2021中國自動駕駛仿真研究報告

2021中國自動駕駛仿真研究報告自動駕駛汽車在真正商業(yè)化應用前，需要經(jīng)歷大量的道路測試才能達到商用要求。采用路測來優(yōu)化自動駕駛算法耗費的時間和成本太高，且開放道路測試仍受到法規(guī)限制，極端交通條件和場景復現(xiàn)困難，測試安全存在隱患。世界各國交通環(huán)境也大相徑庭，形成全球通用的產(chǎn)業(yè)鏈體系比較困難。以上種種問題使得自動駕駛產(chǎn)業(yè)鏈的全球化發(fā)展和技術(shù)交流面臨眾多實際問題。因此，基于場景庫的仿真測試是解決自動駕駛研發(fā)測試挑戰(zhàn)的主要路線。自動駕駛仿真測試已經(jīng)被行業(yè)廣泛接受。目前自動駕駛算法測試大約90%通過仿真平臺完成，9%在測試場完成，1%通過實際路測完成。第一章、自動駕駛仿真測試的意義1.1自動駕駛商業(yè)化面臨路測數(shù)據(jù)匱乏的挑戰(zhàn)自動駕駛汽車在真正商業(yè)化應用前，需要經(jīng)歷大量的道路測試才能達到商用要求。但作為新興事物，自動駕駛汽車仍面臨著大量問題需要克服，如道路測試的時間成本、各國對于自動駕駛的法律法規(guī)容忍度、極端場景及危險工況的測試安全性、各國道路交通環(huán)境及習慣不同等問題，都給自動駕駛系統(tǒng)研發(fā)測試帶來諸多困難。采用路測來優(yōu)化自動駕駛算法耗費的時間與成本太高。自動駕駛屬于人工智能范疇，仍處于不斷發(fā)展階段。根據(jù)美國蘭德公司的研究，自動駕駛算法想要達到人類駕駛員水平至少需要累計177億公里的駕駛數(shù)據(jù)來完善算法。如果配置一支100輛自動駕駛測試車的車隊，每天24小時不停歇路測，平均時速25英里（40公里）每小時來計算，需要500多年的時間才能完成目標里程，期間所耗費的時間和成本是難以承受的。自動駕駛相應交通法規(guī)及保險理賠機制的缺失制約了自動駕駛汽車路測的大范圍開展。由于自動駕駛汽車尚不能保證絕對安全，我國政府對開放自動駕駛道路測試保持謹慎的態(tài)度，僅依靠部分開放道路以及智能網(wǎng)聯(lián)測試區(qū)進行路測，難以滿足自動駕駛汽車旺盛的測試需求。主要體現(xiàn)在以下四個方面：自動駕駛汽車路測缺乏法律依據(jù)。目前在絕大部分公開道路，尤其是高速公路上測試自動駕駛汽車仍然缺乏法律依據(jù)，阻礙了測試的進度。自動駕駛路測車輛禁止載人載貨，導致測試不全面。現(xiàn)行規(guī)定明確禁止測試過程中搭乘與測試無關(guān)的人員或貨物，阻礙了測試主體開展更豐富的自動駕駛技術(shù)性測試。自動駕駛汽車事故責任劃分缺乏法律依據(jù)。由于自動駕駛汽車的駕駛主體是自動駕駛系統(tǒng)或自動駕駛服務商，和現(xiàn)行人類駕駛員為主體的交通法規(guī)體系存在很大差別?！肚謾?quán)責任法》、《道路交通安全法》等法規(guī)中有關(guān)機動車交通事故的責任體系將不再適合，導致目前自動駕駛汽車的相關(guān)法律糾紛出現(xiàn)無法可依的局面。自動駕駛汽車缺乏相應的保險理賠機制。自動駕駛汽車突破了有關(guān)機動車保險的規(guī)定，使得目前的自動駕駛汽車“無險可投”，增加了測試企業(yè)及其他交通參與者的風險。極端交通條件和危險場景復現(xiàn)困難，而且測試安全存在隱患。自動駕駛汽車在實際道路行駛過程中，極端交通條件和危險場景可遇不可求，且安全問題也是一大困擾。根據(jù)美國國家公路交通安全管理局（NHTSA）的統(tǒng)計數(shù)據(jù)，汽車平均行駛43.6萬英里（70萬公里）才會發(fā)生一起事故，平均行駛1億英里（1.6億公里）死亡大約1人。此外，自動駕駛汽車測試行業(yè)依然沒有就測試的安全性等標準達成一致，制約了自動駕駛的研發(fā)測試。形成全球認可的自動駕駛產(chǎn)業(yè)鏈體系比較困難。由于世界各國社會和經(jīng)濟環(huán)境千差萬別，各地區(qū)的道路環(huán)境和交通習慣也大相徑庭。中國的城市道路中快遞、外賣、行人混行情況普遍存在，對于自動駕駛汽車的感知決策能力提出了更高的要求。而且中國的道路交通標志、標線設置不規(guī)范情況普遍存在，不同地區(qū)之間也有差別。國內(nèi)與國外的交通標志標線顏色、文字說明等方面也存在差別，這些在短期內(nèi)很難得到改變。上述種種問題使得自動駕駛產(chǎn)業(yè)鏈的全球化發(fā)展和技術(shù)交流面臨眾多實際問題。1.2基于場景庫的仿真測試成為自動駕駛研發(fā)的關(guān)鍵目前基于場景庫的仿真測試是解決自動駕駛路測數(shù)據(jù)匱乏的重要路線。仿真測試主要通過構(gòu)建虛擬場景庫，實現(xiàn)自動駕駛感知、決策規(guī)劃、控制等算法的閉環(huán)仿真測試，滿足自動駕駛測試的要求。場景庫是自動駕駛仿真測試的基礎，場景庫對現(xiàn)實世界的覆蓋率越高，仿真測試結(jié)果越真實。而且自動駕駛汽車研發(fā)的不同階段對于場景庫的要求也不同，需要場景庫實現(xiàn)不同的測試功能。1.3仿真測試與道路測試結(jié)合推動自動駕駛研發(fā)在自動駕駛的開發(fā)流程中，純模型仿真—軟件在環(huán)仿真—半實物仿真—封閉場地道路測試—開放道路測試的開發(fā)流程是最經(jīng)濟、高效的開發(fā)流程。目前自動駕駛仿真已經(jīng)被行業(yè)廣泛接受。例如美國自動駕駛領(lǐng)軍企業(yè)Waymo旗下的仿真平臺Carcraft每天150億英里，相比之下，去年6月的數(shù)據(jù)是100億英里。除Waymo外，通用旗下的Cruise、AutoX、小馬智行等國內(nèi)外自動駕駛解決方案商也在進行大量的仿真測試，以完善自己的自動駕駛系統(tǒng)，仿真測試已經(jīng)成為自動駕駛商用最重要的測試。在仿真場景中，普通場景下的自動駕駛算法已經(jīng)比較完善，突破難點在于一些極端場景（cornercases）。由于極端場景在現(xiàn)實中可遇不可求，利用仿真平臺可以便捷生成，所以業(yè)界共識是加大仿真測試在自動駕駛測試中的占比。目前自動駕駛算法測試大約90%通過仿真平臺完成，9%在測試場完成，1%通過實際路測完成。仿真測試結(jié)果可以在封閉場地進行測試認證，此外在道路測試基礎上總結(jié)出危險場景，反饋到仿真測試與封閉場地測試中，最終形成評價結(jié)果，逐步完善評價準則和測試場景庫，實現(xiàn)了仿真測試、封閉場地測試、道路測試的測試閉環(huán)，推動技術(shù)迭代升級。隨著仿真技術(shù)水平的提高和應用的普及，行業(yè)旨在達到通過仿真平臺完成99.9％的測試量，封閉場地測試完成0.09％，最后0.01％到實路上去完成，這樣可以使自動駕駛汽車研發(fā)達到更高效、經(jīng)濟的狀態(tài)。第二章、國內(nèi)外自動駕駛仿真測試發(fā)展現(xiàn)狀2.1政策法規(guī)現(xiàn)狀在世界范圍內(nèi)，眾多國家針對自動駕駛及相關(guān)功能有著不同的政策策略及法規(guī)專注度。歐盟認為以協(xié)作、網(wǎng)聯(lián)、自動為特征的出行模式是未來的交通系統(tǒng)發(fā)展趨勢，但在智能網(wǎng)聯(lián)汽車整體策略上態(tài)度相對保守。美國發(fā)展智能網(wǎng)聯(lián)汽車擁有雄厚的產(chǎn)業(yè)優(yōu)勢，參與自動駕駛研發(fā)的企業(yè)涵蓋芯片技術(shù)、算法開發(fā)、系統(tǒng)集成、電信運營、仿真測試、電子設備、整車制造及信息服務等領(lǐng)域，且全部為本土及國際高精尖企業(yè)及研究機構(gòu)。