介绍
什么是自动驾驶模拟测试?
虚拟仿真技术是汽车研发、制造、验证和测试等过程中不可或缺的技术手段,可以有效缩短技术和产品开发周期,降低研发成本;随着智能、网联汽车的发展,虚拟仿真技术为自动驾驶系统的仿真测试和验证等提供了更大的性能空间;虚拟仿真测试是实现高端自动驾驶应用的关键一环。具有自动驾驶功能的车辆必须经过大量的虚拟仿真测试和实车道路测试。然后就可以将其商业化;
自动驾驶汽车商业化需要经历三个测试阶段:模拟测试、封闭场地测试和开放道路测试。
自动驾驶仿真测试:主要利用数学建模,数字化还原自动驾驶的应用场景,建立尽可能接近现实世界的系统模型。无需实车,可以直接通过软件进行仿真测试,达到对自动驾驶系统的完全控制和算法测试验证的目的。
仿真测试包括以下类型: 模型在环仿真(MIL) 软件在环仿真(SIL) 硬件在环仿真(HIL) 车辆在环模拟(VIL)
自动驾驶系统开发V型流程
自动驾驶仿真测试的必要性
实车道路测试面临的问题:
美国兰德公司的一项研究显示:一套自动驾驶系统至少需要110亿英里的驾驶数据来测试和验证系统和算法,才能满足量产的条件;因此,仅依靠实车道路测试来实现这一目标是极其困难的。而且,实际车辆道路测试还存在以下问题:
路试周期长、成本高、效率低。覆盖的场景条件有限,尤其是“角落案例”,难以重现。对于一些极端危险的场景,路试的安全性无法得到保证。
模拟测试的优点:
测试场景配置灵活,场景覆盖率高;测试过程是安全的,一些“极端情况”可以重现并重新测试。可实现自动化测试和云加速模拟测试,有利于提高测试效率、降低测试成本。实车测试及模拟测试方案对比
备注: 真实 虚拟 虚拟或部分真实数据参考:中国汽车工程研究院
三者之间的关系
模拟测试、封闭场地测试、开放道路测试相辅相成,形成测试闭环,共同推动自动驾驶汽车的研发和标准体系的建立:
1)模拟试验结果可以在封闭场地和开放道路上进行测试和验证;
2)通过道路测试获得的危险场景将反馈到模拟测试中,以便有针对性地调整设置场景和参数空间;
3)必须对模拟测试和闭场测试的最终结果进行综合评估,并根据评估结果不断完善评估标准和测试场景库。
模拟测试、闭场测试、道路测试形成闭环,推动研发和标准制定(数据来源-i-VISTA)
自动驾驶仿真测试的重要组成部分:场景库、仿真平台、评估系统;其中,场景库是基础,仿真平台是核心,评估体系是关键;三者紧密耦合,相互促进:场景库的建设需要仿真平台和评估系统作为指导。仿真平台的发展和演进需要场景库和评估系统作为支撑。评价体系的建立和完善还需要现有的场景库和仿真平台作为参考基础。接下来,笔者将从场景库、仿真平台和评估体系三个重要方面依次进行介绍。
1.场景库
1.1 什么是测试场景,它包含哪些核心要素?
自动驾驶测试场景定义:一段时间内自动驾驶汽车各部件及其行驶环境的整体动态描述。元件的组成由预期测试的自动驾驶车辆的功能决定; (定义引自:中国汽车工业协会团体标准-自动驾驶系统功能测试第7部分-模拟测试)简而言之,场景可以视为自动驾驶汽车的行驶状况和行驶场景的有机结合。它具有场景无限丰富、极其复杂、变幻莫测、取之不尽用之不竭的特点。
测试场景要素:测试车辆自身要素和外部环境要素;外部环境要素包括:静态环境要素、动态环境要素、交通参与者要素、气象要素等。
测试场景元素划分
1.2 什么是场景库?场景库中测试场景的数据来源是什么?
