本篇作品是《九章智驾》仿真类系列的第四篇，前三篇永别是：《一文读懂自愿驾驶仿真测试时间近况》、《自愿驾驶仿真类草创企业音信梳理》、《一文读懂自愿驾驶仿真测试场景与场景库》。仿真测试对自愿驾驶的紧张性显而易见，笔者写这些实质欲望或许掷转引玉。更欲望或许举动一个“呐喊者”让更众的人去眷注和侧重自愿驾驶仿真测试这个界限。

自愿驾驶体例现阶段最大的题目是“落地运用难”，之是以“落地运用难”是由于自愿驾驶体例的安闲题目尚未取得稳当的处分。处分体例安闲题目就须要举行豪爽的虚拟仿真测试和实车道道测试，而仿真测试或许大大加快体例的测试验证历程，因而，奈何高效、可托地对自愿驾驶举行仿真测试评议是自愿驾驶体例贸易化落地的枢纽。

接下来讲一下目前自愿驾驶仿真测试的两大痛点题目：仿真测试的置信度和仿真测试场景的掩盖度题目。

现正在固然许众仿真平台都具有传感器修步武真、车辆动力学修步武真以及交通场景修步武真的才能，但仿真模子大家都是征战正在理思要求的情状下，仿真模仿器模仿出来的结果的置信度真相怎样样，还没有完全可量化的目标去评议。

以激光雷达仿真为例，激光雷达的反射强度与滞碍物的隔绝、激光发射角度以及滞碍物自己的物理材质合系。激光雷达探测领域大，发射出去的激光辉束又万分麇集，且正在境遇中存正在众次反射、掩瞒等影响，计较返回的激光束较量繁杂，很难较为确切地对激光雷达信号的回波举行模仿。现有激光雷达模子，大家是遵照每一种物理材质的激光反射坦率接计较回波信号。云云计较的话，与实际中的回波信号必定是存正在必然的差错。

要是研商到传感器硬件或软件自己变成雷达的噪点题目，以及雨雪、水渍、尘埃等这些滋扰雷达作事功能的境遇身分，导致雷达功能削弱或者无法利用的表象。这些题目或表象更是激光雷达仿线. 仿真平台复现和泛化退场景的置信度题目

目前凡是采用的机谋是，基于确切数据通过仿真模仿器去复现和泛化出更众的虚拟仿真测试场景。那么，这些测试场景与确切场景的拟合度能抵达什么水准？

什么是场景的泛化呢？即将道采确实切场景数据举行特质提取、数据标注等操作后，仿真平台根据场景特质元素的相干相合或者人工阅历等对场景元素举行从新组合或推演概括处置，从而衍生出更众合理的新场景。

一是泛化的倾向是否合适统计学道理与测试需求。今朝的自愿驾驶企业都未清楚提出其动态场景相对待确切全国的统计学道理。确定仿真场景与确切全国正在统计上的映照相合是亟待处分的困难。

二是泛化历程中确切性耗费，比如，对麇集交通流案例举行泛化，更改一条车辆轨迹后，正在本质中会对周边众条轨迹发生影响并扩散开来，单车的行驶扰动有时会变成全盘交通流的失稳，现正在的泛化时间很难重现这种场景。

复现和泛化出来的虚拟仿真境遇与确切境遇之间势必存正在区别，这种区别会对测试结果变成众大的影响，是否正在可授与的领域内？怜惜现正在也还没有完全可量化的KPI目标去评议这些测试场景的置信度。

目前古代的测试机谋仍是以硬件测试（征求HIL硬件正在环、VIL车辆正在环）或确切道道测试为主。有视察结果显示，对待纯虚拟仿真测试（如MIL模子正在环/SIL软件正在环），许众客户以为验证出来的数据不是极度牢靠，即确切性没有保障。

一位仿真专业人士曾正在他的作品里讲到过：“正在自愿驾驶仿真中，是很难有‘参数标定’这个历程的，由于‘确切试验’对安闲员有高危性，而且很难推行，因而也就很难调度仿真的参数，没有标定好的参数，又很难预测确切结果，就像个死轮回。试验-仿真-试验的回道难通，仅靠阅历式的仿真，结果奈何让人信服？”

是呀，因为“试验-仿真-试验”的回道欠亨，结果的长短较量难讯断，客户对仿真结果确实切性存正在疑义也就正在所不免了。那么，又该奈何普及自愿驾驶仿真测试体例的置信度呢？现正在固然还没有完备的计划，但合系企业依然发端采用差异的计划来擢升仿真体例的置信度水准了。

腾讯的自愿驾驶仿真平台TAD-Sim采用逛戏衬托+确切数据双擎驱动的方法，通过使用豪爽确切道采数据练习交通流AI模子，再联络逛戏衬托引擎时间，自愿构修互动性较强，亲切确切全国的测试场景。

百度采用加强实际的自愿驾驶仿真体例-AADS，通过利用车辆搭载的激光雷达和高清相机扫描街景，获取车辆边际静态的场景图像和车流转移的动态轨迹数据；使用这些素材，体例再运用加强实际时间直接、自愿地创修高传神度的仿真图像，使得创修出的虚拟场景愈加亲切线 WORLD采用数字孪生测试时间来加众仿真测试结果的置信度，假使用数字孪生时间构修一个与确切场景类似的虚拟场景模子。实车正在确切场景测试的历程中，会以车辆正在环方法将车辆及时形态数据及时映照到虚拟场景中，同时虚拟场景的测试数据和评议结果也会反应给实际全国，举动诱导和优化实际全国中确切车辆举行决定的紧张根据。