日本方面，政府非常重視智能網(wǎng)聯(lián)汽車的研發(fā)與應用，并認為加快L3、L4級別自動駕駛汽車的研發(fā)需要國家級場景庫協(xié)助日本主導國際話語權(quán)。各國與地區(qū)在仿真測試技術(shù)路線上都形成了跨領(lǐng)域、跨行業(yè)的合作共贏模式。歐盟大力推進各成員國、各企業(yè)機構(gòu)之間的協(xié)調(diào)統(tǒng)一、成果共享；美國與日本企業(yè)組建跨國、跨行業(yè)聯(lián)盟，發(fā)揮各自優(yōu)勢并分擔研發(fā)成本。我國智能網(wǎng)聯(lián)仿真測試產(chǎn)業(yè)發(fā)展迅速，技術(shù)創(chuàng)新活躍，產(chǎn)業(yè)規(guī)模不斷擴大，但也存在頂層設計欠缺、部分關(guān)鍵技術(shù)缺失、標準法規(guī)滯后等問題。我國擁有全球最大汽車市場，強大的信息通信產(chǎn)業(yè)以及完備的計算機科學人才等良好基礎，積極擴充合作和行業(yè)聯(lián)盟有助于跟上國際合作潮流。隨著自動駕駛技術(shù)的發(fā)展，具備自動駕駛功能的汽車已經(jīng)逐漸成為研發(fā)熱點，世界各國均針對自動駕駛制定了相應戰(zhàn)略方針，系統(tǒng)安全性是當前國際法規(guī)研究的重點。在聯(lián)合國層面，世界車輛法規(guī)協(xié)調(diào)論壇WP.29成立了自動駕駛汽車工作組（GRVA），該工作組正在進行自動駕駛相關(guān)安全法規(guī)的制定。在GRVA子工作組VMAD自動駕駛安全驗證方法中，形成了以道路測試、場地測試、仿真測試、審核與驗證、交通場景等為支撐的“多支柱驗證方法”，仿真及虛擬測試逐漸成為被國際認可的自動駕駛功能驗證中必不可少的一環(huán)。2020年中國作為聯(lián)合主席成員國，參與起草GRVA子工作組FRAV《自動駕駛車輛的通用功能性要求》草案，此草案從系統(tǒng)安全、設計運行域、故障保護響應、目標事件檢測和響應、人機交互界面及操作員信息等方面提出了對自動駕駛功能安全的要求。2020年6月，WP.29世界車輛法規(guī)協(xié)調(diào)論壇通過了世界上首個針對Level3級自動駕駛車輛有約束力的法規(guī)——UNRegulationonAutomatedLaneKeepingSystems(ALKS)，此條款從2021年1月正式開始生效。此條款規(guī)定了自動駕駛車輛開啟自動車道保持功能的具體需求、移交條件及干預條件，其中重點約束了車載顯示器、人機交互條件、與駕駛員車輛控制權(quán)移交、駕駛員沒有做出正確判斷后的系統(tǒng)退出機制等。牽頭此草案的國家為日本和德國，通過此條款后，日本、法國、荷蘭以及加拿大等國已經(jīng)確立了此草案與當?shù)胤ㄒ?guī)的生效關(guān)系，英國同樣承諾在預設的300英里公開測試道路上及相關(guān)區(qū)域進行相應測試。此外，此法規(guī)同時著重描述了此自動駕駛功能與多支柱法之間的關(guān)系，提出了具體的道路測試、場地測試、仿真測試、審核與驗證具體的映射關(guān)系，進一步確立了多支柱法中不同條件的交互關(guān)系。此外針對安全及相應問題，提出了以下幾點要求：發(fā)生碰撞情況下的緊急情況的處理機制，需要利用仿真進行相應測試；系統(tǒng)失效條件下，要求駕駛員取回控制權(quán)及相應條件；提出系統(tǒng)移交條件以及駕駛員無回應時的系統(tǒng)保護的風險條件；安裝車輛駕駛員就位識別系統(tǒng)，識別駕駛員就位以及其控制意圖識別；車輛車載自動駕駛信息存儲系統(tǒng)，以及其相應信息記錄機制；車輛出售前車輛性能及表現(xiàn)需求聲明，提出配備此功能車輛的表現(xiàn)需求及后續(xù)保養(yǎng)需求等。此法規(guī)的發(fā)布，對國內(nèi)自動駕駛標準法規(guī)的制定同樣具有借鑒意義。2.2標準發(fā)展現(xiàn)狀國際標準化組織ISO于2018年正式成立TC22/SC33WG9自動駕駛場景工作組，制定自動駕駛測試場景相關(guān)標準。此工作組由中國牽頭，汽車標準委員會秘書處王兆作為召集人，這是我國在ISO/TC22（道路車輛委員會）范疇內(nèi)首次承擔國際標準工作組（WG）召集人職責，是我國在汽車國際標準化方面邁出的重要一步。WG9工作組下一步工作重點是形成現(xiàn)階段工作情況報告，盡快制定完成和發(fā)布該系列標準，為國際相關(guān)標準法規(guī)及產(chǎn)業(yè)應用提供支持。自動駕駛場景工作組已于2019年通過了四項標準以及一項預留標準的立案，具體標準見下表，其中，34505“基于場景的自動駕駛系統(tǒng)的評測體系”為預留草案。中國國內(nèi)在仿真測試行業(yè)中，逐步認識到相關(guān)重要性，2020年，由中國汽車技術(shù)研究中心有限公司撰寫的《自動駕駛測試場景技術(shù)發(fā)展與應用》出版上市，此書籍由全國汽車標準技術(shù)委員會(SAC/TC114)及其智能網(wǎng)聯(lián)汽車分技術(shù)委員會(SC34)秘書處統(tǒng)籌組織規(guī)劃，同濟大學、華為技術(shù)有限公司、吉林大學、上汽集團前瞻技術(shù)研究部、中國第一汽車集團、中國汽車技術(shù)研究中心有限公司、國汽智聯(lián)、阿里巴巴菜鳥網(wǎng)絡等單位作為各章節(jié)主要編寫單位，共計來自于30余家骨干單位近百名專家參與撰寫。此書作為2019年至今為止在仿真測試方面，涵蓋最多的成員單位，最為集中的體系與內(nèi)容，逐步將會成為仿真測試行業(yè)中標準的先行團隊。后期相應研究標準將按照《自動駕駛測試場景技術(shù)發(fā)展與應用》逐步形成標準化內(nèi)容。針對此方向標準，全國汽車標準技術(shù)委員會(SAC/TC114)已于2019年在全國范圍內(nèi)成立《自動駕駛汽車仿真測試標準化需求研究》項目組，由中國汽車技術(shù)研究中心有限公司牽頭組建。此項標準將在仿真測試通用要求、測試工具、測試流程等方面開展標準化研究工作，并組織項目組成員進行仿真測試與實車測試對比試驗，用以驗證仿真測試的真實性、可重復性等。后續(xù)該項目組將按照規(guī)劃按時完成研究報告，并同步開展相關(guān)標準預研工作。除ISO外，其他國家與組織也針對自動駕駛測試場景展開了研究。2016年，德國聯(lián)邦經(jīng)濟與能源部（BMWi）啟動PEGASUS項目，旨在開發(fā)一套自動駕駛功能測試程序，以促進自動駕駛技術(shù)的快速落地。PEGASUS項目內(nèi)容包括定義自動駕駛車輛在仿真、測試場地以及實際環(huán)境中的測試與實驗標準流程；開發(fā)一個持續(xù)的和靈活的工具鏈以維護自動駕駛開發(fā)與驗證；在開發(fā)早期的階段集成測試；創(chuàng)建跨整車廠的方法來維護高度自動駕駛功能等。PEGASUS項目于2019年5月結(jié)項，其中一項重要研究成果就是OpenCRG、OpenDRIVE、OpenSCENARIO三項駕駛場景仿真格式標準。該標準已于2018年正式從戴姆勒和VIRES轉(zhuǎn)交ASAM進行下一步標準維護與開發(fā)。以此為契機，ASAM于2018年新開創(chuàng)一類標準——仿真，用于制定和協(xié)調(diào)自動駕駛領(lǐng)域的相關(guān)仿真標準。