场景库定义:由一系列满足一定测试要求的自动驾驶测试场景组成的数据库。场景库可以完成从场景数据的管理到场景测试引擎的桥梁,实现场景的自动生成、管理、存储、检索、匹配,最后是测试工具的注入。
场景库包含4种典型测试场景(中国汽车工业中心根据不同数据源的分类方法):自然驾驶场景、危险工况场景、标准法规场景、参数重组场景。
四种典型测试场景
测试场景的数据来源主要包括真实数据、模拟数据和专家经验三部分。
1)真实数据:现实世界中实际发生的、由传感器采集或以其他形式记录保存的真实场景数据,包括自然驾驶数据、交通事故数据、路侧单位监测数据、封闭场地测试数据和开放道路测试数据数据等;
2)仿真数据:主要包括驾驶模拟器数据和模拟数据;前者是使用驾驶模拟器测试得到的场景元素信息;后者是在虚拟仿真平台上测试自动驾驶系统或车辆得到的场景元素信息。
3)专家经验数据:根据专家的模拟测试经验总结出的场景要素信息。标准和法规是专家经验数据的典型代表。
测试场景数据源
注:测试场景数据源参考《自动驾驶系统功能测试第7部分:仿真测试(征求意见稿)》
1.3 场景库构建流程
施工流程:
确定单个虚拟场景的数据存储方式和标准。构建单一自动驾驶虚拟测试场景。根据特征标签在众多虚拟测试场景中选择合适的场景作为场景库的组成部分。自动驾驶测试场景搭建流程(图片参考:中汽数据股份有限公司)
自动驾驶研发测试与场景库建设形成闭环:测试场景库建设可以有效带动自动驾驶研发测试工作。反过来,自动驾驶的研发测试可以反馈并丰富场景库。
1.4 国内场景库发展现状
现状分析:
场景库数据格式标准的制定涉及多个国家部委。由于缺乏有效的沟通协调机制,标准制定滞后于市场进展,因此目前数据库建设处于碎片化状态;场景库数据格式标准不统一,全国范围内统一场景难以形成库,进而影响自动驾驶仿真评价认证体系的建立。
国内典型场景库介绍
附录1.中国典型场景库简介
1)中汽数据有限公司——自建场景库
场景库覆盖:自然驾驶场景库(1228种)、功能安全场景库(110种)、V2X场景库、危险事故场景库(206种)、中国独有的交通法规场景库(82种)、预期功能安全场景库(70种)等
一个。自然驾驶场景库
根据我国不同道路拓扑、交通基础设施、环境条件、车辆信息等动静态要素特征,从不同维度对数据库进行分类、构建和更新:
地理覆盖——北京、天津、上海等重点城市的工况覆盖——高速公路、城市、农村、停车场等重点区域的覆盖环境覆盖——针对不同领域建立了24项适用的ADAS测试天气条件,如晴天、雨天、雪天、雾霾等。 功能场景库、逻辑场景库b功能安全场景库
基于场景ODD元素重组、虚拟仿真场景再现、关键场景仿真验证等技术手段开发功能安全场景库。符合ISO26262标准,为ADAS系统功能安全危害-ASIL风险等级提供有依据的定量评估解决方案。
功能安全场景库生成流程:
第一步:参照ODD分类国际标准,对行驶区域、天气、光线等7大类场景元素和30类子元素进行排列重组,形成系统的功能场景库;
步骤2:基于真实道路挖掘场景数据的上述功能场景,调整相关参数范围,得到对应的逻辑场景,最后在仿真软件中构建驾驶场景和周边环境,形成所需的复制场景;
步骤3:在模拟验证软件中,激活ADAS功能,对重现场景中的电子电气故障进行模拟验证,评估由此产生的风险,根据公式和可控性计算严重性(S)和暴露性(E) (C)、最终根据ISO26262标准确定ASIL风险等级。
c. V2X场景库
根据《合作式智能运输系统车用通信系统应用层及应用数据交互标准》中LTE-V终端和DSRC终端应用层开发经验和场景需求进行场景库建设。从数据安全、通信安全、控制安全、身份安全四个方面进行V2X场景数据积累研究。 V2X测试建立场景库创建流程,形成3500个测试用例
2)中国汽车工程研究院-自建场景库
场景库数据来源:标准法规、交通事故、人工经验和自然驾驶数据。
场景库生成解决方案:场景数据采集、场景分类提取、场景数据标注、场景聚类、场景重构、虚拟场景变换等。
场景库V2.0生成方案(来源-中国汽车工程研究院)
