汽車的ADAS功能僅需要在有限、特定的場景下進行仿真測試驗證即可，而高階自動駕駛系統需要面對海量的測試場景。在此情形下，傳統的單機仿真測試呈現出算力不足、且無法實現加速測試的問題，導致測試周期長，效率低；而云平臺仿真憑借其分布式架構以及并行加速計算能力，可大大提升系統研發和測試的效率，是實現自動駕駛大規模仿真場景的有效解決方案。
然而令筆者好奇的是，既然云仿真如此的“優秀”，為何在自動駕領域遲遲沒有大規模落地應用？在網上搜集關于自動駕駛云仿真相關話題的技術信息時，筆者感覺到，關于這個話題的信息與操作系統或者AI芯片這些熱門領域相比，簡直是少得可憐。
于是，筆者帶著諸多疑問，與51WORLD CTO鮑世強、PanoSim CEO李祥明、賽目科技總經理何豐、騰訊自動駕駛仿真技術總監孫馳天等6位業內專家進行深入交流。在此基礎上，筆者整理了自己對自動駕駛云仿真的一些基本理解以及幾位專家對自動駕駛云仿真的一些看法。
自動駕駛云仿真到底有多高深？它與普通的單機仿真到底有哪些區別？往簡單了說，云仿真就是云+仿真，之前是在單機上進行仿真，現在無非是把仿真搬到了云上。對于云仿真的理解，幾位專家也從不同角度給予了生動形象的解釋。
PanoSim CEO李祥明是這樣解釋的：“從仿真本身來講，云仿真也是一種仿真，沒有什么特別神秘的地方。云仿真可以理解成是云對仿真是一種加持。就像互聯網+X一個道理，所有的業務和物理世界本身就存在，只不過互聯網讓它的效率更高了，互聯網還是互聯網，不是業務，只是對它本身對業務的一種加持，一種實現這些業務更好的方式而已。”
另外，51WORLD CTO鮑世強認為：“云仿真并不神秘，只是把單機的規模擴大了，但是規模擴大后會產生很多問題。云仿真目前主要有兩種使用的模式：
一種是脫機全自動化運行
，即批量運行無人值守的，主要用于對現在版本的狀態進行整體的測試和驗證。比如，做一種算法開發需要跑1萬個場景，系統自動跑完后，工程師提交了10個改動，系統會自動去打個包，推一個鏡像到仿真平臺，然后仿真平臺就又自動啟動了，整個仿真過程是全自動的，不需要人看守。
另外一種模式是交互式的使用方式
，這種方式是為了有針對性地解決相應的問題。比如開發團隊今天在做某一種算法的開發，首先需要從場景庫里找一些與該算法相關度高的一些場景，然后進行驗證測試，如果發現算法在某一兩個場景里出問題了，那么，今天剩下的時間開發人員可能都在圍繞著這些有問題的場景不斷地去調試和驗證。”
騰訊自動駕駛仿真技術總監孫馳天告訴《九章智駕》：“云端，更像是一個單機版的放大器，云仿真可以將單機版的仿真能力放大，然后在調度層去做更豐富的操作，比如先從回放場景的仿真開始，然后是虛擬場景的仿真，再從回放場景實時切換到虛擬場景的仿真，最后還可以運行城市級別的虛擬城市仿真。”
相比傳統的單機仿真，云仿真具有多方面的優勢 ，包括它的高并發測試、大算力、強協同以及易于對接大數據平臺等。
對于L2及以下的ADAS功能，所需要的測試場景有限，仿真測試場景庫會比較小，傳統的單機測試完全能夠搞定，但是后續高階自動駕駛需要測試的場景越來越多，對仿真測試的要求越來越高。現在自動駕駛基本上都是采用快速迭代的方式，所以回歸測試的次數或者頻率會非常高。面對這樣海量的測試場景，只有利用云仿真進行高并發測試才能快速地迭代，比較快地得到仿真測試結果。
