自動駕駛仿真器的案例
設計仿真 | 基于VTD的多物理傳感器自動駕駛系統仿真方案
隨著自動駕駛算法等級的不斷提高，各開發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，多數量的傳感器進行物理模型仿真時，會占用大量的計算資源和網絡通訊資源，同時仿真的效果還受到PCIe總線帶寬及顯卡的接口數量限制。
基于VTD的多物理傳感器自動駕駛系統仿真方案，采用VTD的主從機布置方式，將VTD軟件安裝在主機Master上，從機slave上只安裝運行VTD所需要的依賴，主機以mount的方式將仿真軟件映射在從機Slave相應的位置。在主機中配置各類型傳感器運行的顯卡平臺，仿真開始時，主機以ssh的方式將傳感器的計算任務下發到從機Slave的顯卡，以調用從機Slave的計算資源，達到仿真對速度的要求。各個計算機的顯卡將計算完成的數據，分別通過HDMI和以太網的數據，發送到視頻注入板(FPGA)或直接發送給被測系統SUT。從而在感知層實現全鏈路仿真。該系統可以滿足用戶：
01
同時進行多路視頻數據的感知算法驗證；
02
同時進行多路激光雷達點云數據的仿真驗證；
03
同時進行多路毫米波雷達點云數據的仿真驗證；
04
可進行多V多R和多L的物理模型仿真驗證；
05
可進行行泊一體的算法仿真驗證。
VTD方案優勢
支持主從機的布置方式，合理分配計算資源；
主從機采用同一套仿真軟件，降低軟件成本；
根據顯卡的種類(圖形卡/計算卡)合理分配計算任務；
從機數量可擴展。
展開 自動駕駛車輛仿真-MSC 軟件總裁兼首席執行官 Dominic Gallello 對自動駕駛車輛仿真構架模塊的思考
我們需要重點關注哪些因素，才能讓無人駕駛車輛像當今的手機那樣實現“預期”技術？MSC 軟件花費了大量的時間來完善軟件工具，以幫助工程師通過計算機仿真來設計更快速、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，還需要彌補當今車輛設計過程中的巨大空
白。
由于無人駕駛車輛既新穎又復雜，因此需要對無數不同汽車品牌之間的車輛間通信進行規范。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設施（例如路燈、道路標志等）進行互動的各種外部傳感器輸入的數據。
為預測無人駕駛車輛的性能可信度并確保安全，汽車公司已擴大了其仿真技術的使用范圍并采用了新技術。
MSC 軟件預測，以下五種構架模塊將成為無人駕駛車輛整體仿真成功的關鍵。
由脫機到實時
當涉及到對日益復雜的汽車系統進行真實性驗證時，實時仿真絕對是關鍵所在。盡管脫機解決方案仍能夠繼續解算擁有極高復雜度的精密模型，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。這些實物資產有著限定的通信速度，并且相關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（包括動力學）的傳統目標是對設備進行驗證。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機立斷，都不會被視為一個需要進行驗證的“系統”（除進行駕照考試之外）。
自動駕駛車輛概念從一開始就徹底推翻了這種模式。現在，“駕駛員”無疑是車輛中最為復雜的系統，同樣必須對其進行驗證。不妨試想一下，自動駕駛的校車“司機”需要經歷多少個場景的仿真測試才能被認為是安全可靠。
展開 干貨｜自動駕駛系統中感知傳感器實物仿真測試環境構建
隨著智能駕駛技術的普遍應用，智能駕駛相關的測試測量方法也隨之發展。特別是模擬仿真測試領域，在智能駕駛產品開發過程中的應用越來越廣泛。而無論是自動駕駛（AD）還是高級輔助駕駛系統（ADAS），都是依靠高精度攝像頭、毫米波雷達、激光雷達等感知傳感器對車輛周邊環境進行感知識別來實現的。那么在自動駕駛系統模擬仿真測試實施過程中，系統中感知傳感器是如何進行實物仿真測試驗證的呢。
