誕生數十年，自動駕駛技術為何遲遲無法落地？其重要阻礙因素之一是安全問題。

為此，各企業紛紛開展實際路測工作，確保自動駕駛系統的安全性。但實際路測的時間和資金成本都非常高，自動駕駛仿真測試的重要性由此凸顯。

在第六屆國際智能網聯汽車技術年會（CICV）期間，《中國自動駕駛仿真技術研究報告（2019）》發布，該報告由當家移動綠色互聯網技術集團有限公司（51VR）發起，與清華大學蘇州汽車研究院、廣汽研究院智能網聯技術研發中心、中國汽車技術研究中心智能汽車研究室暨汽車軟件測評中心、江蘇省智能網聯汽車創新中心、北京智能車聯產業創新中心、奇點汽車聯合發布。

億歐汽車現場了解到，這是中國首部自動駕駛仿真藍皮書（后文簡稱藍皮書），介紹了中國自動駕駛仿真測試發展現狀，包括仿真測試市場需求分析、方法應用、搭建技術方案、軟件現狀、虛擬場景數據庫、示范區測試方法介紹、標準介紹、挑戰及發展趨勢等方面。

北汽集團研究總院副院長兼新技術研究院院長孔凡忠、廣汽研究院智能駕駛技術部部長郭繼舜、奇點汽車美國研究與創新中心首席科學家兼美國公司總裁黃浴等來自主機廠的專家，都參與了藍皮書的編寫工作。

對此，郭繼舜向億歐汽車表示，隨著自動駕駛技術的不斷進階，仿真測試變得越來越不可或缺，“在廣汽，以前虛擬仿真平臺只是起到一種補充實車測試的作用，在整體測試中占比60%，但在L3/4級自動駕駛研發過程中，仿真測試的比重預計會達到80%以上。”

而作為該藍皮書的編委會主席，清華大學蘇州汽車研究院院長成波表示，國內自動駕駛仿真行業尚處于起步階段，但正在打破國外仿真軟件長期壟斷的狀況，此次藍皮書的發布正是對中國原創仿真軟件崛起的一個階段性總結。

“過去中國企業都在用國外的仿真系統，幾乎沒有培育出自己的軟件體系。”51VR CEO李熠稱，“但與國外注重單點仿真的特性相比，51VR立足L3/4級自動駕駛，強調全系統的仿真。”

“仿”的是什么？

目前業內普遍認為，通過搭載先進的車載傳感器、控制器和數據處理器、執行機構等裝置，同時借助車聯網、5G和V2X等現代移動通信與網絡技術實現交通參與物彼此間信息的互換與共享，自動駕駛汽車具備在復雜行駛環境下的傳感感知、決策規劃、控制執行等功能。

因此，一個完整的自動駕駛仿真平臺，需要包括靜態場景還原、動態案例仿真、傳感器仿真、車輛動力學仿真、并行加速計算等功能，并能夠較為容易的接入自動駕駛感知和決策控制系統，形成閉環，達到持續迭代和優化的狀態。

擬真環境仿真：多種構建方案，如采集實際環境信息及已有的高精度地圖構建靜態場景，通過采集激光點云數據，建立高精度地圖，構建環境模型，并通過自動化工具鏈完成厘米級道路還原。

動態場景仿真：多種構建方案，如采集實際道路上的海量數據，經過算法抽取，結合已有的高精地圖，重建動態場景。

天氣和氣候仿真：在仿真環境里，設置不同天氣，并調節天氣參數，比如太陽高度角，霧的濃度，雨滴的大小等，模擬出極端天氣，訓練無人車應對這些情況，然后將訓練好的數據模型運用于真實駕駛過程中。

傳感器仿真：包括物理信號、原始信號、傳感器目標三個層級的仿真，仿真對象為Lidar（激光雷達）、視覺（攝像頭）、雷達、輔助傳感器等系統。

車輛動力學仿真：傳統商業仿真軟件在該領域已非常成熟，包括車體模型參數化，輪胎模型參數化，制動系統模型參數化，轉向系統模型參數化，動力系統模型參數化，傳動系統模型參數化，空氣動力學模型參數化，硬件IO接口模型參數化，根據實際測試車輛的動力學配置合適參數。