中国典型场景库V2.0:
参考德国PEGASUS项目的场景分类体系和ASAM推出的OpenDRIVE和OpenSCENARIO模拟格式,包括1000个标准监管场景、3000+经验场景、50000+重建场景、150+事故场景,2020年12月,《中国典型场景》 《场景库》在V2.0版本的基础上升级至V3.0:
在2.0版本的基础上,新增典型事故场景、自动驾驶事故场景和预期功能安全场景三个版块,共覆盖20余项自动驾驶功能; OpenX标准格式场景文件总数超过10万个,方便企业使用。针对自动驾驶技术的发展,场景库分为基础、初级、中级、高级四个模块级别。四级场景包(数据来源-中汽研官网)
3)百度——自建场景库
涵盖的场景类型:
监管标准场景:满足基础标准和监管要求危险工况场景:保障自动驾驶安全能力评估场景:评估自动驾驶能力典型场景类型数量:约200个
涵盖:不同道路类型、障碍物类型、道路规划、交通灯信号
测试场景数据来源:自然驾驶道路采集数据、交通数据库、人工体验等。
测试场景根据生成方案不同分为Logsim场景和Worldsim场景。目前,总共提供了220个Worldsim场景和17个Logsim场景。
一个。 Logsim:从道路测试数据中提取的场景提供了复杂多变的障碍物行为和交通状况,场景充满不确定性。
b. Worldsim:由人为预设的障碍物行为和红绿灯状态组成的场景。场景很简单。
4)腾讯——自建场景库
实际道路测试数据积累:截至2020年,已积累超过50万公里的交通场景数据。
涵盖场景类型:车辆避碰能力、交通合规性、行为能力、视距影响下路口车辆冲突避免、碰撞预警、紧急制动、危险变道、无信号路口通行、人行横道等。
典型场景类型数量:约1000个
场景生成方案:通过Agent AI能力,可以自由生成各种随机驾驶场景
2、仿真平台
2.1 仿真平台典型架构
仿真平台一般包括仿真框架、物理引擎和图形引擎;仿真框架是平台软件平台的核心,支持传感器仿真、车辆动力学仿真、通信仿真、交通环境仿真等;
1)传感器模拟:支持摄像头、激光雷达、毫米波雷达、GPS/IMU等传感器模拟;
2)车辆动力学仿真:基于多体动力学建立的模型,对转向、悬架、制动、I/O硬件接口等多个真实部件进行参数化建模,实现车辆模型运动。过程中的姿态和运动学模拟;
3)交通场景模拟:包括静态场景还原和动态场景模拟。静态场景还原主要通过高精度地图和三维建模技术实现;
通过算法提取真实的道路挖掘数据,然后与现有的高精度地图相结合,可以创建动态场景模拟。它还可以根据随机生成的流量的统计比例自动生成复杂的流量并手动设置相关参数。交通环境;
例如,它可以模拟自动驾驶汽车在现实世界中可能遇到的极端情况和危险情况,从模拟大雨雪等恶劣天气条件,到弱光照明,再到周围车辆的危险操作等;
4)V2X模拟(通信模拟):支持创建真实或虚拟的传感器插件,允许用户创建特殊的V2X传感器;它可用于测试V2X 系统并生成用于训练的合成数据;
仿真平台典型架构(图片参考-2019自动驾驶仿真技术蓝皮书)
2.2 国内典型自动驾驶仿真平台
附录2 国内典型自动驾驶仿真平台信息汇总
注:-有此功能-无此功能— 未知
1)浙江天行健智能科技——Panosim
平台类型:汽车自动驾驶技术与产品开发综合仿真与测试平台
平台特点:
支持实时在线仿真:MIL/SIL/HIL/VIL 支持ADAS技术及产品的开发和测试支持驾驶模拟体验、人机共驾系统的开发和测试支持感知、规划的开发和测试高置信度的决策、控制算法车辆动力学模型:以CarSim为基准,支持27自由度复杂动力学模型
2) 51WORLD 51Sim-One
平台类型:覆盖自动驾驶全流程的综合仿真测试平台
平台特点:
可扩展的并行分布式仿真架构,可实现多传感器仿真、交通流与智能体仿真、感知与决策仿真、自动驾驶行为训练等功能,可部署在单机、私有云、公有云环境中支持实时在线仿真:HIL/DIL自动驾驶数字孪生评估测试平台内置一系列场景库和测试用例库。软件平台提供Python、C++、ROS、OSI等API接口,支持多车协同交互:平台支持接入多种测试系统,包括自动、手动驾驶系统
