，比如仿真模型需要對邊界條件進行明確的假設，但現實中這些邊界條件不一定能明確或者不能真實地獲?。?/span>
• 傳感器模型、車輛動力學模型以及道路環境模型的準確性都會影響到仿真測試結果準確性，因此提高仿真測試結果的可信度也是當前一個較大的挑戰。

3）測試評價體系

• 不同的企業采用的仿真軟件系統架構和場景庫構建方法不盡相同，導致很難建立統一規范的仿真測試評價體系；
• 仿真軟件自身的真實性和有效性方面的評價尚無統一的標準規范，且車輛的學習進化性方面還缺乏相應評價標準。

自動駕駛仿真測試技術發展趨勢展望

1）基于云平臺的高并發測試、加速測試是仿真測試未來重要的發展方向，是自動駕駛仿真企業的核心競爭力之一；云平臺具備海量數據存儲、處理和管理的能力，支持大規模仿真構建，覆蓋海量駕駛場景；可有效建立城市級地理信息+虛擬交通流信息，可實現跨專業多用戶信息交互與共享。

2）功能安全場景庫、V2X場景庫以及預期功能安全場景庫將是未來場景庫建設的重點；不同廠商采用統一數據格式標準，共建基礎場景庫，形成通用的、可移植的場景庫。

3）混合交通仿真測試將是未來自動駕駛仿真技術的一個重要研究領域；自動駕駛汽車取代傳統汽車不是一蹴而就的事情，必然在相當的一段時間內處于兩者共存的局面，因此傳統汽車與自動駕駛汽車混行將是一種常見的交通場景。甚至還需要建立自動駕駛車輛在不同滲透率下的混合交通仿真模型。

4）數字孿生技術將為自動駕駛仿真測試發展道路上的一大助力，是仿真測試的增效利器； 數字孿生就是在虛擬環境中建立一個和現實世界一致的模型。自動駕駛數字孿生測試VRIL(Virtual Reality in the Loop)即真實的車輛在真實的測試場地中進行測試，將同時映射到虛擬的測試環境中，從而完成虛、實狀態的同步，實現整個數字孿生系統的閉環實時仿真測試。

5）當前自動駕駛仿真測試主要還是偏向于傳統的主被動層面的安全性及可靠性等方面的測試驗證，以及用于感知、規劃決策及控制算法的研發或迭代升級；但是每個自動駕駛車輛都不是孤立存在的，必然是網聯化的，是作為整個智慧交通體系中的一個智能節點而存在，因此信息安全方向的驗證測試與評價也必然是未來自動駕駛仿真測試的一個重要研究方向。