诞生数十年，自动驾驶技术为何迟迟无法落地？其重要阻碍因素之一是安全问题。

为此，各企业纷纷开展实际路测工作，确保自动驾驶系统的安全性。但实际路测的时间和资金成本都非常高，自动驾驶仿真测试的重要性由此凸显。

在第六届国际智能网联汽车技术年会（CICV）期间，《中国自动驾驶仿真技术研究报告（2019）》发布，该报告由当家移动绿色互联网技术集团有限公司（51VR）发起，与清华大学苏州汽车研究院、广汽研究院智能网联技术研发中心、中国汽车技术研究中心智能汽车研究室暨汽车软件测评中心、江苏省智能网联汽车创新中心、北京智能车联产业创新中心、奇点汽车联合发布。

亿欧汽车现场了解到，这是中国首部自动驾驶仿真蓝皮书（后文简称蓝皮书），介绍了中国自动驾驶仿真测试发展现状，包括仿真测试市场需求分析、方法应用、搭建技术方案、软件现状、虚拟场景数据库、示范区测试方法介绍、标准介绍、挑战及发展趋势等方面。

北汽集团研究总院副院长兼新技术研究院院长孔凡忠、广汽研究院智能驾驶技术部部长郭继舜、奇点汽车美国研究与创新中心首席科学家兼美国公司总裁黄浴等来自主机厂的专家，都参与了蓝皮书的编写工作。

对此，郭继舜向亿欧汽车表示，随着自动驾驶技术的不断进阶，仿真测试变得越来越不可或缺，“在广汽，以前虚拟仿真平台只是起到一种补充实车测试的作用，在整体测试中占比60%，但在L3/4级自动驾驶研发过程中，仿真测试的比重预计会达到80%以上。”

而作为该蓝皮书的编委会主席，清华大学苏州汽车研究院院长成波表示，国内自动驾驶仿真行业尚处于起步阶段，但正在打破国外仿真软件长期垄断的状况，此次蓝皮书的发布正是对中国原创仿真软件崛起的一个阶段性总结。

“过去中国企业都在用国外的仿真系统，几乎没有培育出自己的软件体系。”51VR CEO李熠称，“但与国外注重单点仿真的特性相比，51VR立足L3/4级自动驾驶，强调全系统的仿真。”

“仿”的是什么？

目前业内普遍认为，通过搭载先进的车载传感器、控制器和数据处理器、执行机构等装置，同时借助车联网、5G和V2X等现代移动通信与网络技术实现交通参与物彼此间信息的互换与共享，自动驾驶汽车具备在复杂行驶环境下的传感感知、决策规划、控制执行等功能。

因此，一个完整的自动驾驶仿真平台，需要包括静态场景还原、动态案例仿真、传感器仿真、车辆动力学仿真、并行加速计算等功能，并能够较为容易的接入自动驾驶感知和决策控制系统，形成闭环，达到持续迭代和优化的状态。

拟真环境仿真：多种构建方案，如采集实际环境信息及已有的高精度地图构建静态场景，通过采集激光点云数据，建立高精度地图，构建环境模型，并通过自动化工具链完成厘米级道路还原。

动态场景仿真：多种构建方案，如采集实际道路上的海量数据，经过算法抽取，结合已有的高精地图，重建动态场景。

天气和气候仿真：在仿真环境里，设置不同天气，并调节天气参数，比如太阳高度角，雾的浓度，雨滴的大小等，模拟出极端天气，训练无人车应对这些情况，然后将训练好的数据模型运用于真实驾驶过程中。

传感器仿真：包括物理信号、原始信号、传感器目标三个层级的仿真，仿真对象为Lidar（激光雷达）、视觉（摄像头）、雷达、辅助传感器等系统。

车辆动力学仿真：传统商业仿真软件在该领域已非常成熟，包括车体模型参数化，轮胎模型参数化，制动系统模型参数化，转向系统模型参数化，动力系统模型参数化，传动系统模型参数化，空气动力学模型参数化，硬件IO接口模型参数化，根据实际测试车辆的动力学配置合适参数。

