自动驾驶究竟需要什么样的仿真？

baoshijie

仿真对于自动驾驶的重要性已不言而喻，自动驾驶的仿真通过数学建模的方式将实际的应用场景进行数字化还原，建立尽可能接近真实世界的系统模型，无需实车直接通过软件进行仿真测试便可达到对自动驾驶系统及算法的测试验证目的。

可以说，一套好的仿真环境可以非常精确地完成对于自动驾驶系统功能性、安全性方面的验证，从而保障自动驾驶的顺利落地。那么，对于自动驾驶而言如此重要的仿真技术目前发展如何，在未来又将以怎样的形式助力自动驾驶的量产落地呢？

01

仿真究竟在仿什么？

针对自动驾驶而言，现如今的仿真系统具体需要仿造哪些内容，提供哪些输入给到算法模块呢？
首先是还原与真实世界一致的交通静态元素，比如道路、交通标志、护栏、树木、建筑等等。当前，大多数智能驾驶仿真软件或平台都采用使用三维建模软件创建“素材库”，利用高精地图的矢量化图形对道路要素进行重建，然后再利用专业软件添加建筑、树木、地形等其他静态要素。
除了静态环境，还要有动态场景。动态场景的生成包括两方面：一是微观的行人、车辆、天气；二是宏观的交通流场景构建。天气变化、光照变化等动态要素，需要严格遵循现实世界的物理规律，在这里，游戏引擎就能发挥重要的作用，其在场景渲染、物理引擎等真实场景模拟的能力上，比传统仿真软件强大许多。



在场景之外，便是车辆传感器模块。传感器作为智能驾驶车辆的“眼睛”，用于感知外部环境、发现并分类障碍物、预测速度，协助精确定位车辆周围的环境等。从仿真角度看，无论哪种传感器，理论上都可以从以下三个不同的层级仿真：对物理信号进行仿真、对原始信号进行仿真以及对传感器目标进行仿真。传感器目标仿真，即传感器感知和决策如果是分为两个不同层级的芯片来做，那么可以将传感器检测的理想目标直接仿真到决策层算法输入端。一般来说，通过软件仿真的方式达到目标级仿真，提供真值是比较容易做到的，而原始信号，尤其是物理信号的仿真，则需要使用大量的仿真设备，相对比较复杂。



最后，便是仿真系统的底层：车辆模型，也叫车辆动力学模块。在智能驾驶仿真过程中，需要借助车辆的动力学模型，来对决策、控制算法进行客观的评估。传统的商业仿真软件在这个领域已经非常成熟，一般将实际测试车辆的车体模型、轮胎模型、制动系统模型、传动系统模型等都参数化，根据车辆的动力学模块配置合适参数，从而模拟测算车辆在智能驾驶系统操控下的能力和极限。

02

主流仿真器对比

现如今，已有越来越多的仿真器被搭建并开源，与此同时，这些仿真器都具备了非常强大的性能，可供自动驾驶公司们测试复杂多变的场景，从而验证算法的功能性及安全性。这里将主流的仿真器进行对比介绍，以供读者们参考。
Carmaker
Carmaker是德国IPG公司推出的动力学，ADAS和自动驾驶仿真软件。Carmaker首先是一个优秀的动力学仿真软件，提供了精准的车辆本体模型(发动机、 底盘、 悬架、传动、 转向等) ，除此之外， Carmaker还打造了包括车辆，驾驶员，道路，交通环境的闭环仿真系统。
CarMaker作为平台软件，可以与很多第三方软件进行集成，如ADAMS、AVLCruise、rFpro等，可利用各软件的优势进行联合仿真。同时CarMaker配套的硬件，提供了大量的板卡接口，可以方便的与ECU或者传感器进行HIL测试。



PreScan
PreScan是由TassInternational研发的一款ADAS测试仿真软件。PreScan是一个模拟平台，由基于GUI的、用于定义场景的预处理器和用于执行场景的运行环境构成。工程师用于创建和测试算法的主要界面包括MATLAB和Simulink。PreScan可用于从基于模型的控制器设计(MIL)到利用软件在环(SIL)和硬件在环(HIL)系统进行的实时测试等应用。
PreScan可在开环、闭环以及离线和在线模式下运行。它是一种开放型软件平台，其灵活的界面可连接至第三方的汽车动力学模型。其由多个模块组成，使用起来主要分为四个步骤:搭建场景、添加传感器、添加控制系统、运行仿真。



