面向自動駕駛的虛擬仿真測試平臺架構設計

黃 剛，史雪靜

（1.北京明立測繪科技有限公司，北京 100125；2.北京四維圖新科技股份有限公司，北京 100094）

2015 年我國已超過美國成為全球最大的新能源汽車市場。相較于傳統燃油動力汽車，新能源汽車通常具有使用清潔能源和搭載智能駕駛功能兩個特點[1]。2020 年部分新款電動汽車（特斯拉汽車、小鵬P7、蔚來ES6 等）搭載的智能駕駛功能，已實現了從輔助駕駛到高級輔助駕駛的躍升[2-3]。智能駕駛功能的終極目標是使自動駕駛系統達到人類駕駛員水平，根據美國蘭德公司的研究，要實現這一目標至少需要累積超過177 億km 的駕駛數據來完善算法。假設有100 輛自動駕駛測試車，每天24 h，以平均80 km/h 的車速進行路測，則需超過200 年才能完成這一目標里程，需要巨大的時間與資源成本[4-5]。為加速實現該目標，美國谷歌的Waymo、美國通用汽車的Cruise、美國特斯拉汽車等國際高水平智能駕駛相關公司都采用仿真軟件來加速智能駕駛功能的落地運營與量產。在自動駕駛相關測試中，實際路測約占1%，封閉測試場測試約占9%，其余約90%的測試需在虛擬仿真測試平臺上進行，因此自動駕駛虛擬仿真測試是自動駕駛技術重要的一環[6-7]。

2017 年發布的《中國智能網聯汽車技術路線圖》確定了智能網聯汽車的定義、技術構架、發展目標路徑與重大創新優先行動項。其明確指出：自動駕駛測試評價與計算機仿真是自動駕駛車輛測試和試驗的基礎關鍵技術，也是未來行業定義自動駕駛車輛相關開發流程與技術準入標準的基礎工具。2021年工信部發布的《智能網聯汽車生產企業及產品準入管理指南（試行）》（征求意見稿）指出：申請準入的智能網聯汽車產品應至少滿足模擬仿真測試要求、封閉場地測試要求、實際道路測試要求、車輛網絡安全測試要求、軟件升級測試要求和數據存儲測試要求。目前，在全球主流仿真軟件企業中，美國和德國企業的占比達到一半以上[8-9]?，F有的自動駕駛仿真軟件主要包括Carsim、Pres?can、Vissim、VTD、Cognata、Right Hook、51Sim-One等，大多數仿真軟件提供的產品與服務以支持高級輔助駕駛開發為主，對高級別自動駕駛仿真所需的大規模道路和動態場景進行仿真還缺乏必要設計，對分布式部署與加速計算能力支持薄弱。在發展新能源汽車技術的同時，并行提升新能源汽車的智能駕駛功能以及配套的仿真軟件，不僅能降低被國外“卡脖子”的風險，而且能加速我國新能源汽車產業的發展。

1 平臺總體設計

自動駕駛虛擬仿真測試平臺將自動駕駛領域已積累的技術、數據和行業經驗進行產品化，提供專業的自動駕駛仿真測試、自動駕駛測試數據集、自動駕駛服務研發等功能，總體設計方案見圖1，主要包括硬件資源層、基礎設施層、業務中臺層和仿真業務層。平臺的主要部分包括：①仿真核心功能模塊，主要負責仿真動、靜態要素的構建和模擬，并通過橋接器對接自研和第三方的其他必要模塊；②數據場景功能模塊，基于大數據平臺的場景提取、交通流數據統計、人工編輯等方式，對外提供仿真場景集、宏觀交通流統計模型、微觀駕駛行為算法模型等；③橋接器，通過標準接口提供數據交互能力，適配不同層級的第三方模塊，用以支持多種環境下不同自動駕駛模塊的在環仿真驗證。

圖1 自動駕駛虛擬仿真測試平臺總體設計

虛擬仿真測試平臺的總體架構見圖2，可分為前端、后臺應用和內容存儲/分發系統。首先用戶在前端選擇待測場景、設置待測車輛動力學參數、上傳待測模塊、實時查看測試過程、獲取測試報告；相關參數配置傳遞至平臺后，后端將進行身份識別并針對當前設置參數配置調取對應資源（仿真流服務和對應的數據資源），在該層保證仿真服務的高并發和穩定性；相應交通流仿真場景配置完成后，配合對應的時鐘觸發服務，便可在仿真環境中實現待測車輛（Ego） 與各模塊間的數據交換，生成對于當前Ego 待測模塊的行為評價，并將結果反饋給前端。