本文對自動駕駛系統中感知傳感器實物仿真測試環境構建的原理及其相關方案進行介紹。
■ 視覺攝像頭的實物仿真環境構建
視覺攝像頭是感光傳感器，光線通過攝像頭光學模組，映射到光學模組后面的感光芯片上，芯片將光信號轉換成電信號，這些電信號經過濾波、編碼等信號處理步驟，最終形成攝像頭模組的數字視頻信號。視頻數據通過數字視頻接口，傳輸給攝像頭主控制板。攝像頭主控板集成了主處理器、圖像處理單元和攝像頭電源模塊等電路單元，其中主處理器基于人工智能（AI）和圖像處理技術，圖像處理單元對拍攝圖像進行實時的解析。數據經過處理后，車輛前方的車輛、行人以及障礙物被識別出來。
放置在駕駛室內部的自動駕駛系統視覺前向攝像頭，朝著車輛行駛方向。前向攝像頭透過風擋玻璃對車輛前方的環境進行拍攝，前向視覺攝像頭可以識別取景范圍內的車輛、行人、車道線、交通信號燈、交通道路標志等目標。
圖1 視覺攝像頭識別車輛前方場景圖（圖片來源：車元素）
基于上述攝像頭圖像采集和目標處理的原理，針對視覺攝像頭的場景目標模擬仿真可以采用視覺場景再現的方式進行實現。最簡單便利的方式是利用投影的方式，對提前錄制好的視覺場景視頻進行播放，視覺攝像頭可以非常輕易的采集到模擬場景中目標，從而完成對攝像頭目標的模擬。
用于攝像頭目標模擬的投影系統，一般由投影儀、幕布及支架組成。
展開 康謀分享 | 物理級傳感器仿真：破解自動駕駛長尾場景驗證難題
05 物理建模與標準的行業協同
從鏡頭畸變模型、CMOS 噪聲鏈到 LiDAR 多回波和天氣衰減，物理級建模讓仿真的“數據表現”不再是肉眼看起來真，而是“行為上真實”。而標準化的材料規格，如 ASAM OpenMATERIAL 3D，更是將它推向行業共識。
這一切，最終目標都是構建一個“可信仿真”的閉環：真實物理參數驅動的模型 → 標準化定義的材料屬性 → 支持跨平臺共享與驗證 → 支撐自動駕駛場景真實測試與算法驗證。
而將這些關鍵模塊實現并集成于仿真平臺中（即 aiSim 所專注的），才是落地這一周期驗證環路的技術核心。
具體的 Raw 圖參數調教示例、LiDAR 參數配置樣板或圖示優化建議可獲取
展開 
康謀分享 | 基于多傳感器數據的自動駕駛仿真確定性驗證
（2）結果失去可信度：如果仿真結果不穩定，如何相信它所提供的安全驗證報告？這會給自動駕駛系統的安全性帶來“偽證”，造成虛假的安全感。
（3）測試覆蓋率失效：隨機性使得精確控制測試用例、確保覆蓋所有關鍵場景變得不可能。
歸根結底，對于自動駕駛這種安全至上的系統，測試必須是科學、嚴謹且可重復的。因此，一個具備高度確定性、一致性的仿真平臺，是所有有效測試的絕對前提。
03 確定性的驗證——以aiSim為例
為了驗證一個仿真平臺的確定性，最直接的方式便是確保各項參數不變的情況下進行重復仿真，對輸出的仿真數據進行最直接的比較，判斷是否存在差異。
例如，世界上首個獲得ISO 26262 ASIL-D認證的AD/ADAS仿真測試軟件aiSim，它構建了獨特的仿真內核，摒棄了游戲引擎中那些為“體驗”而犧牲“精確”的設計。為了驗證aiSim的確定性，我們進行了一系列重復性實驗。
1、傳感器選型與配置
圖2 aiSim傳感器配置GUI
通過在GUI中拖放仿真傳感器，我們在仿真車輛中添加了1個帶有目標檢測功能的1920×1080的前置針孔Camera、1個帶有目標檢測功能的前置Radar、1個帶有目標檢測功能的128線頂置LiDAR、1個內置IMU、1個內置GPS以及1個可以反饋自車狀態的Vehicle sensor。
圖3 仿真傳感器數據示例
2、場景與方法
圖4 仿真場景示例
aiSim本身包含了數十種城市、郊區的室內、室外場景。本文以真實世界常見的“行泊一體”為例，在一個包含14輛他車的室外停車場環境（Parking_US-CA_SanJoseAlamitos）中，對主車執行了“跟車 -> 切入變道 -> 尋找車位 -> 泊車”的全套連貫動作。
展開 應用分享 | Idiada利用動態駕駛模擬器進行L2級自動駕駛駕駛員參與度研究
原文標題：《L2自動駕駛駕駛員參與度研究：伊狄達40人試驗數據分析》