賽目科技總經理何豐認為：功能安全和預期功能分析是確保自動駕駛算法安全很重要的一種保障手段。待相關標準發布后，基于預期功能安全場景集去做這個測試，需要大量的測試場景。一種算法或一套傳感器方案可能需要幾十萬甚至上千萬個測試場景進行驗證。如果在單機里面進行測試，需要跑好幾月，這是不能滿足自動駕駛快速迭代開發需求的。
汽車智能駕駛系統越來越復雜，車上配置的傳感器也越來越多。比如，近日在廣州車展亮相的高端智能電動車“機甲龍”，搭載4顆96線激光雷達、5顆毫米波雷達、7顆800萬高清攝像頭等共計38個智能感知硬件。未來高階自動駕駛車輛對算力的需求也是越來越大，若是采用單機仿真的話，性能再強算力也總是有天花板的，如果利用云仿真的話，可以把算力分布到多個服務器上，形成強大算力，這就是所謂“抱團”的力量，大大的提升了算力的上限。
騰訊自動駕駛仿真技術總監孫馳天解釋道：“大規模高并發的云仿真對算力的需求是巨大的。簡單來講，云仿真總的算力需求約等同于單節點的算力消耗乘以節點數。在單節點算力消耗一定的情況下，節點數跑得越多，需求的總算力就越高；仿真節點內的算力消耗，主要取決于用戶跑哪些算法，比如，感知仿真對GPU算力的消耗就比較高。”
云仿真能夠讓全球的團隊乃至相關產業鏈一體化開發，這就是數字化的力量。上云本來就是企業走向數字化的必選之路，云仿真更是趨勢中的趨勢。
關于強協同這點，Panosim執行總裁李祥明先生舉了一個簡單容易理解的例子：“在云上，可以做全球化的開發，比如，員工A在一個地方寫代碼，員工B在另外一個地方寫代碼，可以同時提交到云上，兩個代碼合并集成在一起便可以做仿真測試，提高了協作辦工的效率。”
在軟件定義汽車的時代，OEM也普遍注意到了數據的重要性，因此基本都建有自己的大數據平臺，用于把車輛路采的一些數據上傳到自己的云端服務器上。
如果是做單機仿真的話，需要將大量采集的數據和虛擬場景庫數據下載到本地運行，再將結果上傳。這樣的做的弊端，一方面是時間周期比較長，另一方面，用戶本地未必有這么大的存儲空間；云仿真則不同，云仿真平臺能夠很好地跟大數據平臺去做對接，便于數據提取、數據分析，然后再做仿真測試分析，最后把結果反饋回大數據平臺，大大增強了仿真測試的便利性。
難道云仿真目前已經如此完美了么？當然不是的，目前的確也是存在一些問題。
云仿真受通訊鏈路的影響，并且涉及到云端的計算，不管是傳輸到硬件在環的實時機，還是車輛在環的測試廠，最后都需要再返回到云端，整個通訊的時延是很難去控制，而且一定會存在，因此云仿真目前的實時性是很難保證的。
同時，對于自動駕駛的HIL和VIL的測試對于實時性的要求是很高的，如果做不到實時的話，云仿真是無法得到準確的系統測試結果的。
PannoSim CEO李祥明提到：“云平臺的算力是沒有限制的，唯一的限制可能就是云的實時性問題。因為云是一個非實時性系統，只是強調算力，沒有強調實時性，這是云仿真的一個短板”
云端的感知仿真會涉及到GPU的使用，把云端的GPU做虛擬化的難度是比較大的，并且云端感知
從
整體上來講，對算力需求比較大，做大規模并發測試成本投入更高。目前在云端大多是跑決策、規劃和控制算法，包括感知在內的全棧算法則更多是在車端跑。
據騰訊自動駕駛仿真技術總監孫馳天介紹：感知的仿真對算力消耗比較大，相比在云上做決策規劃控制仿真相比，其性價比會低很多。舉個例子，對于配置有11個攝像頭+2個激光雷達這樣的車型，在云上做感知仿真的話，如果并發運行500個節點，粗略計算的話大概是需要3000多塊卡，這個成本是非常高的。