圖2 自動駕駛虛擬仿真測試平臺總體架構

2 平臺詳細設計

2.1 虛實一體動態交通流仿真

交通流仿真作為自動駕駛仿真測試環境構建的重要組成部分，如何在仿真環境中有效地通過引入實時數據對場景進行快速迭代和模型更新，一直是研發的重點和難點[10-12]。虛實一體動態交通流仿真架構見圖3，在已有高精度地圖服務的基礎上，面向宏觀和微觀交通流模擬方案，采用基于數據驅動的學習與基于數學模型的機理相結合的技術自動生成交通流模型，同時加載實時軌跡數據實現模型的自動更新迭代。

圖3 虛實一體動態交通流仿真架構

對于宏觀交通流，通過收集大量真實的歷史交通軌跡數據，統計分析城市和各種高速道路上的總體車流量、流速、車型分布等信息，導入交通學中的交通流模型，并引入概率分布數學模型，分析得到城市道路在時序上的交通流量規律。利用機器學習算法，按照不同區域（道路、地域環境）、不同時間、不同天氣等多維度進行流量模型分類，作為宏觀交通流服務的輸出提供給仿真模擬環境。微觀仿真的核心部分是對駕駛行為的仿真，通常是指駕駛人在接受外界信息與刺激后做出的跟馳、換道、超車、停車等駕駛行為，對這些行為進行分解重構，將所有駕駛行為簡化為跟馳、換道兩大行為的組合。

根據目前已采集的真實交通流數據、自動駕駛開源數據和虛擬世界數據資源，通過機器視覺對抗和領域適應技術生成大量逼真交通流數據；通過抽取高精度地圖上下文信息，幫助建立基于大數據的概率統計和基于AI訓練的學習模型，能最大程度地保證交通流信息的完整性和可靠性，并借此為仿真環境提供符合真實路況的交通流模擬能力。

2.2 車輛動力學與傳感器仿真

車輛動力學在國外的研究已非常成熟，以Car?Sim、TruckSim 和BikeSim 為主要代表[13-14]。CarSim 主要從整車角度進行仿真，建立車輛數學模型，可仿真車輛對駕駛員控制、三維路面和空氣動力學輸入的響應，模擬結果高度逼近真實車輛，用于預測和仿真汽車整車的操縱穩定性、制動性、平順性、動力性和經濟性。本平臺以CarSim 和實車動力學結果為對標對象，對動力學仿真結果進行標定和迭代提高。車輛動力學仿真模塊需采用多體車身動力學實現，支持3 個方向的移動自由度、3個方向的轉動自由度、4個輪胎的旋轉自由度、4個非簧載質量自由度、8個輪胎瞬態特性自由度、4 個制動壓力自由度，能準確仿真車輛運行時的總體和內部姿態；還支持傳動系統模型（發動機、變速箱、離合器、差分器）、轉向模型、制動模型、懸掛模型和輪胎模型等的建模，以及傳統燃油乘用車和電動驅動乘用車仿真。

傳感器仿真，特別是兼具高精度和高真實感的傳感器仿真是近年來業界研究的重點，平臺的傳感器仿真流程見圖4，主要包括模型參數確定、傳感器仿真和驗證評價。傳感器仿真依賴的每個模塊都需要來源于真實世界，包括靜態場景和道路的采集到構建、真實車輛駕駛行為和人類行為建模、極端案例工況的提取和泛化、物理真實的車輛動力學和傳感器等。在高精度和多樣化的靜態和動態場景之上，仿真模型完全由真實世界數據驅動，采用基于真實傳感器標定的物理級傳感器仿真方法，可以仿真出無限接近于真實世界的結果。

圖4 傳感器仿真流程圖

車輛動力學和傳感器仿真與自動駕駛算法的對接方式主要包括規劃控制閉環對接、感知開環對接和感知規劃控制閉環對接3 種，其中規劃控制閉環仿真模式無需使用任何GPU資源，不依賴于圖形引擎，可輕量化在云端大量部署，高并發測試規劃控制算法；感知開環仿真模式可對多種感知、融合算法進行評價和驗證，支持SIL 和HIL，通過內置的評價體系可對感知融合算法的運行性能進行測試和評價；感知規劃控制閉環仿真模式結合了物理級和目標級傳感器仿真，可實現全閉環的端到端仿真測試。

2.3 高置信度仿真場景庫構建

自動駕駛虛擬場景庫是由滿足某種測試需求的一系列自動駕駛測試場景構成的數據庫?；趫鼍暗臏y試方法是通過預設場景對被測車輛進行特定目標或行駛任務的測試，是汽車自動駕駛過程中的重要手段，可實現靈活配置，并提高測試效率[15-16]。自動駕駛虛擬場景庫的構建步驟包括：