德國自動化及測量系統(tǒng)標準協(xié)會（ASAM）是一家非政府的汽車領(lǐng)域標準化制定機構(gòu)，1998年由數(shù)位行業(yè)專家為標準化ECU開發(fā)與測試中的數(shù)據(jù)交互而創(chuàng)立，致力于實現(xiàn)開發(fā)流程中各環(huán)節(jié)的數(shù)據(jù)信息自由交換。截至2019年，共有來自亞洲、歐洲、北美洲的295家整車廠、供應商及科研機構(gòu)加入成為會員。ASAM推出的標準涉及多個汽車標準領(lǐng)域，包括仿真、車聯(lián)網(wǎng)、測量與校準、診斷、自動化測試、軟件開發(fā)、ECU網(wǎng)絡和數(shù)據(jù)管理與分析等。隨著自動駕駛技術(shù)的發(fā)展，仿真測試對于自動駕駛的安全落地至關(guān)重要，ASAM發(fā)布的OpenX標準得到了全球廣泛關(guān)注，熱度逐漸提升。成員單位提出希望制定更多的仿真領(lǐng)域標準，并以OpenX命名，其中還包括OpenLABEL。2019年10月，由寶馬開發(fā)的OSI標準正式移交ASAM進行維護與開發(fā)。至此，ASAM啟動的OpenX包含標準達到了5項（見圖表6）。同時隨著全球自動駕駛測試需求的提升，更多的標準提案與計劃已經(jīng)提上日程。2020年是自動駕駛應用落地的重要開端，也是OpenX標準體系應用推廣的重要一年。目前，在ASAM仿真驗證領(lǐng)域，OpenX系列標準主要包括OpenDRIVE、OpenSCENARIO、OpenSimulationInterface（OSI）、OpenLABEL和OpenCRG五大板塊。在仿真測試的整體流程中，OpenDRIVE和OpenSCENARIO針對仿真場景的不同數(shù)據(jù)格式進行統(tǒng)一；OpenLABEL將對于原始數(shù)據(jù)和場景給出統(tǒng)一的標定方法；OSI連接了自動駕駛功能與仿真工具，同時集成了多種傳感器；OpenCRG則實現(xiàn)了路面物理信息與靜態(tài)道路場景的交互。中國的駕駛場景極具特色，不僅道路結(jié)構(gòu)、交通標志、交通信號燈等形態(tài)各異，人車混流的交通狀況也為構(gòu)建動態(tài)仿真場景增加了許多難度。為了更有針對性地解決與中國特色場景相關(guān)的諸多問題，ASAM標準協(xié)會于2018年與中汽中心下屬中汽數(shù)據(jù)有限公司（以下簡稱“中汽數(shù)據(jù)”）開展技術(shù)交流。中汽數(shù)據(jù)在駕駛場景、模擬仿真等領(lǐng)域取得的進展得到了ASAM的高度認可。2019年9月，中汽數(shù)據(jù)與ASAM聯(lián)合發(fā)表聲明，共同組建C-ASAM工作組。針對ASAMOpenX模擬仿真測試場景標準，C-ASAM工作組將整合中國智能網(wǎng)聯(lián)汽車行業(yè)，利用國際合作平臺價值，實現(xiàn)互通互利，攜手共進，達成共贏的局面。針對以上研究內(nèi)容，從以下幾大方面進行拓展。目前C-ASAM工作組成員包括上汽集團、騰訊、華為、百度、賽目、四維圖新、北京航空航天大學等20余家中國企業(yè)與研究機構(gòu)，共同為中國在相應標準中發(fā)聲，成為中國對標國際標準內(nèi)容的重要工作組?；跀?shù)據(jù)接口和格式等仿真驗證領(lǐng)域的共性問題，ASAM引入的OpenX系列標準填補了行業(yè)多項空白。該系列標準的推出與完善，使得仿真測試場景中各要素之間的隔閡逐漸被打破，原本孤立的各環(huán)節(jié)的貫通與交互成為可能。而隨著我國汽車仿真驗證領(lǐng)域的國際化接軌進程將加快，OpenX系列標準的影響也將不斷擴展。2.3仿真測試應用現(xiàn)狀目前自動駕駛仿真市場參與主體主要包括：科技公司、車企、自動駕駛解決方案商、仿真軟件企業(yè)、高校及科研機構(gòu)、智能網(wǎng)聯(lián)測試示范區(qū)。由于每個市場主體在自動駕駛仿真方面的技術(shù)基礎不同，因此在推動自動駕駛仿真方面的研發(fā)及合作方式呈現(xiàn)不同模式。2.3.1科技公司科技公司在仿真方面起步相對較晚，在汽車功能探索方面經(jīng)驗較少，但是具備大數(shù)據(jù)優(yōu)勢，軟件開發(fā)能力強。自動駕駛汽車相比傳統(tǒng)汽車，對軟件的需求更大，科技公司進行仿真軟件的探索，目的是進入市場龐大的汽車行業(yè)，建立更大的數(shù)據(jù)平臺，形成新的業(yè)務增長點。目前自動駕駛仿真科技公司主要包括騰訊、百度、華為、阿里等。2.3.2整車企業(yè)路測和仿真測試同步進行是整車企業(yè)的最佳選擇，而自動駕駛汽車在真正實現(xiàn)落地之前，需經(jīng)過眾多功能與安全測試，路測就是其中一環(huán)。由于路測效率較低，目前很多車企都傾向于選擇自動駕駛仿真測試與路測相結(jié)合的方式來完成落地前的測試工作。當前全球各大車企正在用仿真測試里程來取代一部分實際路測里程，即自動駕駛測試90%通過模擬仿真平臺完成，9%通過測試場完成，1%通過實際道路測試完成。模擬仿真測試已經(jīng)成為加速自動駕駛技術(shù)研發(fā)和測試落地的重要手段。考慮到車企自身軟件開發(fā)能力弱，無法獨立完成仿真測試，一般通過和科技公司或者自動駕駛仿真軟件企業(yè)合作，利用后者仿真軟件進行自動駕駛汽車開發(fā)，如上汽與TADSim，江淮與Prescan（見圖表12）。2.3.3自動駕駛解決方案商自動駕駛解決方案商主要針對自身需求研發(fā)定制化仿真軟件，較少對外提供仿真服務，但借助于充足的資金、人才集聚力及自身研發(fā)驅(qū)動力，在自動駕駛仿真方面具有很強的創(chuàng)新能力。各領(lǐng)先自動駕駛解決方案商都有自身仿真測試軟件，如Waymo、Cruise、小馬智行、AutoX等。Waymo借助大量虛擬仿真里程完善自動駕駛技術(shù)。Waymo作為世界最領(lǐng)先的自動駕駛解決方案商，其核心競爭力是Carcraft仿真軟件系統(tǒng)。Carcraft可以完成從場景采集、場景庫建立、仿真、測試結(jié)果反饋等一系列流程。如Carcraft可以將測試車在真實道路上遇到的場景直接在模擬器中進行模糊化，形成虛擬場景，同時程序員也可以將多種情況進行疊加，創(chuàng)造出各種極端場景。Carcraft進行模擬后得到的數(shù)據(jù)又可以反饋給真實世界的測試車輛，如此循環(huán)迭代，使得Waymo自動駕駛車輛越來越完善。Carcraft現(xiàn)有一支由25000臺汽車組成的虛擬車隊，這些虛擬汽車每天24小時運行在Carcraft仿真系統(tǒng)，每天可在虛擬世界行駛2000萬英里的里程。截止2020年4月已完成了150億英里的仿真測試里程，遙遙領(lǐng)先于其他公司。Cruise利用仿真系統(tǒng)（Matrix）與路測結(jié)合，重點突破車輛表現(xiàn)欠佳區(qū)域及危險場景。Cruise自動駕駛仿真具備以下四個特點：第一，能對路測過程中車輛表現(xiàn)欠佳的區(qū)域，在仿真器中復現(xiàn)這段路線以提升自動駕駛軟件的性能。第二，可以在仿真器中復現(xiàn)危險場景，如無保護左轉(zhuǎn)、不遵守交通規(guī)則的行人及車輛等，驗證自動駕駛汽車的應變能力。第三，能通過不斷地訓練讓仿真器成為新的數(shù)據(jù)機，用仿真數(shù)據(jù)反哺路測工作。第四，仿真器既能保障乘客安全，也能兼顧舒適性。據(jù)Cruise介紹，其每天能完成3萬次仿真測試。