如何驗證與評估？

藍皮書認為，對自動駕駛仿真測試的驗證與精度評估，主要是對存在于此架構內各個模塊的評估和對整體框架的再評估。這包括：

擬真環境仿真驗證：通過采集激光點云數據，建立高精度地圖。其數據精度主要通過組合導航數據解算精度、點云數據生成精度、數據采集精度等來保證。

動態場景仿真驗證：如果仿真源數據來自實際路采真實數據，就通過比較算法抽取重建的動態場景與原始采樣數據是否具有高一致性，來判斷精度；如果是智能體行為或隨機交通流，驗證更多是從主觀感受出發，與現實行為越接近越好。

天氣和氣候仿真驗證：驗證手段盡可能與現實接近。

傳感器仿真驗證：在某些情況下，仿真場景需要真實的反映出環境的物理材質，比如摩擦力系數，空氣阻力，而對感知算法的研發，要求仿真環境達到照片級的渲染效果，同時盡可能地物理逼真。

車輛動力學仿真驗證：建立貼合實際的汽車動力學仿真模型，主要包括前懸掛模型，后懸掛模型，轉向系模型和輪胎模型等，可利用目標車的實車平順性和操縱穩定性試驗數據對建立的汽車模型進行驗證。

涵蓋所有模塊的自動駕駛仿真平臺：其驗證主要在架構的穩定性和性能方面。借助傳統的軟件測試方法，結合黑盒測試和白盒測試，靜態代碼分析和動態測試，從軟件開發早期的需求設計測試，開發過程中的單元測試，集成測試，系統測試，到收尾階段的驗收測試，回歸測試，以及發布時的Alpha測試，Beta測試，制定完善的測試計劃，保證整個仿真平臺的功能穩定，性能達到要求。

如何評價？

如圖所示，在算法接入仿真平臺后，起到測試目的的關鍵部分是交通場景的仿真，即系統預期運行環境的條件模型。環境條件通常概述于“場景”中，包括但不限于道路屬性（車道數、坡度、出口、路障、道路條件等）、交通屬性（其他交通參與者的數量和速度、其他駕駛員的可能模型）和總體環境條件（能見度、天氣條件等）。這些條件模型的組合形態既包括實際交通中經常出現的“標準工況”，也包括對于安全性評價，導致事故的“危險工況”，以及兩者相結合的“復雜交通流”，不管哪種模型，測試場景標準化都尤為關鍵。

而在標準化交通場景確定后，自動駕駛算法接入仿真平臺開始測試，我們可以記錄下自動駕駛車輛從起點出發之后所有的細微表現，如是否闖紅燈，壓實線，是否發生碰撞，是否到達終點，甚至全程的油門，剎車，轉向狀態都會被記錄下來。自動駕駛的測試評價就源于這些原子結果和車輛狀態。

面臨哪些挑戰？

在政策層面，雖然我國已發布《智能網聯汽車自動駕駛功能測試規范（試行）》，但其中的測試場景有限，測試方法的標準化與仿真虛擬測試應用方面較為薄弱，用于測試的場景庫也在建立與完善中，并未形成一套完整的測試評價體系。此外，針對自動駕駛同一項功能，其使用的測試場景并沒有唯一的定義。

在系統仿真軟件層面，其擁有固有弱點，如無法測定某種特定天氣下某條道路上的摩擦系數，就無法正確計算車輛的動力學響應。

與國外企業相比，國內企業缺少與本地仿真服務企業共同發展的思維與探索精神，在仿真商業化的過程中，國外軟件因為具有品牌認知的優勢，相對容易被國內廠商信賴。但由于國外軟件在國內定制化與本地化服務上的投入制約，一定程度上會削弱依賴國外軟件的國內企業在科技自主發展的速度和靈活性。

對此，藍皮書指出，在仿真軟件與虛擬測試層面，我國應建立超大規模虛擬場景和海量虛擬案例庫，同時使各類型傳感器正確感知真實世界的物理特性，并采用統一的數據格式對靜態場景與動態案例進行通用性描述，最后提高算法迭代與測試的效率。

附：《中國自動駕駛仿真技術研究報告（2019）》