作者：陈康成引言什么是自动驾驶仿真测试虚拟仿真技术是汽车研发、制造、验证测试等环节不可或缺的技术手段，能有效缩短技术和产品开发周期，降低研发成本；随着汽车智能化、网联化趋势的发展，虚拟仿真技术有了更大的发挥空间，比如自动驾驶系统的仿真测试验证；虚拟仿真测试是实现高阶自动驾驶落地应用的关键一环，具备自动驾驶功能的车辆必须经过大量的虚拟仿真测试以及实车路测之后才能商用化；自动驾驶汽车商用化需经历的三个测试阶段：仿真测试、封闭场地测试、开放道路测试。自动驾驶仿真测试：主要是以数学建模的方式将自动驾驶的应用场景进行数字化还原，建立尽可能接近真实世界的系统模型，无需实车直接通过软件进行仿真测试便可达到对自动驾驶系统及算法的测试验证目的。仿真测试包括以下几种类型：模型在环仿真（MIL）— 软件在环仿真（SIL）— 硬件在环仿真（HIL）— 整车在环仿真（VIL）自动驾驶系统开发V字流程自动驾驶仿真测试的必要性实车道路测试面临的问题：据美国兰德公司研究：一套自动驾驶系统至少需要通过110亿英里的驾驶数据来进行系统和算法的测试验证才能达到量产的条件；因此单纯依靠实车路测极难完成这一目标，并且实车路测还存在以下问题：道路测试周期长，成本高，效率低覆盖的场景工况有限，尤其是对于“corner case”，很难复现对于一些极端的危险场景，道路测试安全性无法保障仿真测试的优势：测试场景配置灵活，场景覆盖率高；测试过程安全，且对于一些“corner case”能够进行复现再测试可实现自动测试和云端加速仿真测试，有利于提升测试效率和降低测试成本实车测试与仿真测试方案对比备注：● 真实
○ 虚拟
◎ 虚拟或部分真实
数据参考：中国汽车工程研究院三者之间的关系仿真测试、封闭场地测试、开放道路测试三者之间互相补充，形成测试闭环，共同促进自动驾驶车辆的研发和标准体系建立：1）仿真测试结果可以在封闭场地和开放道路进行测试验证；2）通过道路测试得出的危险场景，将会反馈到仿真测试中，便可有针对性的去调整设定场景和参数空间；3）仿真测试和封闭场地测试的最终结果要进行综合评价，基于评价结果不断地去完善评价准则和测试场景库。仿真测试、封闭场地测试、道路测试形成闭环促进研发及标准建立（资料来源- i-VISTA）自动驾驶仿真测试的重要构成：场景库、仿真平台、评价体系；其中，场景库是基础，仿真平台是核心，评价体系是关键；三者紧密耦合，相互促进：场景库的建设需要仿真平台和评价体系作为指导，仿真平台的发展进化需要场景库和评价体系作为支撑，而评价体系的建立和完善也需要以现有的场景库和仿真平台作为参考基础；接下来笔者将从场景库、仿真平台、评价体系这三个重要方面依次展开来介绍。一、场景库1.1什么是测试场景，包含哪些核心要素？自动驾驶测试场景定义：自动驾驶汽车与其行驶环境各组成要素在一段时间内的总体动态描述，要素组成由所期望检验的自动驾驶汽车的功能决定；（定义引自：中汽协团体标准-自动驾驶系统功能测试第7部分 – 仿真测试）简言之，场景可以被视为是自动驾驶汽车行驶场合与驾驶情景的有机组合。具有场景无限丰富、极其复杂、难以预测、不可穷尽等特点。测试场景要素：测试车辆自身要素以及外部环境要素；外部环境要素又包括：静态环境要素、动态环境要素、交通参与者要素、气象要素等。测试场景要素划分1.2什么是场景库？场景库中测试场景的数据来源？场景库定义：满足某种测试需求的一系列自动驾驶测试场景构成的数据库。场景库能够完成从场景数据的管理到场景测试引擎的桥接，实现从场景的自动产生、管理、存储、检索、匹配，到最后注入测试工具。场景库包含4种典型测试场景（中汽中心基于数据来源不同的一种分类方法）：自然驾驶场景、危险工况场景、标准法规场景、参数重组场景。