自動駕駛云仿真的案例
直播課程 | 自動駕駛云仿真：高性能集群測試解決方案
1/課程主題與時間
自動駕駛云仿真直播課-高性能集群測試解決方案
10月23日（星期五）14:00~15:00
2/您所期待的內(nèi)容
自動駕駛仿真測試面臨的挑戰(zhàn)
自動駕駛云仿真的意義
自動駕駛云仿真的類型與方法
海量場景仿真測試解決方案
云仿真的關(guān)鍵技術(shù)
面向自動駕駛技術(shù)開發(fā)、測試、驗證、分析的云平臺
3/適合誰來參加
汽車主機(jī)廠IT工程師/負(fù)責(zé)人
參與ADAS和自動駕駛產(chǎn)品開發(fā)的項目負(fù)責(zé)人與工程師
基于場景和仿真測試技術(shù)的評估認(rèn)證機(jī)構(gòu)負(fù)責(zé)人
主機(jī)廠/供應(yīng)商測試部門負(fù)責(zé)人/工程師
標(biāo)準(zhǔn)化場景開發(fā)與應(yīng)用人員
展開 “云仿真戰(zhàn)場”狼煙四起
引言：
汽車的ADAS功能僅需要在有限、特定的場景下進(jìn)行仿真測試驗證即可，而高階自動駕駛系統(tǒng)需要面對海量的測試場景。在此情形下，傳統(tǒng)的單機(jī)仿真測試呈現(xiàn)出算力不足、且無法實現(xiàn)加速測試的問題，導(dǎo)致測試周期長，效率低；而云平臺仿真憑借其分布式架構(gòu)以及并行加速計算能力，可大大提升系統(tǒng)研發(fā)和測試的效率，是實現(xiàn)自動駕駛大規(guī)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(yōu)秀”，為何在自動駕領(lǐng)域遲遲沒有大規(guī)模落地應(yīng)用？在網(wǎng)上搜集關(guān)于自動駕駛云仿真相關(guān)話題的技術(shù)信息時，筆者感覺到，關(guān)于這個話題的信息與操作系統(tǒng)或者AI芯片這些熱門領(lǐng)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(qiáng)、PanoSim CEO李祥明、賽目科技總經(jīng)理何豐、騰訊自動駕駛仿真技術(shù)總監(jiān)孫馳天等6位業(yè)內(nèi)專家進(jìn)行深入交流。在此基礎(chǔ)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。
一、解開自動駕駛云仿真的“面紗”
自動駕駛云仿真到底有多高深？它與普通的單機(jī)仿真到底有哪些區(qū)別？往簡單了說，云仿真就是云+仿真，之前是在單機(jī)上進(jìn)行仿真，現(xiàn)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(lián)網(wǎng)+X一個道理，所有的業(yè)務(wù)和物理世界本身就存在，只不過互聯(lián)網(wǎng)讓它的效率更高了，互聯(lián)網(wǎng)還是互聯(lián)網(wǎng)，不是業(yè)務(wù)，只是對它本身對業(yè)務(wù)的一種加持，一種實現(xiàn)這些業(yè)務(wù)更好的方式而已。”
另外，51WORLD CTO鮑世強(qiáng)認(rèn)為：“云仿真并不神秘，只是把單機(jī)的規(guī)模擴(kuò)大了，但是規(guī)模擴(kuò)大后會產(chǎn)生很多問題。
展開 自動駕駛車輛仿真-MSC 軟件總裁兼首席執(zhí)行官 Dominic Gallello 對自動駕駛車輛仿真構(gòu)架模塊的思考
我們需要重點(diǎn)關(guān)注哪些因素，才能讓無人駕駛車輛像當(dāng)今的手機(jī)那樣實現(xiàn)“預(yù)期”技術(shù)？MSC 軟件花費(fèi)了大量的時間來完善軟件工具，以幫助工程師通過計算機(jī)仿真來設(shè)計更快速、更輕便且更安全的車輛。但是，要從仿真由人駕駛的汽車過渡到仿真由車輛控制中樞駕駛的汽車，還需要彌補(bǔ)當(dāng)今車輛設(shè)計過程中的巨大空
白。