小馬智行實行軟件快速迭代升級的自動駕駛仿真方式。新開發(fā)功能或者bug修復后，首先會在仿真系統(tǒng)進行模擬測試，測試完成后進行場地測試或者路測，如果測試結(jié)果不符合預期重新進行代碼修改。如果測試結(jié)果符合預期，通常在一天內(nèi)可以完成測試，然后每周會同步到所有測試車輛，并且每個工程師可單獨、并行執(zhí)行，保證了自動駕駛開發(fā)的快速迭代升級。小馬智行仿真系統(tǒng)測試場景通過兩種方式建立。第一，通過路測獲得所有重要的場景并數(shù)字化處理收入場景庫，后續(xù)所有代碼的改動都會重新測試所有的重要場景。第二，由于現(xiàn)實中場景收集的局限性，仿真系統(tǒng)還可以創(chuàng)造一些場景。AutoX通過自動駕駛車輛與仿真大數(shù)據(jù)云平臺協(xié)同，驅(qū)動自動駕駛落地。AutoX擁有一支RoboTaxi自動駕駛乘用車隊，搭載AutoX硬件系統(tǒng)，每天收集真實世界的海量數(shù)據(jù)。仿真大數(shù)據(jù)云平臺通過對車隊收集的真實世界海量測試運營數(shù)據(jù)進行數(shù)據(jù)加工和壓縮、質(zhì)量監(jiān)督、自動標注、結(jié)構(gòu)化測試，并通過仿真平臺以×1000倍量級對真實路采數(shù)據(jù)進行混合仿真，生產(chǎn)出更大量級、更高難度的虛實混合仿真數(shù)據(jù)。由此，AutoX打造了可拓展、可衡量的分布式仿真平臺，并且支持大規(guī)模手工和自動場景的產(chǎn)生。2.3.4仿真軟件企業(yè)仿真軟件企業(yè)可分為傳統(tǒng)仿真軟件企業(yè)、初創(chuàng)企業(yè)兩大類。傳統(tǒng)仿真軟件企業(yè)由于技術(shù)積累比較深厚，進入自動駕駛仿真具有先天優(yōu)勢，而且合作伙伴較多，二次開發(fā)具有優(yōu)勢。初創(chuàng)企業(yè)由于起步晚，技術(shù)積累較弱，國內(nèi)企業(yè)和國外的差距較大，但依靠雄厚的資金和人才集聚力，創(chuàng)業(yè)公司在自動駕駛仿真軟件研發(fā)方面有望迅速崛起。在全球主流自動駕駛仿真軟件企業(yè)中，美國和德國占據(jù)全球企業(yè)總數(shù)一半以上。通過圖表13可以發(fā)現(xiàn)，在22家仿真軟件企業(yè)中，有8家來自美國，占總數(shù)的36%，顯示了美國在自動駕駛領(lǐng)域的世界領(lǐng)先地位。來自德國有7家占總數(shù)的32%，主要是德國在傳統(tǒng)仿真軟件領(lǐng)域的堅實基礎促進了自動駕駛仿真的發(fā)展。中國有3家自動駕駛仿真軟件初創(chuàng)企業(yè)，但在汽車傳統(tǒng)仿真領(lǐng)域存在短板，在自動駕駛仿真方面積累薄弱，創(chuàng)新性不足。2.3.5高校及科研機構(gòu)高校及科研機構(gòu)主要應用自動駕駛仿真軟件進行前瞻性、基礎性研究，但很難形成成熟的商業(yè)化產(chǎn)品。國內(nèi)從事自動駕駛仿真研究的高校及科研機構(gòu)主要包括：清華大學、同濟大學、北京航空航天大學、吉林大學、天津大學、長安大學、南京航空航天大學、武漢理工大學等。武漢理工大學開發(fā)的仿真測試平臺，可以實現(xiàn)HIL、路徑規(guī)劃及跟蹤測試、高速場景下的高速編隊自動駕駛技術(shù)，并且實現(xiàn)了仿真場景構(gòu)建、自動駕駛傳感器性能及算法評價，為自動駕駛的量產(chǎn)評價提供指導。吉林大學在基于場景的自動駕駛虛擬仿真測試體系方面，應用Panosim仿真平臺實現(xiàn)了車輛及動力學模型、靜態(tài)虛擬場景、動態(tài)虛擬場景、模擬環(huán)境傳感、智能駕駛系統(tǒng)等的仿真，形成了完整的自動駕駛汽車虛擬仿真測試環(huán)境。在國外，西班牙巴塞羅那自治大學、德國國家宇航中心開發(fā)的自動駕駛仿真軟件已經(jīng)得到應用。西班牙巴塞羅那自治大學開發(fā)的CARLA，支持傳感器、環(huán)境狀態(tài)、動靜態(tài)交通參與者、地圖的靈活配置；德國國家宇航中心開發(fā)的自動駕駛仿真開源平臺SUMO，支持微觀連續(xù)交通流仿真，可自動生成道路網(wǎng)絡，也可外接其他交通模擬器，如Vissim。2.3.6智能網(wǎng)聯(lián)測試示范區(qū)智能網(wǎng)聯(lián)測試示范區(qū)建設已形成一定規(guī)模。目前全國有10余家國家級和數(shù)家省級智能網(wǎng)聯(lián)測試示范區(qū)，主要通過對5G、V2X車路協(xié)同、模擬仿真、車聯(lián)網(wǎng)等新技術(shù)的部署和應用，為自動駕駛、網(wǎng)聯(lián)通信供應商等提供系統(tǒng)測試服務，推動汽車、信息通信、道路設施等內(nèi)容的綜合標準體系的建立。為推動智能網(wǎng)聯(lián)汽車的仿真測試工作，已有企業(yè)和智能網(wǎng)聯(lián)示范區(qū)開展了路測與虛擬仿真相結(jié)合的測試。如騰訊已和國家智能網(wǎng)聯(lián)汽車（長沙）測試區(qū)合作，建立了湖南省"智能網(wǎng)聯(lián)汽車仿真實驗室"項目，基于高精度地圖和模擬仿真技術(shù)，對測試區(qū)的地理全貌進行數(shù)字化建模，實現(xiàn)在仿真環(huán)境下進行安全、高效的智能汽車實驗。西門子全球仿真及測試技術(shù)（成都）研發(fā)中心與中德智能網(wǎng)聯(lián)汽車試驗基地合作，將為后者提供仿真測試技術(shù)平臺，助力智能網(wǎng)聯(lián)汽車、車聯(lián)網(wǎng)標準及測試驗證發(fā)展。第三章、自動駕駛仿真測試平臺環(huán)境3.1仿真測試平臺功能需求對自動駕駛算法的開發(fā)來說，測試驗證手段必不可少。引入虛擬仿真平臺進行自動駕駛測試的核心目的，正是為了彌補實車測試的不足，提高自動駕駛汽車測試的安全性并節(jié)省測試時間和成本，快速推動自動駕駛汽車落地。因此，自動駕駛仿真面向的主要客戶是有自動駕駛開發(fā)需求的汽車廠商、算法公司以及各類汽車測試場，從滿足客戶使用的需求來講，自動駕駛仿真測試平臺至少應該具備以下功能。自動駕駛汽車的仿真測試，首先需要模擬構(gòu)建出與真實世界一致的車輛運行場景，而場景的構(gòu)建可以分為靜態(tài)場景構(gòu)建和動態(tài)場景構(gòu)建兩個層面。3.2.2感知系統(tǒng)仿真感知系統(tǒng)的仿真，可以分為三個層次，其一直接仿真?zhèn)鞲衅魇盏降男盘?，例如直接仿真攝像頭檢測到的光學信號，或者雷達超聲波和電磁波信號，這種方法叫做物理信號仿真；其次把傳感器探測的單元拆掉，直接仿真控制電控嵌入式系統(tǒng)中專門的數(shù)字處理芯片的輸入單元，這叫做原始信號仿真；最后一種傳感器目標仿真，傳感器感知和決策如果是分為兩個不同層級的芯片來做，那么可以將傳感器檢測的理想目標直接仿真到?jīng)Q策層算法輸入端。感知系統(tǒng)仿真的對象主要包括攝像頭、毫米波雷達、激光雷達三大類主流車端傳感器。影響感知系統(tǒng)仿真結(jié)果的兩大主要因素，首先是仿真場景重建的真實性，這一點在上一節(jié)虛擬場景構(gòu)建中已經(jīng)提及；另一個因素是各類傳感器模型，在相同的仿真環(huán)境中，傳感器模型越精確，仿真結(jié)果越接近現(xiàn)實。1.攝像頭仿真攝像頭仿真的一般方法是基于環(huán)境物體的幾何空間信息構(gòu)建對象的三維模型，直白一點就是生成逼真的圖像。