作者 | Aimee

知圈 | 進“激光雷達社群”請加微信13636581676，備注激光

自動駕駛汽車在進行規模化商用之前，必須進行充分的功能安全和性能安全試驗驗證，以確保駕駛員和其他交通參與者的安全。測試內容包括傳感器、算法、執行器、人機界面等。從應用功能、性能的穩定性和魯棒性，以及功能安全、預期功能安全、形式認證等各個方面的測試中綜合考慮，從而可以確保車輛能夠自主上路。

如上整個測試過程分為仿真測試與實車測試，而前半部分都稱之為仿真測試，這也是自動駕駛系統開發和驗證的重要手段。自動駕駛仿真測試，是指通過計算機仿真技術，建立現實靜態環境與動態交通場景的數學模型，讓自動駕駛汽車算法在虛擬交通場景中進行的駕駛測試。

自動駕駛仿真平臺概述

仿真測試的核心是測試模型，圍繞測試模型還包括測試流程、仿真使用平臺、模型構成，并覆蓋從產品設計驗證、開發驗證、測試驗證、體驗評價全過程。整個仿真測試平臺由1個主體流程、5大仿真測試類別、3種仿真模型構成，覆蓋產品設計、開發驗證、測試驗證、體驗評價全過程。這里我們從仿真測試的角度說明下如上各個測試階段的內容和要點。

1個流程是指從ASPICE的標準軟件研發流程出發，從設計域、開發域到測試域進行整體測試驗證。其中包括系統設計階段以MIL仿真側視貫穿整個系統分析&設計、詳細設計、虛擬組建集成&測試和虛擬系統集成測試；在軟件設計階段通過不斷的SIL仿真實現單元測試，同時以HIL仿真優化實現組建集成和測試，最后通過VIL仿真優化實現系統集成測試和系統驗收。

5類測試平臺涉及整個開發過程，需要經歷從軟件在環（SIL）、硬件在環（HIL）、車輛在環（VIL）、封閉測試場測試、開放道路測試幾個大步驟。

MIL（Model in the Loop）模型在環測試是一種模型在環仿真平臺，用在需求分析概念階段，實現算法開發與驗證優化，是一種在開發的初期階段及建模階段中進行的仿真測試方式。與HIL測試(硬件在環測試)不同，HIL測試是用于代碼驗證的方法，而MIL測試是一種設計驗證的方法。

MIL測試過程是通過輸入一系列的測試用例，驗證模型是否滿足了設計的功能需求。MIL是所有測試中最關鍵的，因為MIL的測試概念標準必須源于功能需求，沒有其它的東西可以參考。而SIL/PIL的測試用例往往都是借用MIL的測試用例，一旦在MIL這個階段的使用了錯誤測試用例，即使后面的測試都通過了，這個錯誤還是會產生影響。

SIL（Software in the Loop）測試的目的是為了驗證自動生成的代碼和用于代碼生成的模型中行為上是一致的。SIL測試實際上可看成一種MIL的等效測試（等效測試的目的是為了防止代碼生成過程出錯），實際代碼運行在環仿真平臺，通過模型生成代碼和算法分析，驗證代碼和模型的一致性。

HIL（Hardware in the Loop）平臺：硬件在環仿真平臺，用于測試控制器系統中硬件、底層軟件和應用層軟件。通過將被測控制器和工控機相連接，工控機上運行著被控對象的模型，模擬出被控對象的電氣特性。需要注意的是HIL測試的對象是按照實際路況進行測試響應的。

VIL（Vehicle in the Loop）測試應用于車輛在環仿真平臺，提高了被測控制器的性能測試結果精確度，與實車測試相比，更加節約成本，降低測試風險，增強測試可復現性。彌補了實車測試與硬件在環測試之間的鴻溝，可用于復雜場景/人機交互評價。

除開如上常用的仿真測試以外，有能力的主機廠還會進行另外的DIL和PIL測試。DIL測試即是針對駕駛模擬器或相關設備進行的仿真測試，用于評價駕駛員在環測試，功能/HMI設計和主觀評價。而PIL測試是將生成的代碼運行到目標處理器上，通過測試結果發現編譯器出錯可能引入的bug。這里PIL測試與SIL測試是等效測試，但是SIL試運行到Windows下的編譯器上。

3種仿真模型構成包含場景/場景庫，感知系統，車輛本身，控制器。其中場景是自動駕駛開發、測試、驗證的核心。依據數據庫中的數據及記錄，定義出不同的交通場景, 通過將定義的交通場景重新帶回到關聯的研發步驟中去，以仿真的方法確保系統安全性。感知系統能力測試方面，根據傳感器種類的不同，模擬不同的信號內容，比如：攝像頭傳感器輸出圖像信號，激光雷達傳感器輸出點云信號，導航傳感器輸出定位信號。同時，根據傳感器特性和參數的不同，模擬出相應的“局限”，比如：傳感器的探測范圍，攝像頭的畸變和炫光，不同材質對激光雷達光線吸收的影響，護欄對毫米波雷達的雜波影響。車輛本身是指其動力學模塊，一般參照真實車輛，由車身、動力傳動系統、懸架系統、轉向系統、制動系統和車輪等不同的子系統構成。