由于無人駕駛車輛既新穎又復(fù)雜，因此需要對無數(shù)不同汽車品牌之間的車輛間通信進(jìn)行規(guī)范。例如，福特貨車與豐田轎車之間的通信。同時還必須處理仍與其他道路基礎(chǔ)設(shè)施（例如路燈、道路標(biāo)志等）進(jìn)行互動的各種外部傳感器輸入的數(shù)據(jù)。
為預(yù)測無人駕駛車輛的性能可信度并確保安全，汽車公司已擴(kuò)大了其仿真技術(shù)的使用范圍并采用了新技術(shù)。
MSC 軟件預(yù)測，以下五種構(gòu)架模塊將成為無人駕駛車輛整體仿真成功的關(guān)鍵。
由脫機(jī)到實時
當(dāng)涉及到對日益復(fù)雜的汽車系統(tǒng)進(jìn)行真實性驗證時，實時仿真絕對是關(guān)鍵所在。盡管脫機(jī)解決方案仍能夠繼續(xù)解算擁有極高復(fù)雜度的精密模型，但以下兩個主要原因使得對實時仿真的需求不斷增加。
首先，將虛擬模型與物理硬件（例如傳感器、控制器、駕駛模擬器等）相連的要求，即所謂的硬件在環(huán)。這些實物資產(chǎn)有著限定的通信速度，并且相關(guān)的仿真模型必須能跟得上這一通信速度。實物與仿真世界之間的連接是實時模型的定義。
其次，車輛開發(fā)（包括動力學(xué)）的傳統(tǒng)目標(biāo)是對設(shè)備進(jìn)行驗證。而人類駕駛員，無論是對測試指令按部就班還是對各種情況當(dāng)機(jī)立斷，都不會被視為一個需要進(jìn)行驗證的“系統(tǒng)”（除進(jìn)行駕照考試之外）。
自動駕駛車輛概念從一開始就徹底推翻了這種模式。現(xiàn)在，“駕駛員”無疑是車輛中最為復(fù)雜的系統(tǒng)，同樣必須對其進(jìn)行驗證。不妨試想一下，自動駕駛的校車“司機(jī)”需要經(jīng)歷多少個場景的仿真測試才能被認(rèn)為是安全可靠。
展開 自動駕駛中車輛的如何使用點(diǎn)云定位？
本文是自動駕駛中激光雷達(dá)點(diǎn)云定位相關(guān)綜述，由于篇幅文章內(nèi)容以及參考文獻(xiàn)有所刪減
自動駕駛之點(diǎn)云與圖像融合綜述
Stereo Cameras and LiDAR fusion
這種方法相對于Mono，
就是利用stereo相機(jī)之間的視差獲取圖像的深度值，然后結(jié)合稀疏的點(diǎn)云深度信息產(chǎn)生更精確的密集深度。
如《“High-precision depth estimation using uncalibrated lidar and stereo fusion》（兩階段CNN，第一階段采用激光雷達(dá)與Stereo的視差獲取融合視差，第二階段將融合視差與左RGB圖像融合在特征空間中，以預(yù)測最終的高精度視差，然后再進(jìn)行三維重建）、《Noise-aware unsupervised deep lidar-stereo fusion》（不需要gt，直接適用圖像、點(diǎn)云自身的損失進(jìn)行端到端訓(xùn)練，好處就是不太關(guān)注于點(diǎn)云與圖像之間的對齊信息）、類似的還有《Listereo: Generate dense depth maps from lidar and stereo imagery 》，但是不管哪種，由于stereo本身的局限性（基線、遮擋、紋理等），所以不太考慮用在自動駕駛中。
Dynamic Object Detection
目標(biāo)檢測（3D）的目標(biāo)是在三維空間中定位、分類和估計有方向的邊界框。自動駕駛動態(tài)目標(biāo)檢測，類別包括常見的動態(tài)道路對象（汽車、行人、騎車人等），
方法主要有兩種：順序檢測和單步檢測。
基于序列的模型按時間順序由預(yù)測階段和三維邊界框（bbox）回歸階段組成。在預(yù)測階段，提出可能包含感興趣對象的區(qū)域。在bbox回歸階段，基于從三維幾何中提取的區(qū)域特征對這些建議進(jìn)行分類。然而，序列融合的性能受到各個階段的限制。
展開 自動駕駛的路線變化：從 L4 無人車到「車路云」的落地
所謂自動駕駛的范圍漸變，就是先從一些交通要素簡單，能夠高度確保安全的場景做落地，收集數(shù)據(jù)，提升自動駕駛能力，現(xiàn)在百度已經(jīng)專門成立了一個運(yùn)力公司叫蘿卜快跑，提供自動駕駛落地，目前已經(jīng)在北京、廣州、長沙、滄州等不少地方試點(diǎn)。