原文鏈接：點擊查看
此轉載已獲得 Applus IDIADA 同意，內容僅供學習交流使用。
關于 VI-grade：
VI-grade是實時仿真和專業駕駛模擬器解決方案的領先供應商，可加速整個車輛交通行業的產品開發。VI-grade的駕駛模擬器包括從靜態桌面解決方案到全尺寸駕駛員在環動態模擬器，使主機廠、供應商、研究中心、賽車隊和高校能夠減少物理原型的開發并加速創新。
VI-grade在仿真領域擁有超過30年的經驗，總部位于德國達姆施塔特，在意大利、英國、日本、中國和美國設有技術中心。
自2018年9月以來，VI-grade成為思百吉的一部分。思百吉公司在四個主要領域開展業務——材料分析、測試與測量、在線測量儀器和精密控制，并廣泛服務于從車輛交通到航空航天、電子、能源、采礦、制藥等眾多行業。
有關VI-grade的更多信息，請訪問www.vi-grade.com
聯系我們
VI-grade中國區聯系人：周百旺
Email: baiwang.zhou@vi-grade.com
聯絡座機：+86 4008629688
聯絡手機：+86 15855965900
VI-grade官方網站：
https://www.vi-grade.com/
關注我們的微信公眾號
展開 自動駕駛虛擬仿真技術（四）：仿真測試流程及要求
作者 | HYZY
出品 | 焉知
知圈 | 進“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
自動駕駛系統分為了環境感知、決策規劃和控制執行三個子系統，三個子系統又由傳感器模型、決策模型、控制對象模型及對應的軟件和硬件部分組成。
圖 1 自動駕駛系統通用架構
從V模型的角度，要完成自動駕駛系統的測試，就必須對其所包含的所有算法、軟件、硬件、子系統、整車進行逐層的測試，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行測試。而自動駕駛仿真測試可以很好地彌補實車測試的不足，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、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
根據不同層級測試對象的特點，可選擇不同的自動駕駛仿真測試環境，通常來說：對自動駕駛系統的模型算法、計算平臺、域控制器等依次開展模型在環（MIL）、軟件在環（SIL）、硬件在環測試（HIL），之后對整車開展駕駛員在環（DIL）和車輛在環（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行環節
自動駕駛仿真測試典型的執行環節包括：測試需求分析、測試配置、接口定義、設計測試用例、測試執行、測試結果分析及測試結束條件等。
展開 自動駕駛虛擬仿真技術（三）：仿真測試場景數據格式
表 2 動態仿真場景要素
環境要素
屬性
光照
強度、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
強度、方向
云
相對位置
可以看出，環境場景數據相當復雜，目前行業內尚無通用的環境場景數據格式，在后續的OpenSCENARIO標準中計劃納入該部分數據。
自動駕駛虛擬仿真技術（一）：自動駕駛虛擬仿真概述
自動駕駛虛擬仿真技術（二）：仿真測試場景設計
自動駕駛車輛仿真模擬軟件盤點 附車輛工程仿真下載
還有人做了基于DRL和TORCS的自動駕駛仿真系統，
相關鏈接：
https://github.com/ugo-nama-kun/gym_torcs
https://www.jianshu.com/p/a3432c0e1ef2
https://www.cnblogs.com/Qwells/p/6379077.html
http://torcs.sourceforge.net/（數據集）
TORCS下載地址和安裝方法：