3)腾讯——TAD Sim
平台类型:基于虚幻引擎的虚实结合、线上线下一体化的模拟测试平台
平台特点:
融合游戏引擎、3D重建技术、车辆动力学模型、虚实交通流融合等技术,应用游戏技术可以实现场景的几何还原、逻辑还原和物理还原。系统满足全栈算法使用需求:可以完成从感知到从决策规划到控制,全算法闭环仿真测试验证系统满足MIL/SIL/HIL/VIL使用要求涵盖了完整的汽车V型开发流程。内置高精度地图,支持国道、高速公路模拟。
4) 飞行员-D GaiA
平台类型:基于德国自动驾驶仿真核心技术开发的仿真测试平台
平台特点:
提供高保真环境传感器仿真:激光雷达、毫米波雷达和摄像头仿真等。提供C++和MATLAB接口,适配不同车辆和系统。提供三个版本的软件解决方案:标准版-单机解决方案、NET版本-云计算和交互式测试解决方案、RT版本-提供HIL和VIL仿真测试,支持交互式自动驾驶仿真:在同一虚拟场景中,多个主机(车辆)进行互联仿真测试,为驾驶员提供基于VR/MR/AR的仿真2.3 国外典型仿真测试平台
附录3 国外典型自动驾驶仿真平台信息汇总
注:-有此功能-无此功能— 未知
1) 西门子 PreScan
类型:基于物理模型的传统汽车仿真平台
平台特点:
仿真过程主要分为四个步骤:设置场景、添加传感器、添加控制系统、运行仿真。仿真可以在开环、闭环、离线和在线模式下运行。支持导入OpenDrive格式的高精度地图,并支持与第三方动力学软件集成。仿真,如CarSim、dSPACE ASM、VI-Grade、AmeSIM等,支持与其他类型第三方软件联合仿真,如Matlab Simulink、MOMO罗技转向控制台、dSPACE/console、HIL工具(ETAS、dSPACE、 Vector、OpalRT等)支持基于云端的大规模仿真部署
2) MSC 软件 VTD
类型:传统汽车仿真平台
平台特点:
支持从SIL到HIL、VIL的全周期开发流程。支持与第三方工具和插件的联合仿真。平台的功能和存储支持开放格式:OpenDrive、OpenCRG和OpenScenario。仿真过程主要分为三个步骤:路网构建、动态场景配置、仿真运行——提供了图形化交互式路网编辑器Road Network Editor(ROD),可以在构建路网时同时生成OpenDrive高精度地图模拟环境。
—— 对于动态场景构建,提供了图形交互场景编辑器Scenario Editor
3)德国IPG——汽车制造商
类型:基于传统动力学仿真开发的自动驾驶仿真平台
平台特点:
支持与第三方软件:ADAMS、AVLCruise、rFpro等包括道路、交通环境、车辆、驾驶员的闭环仿真系统联合仿真—— IPG Road:可仿真多车道、交叉路口等多种形式的道路,可以配置GUI来生成圆锥形、圆柱形等路障
—— IPG Traffic:提供丰富的交通对象模型,如车辆、行人、路标、红绿灯、道路施工建筑物等。
—— IPG驱动:提供自学习驱动模型
支持高精度地图导入/导出—— 支持从HERE 高清直播地图导入地图数据
—— 支持导出ROAD5 和OpenDrive 格式的地图数据
支持在高性能计算(HPC)集群上并行执行大量测试目录支持在Docker容器中运行,具有良好的可移植性和可扩展性
4) NVIDIA - 驱动星座
类型:基于Unreal Engine开发,由两台服务器组成的自动驾驶仿真平台
平台构成:
一个。第一个服务器硬件由8 个NVIDIA RTX Turing GPU 组成
功能:运行DRIVE Sim软件,模拟自动驾驶汽车上的传感器数据(包括摄像头、毫米波雷达、激光雷达、IMU和GNSS)和驾驶场景数据;
b.第二个服务器硬件构成:自动驾驶汽车目标AI ECU
功能:用于处理第一服务器传来的模拟数据,如传感器模拟数据
平台特点:
更高保真度:作为实时硬件在环解决方案,可以测试和验证未来自动驾驶汽车中安装的完全相同的软件和硬件系统。云模拟工作流程:在无缝的端到端工作流程中执行自动驾驶测试。用户可以远程访问DRIVE Constellation,向云端的车辆测试车队提交模拟场景,然后以更快的速度进行可视化测试并提供评估结果可扩展性:该平台支持在数据中心大规模部署,可以并行运行各种模拟测试;而且DRIVEConstellation平台中的每一英里测试都包含感兴趣的事件(特殊工况),可以在极短的时间内完成数月或数年的测试。完整的反馈回路:第一个单元服务器运行DRIVE Sim软件,该软件模拟自动驾驶车辆上生成的驾驶场景和传感器数据。然后将模拟的传感器数据发送到第二服务器进行数据处理,最后第二服务器向第一服务器输出驾驶决策信号,从而形成模拟闭环NVIDIA-DriveConstellation模拟平台(来源-NVIDIA官网)
5) 微软——AirSim
类型:基于虚幻引擎构建的无人机和自动驾驶开源仿真平台
平台特点:
基于Unreal Engine构建的无人机和自动驾驶仿真研究项目可以创建高度真实的交通环境,实现车辆和传感器仿真,并完成车辆建模测试:AirSim包括车辆仿真和城市道路场景。它还提供API和即插即用代码,简化编程以快速构建丰富的场景:AirSim可以提供详细的3D城市街景,包括交通灯、公园、湖泊、建筑工地等丰富的场景AI研究平台:AirSim提供C++以及Python等多语言API接口。用户可以将AirSim 与众多机器学习工具一起使用。主要用于测试深度学习、计算机视觉、自动驾驶的端到端强化学习算法
6) 巴塞罗那自治大学(与丰田研究院和英特尔实验室联合)——CARLA
类型:基于虚幻引擎开发,采用服务器和多客户端架构的开源平台
平台特点:
用于城市自动驾驶系统开发、训练和验证的开源模拟器。提供开源数字数据资源(包括城市布局、建筑、车辆),构建自动驾驶测试训练场景。 Vector Zero的道路施工软件RoadRunner可用于创建场景和支持包。高精地图研究了三种自动驾驶方法的性能:传统的模块化流水线、通过模仿学习训练的端到端模型、通过强化学习训练的端到端模型。
7) LG电子——LGSVLSimulator
类型:基于游戏引擎-Unity开发的自动驾驶开源仿真平台
平台特点:
该模拟器支持ROS、ROS2和Cyber RT,并提供自动驾驶开源平台Autoware和百度Apollo的集成。它支持构建自动驾驶系统软件在环(SIL)和硬件在环(HIL)测试的虚拟场景。 —— 提供Python API,使用户可以通过编写脚本创建所需的虚拟场景。 —— 高清地图:支持现有3D环境高清地图的创建、编辑和导入/导出
注:高精地图支持的导入/导出格式:
一个。支持导入格式:Apollo5.0高清地图、Autoware矢量地图、Lanelet2和OpenDrive 1.4
b.支持的导出格式:Apollo 5.0、Lanelet2 和OpenDrive 1.4
LGSVL工作流程(来源:公众号-自动驾驶模拟)
2.4 国内科技公司——云仿真平台
传统的仿真测试一般是单机仿真测试,但高端自动驾驶系统的商业应用需要海量测试场景的仿真测试;海量数据的存储、计算和处理已经成为自动驾驶研发道路上的障碍。而云平台的分布式架构、加速计算能力和高数据计算能力可以很好地解决这个问题,可以大大提高系统开发和验证测试的效率;因此,云平台仿真必将是自动驾驶仿真测试技术未来的发展趋势,也将是企业发展自动驾驶的核心技术壁垒之一。
附录4 国内科技公司云仿真平台信息汇总
1)百度-Apollo云仿真平台
主要应用:
内部:支持Apollo系统的开发和迭代外部:为Apollo生态开发者提供基于云的决策系统模拟服务平台特点:
基于百度云和微软Azure搭建的云仿真平台与Unity合作开发基于Unity引擎的虚拟仿真环境,提出端到端的自动驾驶仿真系统:AADS系统-数据驱动的交通流仿真框架+图像基于渲染的场景图片合成框架
2)华为——自动驾驶云服务Octopus
平台提供三大服务:数据服务、训练服务、模拟服务;服务覆盖自动驾驶数据、模型、训练、仿真、标签全生命周期;