數據采集回來之后如何去構建場景呢？目前場景的構建大概有兩種方式：
一種方式是基于真實數據場景的回放，采集回來的是什么場景，就使用什么樣的場景。
另外一種方式是基于真實數據自動構建。類似OpenScenario這種，用類似這種形式的語言的去寫，我碰到一個什么場景，在什么條件下會觸發一個什么樣的事件，這種方式對經驗要求非常高，需要從大量具體的場景里去提取出規律，所以寫出一個符合邏輯的高逼真場景也是比較難的一件事。
即使單純的地使用真實數據，在數據使用的時候也存在一些問題。
51WORLD CTO鮑世強提到：“真實數據是由什么樣的車輛采集的？是完全由算法控制的車在路上采集的，還是依靠人類駕駛員駕駛的方式收集的？如果是人類駕駛員收集的數據，算法控制的車用這些數據，能配合得上嗎？即使算法控制的車采集的數據，不同版本的，能配合得上嗎？這都是有問題的，數據是死的，因此如何有效地利用采集到的大量場景數據是個非常大的問題。
“并且，在云端去做大規模并發測試的時候，上規模會遇到很多的問題，成本和效率的考慮，以及測試有效性問題；怎么樣用更短的時間跑
更多的場景、實現
更大范圍的覆蓋？整個的數據怎么樣去處理，是不是足夠的輕量化以便于發展規模，并且還能把成本降低，這些都是核心問題。”
1）自動駕駛云仿真類型：片段式場景型云仿真與虛擬城市仿真
基于場景庫的
片段式場景型云仿真，
是一種確定性的測試。在測試之前便已經清晰的知道這個車要面對什么樣的場景。相當于我先把場景定義和編輯出來，然后再讓車去跑，并且對仿真會出現什么樣的結果也會有一個大致的預期。這種測試方法是比較有針對性的，比如我今天跑這個場景，明天還跑這個場景，每一幀的數據其實都是一樣。如果明天我改了一下算法，仿真結果出現了不一樣，一定是什么地方出了問題，需要改進的方向是明確的。
51WORLD CTO 鮑世強舉例說：“比如構建Cut-in的這樣的一個場景，通過改變車的角度、相對速度，以及道路的寬度和彎曲的程度等幾個重要維度的參數，可以重新組合出成千上萬個場景，這些都屬于片段式的確定型的場景。雖然是片段式，但由于其是有一定的覆蓋程度，在這種覆蓋程度的條件下，測試車跑的怎么樣，大家有一些整體上的理解，而不是靠撞運氣。”
虛擬城市仿真是一種隨機的、不確定性的測試。在跑測試之前，不清楚車輛會遇到什么樣的狀況，總之就是讓車輛一直在里面不停地跑，直到遇到一個處理不了的場景，系統會識別出來，并把這段數據錄下來，轉成一個場景文件，補充到場景庫里來。以后再進行相關算法迭代測試的時候，場景庫就多了一個極端測試場景。
關于虛擬城市仿真，51WORLD CTO鮑世強認為：“虛擬城市仿真是現有片段式測試一種比較好的補充，但目前尚不能作為主體的測試方法去用，因為對于通用的測試方法論來講，它比較缺乏確定性。比如放個20輛自動駕駛車在半面城市去跑，具備非常強的隨機性，更多的是一種自由測試的一個方式。仿真系統可能跑10個小時才碰到1個特殊的場景，效率不是特別高。同時還存在一個難點：可能為了訓練10幾輛車，需要模擬成千上萬輛車，如何保證這成千上萬輛車行為的真實性呢？”