1）確定單個虛擬場景的數據存儲方式與標準。目前虛擬場景的數據格式包括OpenScenario 和各企業自有數據格式。針對標準測試場景庫和用例庫的描述與定義不清晰，需要考慮通用性和兼容性，建立場景庫和描述文件數據格式要求標準；還需綜合考慮標準測試場景的覆蓋性、功能滿足性、效率性、安全性、合規性等，建立各類測試標準場景庫的通用描述要求標準。

2）構建自動駕駛虛擬測試場景數據要素標準與規范。自動駕駛虛擬測試場景數據包括靜態場景和動態場景，構建流程見圖5。靜態場景構建是基于采集的傳感器、高精度地圖等信息，根據數據存儲標準轉化為靜態場景數據，中間可能涉及采用專業軟件探面、探線、提取矢量化的結果，實現分層分類和實體化，存儲幾何屬性等工作。動態場景構建是基于采集的交通傳感器、路況等信息，根據數據存儲標準轉化為動態場景數據，中間可能涉及分析傳感器數據、將其轉化為結構化軌跡與屬性數據、基于基礎案例數據泛化生成多個動態場景等工作。

圖5 動態、靜態場景構建

基于數據標準將靜態、動態場景整合為虛擬場景的數據格式，并存儲該場景的關鍵信息，如數據采集的時間地點、靜態場景類型（城市交叉口、高速收費站等）、動態場景類型（通暢、擁堵、闖紅燈、違規變道等）。

3）構建自動駕駛虛擬場景庫。根據測試需求，總結動靜態場景的主要特征，根據特征標簽選取適當場景作為場景庫的組成部分，選取與測試需求高度相關的特征標簽作為數據庫檢索項，快速檢索與提取場景?；趫鼍胺诸愺w系和構建方法，將場景分為功能場景、邏輯場景、具體場景3 個層級，從功能場景到具體場景，內容不斷細化，場景數量也不斷增加。在實際測試中，根據標準和應用場景賦予各參數具體數值，形成測試用例庫，完成對自動駕駛車輛的各項仿真測試。

場景數據層是自動駕駛虛擬仿真平臺的基礎，根據場景庫標準和通用場景數據定義與格式標準，采用統一交通場景格式注入的形式，將典型場景分別應用于模型在環、軟件在環、硬件在環中，分別獲取不同測試架構下相應的仿真測試結果，并對不同測試結果進行多維度對比分析，將仿真成果應用于算法開發驗證與實車測試閉環中，以提升多平臺典型場景應用覆蓋度，加速產品算法增量迭代驗證。數據層包括場景數據庫、測試用例數據庫、高精度地圖數據庫、多維駕駛工況數據庫等。

2.4 仿真結果評估體系

仿真結果評估體系作為智能網聯汽車測試評價的重要組成部分需要精準對接產品需求，體現跨學科、跨產業、跨區域特征，達到車輛本身、車輛與外部環境、車輛與智能V2X終端之間復雜交互的效果評估要求。由于仿真測試和實車測試結果存在差異性，仿真結果僅使用通過或未通過的二元指標具有一定局限性，易造成系統的安全性風險，因此需要建立合理的評價體系，設計具有連續值屬性的評價指標來評估系統的綜合能力。根據大數據分析和技術專家經驗，得到各評價指標的權重，評估系統也將持續對權重進行迭代，不斷完善評估體系。

仿真結果評估子系統見圖6，以標準匹配度為牽引，從平臺功能合理性和自動駕駛系統性能兩大維度進行分析，并以標注匹配度和經濟性作為輔助評價。A、B、C、D、E為平臺功能合理性評價維度下5個評價指標的權重，F、G、H為系統性能評價維度下3個評價指標的權重，I為標準匹配度評價指標的權重，K、J為經濟性評價維度下兩個評價指標的權重，同時符合A+B+C+D+E=1 、F+G+H=1 、K+J=1 。a1～a6為場景合理性評價指標下各子指標的權重，b1～b6為感知合理性評價指標下各子指標的權重，d1～d2為車輛動力學仿真精準性評價指標下各子指標的權重，e1～e2為算法問題識別與挖掘能力量化評價指標下各子指標的權重，f1～f5為安全性評價指標下各子指標的權重，g1～g3為舒適性評價指標下各子指標的權重，j1～j4為車輛產品經濟性評價指標下各子指標的權重。