四种典型测试场景测试场景的数据来源主要包括三大部分：真实数据、模拟数据以及专家经验1）真实数据：即现实世界真实发生的，经过传感器采集到或以其它形式被记录保存下来的真实场景数据，包括自然驾驶数据、交通事故数据、路侧单元监控数据、封闭场地测试数据以及开放道路测试数据等；2）模拟数据：主要包括驾驶模拟器数据和仿真数据；前者是利用驾驶模拟器进行测试得到的场景要素信息；后者是自动驾驶系统或车辆在虚拟仿真平台上进行测试得到的场景要素信息。3）专家经验数据：基于专家的仿真测试经验总结归纳出来的场景要素信息，其中标准法规就是专家经验数据的典型代表。测试场景数据来源备注：测试场景数据来源参考《自动驾驶系统功能测试第7部分：仿真测试（征求意见稿）》1.3 场景库的搭建流程搭建流程：确定单个虚拟场景的数据存储方式与标准构建单个自动驾驶虚拟测试场景在众多的虚拟测试场景中根据特征标签选取适当场景作为场景库的组成部分自动驾驶测试场景构建流程（图片参考：中汽数据有限公司）自动驾驶研发测试与场景库的搭建形成闭环：测试场景库的搭建，能有效驱动自动驾驶的研发测试工作，自动驾驶的研发测试反过来也能够为场景库提供反馈意见，丰富场景库。1.4国内场景库发展现状现状分析：场景库的数据格式标准制定涉及国家多个部委，由于缺乏有效沟通协调机制，标准制定落后市场进展，故当前数据库的建设处于各自为战的状态；场景库数据格式标准不统一，全国统一的场景库很难形成，进而又影响到了自动驾驶仿真评价、认证体系的建立。国内典型场景库介绍附表1. 中国典型场景库介绍1）中汽数据有限公司 – 自建场景库场景库覆盖范围：自然驾驶场景库（1228种）、功能安全场景库（110种）、V2X场景库、危险事故场景库（206种）、中国特有交通法规场景库（82种）、和预期功能安全场景库（70种）等。a.自然驾驶场景库基于中国不同道路拓扑结构、交通基础设施、环境条件、车辆信息的动静态要素特征，从不同维度对数据库进行分类构建和更新迭代：地域覆盖 - 北京、天津、上海等重点城市工况覆盖 - 高速、城市、乡村、停车场等重点领域环境覆盖 - 晴天、雨天、雪天、雾霾等多种天气建立了可适用24项ADAS测试的功能场景库、逻辑场景库b.功能安全场景库基于场景ODD元素重组、虚拟仿真场景复现、关键场景仿真验证等技术手段研发功能安全场景库遵照ISO26262标准，对ADAS系统功能安全危害-ASIL风险等级提供有据可依的量化评估方案功能安全场景库生成过程：第一步：参考ODD分类的国际标准，对驾驶区域、天气、光线等7大类场景要素以及30类子要素进行排列与重组，进而形成体系化功能场景库；第二步：将上述功能场景，基于真实路采场景数据，调整相关参数范围从而得到相应的逻辑场景，最后在仿真软件中搭建驾驶场景与周边环境，形成所需的复现场景；第三步：在仿真验证软件中，激活ADAS功能，对复现场景下的电子电气失效展开仿真验证，并对产生的风险进行评估，根据公式计算出严重度（S）、暴露度（E）和可控性（C），最后根据ISO26262标准最终确定ASIL风险等级。c. V2X 场景库根据LTE-V终端及DSRC终端应用层开发经验以及《合作式智能运输系统车用通信系统应用层及应用数据交互标准》中的场景要求进行场景库构建从数据安全、通信安全、控制安全、身份安全等四个方面进行V2X场景数据积累研究建立了V2X 测试场景库创建流程，形成测试用例3500条2）中国汽车工程研究-自建场景库场景库数据来源：标准法规、交通事故、人工经验以及自然驾驶数据。场景库生成方案：场景数据采集、场景分类提取、场景数据标注、场景聚类、场景重构、虚拟场景转化等。