根據ISO21448，預期功能安全定義的駕駛的場景可以分為四個部分：“已知安全”、“已知不安全”、“未知不安全”、“未知安全”。由于“已知安全”和“未知安全”兩個場景都是安全的，因此預期功能安全的重點側重于“已知不安全”、“未知不安全”兩大場景。對自動駕駛來說最大的挑戰就是“未知不安全”這種類型的場景，你不知道它，并且也還沒碰到過它，但是一旦碰到，那是很危險的。這樣的場景需要盡早挖掘出來，然后提供給自動駕駛算法進行測試。那怎樣找到這種類型的場景呢？
按照騰訊自動駕駛仿真技術總監孫馳天的說法：“隨著自動駕駛的開發和測試的不斷迭代，正向建立的場景庫可能很快就飽和了。這個時候我們又該如何去不停地去補充場景庫呢？尤其是如何去尋找‘未知不安全’的場景？這時候通過虛擬城市的交通流仿真，讓城市交通系統不停地自己運行，由虛擬城市系統系統來生成和篩選出隨機的未知不安全場景。這些新場景并不是由任何一個人定義出來的，而是在一個相對很真實、很隨機的情況下碰到的。”
虛擬城市仿真測試的確是發現Corner Case的一種方法，但是這種仿真技術目前尚未成為主流，當前這種測試方法的不確定性比較大，并且高度依賴高精地圖；其次還需要具備后臺同步開發技術；更重要的是，還需要保證連續交通流的真實性。
首先不管是單機仿真或者是云仿真，仿真的真實度很重要，因此仿真平臺首先就需要擁有支持仿真測試的高逼真度模型，包括車輛及動力學模型、環境模型、各類傳感器模型，能夠逼真地反映自動駕駛各相關子系統復雜的真實物理特征與動態耦合現象。
其次需要能夠支持仿真測試功能的強大且齊全的工具鏈，包括虛擬場景構建、車輛建模、仿真引擎、傳感器安裝與標定、測試與評價自動化等；
整個自動駕駛云仿真的話，核心是仿真引擎和云服務能力。仿真引擎和仿真云服務是自動駕駛云仿真的兩條腿，是其最關鍵的兩部分。
仿真引擎決定了你的云仿真平臺能夠驗證哪些算法、怎樣去驗證。目前仿真引擎有的公司自研，有的公司購買第三方的。
云服務能力支持任務調度、資源分配、通信與交互、數據處理等功能。比如能做多少并發，數據調度能力怎么樣等，這些都是云服務的重要考察指標。
騰訊自動駕駛仿真技術總監孫馳天做了個簡單的說明：“仿真云服務包括仿真場景的實時監控，并進行實時評測，出了問題會自動回收仿真節點。比如說騰訊目前正在做的虛擬城市云仿真系統，就是在一個城市級別的場景里面運行很多自動駕駛車輛和交通流車輛，車輛之間需要相互通信。過程中如果有個別車輛任務結束了，需要在結束他們任務同時，然后再拉幾個新的節點出來。這些任務的處理都是仿真云服務的一部分。因此，云服務能力的好壞也直接決定了云仿真平臺是否好用。”
對于從哪些維度來評價云仿真的好壞，51WORLD CTO 鮑世強也簡單的給出了自己的看法：“首先是仿真軟件本身的通用要求，比如仿真精度（一致性、時間同步等）、接口的豐富程度、開放標準的支持以及仿真模塊是否齊備等。
其次，云仿真還具有自己獨有的評價維度：包括云仿真系統設計需要輕量化，具備面向大量運行的分布式仿真框架，易于部署和擴容，需要支持團隊協作能力，可以與上游的數據工具鏈的進行深度整合，可以支持不同仿真測試理論的支撐和實現。同時，需要具備開放的平臺架構設計，易于定制化。這些都是云仿真的重要評價指標。”
現在做云仿真的不僅有傳統或初創的仿真測試公司、互聯網科技公司、自動駕駛解決方案公司，甚至一些主機廠也要自主研發云仿真系統。那么不同類型的公司做云仿真的目的是否相同呢？各自的出發點又是什么？