根據(jù)物體的真實材質(zhì)與紋理，并通過計算機圖形學對三維模型添加顏色與光學屬性等，來模擬實現(xiàn)圖像合成。通常情況下，顏色、光學屬性等元素會基于游戲渲染引擎來得到，百度阿波羅采用Unity3D，騰訊TADSim引入了虛幻引擎UE4。攝像頭仿真通過坐標系轉(zhuǎn)換的方法，將三維空間中的點通過透視關(guān)系變換為圖像上的點。之后，還需要對相機鏡頭的結(jié)構(gòu)與光學特性，內(nèi)部數(shù)據(jù)采集過程進行仿真，例如焦距、畸變、亮度調(diào)節(jié)、Gamma調(diào)節(jié)、白平衡調(diào)節(jié)、色彩空間、景深、高動態(tài)范圍（HDR）色調(diào)的調(diào)整等。攝像頭仿真每一幀的原始數(shù)據(jù)一般可以使用RGB或YUV來表示。如需把仿真結(jié)果通過網(wǎng)絡實時傳給自動駕駛系統(tǒng)，一般可使用H264壓縮成視頻流，減少傳輸帶寬。攝像頭仿真需要障礙物的真值信息，包括位置、朝向、包圍盒、速度和類型等。除了對象檢測，攝像頭的仿真結(jié)果也會被用來訓練其他計算機視覺算法，包括目標跟蹤和語義分割等。2.毫米波雷達仿真毫米波雷達仿真一般會根據(jù)配置的視場角和分辨率信息，向不同方向發(fā)射一系列虛擬連續(xù)調(diào)頻毫米波，并接收目標的反射信號。不同車輛的雷達回波強度可使用微表面模型能量輻射計算方式，由車輛模型以及車輛朝向、材質(zhì)等計算。同一個障礙物會被多個調(diào)頻連續(xù)波探測到。對于毫米波雷達目標級仿真，則可以根據(jù)障礙物的徑向距離、距離分辨率和角度分辨率等信息對同一個障礙物的點進行聚類并返回最終仿真結(jié)果。毫米波雷達仿真一般需要支持更改毫米波雷達安裝位置、角度、探測距離、探測角度、角度和距離分辨率、噪聲參數(shù)等。對于某些兼有長距和中距探測功能的毫米波雷達，仿真時則需要同時支持兩者的參數(shù)設置。3.激光雷達仿真激光雷達仿真的思路是參照真實激光雷達的掃描方式，模擬每一條真實雷達射線的發(fā)射，與場景中所有物體求交。以一個64線、水平分辨率為0.4°、最大探測距離為120米的雷達為例，該雷達每一幀會發(fā)射出57600條射線(64*360/0.4)與場景中所有物體求交，如果求得的交點位于最大探測距離內(nèi)，則為有效點，對于10HZ的雷達來說，每秒需要發(fā)射576000條射線。針對微電子機械系統(tǒng)激光雷達（MEMS），技術(shù)方案原理上與上述方法一致，主要差異是，水平方向掃描不再是360°，而是可以指定掃描的水平角度范圍。激光雷達反射強度和不同物理材質(zhì)對激光雷達所使用的近紅外光線反射率有關(guān)。反射強度受到障礙物距離、激光反射角度以及障礙物本身的物理材質(zhì)影響。仿真時需要給場景資源設置合適的物理材質(zhì)，包括各種道路、人行道、車道線、交通牌、交通燈、汽車、行人等。每一種物理材質(zhì)的激光反射率都不相同，可以使用儀器提前測得每一種物理材質(zhì)的激光反射率，并記錄下來，也可以參照某些真實激光雷達的做法，將最終反射強度歸一化到0~255。3.2.3車輛動力學仿真自動駕駛汽車在仿真測試中，需要借助車輛動力學模型模擬車輛來客觀評價決策及控制算法。因為，復雜的車輛模型，可以保證車輛有良好的仿真精度，使被控制對象的反應更貼近真實世界。車輛動力學模型是基于多體動力學搭建的模型，其中包含了車體、懸架系統(tǒng)、轉(zhuǎn)向系統(tǒng)、制動系統(tǒng)、動力系統(tǒng)、傳動系統(tǒng)、車輛動力學系統(tǒng)、硬件IO接口等多個真實部件的車輛模型。將這些被控對象模型參數(shù)化之后，就可以把真實的線控制動、線控轉(zhuǎn)向系統(tǒng)和智能駕駛系統(tǒng)集成到大系統(tǒng)中共同做仿真測試。當仿真端接收自動駕駛系統(tǒng)控制模塊給出的控制信號，主要包括油門、剎車、方向盤、檔位等，產(chǎn)生更新后的車輛位置和姿態(tài)底盤總線參數(shù)，輸出給自動駕駛的各個模塊，來模擬車輛的整體行為。此外，在測試L2、L3輔助自動駕駛時，也可以接入車輛的各個模塊，例如轉(zhuǎn)向、動力傳動、制動等進行直接的控制。目前，專業(yè)的車輛動力學仿真軟件，有CarSim、CarMaker、VI-Grade、VeDYNA和PanoSim等，仿真平臺可以接入這些成熟的車輛動力學模型進行測試，能獲得比較逼真的控制效果，當然目前有很多仿真平臺也在自行開發(fā)車輛動力學模型。比如，騰訊自動駕駛仿真平臺TADSim支持27自由度的車輛動力學模型，也支持接入CarSim這類業(yè)內(nèi)頂尖的車輛動力學模型進行仿真測試。3.2.4云加速仿真仿真系統(tǒng)在進行仿真任務時需要訪問大量采集或者生成的數(shù)據(jù)，并根據(jù)生成的數(shù)據(jù)利用CPU和GPU資源對數(shù)據(jù)進行再處理并還原，或者對已經(jīng)結(jié)構(gòu)化的數(shù)據(jù)進行GPU渲染再現(xiàn)。這些仿真任務都需要依賴強大的計算和存儲能力。隨著仿真內(nèi)容的增加，單個計算機的性能很快成為了瓶頸，一個計算節(jié)點不可能獨立完成仿真任務。這就需要使用一種機制將仿真任務分配到多個機器上，并且讓所有機器協(xié)同工作，這樣做能夠降低單個機器的性能需求，從而使得大規(guī)模仿真任務得以實現(xiàn)?；谠朴嬎愕姆植际礁拍钫媚軌驇椭詣玉{駛仿真系統(tǒng)達成這樣的目的，分布式計算是隨著互聯(lián)網(wǎng)行業(yè)的快速發(fā)展而產(chǎn)生的。隨著網(wǎng)絡速度的提高，服務器端對數(shù)據(jù)的存儲能力和算力需求逐漸增加，傳統(tǒng)的服務器需要升級硬件滿足需求。集中式的硬件系統(tǒng)成本過高，于是分布式概念應運而生。分布式框架可以將計算和存儲任務進行拆分，讓互相連接的每一臺機器承擔一部分的計算和存儲任務，并在需要的時候進行數(shù)據(jù)的同步和收集，降低單個節(jié)點成本，提供系統(tǒng)整體的計算能力和存儲容量。仿真模擬多建立在對現(xiàn)實世界的模擬之上，需要依賴現(xiàn)實時間的流逝，但隨著硬件性能的提升，在某些模擬任務時，計算機在按照真實時間進行模擬仿真時并沒有消耗其全部的性能。這時如果能夠讓計算機模擬的速度以高于真實時間的速率進行，那么將能夠更好利用硬件優(yōu)勢，并提高模擬效率。在計算和存儲能力允許的情況下，仿真節(jié)點可以按照更高的頻率進行仿真，并在更短的時間內(nèi)完成仿真任務。但是為了保證仿真結(jié)果的一致性，各個仿真節(jié)點的加速程度又必須保持一致。因此為了同時滿足動態(tài)時間和數(shù)據(jù)一致性的需求。仿真系統(tǒng)需要引入虛擬時間用于節(jié)點之間的同步，而非真實時間。虛擬時間的優(yōu)勢在于不依賴真實時間，可快可慢。虛擬時間根據(jù)當前仿真任務的完成情況隨時控制整個系統(tǒng)的運轉(zhuǎn)速度，從而使得每一個節(jié)點在完成任務的同時保證整個系統(tǒng)的數(shù)據(jù)一致性。3.3仿真測試平臺核心功能3.3.1超高還原度的仿真場景自動駕駛仿真技術(shù)是計算機仿真技術(shù)在汽車領(lǐng)域的應用，類似其它通用的仿真平臺，必須盡可能真實的還原現(xiàn)實環(huán)境，結(jié)合自動駕駛汽車的工作原理，還原應該包含三個層面分別是：幾何還原、物理還原以及邏輯還原。