如何验证与评估？

蓝皮书认为，对自动驾驶仿真测试的验证与精度评估，主要是对存在于此架构内各个模块的评估和对整体框架的再评估。这包括：

拟真环境仿真验证：通过采集激光点云数据，建立高精度地图。其数据精度主要通过组合导航数据解算精度、点云数据生成精度、数据采集精度等来保证。

动态场景仿真验证：如果仿真源数据来自实际路采真实数据，就通过比较算法抽取重建的动态场景与原始采样数据是否具有高一致性，来判断精度；如果是智能体行为或随机交通流，验证更多是从主观感受出发，与现实行为越接近越好。

天气和气候仿真验证：验证手段尽可能与现实接近。

传感器仿真验证：在某些情况下，仿真场景需要真实的反映出环境的物理材质，比如摩擦力系数，空气阻力，而对感知算法的研发，要求仿真环境达到照片级的渲染效果，同时尽可能地物理逼真。

车辆动力学仿真验证：建立贴合实际的汽车动力学仿真模型，主要包括前悬挂模型，后悬挂模型，转向系模型和轮胎模型等，可利用目标车的实车平顺性和操纵稳定性试验数据对建立的汽车模型进行验证。

涵盖所有模块的自动驾驶仿真平台：其验证主要在架构的稳定性和性能方面。借助传统的软件测试方法，结合黑盒测试和白盒测试，静态代码分析和动态测试，从软件开发早期的需求设计测试，开发过程中的单元测试，集成测试，系统测试，到收尾阶段的验收测试，回归测试，以及发布时的Alpha测试，Beta测试，制定完善的测试计划，保证整个仿真平台的功能稳定，性能达到要求。

如何评价？

如图所示，在算法接入仿真平台后，起到测试目的的关键部分是交通场景的仿真，即系统预期运行环境的条件模型。环境条件通常概述于“场景”中，包括但不限于道路属性（车道数、坡度、出口、路障、道路条件等）、交通属性（其他交通参与者的数量和速度、其他驾驶员的可能模型）和总体环境条件（能见度、天气条件等）。这些条件模型的组合形态既包括实际交通中经常出现的“标准工况”，也包括对于安全性评价，导致事故的“危险工况”，以及两者相结合的“复杂交通流”，不管哪种模型，测试场景标准化都尤为关键。

而在标准化交通场景确定后，自动驾驶算法接入仿真平台开始测试，我们可以记录下自动驾驶车辆从起点出发之后所有的细微表现，如是否闯红灯，压实线，是否发生碰撞，是否到达终点，甚至全程的油门，刹车，转向状态都会被记录下来。自动驾驶的测试评价就源于这些原子结果和车辆状态。

面临哪些挑战？

在政策层面，虽然我国已发布《智能网联汽车自动驾驶功能测试规范（试行）》，但其中的测试场景有限，测试方法的标准化与仿真虚拟测试应用方面较为薄弱，用于测试的场景库也在建立与完善中，并未形成一套完整的测试评价体系。此外，针对自动驾驶同一项功能，其使用的测试场景并没有唯一的定义。

在系统仿真软件层面，其拥有固有弱点，如无法测定某种特定天气下某条道路上的摩擦系数，就无法正确计算车辆的动力学响应。

与国外企业相比，国内企业缺少与本地仿真服务企业共同发展的思维与探索精神，在仿真商业化的过程中，国外软件因为具有品牌认知的优势，相对容易被国内厂商信赖。但由于国外软件在国内定制化与本地化服务上的投入制约，一定程度上会削弱依赖国外软件的国内企业在科技自主发展的速度和灵活性。

对此，蓝皮书指出，在仿真软件与虚拟测试层面，我国应建立超大规模虚拟场景和海量虚拟案例库，同时使各类型传感器正确感知真实世界的物理特性，并采用统一的数据格式对静态场景与动态案例进行通用性描述，最后提高算法迭代与测试的效率。

附：《中国自动驾驶仿真技术研究报告（2019）》