感知摄像头在环仿真测试系统介绍

无人驾驶技术在当今5G和人工智能的催生下越发蓬勃地发展，满足完全面向L3 +的自动驾驶能力是未来两年国内外自动驾驶技术产品化的主要目标。对于L3+的自动驾驶系统需要在给定的运行区域内，除了完成车辆横向和纵向的控制外，还需要实现目标事件的检查和响应。所以对于L3+的自动驾驶系统，其感知和控制决策就变的尤为重要，这更加需要极大关注感知系统的能力，对传感器的布置、性能、感知算法等都需要进行充分的设计验证。

但是，当前传统的实车路试等测试手段已经难以在有限的时间内覆盖自动驾驶汽车所有可能的运行场景，AI的应用又急剧扩大了对测试场景规模的要求，尤其是现实中偶有发生而又会对驾驶造成极大安全隐患的边缘场景更加考验自动驾驶系统的感知和决策控制。数字化的仿真正是目前解决自动驾驶测试技术场景覆盖度这一难题的有效手段，通过快速便捷的场景和驾驶仿真技术，可以帮助用户在短时间内实现大规模多场景的仿真测试验证，从而让仿真从真正意义上加速整体测试开发流程。

面向L3+的自动驾驶应用提供的基于物理的传感器与驾驶仿真技术，可以有效的构建一套高保真的自动驾驶仿真体系，包括面向功能安全和SOTIF的安全性分析平台、传感器部件设计与仿真工具、面向感知算法的鲁棒性测试等，从而将仿真技术真正应用到自动驾驶汽车的测试验证中。

高精度的L3+自动驾驶应用传感器与驾驶仿真：

面向L3+的自动驾驶应用提供了一系列可扩展的面向高级自动驾驶功能设计、开发和测试验证的工具和系统平台，针对目前难度较大的感知系统仿真验证，提供高精度的物理传感器、三维环境与驾驶仿真能力，从而缩短自动驾驶的测试周期和巨大的路试花费。主要包括以下几方面能力：

构建高精度的传感器仿真与验证能力。面向自动驾驶的物理传感器仿真测试工具 ，该工具提供给用户基于光学和电磁学求解器的传感器仿真，通过传感器原始数据RAW Data的输出，帮助用户实现与三维场景、感知算法、控制算法统一的自动驾驶系统的实时闭环仿真。同时工具具备的丰富接口可以提供用户实现与多种第三方驾驶仿真工具的联合仿真。工具目前支持摄像头、激光雷达和毫米波雷达三款主流传感器的物理级仿真。

基于物理的摄像头模型支持标准镜头、鱼眼镜头和环视多摄像头的仿真，通过对镜头模型、图像传感器模型、处理器模型、风挡参数等五十多个物理参数的设置，可以表现出摄像头成像中如过曝、噪点、畸变、色散等一系列物理现象，实现原始图像数据输出。基于物理的摄像头仿真能力，可以很好的应用于基于视觉传感器的辅助驾驶和自动驾驶功能中，如FCW 、LDW、APA、LKA等等同时支持的图像注入模式可以帮助实现图像帧的像素电平信号输出，进行基于摄像头ECU的硬件在环（HiL）测试。

基于物理的激光雷达模型包含有旋转式和固态扫描式两种模式，通过对环境、脉冲发射器、脉冲接收器光学组件、脉冲接收器电学组件、处理器模型等三十多个物理参数的设置，可以表现出激光雷达探测中出现的回波损失、光谱吸收、运动畸变等一系列物理现象，实现激光脉冲原始点云数据、回波强度数据和波形数据等信息输出。

基于物理的毫米波雷达模型采用HFSS SBR+ 弹跳射线法，基于GPU加速的可以实现毫秒级的实时雷达仿真，包含FMCW和PDW两种调制波形仿真以及多通道MIMO雷达仿真。通过对发射天线，接收天线和波形参数等三十多个参数的设置，可以表现出毫米波雷达回波损耗、腔体振荡、表面散射，微多普勒效应等一系列物理现象，实现波形原始强度和相位信息、多普勒回波数据等数据输出。

构建基于安全分析的仿真验证能力。基于安全分析仿真测试流程，可以满足在选定SOTIF相关用例的基础上进行传感器故障注入测试，软件感知算法的鲁棒性测试等一系列仿真手段。

▲ 摄像头在环测试-逆光案例

让我们从一个摄像头在环测试的逆光案例开始。从测试案例中可以看出，在逆光和地面积水反光影响下，被测摄像头目标检测算法并不能很好的检测同车道前方车辆。不过对于摄像头仿真真实度很高的仿真软件却很容易实现，且能够通过对天气和光照的泛化产生大量类似测试案例。