自动驾驶仿真：回归理性与加速未来

仿真照进

现实

/ 基于场景的虚拟仿真及大模型共享

是未来自动驾驶测试的必由途径

还在持续中的2023 上海车展：除了宝马 MINI 冰淇淋事件，显然，看点还有很多。

和前两年不同的是，今年上海车展对自动驾驶的态度似乎更加开放。

百度Apollo推出城市域领航辅助驾驶Apollo City Driving Max、行泊一体Apollo Highway Driving Pro、自主泊车Apollo Parking，覆盖低、中、高组合的全系列智驾产品。

华为ADS 1.0已实现基于Transformer的BEV架构，而华为ADS 2.0进一步升级，基于道路拓扑推理网络进一步增强，即使无高精地图也能看懂路，红绿灯等各种道路元素，使得无图也能开。

腾讯召开了“2023 TIME DAY·腾讯智慧出行技术开放日”。面向城市级智能驾驶场景，腾讯推出了HD Air轻量级高精数据产品。形态更轻，更新更快，要素更细。

觉非科技基于BEV的数据闭环融合智能驾驶解决方案正式发布。基于Transformer的BEV智驾大模型是产业全新的感知范式，为自动驾驶在融合感知、跟踪预测和规划控制等技术的发展带来了更大的拓展空间。

从全栈自研转向全栈可控成为新趋势，未来通用人工智能基于多模态的基模型可以做视觉的感知，语言的理解、内容的生成和决策的推理。智能汽车被认为是实现AI大模型闭环的理想场景，而这其中，自动驾驶数据仿真测试在加速未来中又发挥着怎样重要的作用呢？

通过云平台的海量数据仿真，结合感知数据共享化，将智能网联车端、路端仿真测试技术体系及全栈解决方案上升到大模型阶段，实现大模型闭环融合，形成更好的数据驱动。

1、产业背景

根据行业专家的估算，一款自动驾驶汽车，至少需要上亿英里的完整测试里程，消耗大约500年的驾驶时间，才能证明自动驾驶车辆的故障率低于人类驾驶员的故障率进而落地应用。尽管实车道路测试是最可靠、最准确的测试方法，但由于时间和金钱成本过高，无法满足技术研究快速发展的需求。此外，自动驾驶道路测试在交通法规、极端场景、全球产业链等方面面临较多的局限性。

在保证可靠性的前提下，大幅降低模拟路测时间和成本的方法就是——自动驾驶仿真测试，它可以将模型迭代效率提升2000倍！

随着ADAS和自动驾驶系统的功能开发及SOTIF预期功能开发周期日益缩短，车企竞速中新车型的推出离不开大量的测试。其中，仿真测试已被国内外车企广泛采用，理想状态下， 自动驾驶算法测试约80%～90% 通过仿真平台完成，9%～20% 在测试场完成，1% 通过实际路测完成。

自动驾驶仿真测试平台必须要具备几种核心能力：真实还原测试场景、高效利用车端-路采数据生成仿真场景、云端大规模并行加速等，使得仿真测试满足自动驾驶感知、决策规划和控制全栈算法的闭环。目前包括科技公司、车企、自动驾驶方案解决商、仿真软件企业、高校及科研机构等主体都在积极投身虚拟仿真平台的建设。

自动驾驶的核心痛点之一就是成本，仿真测试能把大量自动驾驶开发和测试的成本转化为GPU的物料成本和工程师的知识经验成本，进而大大缓解该痛点。

2、市场空间

自动驾驶汽车要在行驶过程中识别道路上的行人、车辆、红绿灯、建筑物、树木等物体，还要在下雨、大风等恶劣天气中安全行驶，非常考验其感知能力。而想要处理好这些情况，就需要将其置于搭建出来的相对真实的驾驶场景中，来测试与验证汽车功能的完整性、安全性，让自动驾驶汽车不断学习相关处理能力。

开发汽车智能驾驶系统，要经历XiL仿真测试，再到封闭道路场地测试，最后到公共道路大规模道路测试，所以仿真技术对智能汽车的设计、研发及制造意义重大。

据盖世汽车数据，2021年中国智能网联汽车仿真测试工具及平台的市场规模约为10 亿元，预计到2025年将增至60亿元，2030年将进一步超过250亿元。

据相关分析数据显示，2022 年上半年，国内ADAS 新车上险量约为416.4 万辆，渗透率超45%。预计到2025年，中国乘用车L1-L2级ADAS渗透率将达65%。

