L3及以上級別自動駕駛車輛的開發(fā)，在車輛系統(tǒng)復雜程度、使用環(huán)境復雜程度方面均急劇增加。算法測試、傳感器測試、安全性測試已不能通過汽車領域的車輛動力學等仿真方法來解決。仿真平臺成為自動駕駛企業(yè)的剛性需求。

Waymo、百度、騰訊將仿真系統(tǒng)研發(fā)作為頭等大事；AutoX、Roadstar.ai、Pony.ai等諸多自動駕駛初創(chuàng)公司也在自主研發(fā)仿真環(huán)境；業(yè)內開始出現(xiàn)CARLA、AirSim等開源式自動駕駛仿真平臺。

*自動駕駛汽車在仿真場景中訓練

自動駕駛仿真平臺是集：靜態(tài)場景還原、動態(tài)案例仿真、傳感器仿真、車輛動力學仿真、并行加速計算等功能于一體，可方便地接入自動駕駛感知和決策系統(tǒng)，還可根據企業(yè)的開發(fā)流程而定制開發(fā)的平臺。

靜態(tài)環(huán)境構建層面：即通過采集實際環(huán)境信息及已有的高精度地圖構建靜態(tài)場景，通過采集激光點云數(shù)據，建立高精度地圖，構建環(huán)境模型，并通過自動化工具鏈完成厘米級道路還原。靜態(tài)場景數(shù)據編輯和自動生成技術，可基于實體場景完成真實道路自動化還原。也可以對道路周圍樹木及信號燈等標識根據不同拓撲結構進行自動的排布組合，生成更多的衍生虛擬場景。

動態(tài)場景編輯層面：自動駕駛仿真平臺核心在于數(shù)據，這里的數(shù)據非采集數(shù)據，而是對多元類型數(shù)據的整合與加工。多數(shù)據來源智能體行為模型工具，可實現(xiàn)差異化動態(tài)場景的快速搭建。

李熠提到，行業(yè)現(xiàn)階段的情況是，一個實際交通案例數(shù)據轉換到仿真平臺，且非高質量數(shù)據，可能需要花費數(shù)天，縮減周期是目前整個行業(yè)正在努力的方向。

*對自動駕駛的測試場景進行編輯

車輛建模方面：目前有部分初創(chuàng)企業(yè)傳出聲音：傳感器仿真模擬在自動駕駛開發(fā)中沒有太大的必要，使用處理好的目標結果同樣可以進行算法訓練。而在張帆博士看來，傳感器仿真是非常重要的一環(huán)。未來從國家產品認可及召回角度考慮，檢測機構必須對產品進行逐級分拆，識別判定是硬件問題、軟件問題、融合算法問題還是決策算法問題，保證產品安全。自動駕駛仿真平臺需做到每個層級的仿真，而非簡單的動態(tài)場景還原。

在自動駕駛仿真產業(yè)鏈上，仿真平臺有三大類型客戶：

車廠占比最大：其對于仿真方案的要求最為嚴格，涉及部件，系統(tǒng)與整車各級別的算法訓練及在環(huán)測試；

檢測機構，包括國家級實驗室，測試場，示范區(qū)等：檢測機構多從安全層面出發(fā)，希冀制定出全面、系統(tǒng)、公平的檢測標準；

科技算法公司：其訴求仍然是不斷迭代算法，并提供軟硬件結合的系統(tǒng)解決方案。

李熠提到，想要讓一輛自動駕駛汽車變得越來越聰明，需要源源不斷的數(shù)據喂養(yǎng)。這離不開成千上萬的邊緣案例，且還要保證數(shù)據的真實性及多樣性。

從數(shù)據采集到數(shù)據處理，再到算法回歸測試，需要構建一個完整的動態(tài)數(shù)據閉環(huán)。數(shù)據來源的多樣性、轉換效率及邊緣案例是自動駕駛仿真行業(yè)的關注重點。

現(xiàn)階段，各個玩家對數(shù)據的理解存在差異，與之而來的是協(xié)同問題。在提高場景轉換數(shù)據處理能力的前提下，形成統(tǒng)一的數(shù)據格式與轉換標準，以此解決協(xié)同性問題。

聲明：本文為轉載類文章，如涉及版權問題，請及時聯(lián)系我們刪除（QQ:2737591964），不便之處，敬請諒解！