场景库V2.0生成方案（来源-中国汽车工程研究院）中国典型场景库V2.0：参考德国PEGASUS项目的场景分类体系及ASAM推出的OpenDRIVE 和OpenSCENARIO仿真格式包括标准法规场景1000例、经验式场景3000+例、重构场景5万+例、事故场景150+例2020年12月，“中国典型场景库”在V2.0版本的基础上升级到V3.0：在2.0版本的基础上，新增了典型事故场景、自动驾驶事故场景和预期功能安全场景三大板块涵盖总计20余项自动驾驶功能；总量大于10万例的OpenX标准格式场景文件为了便于企业的自动驾驶技术开发，把场景库分为基础、初级、中级、高级四个模块等级四个等级场景包（数据来源-中国汽研官网）3）百度 – 自建场景库涵盖场景类型：法规标准场景：满足基本的标准法规要求危险工况场景：保证自动驾驶的安全性能力评估场景：评价自动驾驶能力典型场景类型数量：200种左右涵盖：不同的道路类型、障碍物类型、道路规划、红绿灯信号测试场景数据来源：自然驾驶路采数据、交通数据库、人工经验等。测试场景基于生成方案的不同又分为：Logsim场景和Worldsim场景，目前总共提供了 220 个Worldsim场景和 17个Logsim场景。a.Logsim：由路测数据提取的场景，提供复杂多变的障碍物行为和交通状况，场景充满不确定性b.Worldsim：由人为预设的障碍物行为和交通灯状态构成的场景，场景简单4）腾讯– 自建场景库路测实采数据积累：截止到2020年，已经积累了超过50万公里交通场景数据。涵盖场景类型：车辆避撞能力、交通合规性、行为能力、视距影响下交叉路口车辆冲突避免、碰撞预警、紧急制动、危险变道、无信号交叉口通行、行人横穿等方面。典型场景类型数量：1000种左右场景生成方案：通过Agent AI能力，可以自由生成各种随机的驾驶场景二、仿真平台2.1仿真平台典型架构仿真平台一般包括仿真框架、物理引擎和图形引擎；其中仿真框架是平台软件平台的核心，支持传感器仿真、车辆动力学仿真、通信仿真、交通环境仿真等；1）传感器仿真：支持支持摄像头、激光雷达、毫米波雷达以及GPS/IMU等传感器仿真；2）车辆动力学仿真：基于多体动力学搭建的模型，将包括转向、悬架、制动、I/O硬件接口等在内的多个真实部件进行参数化建模，进而实现车辆模型运动过程中的姿态和运动学仿真模拟；3）交通场景仿真：包括静态场景还原和动态场景仿真两部分，静态场景还原主要通过高精地图和三维建模技术来实现；动态场景仿真既可通过把真实路采数据经过算法抽取后，再结合已有高精地图进行创建，也可通过对随机生成的交通流基于统计学的比例，经过人工设置相关参数后自动生成复杂的交通环境;例如可模拟自动驾驶汽车在现实世界中可能遇到的极端情况和危险情况，从模拟暴雨和暴雪等恶劣的天气条件到较弱的光线照明，再到周围车辆的危险操作等；4）V2X仿真（通信仿真）：支持创建真实或虚拟传感器插件，使用户能够创建特殊的V2X传感器；既可以用来测试V2X系统，又可生成用于训练的合成数据；仿真平台典型架构（图片参考-2019自动驾驶仿真技术蓝皮书）2.2
国内典型自动驾驶仿真平台附表2. 国内典型自动驾驶仿真平台信息梳理注：√- 有此功能
×-无此功能
— Unknown1）浙江天行健智能科技 – Panosim平台类型：面向汽车自动驾驶技术与产品研发的一体化仿真与测试平台 平台特点：支持实时在线仿真：MIL/SIL/HIL/VIL支持ADAS技术与产品的开发与测试支持驾驶模拟体验与人机共驾系统的研发与测试支持感知、规划、决策、控制算法研发与测试高置信度车辆动力学模型：对标CarSim，支持27自由度复杂动力学模型2）51WORLD – 51Sim-One平台类型：覆盖自动驾驶全流程的一体化集成的仿真测试平台平台特点：可实现多传感器仿真、交通流与智能体仿真、感知与决策仿真、自动驾驶行为训练等功能可扩展的并行分布式仿真架构，可部署在单机、私有云和公有云环境支持实时在线仿真：HIL/DIL自动驾驶数字孪生评价测试平台内置了一系列场景库和测试案例库软件平台提供Python、C++、ROS、OSI等API接口支持多车协同互动：平台支持接入多个测试系统，包括自动和手动驾驶系统3）腾讯 – TAD