http://torcs.sourceforge.net/index.phpname=Sections&op=viewarticle&artid=3
Unity
自動駕駛汽車需要自動駕駛軟件來驅動，而在線教育公司Udacity（優達學城）推出了面向自動駕駛開發的納米學位，來滿足目前汽車行業對自動駕駛軟件工程師旺盛的需求。近日，Udacity通過開源協議授權公開了它的自動駕駛汽車模擬器，有 Unity 技術背景的任何人都可以利用此模擬器的資源，載入軟件內置場景或創建自己的虛擬測試路線。
該模擬器是為優達自動駕駛，旨在教學生如何使用深度學習駕駛汽車，支持Linux、Mac、Windows環境，只需將數據庫復制到本地目錄，確保使用Git LFS 帶動大量的紋理和模型資源。
相關鏈接：
https://github.com/udacity/self-driving-car-sim
Carla
英特爾實驗室聯合豐田研究院和巴塞羅那計算機視覺中心聯合發布CALRA，用于城市自動駕駛系統的開發、訓練和驗證的開源模擬器，支持多種傳感模式和環境條件的靈活配置，論文中詳細評估并比較了三種自動駕駛方法的性能。
展開 美大學安裝高保真駕駛模擬器 助力自動駕駛系統研究
據外媒報道，美國德克薩斯大學奧斯汀分校（UT-Austin）安裝了一個完全集成式的高保真Cruden駕駛模擬器，以對自動駕駛系統學術研究提供協助。
德克薩斯大學奧斯汀分校的一個汽車駕駛員在環（driver-in-the-loop）模擬器上已經安裝了Cruden。奧斯汀分校的Walker機械工程系是北美最知名的研究機構之一，該系將利用Cruden AS1基于動作的系統，在其硬件在環（HIL）測試設置中添加人類駕駛員輸入，以研究自動駕駛汽車控制系統的性能。
德克薩斯大學奧斯汀分校需要一個結合了HIL和駕駛員在環（DIL）系統的汽車模擬器，即一個定制裝置，可輕松、無縫地呈現多種駕駛環境和車輛類型，并且盡可能地接近現實。
該Cruden模擬器集成了奧斯汀分校現有的dSpace Scalexio模塊化實時硬件仿真系統以及dSpace ASM車輛和交通模型。該系統可用于多智能體模擬，以評估智能車輛的交通情境，包括評估復雜的車輛動力學。
將多智能體模擬與DIL模擬結合是業界首創，可實現在主客觀場景進行車輛測試，以及研究未來移動出行項目，可以呈現真實現實場景，但是有人類在模擬器后面進行操作。
展開 車輛自動駕駛CAE仿真技術研究
自動駕駛是汽車產業與人工智能、物聯網、高性能計算等新一代信息深度融合的產物，包括谷歌、百度、阿里、豐田、福特、特斯拉，所有世界頂級的互聯網及巨頭廠商都在布局研發自動駕駛，它是當今全球汽車與交通出行領域智能化發展的主要方向。
而Prescan是一款開發ADAS和智能汽車系統的CAE仿真平臺，其具有強大的場景構建能力，可與simulink聯合仿真控制車輛動力學模型進行實時仿真。以下圖1為Prescan智能駕駛平臺的Work flowchart，具體開發工作流程為首先建立自動駕駛場景；其次建立車輛動力學模型、雷達傳感器、攝像頭特性參數；然后再結合控制系統模型、算法、最終實現CAE虛擬仿真或硬件在環的實時仿真；圖2為Prescan仿真平臺模擬再現真實事故場景，左圖為真實事故發生的道路狀況（未有主動控制系統），右圖為仿真模擬事故場景（有前向碰撞預警（FCW）/防撞自動剎車（CMB）主動控制系統）。
圖1 Work flowchart
圖2 真實事故與仿真再現
自動駕駛技術，SAE將自動駕駛分為5級，即L1~L5級。以下圖3數據來源億歐智庫：
圖3 SAE自動駕駛定義和分級標準
以下本人基于Prescan仿真平臺進行L2級別ACC自適應巡航自動駕駛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（未考慮設置車輛發生碰撞后的細節狀態）；分別設定車輛及雷達傳感器相關參數，圖4為車輛動力學參數示例，圖5為2D車輛安裝多個雷達傳感器與道路顯示界面，圖6為3D車輛場景。
展開 
設計仿真 | 直播預告-自動駕駛中V2X仿真測試解決方案
1、從事仿真工作7年，從事自動駕駛領域4年。