之后，百度將場景從 Taxi 場景擴(kuò)展到城市公交、園區(qū)等各個場景，從戰(zhàn)略上由單車智能拓展到車路協(xié)同。
這里面說到了車路協(xié)同技術(shù)，之前很多人認(rèn)為車路協(xié)同由于需要基礎(chǔ)設(shè)施補(bǔ)充，很難大規(guī)模推廣，但其實車路云一體化本身就是「范圍漸進(jìn)式」的典型代表，車路云一體化是從場景切入，通過車、路、云的三端聯(lián)動，確保自動駕駛的安全和高效運(yùn)營。
這是有成功案例的，除了百度的蘿卜快跑，早在 2019 年 10月 蘑菇車聯(lián)就在北京順義建成了 5G 商用車路協(xié)同示范項目，這是國內(nèi)第一個車路協(xié)同方案下的自動駕駛項目。
目前，縱觀國內(nèi)車路云一體化技術(shù)的落地，百度和蘑菇車聯(lián)推進(jìn)速度相對較快。
比如，2020 年 8 月，百度 Apollo 相繼拿下廣州和長沙面向自動駕駛與車路協(xié)同的智慧交通「新基建」項目，其中廣州項目金額接近 4.6 億元。截至目前，百度已公布的智慧交通千萬級訂單城市超過 20 個，平均中標(biāo)金額約 1.6 億元。
目前，百度 Apollo 已經(jīng)成功中標(biāo)滄州、合肥、重慶、廣州、成都等多地的自動駕駛車路協(xié)同示范項目；蘑菇車聯(lián)則在北京、上海、衡陽、鶴壁等城市落地，在江蘇、四川、湖北、河北、海南等多個省市都有項目推進(jìn)。
如今，蘑菇車聯(lián)衡陽項目已經(jīng)成為全球最大的城市級自動駕駛項目，該項目金額達(dá)到 5 億元，設(shè)計總里程 200 公里，覆蓋城市主干道、隧道、立交橋、鄉(xiāng)村道路等實際復(fù)雜路況，也是國內(nèi)目前唯一的自動駕駛城市級項目。
展開 自動駕駛能力驗證的關(guān)鍵：仿真測試詳述
如上無論選擇何種仿真工具，構(gòu)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(biāo)。然而，實際開發(fā)測試過程中，傳統(tǒng)的單機(jī)測試存在如下問題：
高精度地圖制作與匹配無法有效進(jìn)行，高逼真靜態(tài)場景的建立仍然無法滿足，先進(jìn)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(tài)場景庫建設(shè)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(shè)平臺方案，由于云平臺本身具備海量數(shù)據(jù)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(xiàn)跨專業(yè)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(jī)仿真測試軟件相結(jié)合，可以很好的彌補(bǔ)單機(jī)仿真測試軟件的弊端。
當(dāng)前云仿真平臺應(yīng)用在國內(nèi)外現(xiàn)狀主要還是應(yīng)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(nèi)的幾家主要應(yīng)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(wù)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(huán)境模型、傳感器模型、動力學(xué)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(yù)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(fā)/測試/管理共享云平臺。