Sim平台类型：基于虚幻引擎打造的虚实结合、线上线下一体化的仿真测试平台平台特点：集成了游戏引擎、三维重建技术、车辆动力学模型、虚实一体交通流等技术游戏技术的应用可实现场景的几何还原、逻辑还原及物理还原一套系统满足全栈算法使用需求：能够完成从感知到决策规划，再到控制的全算法闭环仿真测试验证一套系统满足MIL/SIL/HIL/VIL使用需求，覆盖了完整的汽车V字开发流程内置高精地图，支持全国高速和快速路仿真4)沛岱（上海）技术有限公司– Pilot-D GaiA平台类型：基于德国自动驾驶仿真核心技术所研发的仿真测试平台平台特点：提供高保真的环境传感器仿真：激光雷达、毫米波雷达以及摄像头仿真等提供C++和MATLAB接口，适配于不同的车辆和系统提供三个版本的软件解决方案：Standard版-单机解决方案，NET版-云计算和互动测试解决方案，RT版-提供HIL和VIL仿真测试支持交互式自动驾驶仿真：同一虚拟场景下，多台主机（车辆）进行互联仿真测试
提供基于VR/MR/AR的驾驶员模拟2.3国外典型仿真测试平台附表3. 国外典型自动驾驶仿真平台信息梳理注：√- 有此功能
×-无此功能
— Unknown1）西门子 – PreScan类型：以物理模型为基础的传统汽车仿真平台平台特点：仿真流程主要分为四个步骤：搭建场景、添加传感器、添加控制系统、运行仿真可在开环、 闭环以及离线和在线模式下运行支持导入 OpenDrive 格式的高精地图支持与第三方动力学软件联合仿真，如CarSim、dSPACE ASM、 VI-Grade、AmeSIM等支持与其它类型第三方的软件的联合仿真，如Matlab& Simulink，MOMO & Logitech 转向操纵台 、dSPACE / 控制台、HIL工具（ETAS、dSPACE 、Vector、OpalRT等）支持基于云端布置大规模仿真2）MSC Software– VTD类型：传统汽车仿真平台平台特点：支持从SIL 到 HIL 和 VIL 的全周期开发流程支持与第三方的工具和插件联合仿真平台的功能和存储支持开放格式：OpenDrive, OpenCRG和OpenScenario仿真流程主要分三个步骤：路网搭建， 动态场景配置， 仿真运行
——提供图形化的交互式路网编辑器 Road Network Editor (ROD)，
在构建路网仿真环境的时候，可以同步生成OpenDrive高精地图
—— 对于动态场景构建，提供了图形化的交互式场景编辑器 Scenario
Editor3）德国IPG – CarMaker类型：以传统动力学仿真为基础优势发展起来的自动驾驶仿真平台平台特点：支持与第三方软件进行联合仿真：ADAMS、 AVLCruise、 rFpro 等包括道路、交通环境、车辆、驾驶员的闭环仿真系统
—— IPG Road：可以模拟多车道、 十字路口等多种形式的道路， 并可通过配置 GUI生成锥形、 圆柱形等形式的路障
—— IPG Traffic：提供丰富的交通对象模型，如车辆、 行人、 路标、交通灯、 道路施工建筑等
—— IPG Driver：提供可自学习的驾驶员模型支持高精地图的导入/导出
—— 支持从HERE HD Live Maps导入地图数据
—— 支持ROAD5和OpenDrive 格式导出地图数据支持在高性能计算 (HPC) 集群上并行执行大量测试目录支持在Docker容器中运行，具有良好的可移植性和可扩展性4）英伟达-Drive Constellation类型：基于虚幻引擎开发，由两台服务器构成的自动驾驶仿真平台平台构成：a.第一台服务器硬件构成：由8个英伟达RTX Turing GPU作用：运行DRIVE Sim软件来模拟仿真自动驾驶车辆上的传感器数据（包括摄像头、毫米波雷达、激光雷达、IMU和GNSS）以及驾驶场景数据；b.