基于云端管理的仿真測試平臺

傳統的仿真測試一般是單機仿真測試，目前常見的仿真測試工具有很多種，根據不同的自動駕駛開發需求，大致可分為如下幾種：傳統主機廠傾向于使用汽車工業的商業軟件，使用機器人平臺開發自動駕駛算法的團隊常常使用ROS/Gazebo，很多擅長計算機圖形學的團隊基于游戲引擎開發仿真工具。而大規模復雜交通流的仿真需求，則由交通規劃領域的軟件來滿足需求。其中場景仿真中，國內應用現狀為主要采用PreScan/Panosim/VTD，車輛動力學應用中，主要應用CarMaker/CarSim等應用軟件，而測試管理部分則主要采用ECUTEST。

如上無論選擇何種仿真工具，構建一個完整的、精度高的仿真測試平臺自然都是最終的目標。然而，實際開發測試過程中，傳統的單機測試存在如下問題：

高精度地圖制作與匹配無法有效進行，高逼真靜態場景的建立仍然無法滿足，先進感知傳感器的物理仿真可用性仍然不正確，駕駛員模型與智能交通體模型仿真能力仍舊不完善，動態場景庫建設仍舊不充分。

基于此，我們提出一種基于云管理的仿真測試能力建設平臺方案，由于云平臺本身具備海量數據存儲、處理和管理的能力，同時，可以有效的建立城市級地理信息+虛擬交通流信息，可實現跨專業多用戶信息交互與共享，具備較好的覆蓋性、批量化、自動化、超實時。與單機仿真測試軟件相結合，可以很好的彌補單機仿真測試軟件的弊端。

 

當前云仿真平臺應用在國內外現狀主要還是應用在國外高端車品牌中，如寶馬使用ANSYS，奧迪主要使用Cognata、福特使用Quantum Signal，豐田主要使用Drive Constellation。而在國內的幾家主要應用端包括有百度云仿真平臺Apollo Simulator，騰訊云仿真平臺TADSim，及華為云服務平臺Octopus。在涉及云平臺仿真終端中，主要考慮的因素包括云計算、道路模型、交通模型、環境模型、傳感器模型、動力學模型、DOE分析、SOTIF幾個重要的方面。云平臺仿真測試中需要建立四大云平臺終端：即自動駕駛虛擬仿真測試云平臺，自動駕駛功能安全&預期功能安全分析云平臺，仿真、場地、道路測試一體化管理喝共享云平臺，自動駕駛一體化仿真開發/測試/管理共享云平臺。

對于如上的四類云平臺重點關注的部分主要有：如何進行有效的場景庫建設？如何基于車聯網等網絡平臺進行數據場景重建？如何基于不同的控制域搭建相關的仿真模型庫？如何建立功能評價體系和場景及虛擬仿真評價方法？

關于仿真測試云平臺架構設計來講，總體上，主要分布在兩個層面（如上圖）。

其一，是面向客戶端的的場景庫建立及面向客戶端的云桌面管理平臺搭建。場景庫主要來自客戶級需求子項，場景庫的搭建在前述文章中有所提及，主要涉及客戶需求產生相應的場景概念，并貫穿在軟件、組件、硬件等幾大方面，最終生成相應的場景驗證設置方案。

 

其二，是構建強有力的本地數據中心，作為有效的線上仿真服務和高性能計算集群。該計算集群的主要分布為三個等級序列。

i底層為物理層，中層為仿真測試層，頂層為數據層。物理層主要作用為集群管理節點層，可以動態調度算法/資源分配，設置為管理員權限，可多人協同，承載局限為CPU/GPU資源利用率可能受限，為了突破物理硬件限制，采用全部容器化的K8s解決方案和集群管理器聯合，做到承擔節點的擴展基于容器，不再基于硬件，可以很好的提供擴展的便捷性。

ii中層為仿真測試層，這也是整個云仿真架構的核心，主體是將原始的自動駕駛場景庫輸入至場景編輯器，結合傳感器/車輛動力學模型進行宏觀與微觀交通流的仿真搭建，進而完成諸如MIL、SIL等軟件級別的仿真測試。在此過程中，利用云平臺進行計算加速、算法上傳、高速通訊、安全校驗等過程。在自動化測試階段，利用測試用例庫，結合批量測試生成測試評價報告，并分析報告結果。這一過程中需要接入多測試平臺，進行開環與閉環驗證，實現“一云兩端”的架構結果。

 

iii上層為數據層，利用基礎數據管理工具對原始數據、解析數據、場景數據進行管理，隨后利用數據清洗工具進行可視化、融合、數據轉換，并進行場景標注后打上標簽，最后利用格式處理工具進行多維動態數據輸出。構建駕駛場景數據到仿真平臺之間的橋梁。

對于真正的云端仿真肯定是需要將仿真應用于云平臺上，或者說，在云平臺上搭建仿真系統，這一過程實際上就是一種典型的后端場景重構策略。既然涉及云數據管理，那么必須要要用到車聯網這一數據上傳與下載終端。車輛數據通過云端存儲、數據預處理、場景重構還原形成場景庫積累，用于仿真測試及算法訓練。

總結

自動駕駛仿真測試平臺是面向智能網聯汽車提供平臺集成于工程服務的重要手段，該方式有助于構建輕量化/全棧式仿真測試工具鏈，推進高級別自動駕駛技術的全面落地應用。其中，基于云端平臺的仿真過程是具備較大的仿真能力建設優勢的，主要體現在云端可以提供更多的數據算力，同時在涵蓋同一個平臺下的多個場景庫覆蓋度下也可以提供更多的支持，這樣不僅省時省力，而且大大提高了仿真效率。