對于如上的四類云平臺重點(diǎn)關(guān)注的部分主要有：如何進(jìn)行有效的場景庫建設(shè)？如何基于車聯(lián)網(wǎng)等網(wǎng)絡(luò)平臺進(jìn)行數(shù)據(jù)場景重建？如何基于不同的控制域搭建相關(guān)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？
展開 解讀蘑菇車聯(lián)「車路云一體」路徑：或成自動駕駛安全最優(yōu)解
蘑菇車聯(lián)車路云一體化的自動駕駛率先突破黑夜極端場景
蘑菇車聯(lián)能夠做到這些，背后是其三大行業(yè)領(lǐng)先的核心技術(shù)。
據(jù)報道，蘑菇車聯(lián)擁有全球領(lǐng)先的 L4 級單車自動駕駛技術(shù)，打造了具有高穩(wěn)定性與可靠性的單車自動駕駛系統(tǒng)，同時可融合路側(cè)與云端的綜合信息，更加適合中國城市開放道路的實際交通情況。
其次，蘑菇車聯(lián)通過單車智能、車路協(xié)同、AI 云平臺實現(xiàn)融合感知、協(xié)同定位規(guī)劃和協(xié)同決策，突破了單車智能瓶頸，大幅提升了自動駕駛的可靠性和安全性，是國內(nèi)領(lǐng)先且唯一的車路云一體化體系。
同時，蘑菇車聯(lián)還擁有全國最大規(guī)模的云控平臺，打造了交通元素全覆蓋的全息數(shù)據(jù)感知體系和場景化智能決策服務(wù)，是國內(nèi)唯一具備交通 AI 底層系統(tǒng)與應(yīng)用運(yùn)營系統(tǒng)的智慧交通大數(shù)據(jù)平臺。
蘑菇車聯(lián)自動駕駛落地衡陽
在領(lǐng)先的技術(shù)加持下，蘑菇車聯(lián)自動駕駛已經(jīng)率先進(jìn)入大規(guī)模商業(yè)化應(yīng)用新階段。今年 3 月，蘑菇車聯(lián)與衡陽市政府簽署戰(zhàn)略合作協(xié)議，雙方已在智能終端、車路協(xié)同、自動駕駛及智慧交通領(lǐng)域展開深度合作，共建智慧交通創(chuàng)新示范城市，推動城市級自動駕駛大規(guī)模落地和商業(yè)化運(yùn)營。此外，蘑菇車聯(lián)自動駕駛還在北京、蘇州等多地落地運(yùn)營。
據(jù)悉，首期自動駕駛車隊已批量駛?cè)牒怅柺兄鞲傻啦㈥懤m(xù)啟動商業(yè)化運(yùn)營，應(yīng)用于衡陽旅游觀光巴士、微循環(huán)公交、園區(qū)通勤擺渡、快速路公交等。
這也是國內(nèi)首個車路云一體化的自動駕駛車隊駛?cè)胫鞲傻溃瑯?biāo)志著自動駕駛進(jìn)入到城市級主干交通要道落地的新階段。蘑菇車聯(lián)自動駕駛車輛還將覆蓋智能駕駛網(wǎng)約車等城市公共出行以及市內(nèi)物流車、清掃車、巡邏車等城市公共服務(wù)場景。
展開 自動駕駛虛擬仿真技術(shù)（四）：仿真測試流程及要求
作者 | HYZY
出品 | 焉知
知圈 | 進(jìn)“汽車智能互動社群”請加微信13636581676，備注交互
一、自動駕駛仿真測試對象
自動駕駛系統(tǒng)分為了環(huán)境感知、決策規(guī)劃和控制執(zhí)行三個子系統(tǒng)，三個子系統(tǒng)又由傳感器模型、決策模型、控制對象模型及對應(yīng)的軟件和硬件部分組成。
圖 1 自動駕駛系統(tǒng)通用架構(gòu)
從V模型的角度，要完成自動駕駛系統(tǒng)的測試，就必須對其所包含的所有算法、軟件、硬件、子系統(tǒng)、整車進(jìn)行逐層的測試，以形成測試的全鏈條。
在測試方法選擇上，仿真測試、場地測試與道路測試共同組成了自動駕駛測試的“三支柱”。其中，場地測試與道路測試僅針對整車層面，且覆蓋的場景工況有限，尤其是對于長尾場景，難以通過實車的方式進(jìn)行測試。而自動駕駛仿真測試可以很好地彌補(bǔ)實車測試的不足，除了場景覆蓋度外，更是可以針對自動駕駛算法、軟件、硬件、子系統(tǒng)、整車等不同層級的測試對象，形成全鏈條測試。
二、自動駕駛仿真測試流程
根據(jù)不同層級測試對象的特點(diǎn)，可選擇不同的自動駕駛仿真測試環(huán)境，通常來說：對自動駕駛系統(tǒng)的模型算法、計算平臺、域控制器等依次開展模型在環(huán)（MIL）、軟件在環(huán)（SIL）、硬件在環(huán)測試（HIL），之后對整車開展駕駛員在環(huán)（DIL）和車輛在環(huán)（VIL）測試。具體仿真測試流程見下圖2。