第二台服务器硬件构成：自动驾驶车辆目标AI ECU作用：用于处理第一台服务器传输过来的模拟数据，如传感器仿真数据平台特点：较高真实度：作为一种实时的硬件在环解决方案，可以测试和验证与将来会搭载在自动驾驶车辆中完全相同软件和硬件系统云仿真工作流：在无缝的端到端工作流中执行自动驾驶测试。用户可以远程访问 DRIVE Constellation 并将模拟场景提交给云端的车辆测试车队，然后进行可视化测试并以较快的速度给出评估结果可扩展性：该平台支持在数据中心进行大规模部署，能够并行运行各种仿真测试；且在DRIVEConstellation平台中的每一英里的测试都包含感兴趣事件（特殊工况），能够在很短的时间内完成数月或数年的测试完整的反馈回路：第一台服务器运行 DRIVE Sim 软件，该软件模拟仿真驾驶场景以及自动驾驶车辆上产生的传感器数据。然后将模拟仿真的传感器数据发送到第二台服务器上进行数据处理，最后第二台服务器再将驾驶决策信号输出给第一台服务器，因此便形成了一个仿真闭环英伟达- DriveConstellation 仿真平台（来源-英伟达官网）5）微软 – AirSim类型：建立在虚幻引擎（Unreal Engine）上的无人机及自动驾驶开源仿真平台平台特点：建立在虚幻引擎（Unreal Engine）上的无人机及自动驾驶模拟研究项目，能够打造出高逼真的交通环境，实现车辆及传感器仿真模拟完成车辆建模测试：AirSim包含车辆模拟、城市道路场景，并提供可简化编程的API以及即插即用的代码快速构建丰富场景：AirSim 可提供详细的 3D 城市街景，包括交通信号灯、公园、湖泊、工地等丰富的场景AI 研究平台：AirSim 提供包括 C++ 和 Python 等多语言的API 接口。使用者可同时使用 AirSim 和众多机器学习工具。主要用于测试深度学习、 计算机视觉和自主车辆的端到端的强化学习算法6）巴塞罗那自治大学（联合丰田研究院和英特尔实验室） – CARLA类型：基于虚幻引擎开发，采用服务器和多客户端架构的开源平台平台特点：用于城市自动驾驶系统的开发、训练和验证的开源模拟器提供开源数字数据资源（包括城市布局、建筑以及车辆）搭建的自动驾驶测试训练场景可使用Vector Zero的道路搭建软件RoadRunner制作场景和配套的高精地图研究三种自动驾驶方法的性能：传统的模块化流水线，通过模仿学习训练得到的端到端模型，通过强化学习训练得到的端到端模型7）LG电子 - LGSVLSimulator类型：基于游戏引擎-Unity研发的自动驾驶开源仿真平台 平台特点：模拟器支持ROS、ROS2和Cyber RT，提供了自动驾驶开源平台Autoware和百度Apollo的集成支持自动驾驶系统的软件在环（SIL）和硬件在环（HIL）测试虚拟场景构建—— 提供Python API，使用户能够通过编写脚本来创建所需的虚拟场景 —— 高精地图：支持创建、编辑和导入/导出现有3D环境的高清地图注：高精地图支持的导入/导出格式：a．支持的导入格式：Apollo5.0高清地图、Autoware Vector map、Lanelet2和OpenDrive 1.4b.支持的导出格式：Apollo 5.0、Lanelet2和OpenDrive 1.4LGSVL工作流程（来源：公众号-自动驾驶仿真）2.4