数据服务:数据处理、数据湖治理、数据存储等。 训练服务:大数据AI平台、模型管理、分布式训练任务等。 仿真服务:场景库、仿真系统、仿真平台等平台提供的三大服务。评价体系。
平台特点:
解耦硬件、数据、算法、高精度地图四大关键要素,构建以数据驱动为核心的开放平台,驱动自动驾驶闭环迭代。自动数据处理:自动数据挖掘(平台可支持PB级数据存储和秒级亿级数据检索)、自动数据标注(可节省70%以上标注人力成本)一站式自动驾驶DevOps能力:从代码接入、版本管理,到仿真评估,一套完整的大规模并行仿真闭环自动化评估系统:系统日虚拟测试里程可超过1000万公里,评估指标200+,支持3000个实例并发测试。真实场景数字孪生:可将真实道路开采的典型路段数据转换成模拟场景,并与高精度地图相结合,实现真实场景的数字孪生,可实现95%以上的场景还原能力。
3)腾讯——TAD模拟云
平台特点:
分布式架构支持Windows、Linux、Web环境下海量场景的部署。加速测试:云平台支持超过10000个场景的并行计算,1000个场景的运行时间缩短至4分钟。虚拟城市技术加速测试:可加载城市级高精度地图,同时部署数百万车流车辆和数千辆自动驾驶主车,构建自主研发闭环仿真模型:自主研发车辆动力学、传感器、交通流量、地图和场景编辑等模型,并支持OpenX系列和OSI国际仿真标准腾讯云平台系统架构(来源-自动驾驶云论坛演讲报告)
4)阿里巴巴——混合仿真测试平台
平台特点:
引入真实路测场景和云训练器,采用虚拟与现实相结合的仿真技术;解决了大规模再现极端场景的问题:通过任意改变极端场景变量,平台可以在30秒内再现极端场景;解决了自动驾驶AI模型极端场景下数据不足、训练效率低的问题。每日虚拟测试里程超过800万公里。
3、模拟测试评价体系
3.1 模拟测试评价维度及具体评价内容
1)两个重要的评价维度:真实性和有效性
一个。真实性评价:主要针对场景库的真实性和合理性进行评价,分为场景信息真实性和场景分布真实性两个方面。
真实性评价的两个维度
场景信息的真实性:在场景构建过程中,需要对测试场景中的静态环境要素(如交通设施、道路、障碍物等)和动态环境要素(动态指示设施、通讯环境等)进行了解。虚拟环境信息中合理准确地渲染)、交通参与者要素(机动车/非机动车、行人等)和气象环境要素(环境温度、光照条件、天气条件)等信息。
场景分布的真实性:在参数重组场景中,对于特征元素组合并手动编辑合成的场景,由于手动修改参数可能会导致现实世界中不存在的场景,因此需要参考特征元素的参数手动编辑场景时的真实世界场景。合理设置参数重组场景的取值范围。
b.效果评估
目前尚无统一的效果评价标准。目前可以参考的标准如下:
2)具体评价内容:模拟测试本身的评价,以及自动驾驶汽车驾驶性能、驾驶协调性、标准匹配、学习进化等;
自动驾驶模拟测试与评估项目
注:评估项目内容参见《2020中国自动驾驶仿真蓝皮书》
3.2 模拟测试评价标准举例
评价方法:(两种)
基于功能的评估方法:对于特定的自动驾驶功能,在给定的测试场景的前提下,判断被测自动驾驶车辆是否能够在该场景中安全行驶。基于场景的评估方法:将测试车辆放置在测试场景中,在自动驾驶汽车能够安全行驶的前提下,确定场景的复杂程度,例如周围环境的复杂程度或者驾驶任务的复杂程度, ETC。
评论
价指标:(两类) 通过性评价指标:针对自动驾驶做出判断以及规定场景内必须实现目标的评价;如安全性、完备性、经济性、人工干预度等评价指标,量化上采取0/1机制性能评价指标:表征自动驾驶汽车在具体测试场景下预期功能实现的程度;如智能性、舒适性、拟人性等评价指标,量化上采取差值机制参考:评价标准参考《自动驾驶系统功能测试第7部分:仿真测试(征求意见稿)》 结语 自动驾驶仿真测试发展面临的挑战 1)场景库建设 没有统一的数据格式标准,企业之间的场景库建设缺乏合作,资源重复性投入大;场景库数据的标注、分析提取等环节仍然依靠大量人工,场景库建设效率低,成本高;场景库的覆盖率依然不高,不足以覆盖常见的交通场景;穷举覆盖全场景的测试用例与测试效率和测试精度如何平衡。 