圖 2 自動駕駛仿真測試流程
三、自動駕駛仿真測試執(zhí)行環(huán)節(jié)
自動駕駛仿真測試典型的執(zhí)行環(huán)節(jié)包括：測試需求分析、測試配置、接口定義、設(shè)計測試用例、測試執(zhí)行、測試結(jié)果分析及測試結(jié)束條件等。
展開 自動駕駛虛擬仿真技術(shù)（三）：仿真測試場景數(shù)據(jù)格式
表 2 動態(tài)仿真場景要素
環(huán)境要素
屬性
光照
強(qiáng)度、顏色、方位
霧/霾
能見度、范圍、濕度、密度、反射衰減
雨雪
降水量、濕度、反射衰減
風(fēng)
強(qiáng)度、方向
云
相對位置
可以看出，環(huán)境場景數(shù)據(jù)相當(dāng)復(fù)雜，目前行業(yè)內(nèi)尚無通用的環(huán)境場景數(shù)據(jù)格式，在后續(xù)的OpenSCENARIO標(biāo)準(zhǔn)中計劃納入該部分?jǐn)?shù)據(jù)。
自動駕駛虛擬仿真技術(shù)（一）：自動駕駛虛擬仿真概述
自動駕駛虛擬仿真技術(shù)（二）：仿真測試場景設(shè)計
自動駕駛車輛仿真模擬軟件盤點(diǎn) 附車輛工程仿真下載
從訓(xùn)練到測試，虛擬環(huán)境正在讓自動駕駛變得越來越完善。在訓(xùn)練過程中，它能夠幫我們節(jié)省時間，提高效率，并且?guī)臀覀円?guī)避在真實世界中進(jìn)行測試時的風(fēng)險。
下載地址：車輛工程仿真
設(shè)計仿真 | 基于VTD的多物理傳感器自動駕駛系統(tǒng)仿真方案
隨著自動駕駛算法等級的不斷提高，各開發(fā)商的傳感器布置方案也越來越豐富，最典型的為多V、多R及多L的方案。而在對多種類，多數(shù)量的傳感器進(jìn)行物理模型仿真時，會占用大量的計算資源和網(wǎng)絡(luò)通訊資源，同時仿真的效果還受到PCIe總線帶寬及顯卡的接口數(shù)量限制。
基于VTD的多物理傳感器自動駕駛系統(tǒng)仿真方案，采用VTD的主從機(jī)布置方式，將VTD軟件安裝在主機(jī)Master上，從機(jī)slave上只安裝運(yùn)行VTD所需要的依賴，主機(jī)以mount的方式將仿真軟件映射在從機(jī)Slave相應(yīng)的位置。在主機(jī)中配置各類型傳感器運(yùn)行的顯卡平臺，仿真開始時，主機(jī)以ssh的方式將傳感器的計算任務(wù)下發(fā)到從機(jī)Slave的顯卡，以調(diào)用從機(jī)Slave的計算資源，達(dá)到仿真對速度的要求。各個計算機(jī)的顯卡將計算完成的數(shù)據(jù)，分別通過HDMI和以太網(wǎng)的數(shù)據(jù)，發(fā)送到視頻注入板(FPGA)或直接發(fā)送給被測系統(tǒng)SUT。從而在感知層實現(xiàn)全鏈路仿真。該系統(tǒng)可以滿足用戶：
01
同時進(jìn)行多路視頻數(shù)據(jù)的感知算法驗證；
02
同時進(jìn)行多路激光雷達(dá)點(diǎn)云數(shù)據(jù)的仿真驗證；
03
同時進(jìn)行多路毫米波雷達(dá)點(diǎn)云數(shù)據(jù)的仿真驗證；
04
可進(jìn)行多V多R和多L的物理模型仿真驗證；
05
可進(jìn)行行泊一體的算法仿真驗證。
VTD方案優(yōu)勢
支持主從機(jī)的布置方式，合理分配計算資源；
主從機(jī)采用同一套仿真軟件，降低軟件成本；
根據(jù)顯卡的種類(圖形卡/計算卡)合理分配計算任務(wù)；
從機(jī)數(shù)量可擴(kuò)展。
展開 車輛自動駕駛CAE仿真技術(shù)研究
自動駕駛是汽車產(chǎn)業(yè)與人工智能、物聯(lián)網(wǎng)、高性能計算等新一代信息深度融合的產(chǎn)物，包括谷歌、百度、阿里、豐田、福特、特斯拉，所有世界頂級的互聯(lián)網(wǎng)及巨頭廠商都在布局研發(fā)自動駕駛，它是當(dāng)今全球汽車與交通出行領(lǐng)域智能化發(fā)展的主要方向。