1.幾何還原場景的幾何還原，主要是作用于三維場景仿真以及基于三維場景仿真的傳感器仿真。具體來說，幾何還原指的是如何盡可能好的還原出與現(xiàn)實世界各種屬性都一致的三維場景，而且依據(jù)使用需求的不同還原程度以及使用方式可以有相應的差異。比如，如果需要運行結(jié)果比較好的傳感器仿真，則需要非常精確的對三維場景進行幾何還原，同時有著比較好的傳感器仿真模型，才能保證傳感器仿真無限接近現(xiàn)實世界的仿真結(jié)果。如果測試者并不關(guān)注傳感器仿真，而主要是想要對決策控制算法進行仿真測試，那么對于周圍的環(huán)境場景就不需要非常精確的進行幾何還原，但是需要對路面的道路屬性進行比較精確的還原，才能保證汽車控制效果的真實性。2.物理還原在場景的幾何還原的基礎上，仿真測試平臺還需要完成物理還原，讓仿真世界重現(xiàn)真實世界的物理運動規(guī)律。其主要作用是在重建的三維場景基礎上運行自動駕駛的控制算法，以及車輛動力學的仿真，使車輛在仿真環(huán)境下遭受干擾時做出回應以及車輛自身行為產(chǎn)生的后果都和真實世界保持一致。比如直射的陽光會對攝像頭造成干擾，雨雪天氣會延長剎車距離，汽車碰到墻體將無法穿越等，因此物理還原是控制算法必須具備的環(huán)節(jié)，舍此便無法評估自動駕駛決策控制算法的真實效果。3.邏輯還原基于幾何還原和物理還原兩個層面，自動駕駛虛擬仿真平臺還需要完成邏輯還原，邏輯還原的主要作用是真實的生成場景內(nèi)的各種元素的邏輯行為，讓交通流車輛、行人、非機動車等所有交通元素都遵循其在現(xiàn)實世界中的一般運動規(guī)律。邏輯還原主要面向決策規(guī)劃算法的仿真，從邏輯層面為決策規(guī)劃算法的仿真測試自動生成真實度極高的測試場景。3.3.2利用路采數(shù)據(jù)生成交互性強和還原度高的交通場景自動駕駛的仿真測試，需要以大量的路采數(shù)據(jù)為基礎構(gòu)建場景庫，無論是OEM廠商還是科技公司都會組建車隊去采集大量的道路數(shù)據(jù)。這些數(shù)據(jù)有很多種利用方式，最簡單、直白的使用方式是回放式仿真，將采集回來的數(shù)據(jù)直接回放一遍，評價自動駕駛算法是否能順利通過這些場景。純回放式的仿真只能滿足開環(huán)仿真的使用需求，因為其中所有場景元素的行為都是固定的，當自動駕駛算法發(fā)生改變，導致主車行為發(fā)生變化之后，場景元素不會因為主車行為的改變而做出相應的反應，這時路采數(shù)據(jù)就無法繼續(xù)使用了。如果每測試一個場景都需要重新采集數(shù)據(jù)，那依然會耗費大量的時間和人力成本，自動駕駛仿真平臺的實際價值也就會被大大削弱。因此以更高效的方式利用路采數(shù)據(jù)，智能化、自動化的生成還原度高、交互性強的交通場景，快速構(gòu)建場景庫，也是行業(yè)對自動駕駛仿真測試平臺的功能要求之一。3.3.3云端大規(guī)模并行加速，提升仿真測試效率幾何、物理、邏輯三個層面的還原，再加上自動化生成場景的能力，構(gòu)建了自動駕駛仿真系統(tǒng)的基本屬性，可以很便捷又低成本的完成自動駕駛感知、決策規(guī)劃、控制算法的閉環(huán)仿真。但是自動駕駛汽車是由算法在操控，為了證明一套算法的完備性，至少需要對數(shù)十萬測試場景進行回歸測試，依靠本地測試逐個運行數(shù)量如此龐大的測試場景，并不能在根本上解決自動駕駛測試的效率問題，因此云端高并發(fā)運行測試場景，是自動駕駛仿真軟件的核心競爭力之一。以分布式架構(gòu)為顯著特征的云計算技術(shù)飛速發(fā)展，為自動駕駛大規(guī)模云端仿真測試提供了支撐，行業(yè)產(chǎn)生了更多高效的云端測試方法。騰訊自動駕駛仿真平臺TADSim探索出了一種城市型云仿真與場景型云仿真結(jié)合使用的測試方法，比較具有代表性。在TADSim中加載一個城市級別的高精度地圖，在其中部署大量自動駕駛主車以及交通流元素，進行7×24小時的高并發(fā)測試，迅速找出自動駕駛算法處理不好的場景，并將場景截取下來保存到場景庫，之后通過場景型云仿真測試完善算法，讓算法在仿真城市中更加游刃有余，兩種仿真模式相結(jié)合可以使測試效率提升數(shù)倍。第四章、場景庫體系建立與開放4.1自動駕駛測試場景庫體系的搭建自動駕駛測試場景庫是智能網(wǎng)聯(lián)汽車研發(fā)與測試的基礎數(shù)據(jù)資源，是評價智能網(wǎng)聯(lián)汽車功能安全的重要數(shù)據(jù)庫，是定義自動駕駛汽車等級的關(guān)鍵數(shù)據(jù)依據(jù)。自動駕駛測試場景數(shù)據(jù)庫主要通過虛擬仿真環(huán)境及工具鏈進行復現(xiàn)，建設虛擬場景數(shù)據(jù)庫是連接場景數(shù)據(jù)與場景應用的關(guān)鍵橋梁。由于基于里程的自動駕駛汽車測試存在時間長、成本高、效率低等問題，形成目前以場景測試為主的自動駕駛測試技術(shù)路線。隨著人工智能技術(shù)的發(fā)展，更高級別的自動駕駛汽車成為可能，對測試場景也提出了更多要求。從ADAS只需滿足特定場景下的功能要求，到有限條件的自動駕駛（L3）系統(tǒng)、高度自動駕駛（L4）、完全自動駕駛（L5）系統(tǒng)等需要滿足各類場景的功能要求，導致自動駕駛汽車測試與驗證的場景數(shù)量呈幾何級增加?？傊u價自動駕駛系統(tǒng)算法最重要的標準就是測試其是否能夠處理足夠多的場景，自動駕駛系統(tǒng)能處理的場景覆蓋范圍越大，自動駕駛汽車可行駛的邊界就越廣泛。4.2道路測試到場景轉(zhuǎn)化目前世界上道路測試及仿真測試最領(lǐng)先的企業(yè)非Waymo莫屬，其道路測試和仿真測試里程數(shù)均遙遙領(lǐng)先于競爭對手。截止2020年初，Waymo自動駕駛公開道路測試里程達到2000萬英里，其中2019年就完成了1000萬英里。截止2020年5月，Carcraft仿真系統(tǒng)仿真里程總數(shù)已經(jīng)達到了150億英里。目前Waymo已在美國各城市部署了約1000輛汽車，并計劃在未來一兩年再增加數(shù)萬輛。Waymo基于道路測試實現(xiàn)仿真場景的搭建。Waymo通過在公共道路和封閉測試場地Castle進行道路測試，積累成千上萬的場景數(shù)據(jù)，然后創(chuàng)建成虛擬的數(shù)字場景。在虛擬場景中，可以通過修改參數(shù)生產(chǎn)更多的場景，讓虛擬汽車在每一個場景中進行學習。以四向停車點為例，Carcraft可以生成800個場景。道路測試轉(zhuǎn)化成仿真測試場景，需要經(jīng)歷四個步驟：場景理解、特征提取、場景聚類、場景生成。場景理解。目前場景采集主要以視覺感知為主，場景理解就是要將采集的圖像的像素點進行歸類，然后進行目標檢測、區(qū)域標注、3D重建。隨著機器學習技術(shù)的發(fā)展，基于機器學習的場景理解可以實現(xiàn)特征表示、模型學習、推理算法、理解評價等，基于機器學習的場景是未來發(fā)展方向。特征提取。在場景理解的基礎上，對場景中的動態(tài)、靜態(tài)元素進行特征提取，然后進行參數(shù)化描述。如果需要挖掘自然駕駛場景、危險場景等，可以梳理對應場景的特征元素及特征量，從原始交通場景進行數(shù)據(jù)挖掘可以獲取相應的場景數(shù)據(jù)。場景聚類。通過場景理解、特征提取后就可以形成大量的場景數(shù)據(jù)，如果不進行歸類處理，場景將處于雜亂無章的狀態(tài)。