2)仿真平台 测试场景有限,在测试方法的标准化与仿真虚拟测试应用上还较为薄弱;目前尚无一款完美的自动驾驶仿真软件,能够实现所有模块的仿真测试功能,仍然需要多个仿真软件进行联合仿真;不同自动驾驶仿真软件,往往需要开发不同的仿真接口,不仅增加了时间成本,也增加了工程师的学习成本;仿真环境缺乏现实世界物理现实的真实性和丰富性,并且训练效果有限,可扩展性差;系统仿真软件也存在自身固有的弱点,比如仿真模型需要对边界条件进行明确的假设,但现实中这些边界条件不一定能明确或者不能真实地获取;传感器模型、车辆动力学模型以及道路环境模型的准确性都会影响到仿真测试结果准确性,因此提高仿真测试结果的可信度也是当前一个较大的挑战。 3)测试评价体系 不同的企业采用的仿真软件系统架构和场景库构建方法不尽相同,导致很难建立统一规范的仿真测试评价体系;仿真软件自身的真实性和有效性方面的评价尚无统一的标准规范,且车辆的学习进化性方面还缺乏相应评价标准。 自动驾驶仿真测试技术发展趋势展望 1)基于云平台的高并发测试、加速测试是仿真测试未来重要的发展方向,是自动驾驶仿真企业的核心竞争力之一;云平台具备海量数据存储、处理和管理的能力,支持大规模仿真构建,覆盖海量驾驶场景;可有效建立城市级地理信息+虚拟交通流信息,可实现跨专业多用户信息交互与共享。 2)功能安全场景库、V2X场景库以及预期功能安全场景库将是未来场景库建设的重点;不同厂商采用统一数据格式标准,共建基础场景库,形成通用的、可移植的场景库。 3)混合交通仿真测试将是未来自动驾驶仿真技术的一个重要研究领域;自动驾驶汽车取代传统汽车不是一蹴而就的事情,必然在相当的一段时间内处于两者共存的局面,因此传统汽车与自动驾驶汽车混行将是一种常见的交通场景。甚至还需要建立自动驾驶车辆在不同渗透率下的混合交通仿真模型。 4)数字孪生技术将为自动驾驶仿真测试发展道路上的一大助力,是仿真测试的增效利器; 数字孪生就是在虚拟环境中建立一个和现实世界一致的模型。自动驾驶数字孪生测试VRIL(Virtual Reality in the Loop)即真实的车辆在真实的测试场地中进行测试,将同时映射到虚拟的测试环境中,从而完成虚、实状态的同步,实现整个数字孪生系统的闭环实时仿真测试。 5)当前自动驾驶仿真测试主要还是偏向于传统的主被动层面的安全性及可靠性等方面的测试验证,以及用于感知、规划决策及控制算法的研发或迭代升级;但是每个自动驾驶车辆都不是孤立存在的,必然是网联化的,是作为整个智慧交通体系中的一个智能节点而存在,因此信息安全方向的验证测试与评价也必然是未来自动驾驶仿真测试的一个重要研究方向。相关问答
答: 自动驾驶仿真测试技术这块儿最近可火了!你想知道现在这个领域的技术怎么样吗?比如,哪些软件和平台最受用家们的欢迎?又有哪些公司在抢占先机呢?这些都是比较关键的方面。
165 人赞同了该回答
答: 自动驾驶仿真测试就像给汽车开模拟训练一样,利用计算机虚拟环境来模拟真实的道路情况,这样可以让自动驾驶系统在安全的环境下反复练习,提升其识别、决策和控制能力。你想想,要是真的让无人车在乱七八糟的城市里学走路,那危险系数可就太大了!
251 人赞同了该回答
答: 通过仿真测试,我们可以对汽车软件进行各种场景下的模拟测试,例如突发情况、复杂天气等,这样可以更快地发现问题并进行修复,提高自动驾驶系统的安全性。
103 人赞同了该回答
答: 很多公司都在这儿抢滩建设,比如百度Apollo推出的“自动驾驶仿真平台”,腾讯就开发了名为“T-SIM”的端到端自动驾驶仿真平台;另外也有谷歌DeepMind、Cruise这样的巨头也活跃在领域内。现在市场上涌现出许多不同的方案,每个方案都有各自的特色和优势。
101 人赞同了该回答
答: 除了这些大公司,还有很多初创企业也在这个领域的蓬勃发展,他们通常会专注于某个特定场景或技术方面的仿真测试。整个行业发展的态势非常火爆,未来可期!
148 人赞同了该回答