PanoSimCEO李祥明給出的觀點是：“大家都在做云仿真，也從側面說明了其對自動駕駛的重要性，各自的側重點也都是圍繞‘ 如何加速自動駕駛算法的進化歷程 ’這一核心訴求。通過豐富逼真的場景、邊緣極限場景設計，高仿真度的軟硬件架構+高置信度的仿真模型的開發，來實現其算法和軟件的加速進化。”
他們更加關注產品本身，專注于做自動駕駛云仿真相關的工具鏈。整個的自動駕駛，可分為感知、定位、規劃、決策、控制多個環節，每個環節都需要去進行算法測試，然后再返回來進行迭代。整個過程可以分成多個環節，把這些環節抽象解耦出來就是其工具鏈的一環。
工具鏈既然能夠解耦，就是為了方便客戶去定制化開發。客戶可能會選用“全家桶”方案。不過對于主機廠來說，這種可能性比較小。基本上都會貨比三家，“擇優”選用，最后“拼湊出”一套完整的工具鏈。比如說有些客戶會希望把之前自己做的一些場景庫、測試用例，以及購買的一些國外版本的仿真軟件，比如VTD、PreScan等，都能夠復用起來，所以對平臺的兼容性和聯合仿真能力提出了較高的要求。
賽目科技總經理何豐提到：我們的定位是基于量產車準入要求的測試驗證，根據相關主管部門提出的要求，打造了一套包括功能安全和預期功能安全分析的工具，并與自己的仿真平臺無縫對接，實現整個測試驗證的閉環；同時還能夠實現海量測試場景的管理以及算法的訓練。這是研發整個這一套的測試工具鏈的目的，同時也是為了支撐相關政策的落地。
互聯網科技公司提供的云仿真服務更多的是偏向云端框架型，在傳統的通用IAAS，PAAS基礎上提供諸如數據標注平臺，大數據平臺等。雖然也提供諸多仿真軟件的集成及相關工具鏈的工作，但他們是平臺類的公司，更多的是一個生態搭建者的定位，最終主推的應該還是平臺和生態。
他們具備云平臺這樣的基礎設施，把云平臺的存儲、交換能力、帶寬以及穩定性等做好，并且保持開放和兼容，做好基礎服務，這也許就是一些應用型玩家渴望的平臺類型。
主機廠建云仿真主要是面向研發測試端，以自用為主。一款車的研發過程是非常嚴謹的，每一步都要做仿真驗證，所以每個主機廠都有自己的一套體系。但具體仿真測試要覆蓋到什么程度，不同的主機廠各有各自的打算。
總體來講，做云仿真基本都是以當前產品和技術規劃為基礎；也就是說，根據自己當前以及未來規劃車型的操作系統、算法布局的方式，去量身定做最適合自己的云仿真系統，從而保證其算法可以在此平臺上得到最大效率的測試驗證。
對于云仿真，大多數主機廠還是不太可能把云仿真相關的全套工具鏈都自己做，還是需要與相關的工具鏈供應商進行合作，但是在合作的時候，主機廠非常關注其整個的評價體系是不是開放，能不能自己自由的地定制；同時很關注他的場景，不同類型的場景能不能在其平臺上進行仿真以及不同的算法怎么去接入等問題。
對于自動駕駛解決方案公司，比如說小馬、文遠以及Momenta等，他們做云仿真的目的和主機廠比較類似，以自用為主。其路線方向與算法迭代緊密耦合，用于以數據驅動的方式，比較細粒度的地去迭代算法。
自動駕駛云仿真之所以沒有大規模的商業化落地，在筆者看來主要有兩大方面的問題：一是仿真本身的置信度問題，另外一個重要的因素是成本問題。
自動駕駛仿真的置信度包括仿真軟件本身的置信度問題、仿真平臺復現和泛化出場景的置信度問題以及測試結果評價標準的置信度問題。對于仿真本身的置信度問題，《九章智駕》發過一篇《自動駕駛仿真測試的兩大痛點問題》的文章，里面有關于仿真本身置信度的一些介紹，這里就不做過多解釋。
其實，在仿真軟件本身的置信度問題里，不僅構建高逼真度傳感器模型是難點，如何將仿真出來的數據很好地用于傳感器的仿真也是亟待解決的痛點問題。