Carla
CARLA是由西班牙巴塞罗那自治大学计算机视觉中心指导开发的开源模拟器，用于自动驾驶系统的开发、训练和验证。
同AirSim一样，Carla也依托虚幻引擎进行开发，使用服务器和多客户端的架构。在场景方面，CARLA提供了为自动驾驶创建场景的开源数字资源(包括城市布局、建筑以及车辆)以及几个由这些资源搭建的供自动驾驶测试训练的场景。
同时，CARLA也可以使用VectorZero的道路搭建软件RoadRunner制作场景和配套的高精地图，也提供了简单的地图编辑器。（下图由CARLA理事单位深信科创提供）



百度Apollo

Apollo 仿真平台是一个搭建在百度云和 Azure 的云服务，可以使用用户指定的 Apollo 版本在云端进行仿真测试。Apollo 仿真场景可分为Worldsim 和 Logsim。
Worldsim 是由人为预设的道路和障碍物构成的场景，可以作为单元测试简单高效的测试自动驾驶车辆，而 Logsim 是由路测数据提取的场景，真实反映了实际交通环境中复杂多变的障碍物和交通状况。
Apollo 仿真平台也提供了较为完善的场景通过判别系统，可以从交通规则，动力学行为和舒适度等方面对自动驾驶算法做出评价。



腾讯TAD Sim仿真平台
TAD Sim是由腾讯研发的自动驾驶虚拟仿真平台。在设计之初，就有别于传统的仿真系统，是为自动驾驶测试验证而专门设计开发，内置厘米级高精度地图，构建了包含动态和静态要素真值数字孪生系统，用千变万化的场景进行自动驾驶算法完备性的测试。
其具备了三大核心能力，首先是基于腾讯强大的游戏引擎能力运行传感器建模和标定，能保证其三维场景的仿真以及传感器的仿真具有业内领先的真实度和精准度。其次，TAD Sim场景生成系统支持多种场景来源，除了比较常见的场景编辑器和回放型的路采数据仿真，还可以运用大量路采数据训练交通流AI，生成真实度高、交互性强的场景AI，来进行闭环仿真，大大提高路采数据的利用率。最后，基于腾讯云服务，TAD Sim可以同时在本地和云端部署测试场景。



除了这些主流的仿真器之外，在去年，麻省理工学院计算机科学与人工智能实验室（CSAIL）的科学家们创建了VISTA 2.0。这是一个数据驱动的模拟引擎，车辆可以学习现实世界中的驾驶场景，在“即将撞上”的情景下将车辆“拯救”回来。
由于它是数据驱动的，根据真实世界的数据建立和仿真渲染，所以车辆在模拟器中学习的驾驶能力都能够直接应用到现实中来。用户可以直接模拟自己的虚拟自动驾驶车辆，在这些虚拟地形中行驶，在模拟器的世界中训练自动驾驶车辆，然后可以直接转移到真正的自动驾驶汽车上。

03

自动驾驶仿真的挑战

既然仿真对于自动驾驶落地来说如此重要，那么现阶段的仿真有哪些挑战，未来将会向什么方向发展？
首先，挑战来自对于现实世界的模拟程度。要知道，现实世界中的物体特征都是多种多样，且非常细致的。那么仿真中模拟到何种程度便成了问题。如果模拟得太过细致，则会导致算力大幅提升，而缺少关键信息则会导致仿真效果与实际相距甚远。针对算法的实际需求来构建相应的仿真场景及细致度，将给自动驾驶算法带来质的提升。



其次，场景库的构造是一大挑战。目前行业内大多采用人工构建的方式，这种方式不仅速度较慢，且非常难覆盖全现实生活中遇到的各种场景。Corner case对于自动驾驶算法来说的重要性不言而喻，只有在仿真中尽可能多地构造出可能出现的难例，才能验证算法在极端场景下的能力，从而保障车辆的绝对安全。
最后，便是仿真与算法的迭代部署及提升。现阶段仿真器大多与算法解耦，从而不太考虑实际的算法需求，使得仿真效果不尽人意。在未来，有望更多做算法的一线工程师投入到仿真测试的工作中来，也只有为算法特定的仿真系统才能完备地测试出算法的问题。

04

总结

总体而言，仿真在如今已经成为自动驾驶整个体系中不可或缺的一环，承担着量产落地的最终保障。但与此同时，目前市面上并没有与现实世界非常贴合的仿真系统可供使用，如何让模拟数据具有现实世界的真实性和丰富性是最大的挑战。可以相信在未来，随着虚幻引擎技术的飞速发展，会助力仿真系统实现质的飞跃，同时将带动自动驾驶算法完成新一轮的蜕变。
免责声明：凡本公众号注明“来源：XXX（非智车科技）”的作品，均转载自其它媒体，转载目的在于传递和分享更多信息，并不代表本平台赞同其观点和对其真实性负责，版权归原作者所有，如有侵权请联系我们删除。

公开课预告