现正在自愿驾驶仿真测试另一大痛点便是奈何构修一个高掩盖度水准的场景库（掩盖简直一共的“Corner Case”），若有云云完备的场景库，体例只需把场景库中所涵盖的测试用例都验证一遍，满意恳求后便或许达标。

对自愿驾驶仿真测试来讲，最大的离间正在于去网罗到一共Corner Case，来掩盖差异的道道境遇、天色境遇以及交通情状，这简直是不大概落成的做事。单从网罗自愿驾驶Corner Case 这方面来讲，Waymo的实车道测里程较量长，从统计学角度讲，它碰着的Corner Case相对就众少许（截止到2020年，仿真体例里的模仿测试里程累计抢先150亿英里，本质道道测试里程累计抢先2000万英里）。尽量云云，其工程师们依然发掘有不足为奇的新长尾场景待处分。

a. Pixel level：由数据上的舛错变成；比方风挡上展示了污垢遮挡了摄像头的片面视野，或者夜里对向驶来的车辆开着的大灯让摄像头展示眩光等场景，导致摄像头搜罗的数据展示舛错。

b. Domain level：数据发挥出的对全国的观测发生了满堂偏移；比方冬天随地掩盖着白色积雪的场景。

c. Object level：数据中存正在未始“睹”过的实例；比方正在住户区的道道中心展示了一只骆驼。

d. Scene level：单帧数据中展示了与预期不类似的场景形式；发挥为熟知的物体展示了豪爽未知的堆积或者熟知的物体展示正在分外的地位；比方大风事后，倒正在道中央的树。

e. Scenario level：衔接帧数据中展示了与预期不类似的场景形式；比方“鬼探头”，旁边静止的车辆前忽然展示一个行人。

对待差异级此外Corner Case 须要采用差异的本领，对待前3个级别相对粗略的场景类型：pixel level、domain level、object level，能够抽取特质元素通过参数重组的方法来构修；然而对待Scene level和Scenario level这两种繁杂级此外场景，数目也较量远大，很难十足穷举。是以最好的主意仍是须要进一步擢升体例的感知才能，须要通过深度进修本领让体例从“感知”进化到“认知”，让体例也具备亲切人相同的常识推理和泛化才能。

机械进修是处分自愿驾驶长尾题目的一种有用东西。使用Machine Learning时间能够完成从数据搜罗、标注、练习、车端铺排的闭环轮回流程，从而完成Case的一直积聚，模子的一直完美。但机械进修模子不行处分一共的题目，可通过采用机械进修和非机械进修同化体例，使用专家体例来补偿机械进修的不敷。

对待消费者来说，是否利用自愿驾驶汽车，安闲必定是其研商的第一位的因素。同样，对待主机厂来说，或许让测试车辆或许应对百般“Corner Case”，进而保障量产车辆上道后的安闲性也是他们的立命之本。

“Corner Case”的区域性特质苛重发挥正在测试场景正在差异国家和区域存正在较大的差异。由于各个国家的道道境遇、交通民风、交通法例以及驾驶民风都大概存正在较大的区别。

a. 道道境遇差异：差异国家的道道安排楷模差异，如道道构造、交通标识、交通讯号灯等样子各异。

b. 交通情状差异：正在中国的都市道道上，人车混流的交通情状随地可睹。无论正在哪个都市的大街上，你都能看到速递小哥、外卖骑士驾驶着他们的坐骑与机动车并驾齐驱的场景；这种交通场景正在北美和欧洲少许国家是很少睹的。

c. 交通法例差异：国内红灯默承认以右转，许众地梗直在没有导向车道的道口是默认答应的，但德国默认不行右转。又有高速限速题目，国内的高速限速120，但德国高速的许众道段平常是不限速的，正在那样的道道上飚个200是很平常的事，然而假若正在中国云云做，那不但是我方找死，也很有大概遭殃到无辜的人。

d. 驾驶民风差异：正在德国，先行权观念认识较量强，民众基础都是庄敬依照先行权逻辑开车；国内交规简直没有这套逻辑，有红绿灯的道口相对还好少许，对待没红绿灯的道口，特别是到了傍晚，基础是谁胆大谁先过。国内又有一个欠好的表象，便是加塞情状较量要紧，特别是正在车辆拥堵时，你摆布双方的车大概随时不打转向灯，便如阴魂般睹缝插针地切入到你前面的空外地位。

因为差异国家和区域的车辆行驶境遇的区别化，导致测试场景数据的具有很强的区域属性。测试车辆面临的至极工况场景正在数目和实质款式上也会有很大的差异。民众能够设思一下，正在美国区域测试十足安闲的自愿驾驶体例，假若放正在中国云云交通境遇愈加繁杂的国家去测试，体例势必会碰着之前没有遭遇过的“Corner Case”，那么车辆的安闲性将如故是没有保证的。

一个企业的自愿驾驶体例假若思要正在一个国家贸易化量产运用的话，势必须要先通过外地的测试场景评议审核，即保障它或许应对外地的一共的至极工况场景。

然而，中邦本土仿真企业具有“近水楼台”的先发上风，更容易安排开荒出适合中国自愿驾驶计划的仿真测试软件。 起首，他们比海外企业更明白国内的道道境遇、交通法则以及驾驶民风；其次，更容易优先得到中国的道采场景数据。