3、场景

一个良性的自动驾驶仿真体系是一个标准的系统工程，它包括广义上的场景、系统以及评价三个主要模块，贯穿自动驾驶的开发、测试、落地以及运营等整个流程。

场景是自动驾驶测试系统中相当重要的一环，测试场景的多样性、覆盖性、典型性等能够影响到测试结果的准确性，从而保证自动驾驶的安全与质量。

场景，指的是行驶场合和驾驶情景的组合，它受行驶环境的深刻影响，如道路、交通、天气、光照等因素，共同构成整个场景概念。场景是在一定时间和空间范围内环境与驾驶行为的综合反映，描述了道路、交通设施、气象条件、交通参与物等外部状态以及自车的驾驶任务和状态等信息。从场景架构来看，有不同的行驶场合，像高速公路、乡村道路、城市工况、机场、码头、封闭园区等；在该场合下，如何驾驶、驾驶任务、驾驶速度、驾驶模式等一起构成了整个场景的三维架构。

场景之所以有此地位，本质是因为其是对自动驾驶相关数据的一种价值提炼，是发挥数据价值的必须且高效的途径之一。基于场景的测试方法可以弥补基于里程的测试方法的局限性，在提高系统开发效率、产品落地效率方面都有重要作用。

IAE智行众维“水木灵境”场景工场，基于国内外智能网联汽车行业的相关标准、真实道路和交通行为特征打造，以人工智能和数字孪生为底层技术，以跨平台和大数据驱动为原则，开发并形成场景数据采集、处理、分析和批量化生产的全流程及自动化工具链，实现仿真场景的大规模、高质量生产，构建大规模算法训练、仿真测试和评价所需的核心支撑体系。

（图片来源：佐思汽车研究）

基于场景的仿真测试，是未来自动驾驶汽车测试的一个发展趋势，也是必由的途径。

4、软件

仿真软件属于工业软件的细分领域，传统汽车仿真软件通常用于零部件、汽车电子、内燃机的仿真分析。

一个完整的自动驾驶仿真软件从逻辑上包括静态环境模块，交通流模块 ，传感器模块，动力学模块，数据模块（包括场景模块）。

而根据被测对象的不同，业界常用的仿真工具链包括模型在环（MIL）、软件在环（SIL）、硬件在环（HIL）、整车在环（VIL）。

在了解不同仿真软件的共有属性方面，可以学习基本的pipline。从比较粗的粒度上看，基本的仿真pipline是加载静态地图、构建动态场景、接入被测对象、导出运行数据、结果评价处理。这之后就基本可以上手一个仿真软件，剩余的深入拓展工作也可以围绕整体流程向外展开。

单就自动驾驶仿真软件而言，Prescan、VTD、SCANeR、Panosim、51simOne、GaiA等商业自动驾驶仿真软件，CARLA、lgsvl、Airsim等开源自动驾驶仿真软件，稍微粗糙一些的DeepDrive、一些基于ROS构建的自动驾驶仿真平台，就都有各自的可取之处。

专精于特定功能仿真的软件。如在交通流仿真方面有Vissim、SUMO、High-env等；在动力学仿真方面有CarSim、Trucksim、Carmaker等软件；在静态场景仿真方面有一些大规模城市构建仿真软件；在构建复杂交通流场景方面也有一些软件。

将部分仿真软件进行表格梳理：（信息来源：智车科技）

IAE智行众维的X-in-Loop技术闭环体系，基于云计算能力的海量场景仿真，支撑V字开发流程。基于私有云或公有云，在云端布署成百上千、上万的计算节点，算法可以同步实现几百上千个节点并发，相当于同时有1000台虚拟车同步运行不同的测试场景，可以实现日行百万公里以上的虚拟仿真测试。

（图片来源：IAE智行众维）

5、重点关注

收购（或并购）对于企业完善技术布局无疑是一个快捷的选择，自动驾驶仿真领域也不例外。Ansys收购光学仿真领域软件OPTIS、西门子收购TASS，都是其自动驾驶仿真技术发展史上的重要转折点。

自动驾驶仿真行业发展成熟度越高，行业壁垒越发明显。国内IT巨头也有自身优势，可发挥在云计算、高精度地图、人工智能等方面的优势，在现有仿真技术体系下和传统仿真技术企业全面合作，并利用AI和云计算技术改良传统仿真技术和产品。对于IT巨头之外的中小型仿真技术企业，更将以场景化为驱动，构建差异化的仿真测试能力。