而Prescan是一款開發(fā)ADAS和智能汽車系統(tǒng)的CAE仿真平臺，其具有強(qiáng)大的場景構(gòu)建能力，可與simulink聯(lián)合仿真控制車輛動力學(xué)模型進(jìn)行實時仿真。以下圖1為Prescan智能駕駛平臺的Work flowchart，具體開發(fā)工作流程為首先建立自動駕駛場景；其次建立車輛動力學(xué)模型、雷達(dá)傳感器、攝像頭特性參數(shù)；然后再結(jié)合控制系統(tǒng)模型、算法、最終實現(xiàn)CAE虛擬仿真或硬件在環(huán)的實時仿真；圖2為Prescan仿真平臺模擬再現(xiàn)真實事故場景，左圖為真實事故發(fā)生的道路狀況（未有主動控制系統(tǒng)），右圖為仿真模擬事故場景（有前向碰撞預(yù)警（FCW）/防撞自動剎車（CMB）主動控制系統(tǒng)）。
圖1 Work flowchart
圖2 真實事故與仿真再現(xiàn)
自動駕駛技術(shù)，SAE將自動駕駛分為5級，即L1~L5級。以下圖3數(shù)據(jù)來源億歐智庫：
圖3 SAE自動駕駛定義和分級標(biāo)準(zhǔn)
以下本人基于Prescan仿真平臺進(jìn)行L2級別ACC自適應(yīng)巡航自動駕駛CAE仿真研究工作。
首先建立3輛車（Host車、1號lead車、2號lead車）在三車道的道路上的初始位置場景，車輛在同一車道以120 Km/h、60 Km/h、40 Km/h不同的車速下行駛（未考慮設(shè)置車輛發(fā)生碰撞后的細(xì)節(jié)狀態(tài)）；分別設(shè)定車輛及雷達(dá)傳感器相關(guān)參數(shù)，圖4為車輛動力學(xué)參數(shù)示例，圖5為2D車輛安裝多個雷達(dá)傳感器與道路顯示界面，圖6為3D車輛場景。
展開 設(shè)計仿真 | 直播預(yù)告-自動駕駛中V2X仿真測試解決方案
1、從事仿真工作7年，從事自動駕駛領(lǐng)域4年。
歐洲自動駕駛仿真項目 CoExist 介紹
自動駕駛技術(shù)的出現(xiàn)和發(fā)展正在改變著我們未來的出行方式，不久的將來智能網(wǎng)聯(lián)車輛將與傳統(tǒng)車輛共享我們的道路路網(wǎng)，CoExist項目的設(shè)立正是為轉(zhuǎn)型階段的城市做好前期準(zhǔn)備。
該項目是由歐盟的地平線2020專案資助，由來自7個國家的15個合作方組成，并于2020年年底結(jié)束，PTV Group作為有著40年交通仿真經(jīng)驗的專業(yè)軟件公司，主要負(fù)責(zé)宏觀及微觀模型中“自動駕駛車輛”的建模工作，將自動駕駛車輛融入現(xiàn)有的交通模型工具中。
在過去的18個月里，PTV工程師與來自法國研究機(jī)構(gòu)VEDECOM，Renault，西門子TASS以及斯圖加特大學(xué)的合作伙伴保持緊密的合作關(guān)系，此外，還得到瑞典國家道路和交通研究院，荷蘭海爾蒙德市一級佛羅倫薩大學(xué)的支持。
下圖是項目的工作流程：
所謂的“聯(lián)合仿真”是一個在VEDECOM控制邏輯，西門子的Prescan軟件和微觀仿真軟件PTV Vissim之間實現(xiàn)的對接運(yùn)行。其中的場地數(shù)據(jù)是在海爾蒙德市的測試道路上并結(jié)合實際交通環(huán)境下采集得到，并進(jìn)一步分析數(shù)據(jù)和自動駕駛的跟車行為特性。
在此基礎(chǔ)上，PTV公司在Vissim軟件中建立了微觀交通模型，包括路段，上下匝道等，并將結(jié)果提交給斯圖加特大學(xué)的研究人員，用于Visum宏觀模型的建立（例如流量延誤函數(shù)）。
CoExist項目中第一個需要解決的問題是，自動駕駛車輛與傳統(tǒng)車輛在駕駛行為上具有哪些不同的特征？為了獲取可用的研究數(shù)據(jù)，我們采集了海爾蒙德和埃因霍溫測試跑道上得到的經(jīng)驗數(shù)據(jù)，測試中我們使用了三輛車輛，一輛為傳統(tǒng)的駕駛員車輛，兩輛為可通訊的自動駕駛車輛。
展開 