這時候需要對場景進行分類和聚類，讓具備相同特征信息的場景進行聚類，反之進行分類，這樣可以提高場景的測試效率，方便場景庫的管理。場景生成。道路測試覆蓋的場景很有限，難以覆蓋所有場景。根據(jù)道路采集數(shù)據(jù)進行場景復現(xiàn)，可以使場景重現(xiàn)真實交通中的自然駕駛場景及危險工況場景。為了提高場景覆蓋率，可以根據(jù)場景元素的分類和特征，分析不同元素對自動駕駛車輛的影響，基于元素的關(guān)聯(lián)關(guān)系或人工經(jīng)驗對場景進行重新組合，可以生產(chǎn)新的場景。需要注意的是，在此過程中需要通過推演歸納進行嚴謹?shù)脑亟M合，盡量使場景的覆蓋率最大化。4.3國內(nèi)典型場景庫國內(nèi)目前有中汽數(shù)據(jù)有限公司、中國汽車工程研究院股份有限公司、騰訊、百度等公司建立了自己的場景庫。4.3.1中汽數(shù)據(jù)有限公司-場景案例庫中汽數(shù)據(jù)有限公司已初步建成覆蓋自然駕駛及標準法規(guī)的仿真測試場景庫。在自然駕駛仿真場景方面，截止2018年底，中汽數(shù)據(jù)有限公司已采集超過32萬公里自然駕駛里程數(shù)據(jù)，地域覆蓋北京、天津、上海等重點城市，工況覆蓋高速、城市、鄉(xiāng)村、停車場等重點領(lǐng)域，環(huán)境覆蓋晴天、雨天、雪天、霧霾等多種天氣，范圍覆蓋典型場景、邊角場景、事故場景等多種類型。在標準法規(guī)仿真場景方面，中汽數(shù)據(jù)已基于ISO、NHTSA、ENCAP、CNCAP等多項標準、評價規(guī)程構(gòu)建了20余種標準仿真測試場景，支持AEB、ACC、LKA、APA等多種自動駕駛功能的仿真驗證，同時貫通了標準場景的自動化測試流程?；诤w多線激光雷達、帶融合算法的固態(tài)激光雷達、毫米波雷達、視覺感知傳感器和GPS慣導系統(tǒng)的高精度場景數(shù)據(jù)采集平臺，采集積累了國內(nèi)數(shù)據(jù)量最大的場景數(shù)據(jù)，采集范圍涵蓋全國大部分地區(qū)、各種道路類型。通過場景數(shù)據(jù)的分類、標注、統(tǒng)計分析和重構(gòu)等理論方法及數(shù)據(jù)處理，建設形成了全國范圍覆蓋26種自動駕駛功能的場景庫。中汽數(shù)據(jù)基于多年的標準制定、國際合作和企業(yè)項目經(jīng)驗，建設了一整套場景數(shù)據(jù)采集、場景分類、數(shù)據(jù)標注、統(tǒng)計分析、場景重構(gòu)、大數(shù)據(jù)管理體系，并開發(fā)了國內(nèi)一套較為成熟的場景工具鏈。中汽數(shù)據(jù)結(jié)合多源異構(gòu)的駕駛場景大數(shù)據(jù)，涵蓋實車采集的全國多個省市高速公路、城市、鄉(xiāng)村、停車場等駕駛場景，來支撐自動駕駛汽車的仿真開發(fā)與測試工作。同時，作為C-ASAM工作組組長單位以及OpenSCENARIO1.x項目全球負責人，當前采集體系及相應場景數(shù)據(jù)均按照OSC格式數(shù)據(jù)及相應地圖數(shù)據(jù)，完成全面的體系建設，形成一套由采集數(shù)據(jù)至仿真數(shù)據(jù)的完整場景體系。基于以上等數(shù)據(jù)來源，中汽數(shù)據(jù)結(jié)合多源異構(gòu)的駕駛場景大數(shù)據(jù)，涵蓋實車采集的全國多個省市高速公路、城市、鄉(xiāng)村、停車場等駕駛場景，來支撐自動駕駛汽車的仿真開發(fā)與測試工作。目前，中汽數(shù)據(jù)具備自主化的仿真云平臺軟件工具、全流程的X-In-The-Loop在環(huán)仿真平臺集成技術(shù)及百萬量級的高級別自動駕駛仿真場景庫，以數(shù)據(jù)為核心的數(shù)據(jù)軟件化、軟件知識化、知識平臺化，構(gòu)建完整的從數(shù)據(jù)到仿真應用工具鏈。4.3.2中國汽車工程研究院股份有限公司-“中國典型場景庫V2.0”2019年10月11日，中國汽車工程研究院股份有限公司（以下簡稱“中國汽研”）發(fā)布了“中國典型場景庫V2.0”?！爸袊湫蛨鼍皫霽2.0”，包括數(shù)百例標準法規(guī)場景、3000例經(jīng)驗式場景、5萬例功能場景、150例事故場景，同時附有詳細的場景庫構(gòu)建方法技術(shù)文檔，目前對外免費公開30例場景文件?！爸袊湫蛨鼍皫霽2.0”是參考德國PEGASUS項目的場景分類體系及ASAM推出的OpenDRIVE和OpenSCENARIO仿真格式，構(gòu)建的具備中國駕駛場景特征的虛擬仿真場景?！爸袊湫蛨鼍皫霽2.0”總體方案，包括場景數(shù)據(jù)采集、場景分類提取、場景統(tǒng)計分析、虛擬場景轉(zhuǎn)換生成等，可應用于MIL、SIL、HIL等虛擬仿真系統(tǒng)的測試?！爸袊湫蛨鼍皫霽2.0”數(shù)據(jù)來源主要包括標準法規(guī)、交通事故、人工經(jīng)驗以及自然駕駛數(shù)據(jù)四大數(shù)據(jù)源，與中汽數(shù)據(jù)有限公司的場景庫劃分標準總體類似，但是中國汽研的人工經(jīng)驗數(shù)據(jù)與中汽數(shù)據(jù)有限公司的參數(shù)重組測試場景有所區(qū)別?！爸袊湫蛨鼍皫霽2.0”四大數(shù)據(jù)源介紹：標準法規(guī)場景全面覆蓋五大ADAS及部分L3級自動駕駛功能的標準法規(guī)，包括：GB/T26773-2011、GB/T33577-2017、GB/T33577-2017、GB/T20608、JT/T1242-2019、JT/T883-2014、ISO15623-2013、ISO15622、ISO17361、ECER130、ECE131、Euro-NCAP、C-IASI、i-VISTA等。經(jīng)驗式場景主要依靠中國汽研雄厚的ADAS實測經(jīng)驗及數(shù)據(jù)，總結(jié)ADAS實測失效場景，并基于測試專家經(jīng)驗人工添加特殊場景，形成針對各項ADAS及自動駕駛功能的虛擬測試場景。交通事故場景通過對中國宏觀交通事故數(shù)據(jù)分析以及深入事故調(diào)查數(shù)據(jù)分析，提出符合中國事故的分類?；谑鹿蕯?shù)據(jù)統(tǒng)計得到各類事故類型、發(fā)生頻率、傷亡情況、道路交通情況等比例信息，選取等比例事故，進行深入事故再現(xiàn)，提取車輛運動狀態(tài)、運動軌跡、道路環(huán)境等信息，以GIDAS/XML等格式存儲，形成事故場景庫，應用于自動駕駛功能的虛擬仿真測試。自然駕駛場景的建立是通過大規(guī)模中國道路自然駕駛數(shù)據(jù)的采集，提取各類型典型場景，進行場景參數(shù)標注及統(tǒng)計分析，形成邏輯場景。而后基于邏輯場景的參數(shù)分布，大規(guī)模生成具體場景參數(shù)，并以通用場景格式存儲，形成數(shù)萬級的虛擬場景文件。2019年11月25日，在第四屆i-VISTA智能網(wǎng)聯(lián)汽車國際研討會上，中國汽研發(fā)布了中國駕駛場景特征的虛擬仿真場景庫（i-Scenario）。該場景庫可適配主流虛擬仿真平臺，解決了不同平臺虛擬場景兼容問題。4.3.3騰訊TADSim場景庫TADSim根據(jù)自動駕駛測試需要，提供結(jié)構(gòu)化\非結(jié)構(gòu)化、靜態(tài)\動態(tài)、危險、極限、復雜場景集，并考慮中國特有的典型交通場景和國內(nèi)法規(guī)標準要求，提供算法功能和性能的測試場景。