騰訊自動駕駛仿真技術總監孫馳天提到：“直接用游戲引擎構建出的高渲染、高畫質的場景直接用于感知算法和神經網絡訓練缺乏一定的可信度。目前，有一些公司會拿一些標注好的真實數據和仿真的虛擬數據混合成一個數據集來進行感知算法的訓練。但是業界目前還沒有一個很明確的、標準的答案來告訴大家，能用多少的虛擬數據來做訓練，或者說虛擬數據和真實數據的混合到什么程度就可以用來做訓練，這個目前可能還是困擾行業的一個部分。”
有些主機廠對數據安全很敏感，在前期還沒有做規模投入的時候，會使用公有云的方式來做云仿真；但后期隨著云仿真規模多大，有些傳統主機廠可能會采用自建私有云的方式。也有些比較開放一些的主機廠和自動駕駛解決方案公司會考慮采用混合云或者公有云的服務。無論哪種方式，大規模并發的云仿真都是需要高昂的軟硬件成本投入，甚至高達千萬元甚至上億元。
同時，高投入也會帶來一些決策鏈路上的影響。當主機廠投幾千萬進去的時候，肯定會在項目開始前反復讓供應商去證明它的絕對安全可靠，到底能給整個研發體系帶來多大的回報，畢竟誰拍板誰負責，大家比較謹慎也正常。畢竟這種云仿真相關的軟件和工具鏈是屬于基礎性設施，投進去之后，到底能給公司帶來什么效益，短時間內很難去直接量化。因此很多的時間會浪費在內部決策和反復的驗證上。
但是主機廠也都明白云仿真是大勢所趨，他們也是在等一個合適的時間點的到來；從業內了解到，雖然OEM對上云仿真比較謹慎，但是今年大家確實開始慢慢落地實施了。最開始可能是建一個小規模集群，并發數少一些，成本控制得更低一些，先做嘗試，然后再逐漸擴容。
雖然說自動駕駛云仿真的規模化落地尚需時日，但是大家也都在向這個方向在試探和努力。
那么云仿真現在的商業模式是怎樣的，未來又會發生什么變化呢？
51WORLD CTO鮑世強告訴《九章智駕》：目前在云仿真上與主機廠合作的模式也比較明確，對于每家主機廠來講，云仿真能力的建設都有它自己的需求和特點，我們更多的是作為一個技術賦能者的角色，通過開放平臺為每一家主機廠打造最契合的自動駕駛仿真產品，首期合作的時候會交付云仿真，但是規模可能比較小，同時會交付單機版，也會涉及到一定的定制化開發。
如果大家合作得非常好的話，會有二期，三期的合作，主機廠依然會提出很多需求，我們會更多的通過產品迭代的方式響應這些需求，隨著合作的深入，仿真的應用規模會變得越來越大，應用場景會變得越來越多，這種模式是走得通的，也越來越得到大家的認同。
PanoSim CEO李祥明先生談到未來自動駕駛云仿真商業模式的時候，他是這樣理解的：”云仿真的商業模式在未來的可能性有很多，不過不太可能沿用現在這種產品設備模式，財務上一次性投入太高，對于甲方的要求太高了，決策成本太高。”
“也不會是純粹甲方乙方的模式，我們相信未來可能會走向產品，以產品為基礎、以服務為盈利的商業模式。首先需要有個非常靠譜的產品，但是光靠賣產品比較麻煩，因為仿真上云以后，更多的是走向服務，變成以服務來長期的收費的模式，而不是一錘子買賣。這就是產業鏈的依存關系，只有生態欣欣向榮，生態里面每一個成員才能過得都很好。”
總之，自動駕駛云仿真是大勢所趨，雖然現在還處于“群雄割據，諸侯爭霸”的局面，未來的市場格局也一定會越來越清晰，撥開云霧而見天日。
文章來源：九章智駕
免責聲明：本文系網絡轉載，版權歸原作者所有。如涉及版權，請聯系刪除！