歐洲自動駕駛仿真項目 CoExist 介紹
此外，在CoExist項目中，還對自動駕駛車輛的發展階段和類型進行了明確的定義。首先，根據自動車輛的市場份額，技術能力以及駕駛行為方式將自動駕駛的發展階段分為了引入階段，成立階段以及成熟普及階段。
同時，又將自動駕駛車輛的駕駛行為方式根據駕駛邏輯的精細程度進行了細分，分別為Rail-safe, Cautious, Normal以及All-knowing，其具體定義為：
根據項目的數據分析結果以及駕駛邏輯劃分方式，我們可以看到，自動駕駛車輛與傳統車輛的行為特性有著較大的不同，為了使用PTV Vissim軟件實現智能車輛的仿真任務，PTV公司在軟件的原有基礎上，開發了與智能車輛駕駛特性相關的新功能，其中包括：
1. 關閉潛在的隨機性。
我們知道，傳統的有人類駕駛員控制的車輛中包含了很多隨機因素，這些隨機因素主要反映在車輛在跟車時車速的保持和距離的保持上的擺動較大，而自動駕駛車輛在跟車時的穩定性更高，因此，Vissim新版本中允許用戶關閉潛在的隨機性算法。
2. 可觀察到的前方的車輛數/對象數。
自動駕駛車輛由于受到傳感器或檢測器的限制，往往只能識別到前方一輛車（或兩輛車）的情況，但是同時又能接收到下游信號燈的信號數據。針對這種特性，Vissim中將車輛可觀察的前方車輛和對象數進行的區別考慮，對象指的是信號燈，停車標識等物理對象。
3. 根據前車的車輛類型確定跟車行為參數。
展開 自動駕駛驗證的多重場景仿真
了解先進駕駛輔助系統和自動駕駛系統是否已充分測試
先進駕駛輔助系統和自動駕駛車輛的驗證和確認框架，將數據管理、測試自動化和結果后處理功能融合到無縫工作流中
汽車不能只在特定用例下驗證合格，而在異常情況下卻依賴駕駛員接管。隨著自動化程度的不斷提升，測試用例的數量顯著增加。
為了構建驗證和確認框架來實現不同交通狀況的大量仿真以確認整車性能，需要解決兩方面關鍵要素：測試自動化工具鏈與車輛的準確虛擬表示、傳感器與環境。
注冊參觀看此網絡研討會，了解將數據管理、測試自動化和結果后處理功能融合在一起的無縫工作流。
探索：
融合了幾種產品（Simcenter Prescan、HEEDS 和 Amesim）的無縫工作流
能夠自動創建和執行的場景和多種仿真
高度細化且準確的場景創建
點擊鏈接 獲取完整內容：http://avz6v7gw1lfs7v7u.mikecrm.com/9hNbL9z
展開 車輛自動駕駛CAE仿真技術研究
自動駕駛是汽車產業與人工智能、物聯網、高性能計算等新一代信息深度融合的產物，包括谷歌、百度、阿里、豐田、福特、特斯拉，所有世界頂級的互聯網及巨頭廠商都在布局研發自動駕駛，它是當今全球汽車與交通出行領域智能化發展的主要方向。
而Prescan是一款開發ADAS和智能汽車系統的CAE仿真平臺，其具有強大的場景構建能力，可與simulink聯合仿真控制車輛動力學模型進行實時仿真。以下圖1為Prescan智能駕駛平臺的Work flowchart，具體開發工作流程為首先建立自動駕駛場景；其次建立車輛動力學模型、雷達傳感器、攝像頭特性參數；然后再結合控制系統模型、算法、最終實現CAE虛擬仿真或硬件在環的實時仿真；圖2為Prescan仿真平臺模擬再現真實事故場景，左圖為真實事故發生的道路狀況（未有主動控制系統），右圖為仿真模擬事故場景（有前向碰撞預警（FCW）/防撞自動剎車（CMB）主動控制系統）。
圖1 Work flowchart
圖2 真實事故與仿真再現
自動駕駛技術，SAE將自動駕駛分為5級，即L1~L5級。以下圖3數據來源億歐智庫：
圖3 SAE自動駕駛定義和分級標準
以下本人基于Prescan仿真平臺進行L2級別ACC自適應巡航自動駕駛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（未考慮設置車輛發生碰撞后的細節狀態）；分別設定車輛及雷達傳感器相關參數，圖4為車輛動力學參數示例，圖5為2D車輛安裝多個雷達傳感器與道路顯示界面，圖6為3D車輛場景。
展開 