自2018年以來，騰訊自動駕駛已經(jīng)積累了超過50萬公里交通場景數(shù)據(jù)。TADSim數(shù)據(jù)集涵蓋車輛避撞能力、交通合規(guī)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。目前場景庫包括1000種場景類型，可以泛化生成萬倍以上規(guī)模的豐富場景。4.3.4百度-Apollo場景庫百度測試場景庫包含典型的日常行駛場景、高碰撞風險場景、法律法規(guī)場景等，同時也包含已經(jīng)形成行業(yè)標準的場景。目前百度測試場景庫已累積數(shù)百萬個場景，而且仍不斷在增長。運行一輪測試場景庫，相當于百萬公里的實際道路測試。百度Apollo仿真場景分為Logsim和Worldsim。Logsim是由路測數(shù)據(jù)提取的場景，提供復雜多變的障礙物行為和交通狀況，使場景充滿不確定性。Worldsim是基于路測數(shù)據(jù)自動化場景挖掘手段進行逆向補充，由人為預設的障礙物行為和交通燈狀態(tài)構(gòu)成的場景，可簡單高效的測試自動駕駛車輛。隨著道路測試數(shù)據(jù)的積累，Worldsim場景庫的覆蓋度將變得越來越高。4.4共建自動駕駛場景庫場景庫建設處于各自為戰(zhàn)的狀態(tài)。目前在自動駕駛仿真場景庫建設方面，企業(yè)都投入大量資金與人才建立自己的場景庫。由于廠商之間缺乏有效合作，場景數(shù)據(jù)格式不一致，很難形成全國統(tǒng)一的場景庫。場景庫不統(tǒng)一也導致了自動駕駛仿真測試評價、認證體系很難建立，阻礙了我國自動駕駛汽車的發(fā)展?？紤]到上述困境，如果能采用統(tǒng)一數(shù)據(jù)格式標準，不同廠商共同建設場景庫，形成通用的、可移植的場景庫是理想的選擇。由于國內(nèi)尚無統(tǒng)一的場景庫格式標準，各大科技巨頭雖有能力建設場景庫，但出于保護自身核心場景庫技術(shù)，不愿投入精力共同建設場景庫。而場景庫數(shù)據(jù)格式標準不統(tǒng)一是共建場景庫最大的障礙，其背后的主要原因包括：第一，場景庫數(shù)據(jù)格式標準制定涉及工信部、公安部、交通部，缺乏標準牽頭制定單位，各部委關(guān)于數(shù)據(jù)格式的定義及適用范圍管轄范圍不一致，而且缺乏有效協(xié)調(diào)機制，導致標準制定落后于市場進展。第二，由于國家尚未出臺統(tǒng)一的智能網(wǎng)聯(lián)汽車測試基地技術(shù)認定標準以及汽車測試評價標準，各地智能網(wǎng)聯(lián)汽車測試基地具有不同的場地設施、不同場景、不同檢測流程和辦法、不同測試能力，導致各測試基地測試標準和測試結(jié)果不能互認共享。第三，車廠在傳統(tǒng)動力學仿真方面習慣使用傳統(tǒng)仿真軟件，科技公司在仿真軟件研發(fā)方面主要依賴自主創(chuàng)新，仿真軟件應用基礎及習慣的不同導致目前在場景庫數(shù)據(jù)格式標準制定方面要得到科技公司和車廠的一致認可難度較大。第五章、自動駕駛測試評價體系現(xiàn)實世界的汽車在駕駛過程中會遇到各種駕駛情景，人類經(jīng)過不斷學習與積累，可以很快掌握應對不同駕駛情景的能力，驗證人類是否具備這種能力的方法是駕照考試。同樣，自動駕駛汽車商用前也需要通過一系列方法評價其“駕駛能力”，如駕駛安全性及舒適性、駕駛協(xié)調(diào)性等。由于時間和成本的限制，自動駕駛車輛無法進行充分的道路測試，因此當前普遍共識是基于虛擬仿真的測試評價，充分驗證自動駕駛汽車在自然駕駛場景、標準法規(guī)測試場景、危險工況場景、參數(shù)重組場景下的表現(xiàn)。利用仿真環(huán)境的真實性、可復現(xiàn)性、交互性、無限性、自動化等特點，自動駕駛系統(tǒng)可以得到客觀的測試評價。5.1自動駕駛測試評價方法仿真測試本身性能是自動駕駛測試評價的基礎?；趫鼍暗奶摂M仿真是目前自動駕駛仿真的主要路線，因此場景覆蓋率、場景真實度是仿真測試的核心，只有全面覆蓋自然駕駛場景、標準法規(guī)場景、危險工況場景及參數(shù)重組場景，才能真正驗證自動駕駛車輛的性能表現(xiàn)。真實性是評價虛擬場景與現(xiàn)實世界場景的仿真還原度、是實現(xiàn)高精度傳感器仿真的基礎。仿真效率體現(xiàn)的是虛擬車輛在仿真平臺每日仿真里程數(shù)及重點場景的覆蓋率，如極端、危險場景等，以及云平臺帶來的加速仿真和高并發(fā)仿真優(yōu)勢，仿真效率是驗證自動駕駛系統(tǒng)安全性的最關(guān)鍵指標。云仿真體現(xiàn)的是眾多自動駕駛車輛互相之間以及自動駕駛汽車與城市不同道路、設施、不同環(huán)境的交互，是提升自動駕駛車輛應對復雜城市環(huán)境的最終考驗。駕駛性能是評價自動駕駛車輛的核心。駕駛性能體現(xiàn)了自動駕駛車輛的安全性、高效性、舒適性，其中最核心的是安全性。安全性又可分為自動駕駛模塊和自動駕駛基礎功能。自動駕駛模塊指汽車自身硬件和軟件的安全性，自動駕駛基礎功能是汽車面對復雜交通和環(huán)境時的應對能力。由于自動駕駛汽車可能會遇到預期內(nèi)或預期外的駕駛情景，駕駛的安全是目前自動駕駛仿真關(guān)注的重點。駕駛高效性指自動駕駛汽車從始發(fā)地出發(fā)前往目的地的路徑規(guī)劃能力，體現(xiàn)為到達目的地的準點率。駕駛舒適性主要考慮行駛過程中汽車平順性、駕駛員體感判定及心理感受，平順性體現(xiàn)汽車油門、剎車及轉(zhuǎn)向過程中的駕乘平穩(wěn)性，體感判定是通過駕駛員在環(huán)判斷汽車橫擺角、頓挫感等，心理感受包括心理安全感及遲鈍感主觀感受等。交通協(xié)調(diào)性是評價自動駕駛車輛與外部環(huán)境交互的結(jié)果。由于自動駕駛車輛在行駛過程中會和其他機動車（有可能是自動駕駛車輛）、非機動車、行人等其他交通參與者進行交互，通過判斷其他交通參與者的意圖而做出規(guī)劃和決策。人類駕駛員可以很快判斷其他交通參與者的行為做出駕駛決策，但自動駕駛汽車目前主要是通過感知周邊環(huán)境做出保守型決策，最終目的是保證車輛的安全性，但從整個交通參與者或全局視角評價，自動駕駛汽車的決策不一定是合理的。例如人類駕駛員發(fā)現(xiàn)前方車輛行駛較慢，而左側(cè)車道無車時，一般會選擇變道超車。而如果是自動駕駛汽車出于安全考慮，會選擇一直保持安全車距跟車行駛，從而會影響后面車輛的行駛效率。綜合評價，從安全性和舒適性方面看，自動駕駛汽車的決策是合理的，但是從交通協(xié)調(diào)性方面看，并不是最佳選擇。目前，在仿真平臺內(nèi)，對交通協(xié)調(diào)性表現(xiàn)的合理與否是很難進行評價的，只能從外部交通參與者或全局角度進行評價。未來，隨著機器學習技術(shù)的進步，以及車路協(xié)同體系的建立，自動駕駛汽車的交通協(xié)調(diào)性將表現(xiàn)更好，評價更方便。標準匹配性是評價自動駕駛車輛在標準測試場景下的表現(xiàn)。目前國內(nèi)外已形成了比較完善的ADAS功能測試標準和方法，如ACC、AEB、FCW、LDW、LKA、BSD等，功能測試標準的建立使得自動駕駛有了可依據(jù)的評價標準，使評價體系更加規(guī)范。學習進化性是檢驗自動駕駛汽車智能化的標準。自動駕駛車輛在行駛過程中遇到障礙物時會剎車，但是如果通過機器學習，準確識別障礙物以后，在確認安全性的前提下就不會再次急剎車，而是會直接通過或者避讓，這是自動駕駛車輛通過重現(xiàn)障礙物學習獲得的知識。在場景識別方面，我們知道由于場景庫改變某些參數(shù)的條件下，