3 虛擬仿真測試平臺應用場景

自動駕駛測試場景必然對應相應的需求，需求主要來源于3 個方面：自動駕駛汽車的開發與驗證、測試與評價以及檢測與認證。在自動駕駛汽車的開發階段，需要對功能在特定應用場景下的表現進行驗證。自動駕駛功能都有其設計的應用場景或范圍，因此在功能開發階段，基于應用場景開展的各項測試，是驗證自動駕駛功能有效性的重要手段，可支持開發人員對功能進行調整并加以完善。在自動駕駛汽車的開發與驗證階段，測試場景應盡可能全面覆蓋功能適用范圍內的所有情況，充分體現場景中各類對自動駕駛功能造成挑戰的影響因素。測試場景應能被部署到軟件在環、硬件在環、車輛在環以及受控測試場地等不同的測試環境中。該階段測試人員可借助相關經驗和知識構建測試場景，或基于數據分析篩選出測試場景，以滿足不同的測試需求。

測試與評價的目標是通過車輛的表現，對其各項性能進行評估。通過選取或構建能夠體現車輛特定性能的場景，制定合理的測試任務，可對自動駕駛汽車的行駛自治性、安全性、經濟性、舒適性、交通協調性等進行評價。首先，測試場景選取應與評價指標具有高度的相關性，場景中的要素類型和指標應具有典型特征，使被測車輛的功能得到充分體現；其次，為盡可能保證評價結果的有效性，構成測試場景的要素以及要素的特征、指標等應與現實相符；最后，為保證評價結果的準確性，并便于橫向比較，測試場景中各類要素的指標應可量化且具有一致性。

在自動駕駛汽車正式上路前，應選取或構建典型測試場景考查自動駕駛汽車在各種交通情況下的行為，對各項功能的安全性和可靠性進行檢測與認證，驗證其是否具備在真實交通環境下應對多種場景和規避風險的能力。該階段與測試評價階段的基本目標較相似，但主要關注車輛的安全性和可靠性等，且對認證結果的可信度有更高的要求。該階段的測試需要有統一的標準，使得測試場景具有可重復性。

4 測試驗證

基于本文提出的平臺架構，開發了自動駕駛虛擬仿真測試平臺，采用開放式的模塊式框架，可接入第三方工具和插件進行聯合仿真。為驗證自動駕駛虛擬仿真測試平臺的性能和穩定性，對平臺的基本功能進行了測試，部分測試驗證結果見圖7。測試驗證運行環境：①應用服務器，操作系統為CentOS Linux re?lease V7.8.2003、CPU 為Intel Xeon E3-12xx V2、內存為8 核、16 GB；②數據庫服務器，操作系統為Cen?tOS Linux release V7.9.2009、CPU 為Intel Xeon Proces?sor、內存為4核、16 GB、數據庫為MySQL V8.5；③測試客戶端，操作系統為Windows 7 旗艦版、CPU為In?tel(R)Core(TM)i7-6700@3.40GHz、內存為8核、32 GB；④交換機，操作系統為Cisco Nexus 9332C。

圖7 測試驗證結果

測試結果表明，靜態場景庫覆蓋3個一級分類、7個二級分類、100 多個三級分類，動態場景庫覆蓋4 個一級分類、9個二級分類、120多個三級分類；支持宏觀交通流和微觀交通流的自定義配置，交通流仿真結果與真實交通流的相似度在85%以上；支持激光雷達、毫米波雷達、攝像頭、IMU等主流傳感器的模擬仿真，并基于Unity 3D 進行場景精細渲染；提供轎車、SUV、卡車3 種車型的內置動力學模型，并支持40類車輛動力學參數的配置；針對特定場景，車輛動力學橫縱精度優于90%；支持10 個以上的測試并發，單一場景可模擬超過100 輛環境汽車；平臺整體仿真準確率優于85%，多次執行一致性優于99%，可用性SLA指標優于99.9%。

5 結 語

虛擬仿真測試是實現自動駕駛的有效途徑和先決條件。虛擬仿真測試可驗證自動駕駛功能的有效性和安全性，降低時間和資源成本，加速智能駕駛功能的落地運營與量產。本文提出了一種面向自動駕駛的虛擬仿真測試平臺架構，設計了平臺的總體架構和仿真原理，研究了虛實一體動態交通流仿真、車輛動力學與傳感器仿真、高置信度仿真場景庫構建和仿真結果評估體系等模塊的實現方法，分析了平臺的主要應用場景，并通過測試驗證了該架構的可用性和穩定性。為保證典型場景數據儲存應用的通用化，提高場景的多平臺通用率，今后可基于合作單位建立的場景庫標準以及通用場景數據定義與格式標準，實現典型場景搭建的標準化與平臺化，實現多仿真平臺的場景測試應用。