国内科技公司–云仿真平台传统的仿真测试一般是单机仿真测试，但高阶自动驾驶系统的商业化应用，需要进行庞大数量测试场景的仿真测试；海量的数据存储，运算及处理已经成为摆在自动驾驶研发道路上一道障碍，而云平台的分布式架构、加速计算能力以及高数据算力的特性，能够可以很好的解决这一问题，进而能够极大地提升系统研发和验证测试效率；因此，云平台仿真必将是未来自动驾驶仿真测试技术的发展趋势，同时也会是企业开展自动驾驶开发的核心技术壁垒之一。附表4. 国内科技公司云仿真平台信息梳理1)百度 – Apollo云仿真平台主要应用：内部：支撑Apollo系统的开发与迭代外部：为Apollo生态开发者提供基于云端的决策系统仿真服务平台特点：搭建在百度云和微软Azure上的云仿真平台与Unity合作，开发基于 Unity 引擎的虚拟仿真环境提出了端到端的自动驾驶仿真系统：AADS系统 - 基于数据驱动的交通流仿真框架 + 基于图像渲染的场景图片合成框架2）华为 – 自动驾驶云服务Octopus平台提供三大服务：数据服务、训练服务、仿真服务；服务覆盖自动驾驶数据、模型、训练、仿真、标注等全生命周期业务；数据服务：数据处理、数据湖治理、数据存储等训练服务：大数据AI平台、模型管理、分布式训练任务等仿真服务：场景库、仿真系统、评测系统等平台提供的三大服务平台特点：解耦四大关键要素 - 硬件、数据、算法、高精地图，构建以数据驱动为核心，驱动自动驾驶闭环迭代的开放平台数据的自动化处理：数据自动挖掘（平台可支持PB级数据量存储和亿级数据秒级检索）和数据自动化标注（可节省超过70%的标注人力成本）一站式自动驾驶DevOps能力：通过从代码接入、版本管理，再到仿真、评测，形成了一套完整的、闭环的自动化评测系统大规模并行仿真：系统每日虚拟测试里程可超过1000万公里，评测指标200+，支持3000个实例并发测试真实场景数字孪生：可以将真实路采的典型路段数据转换成仿真场景，并与高精地图相结合，实现真场景数字孪生，可以实现95%以上的场景还原能力3)腾讯 – TAD Sim Cloud平台特点：分布式架构，支持在Windows、Linux和Web环境下部署海量场景加速测试：该云平台支持一万个以上场景的并行计算，且1000个场景的运行时间缩短至4分钟虚拟城市技术加速测试：可加载城市级高精地图，并同时部署上百万辆交通流车辆和上千台自动驾驶主车构建自研的闭环仿真模型：自研车辆动力学、传感器、交通流、地图和场景编辑等全套模型，并支持OpenX系列和OSI国际仿真标准腾讯云平台系统架构（来源-自动驾驶云论坛演讲报告）4）阿里 – 混合式仿真测试平台平台特点：引进真实路测场景和云端训练师，采用虚拟与现实结合的仿真技术；规模化地解决了极端场景的复现难题：通过任意改变极端场景变量，平台可在30秒内复现一次极端场景；解决了极端场景数据不足，自动驾驶AI模型训练效率低的问题每日虚拟测试里程超过800万公里
三、仿真测试评价体系3.1仿真测试评价维度及具体评价内容1）两个重要评价维度：真实性和有效性a.真实性评价：主要是针对场景库真实合理性的评价，分为场景信息真实度、场景分布真实度两个方面真实度评价的两个维度场景信息真实度：在场景在构建过程中，需要合理准确的在虚拟环境中渲染测试场景中的静态环境要素（如交通设施、道路及障碍物等）、动态环境要素（动态指示设施、通信环境信息）、交通参与者要素（机动车/非机动车、行人等）以及气象环境要素（环境温度、光照条件、天气情况）等信息。场景分布真实度：在参数重组场景中对于由特征元素组合和人工编辑合成的场景，由于人工修改参数后可能会出现真实世界不存在的场景，因此在人工编辑场景时需参考真实世界场景的参数值范围去合理化地设置参数重组场景。b.有效性评价 目前尚未统一的有效性评价标准，当前可参考的标准如下：2）具体评价内容：仿真测试自身评价以及自动驾驶车辆驾驶性能、驾驶协调性、标准匹配性、学习进化性等方面；自动驾驶仿真测试评价项目注：评价项目内容参考《2020中国自动驾驶仿真蓝皮书》3.2仿真测试评价标准示例评价方法：（两种）基于功能的评价方法：针对特定的自动驾驶功能，在给定测试场景的前提下，判断测试的自动驾驶汽车是否可以在该场景中安全行驶基于场景的评价方法：将测试车辆置于测试场景中，在自动驾驶汽车能够安全行驶的前提下，判断该场景的复杂程度，例如周围环境的复杂程度或驾驶任务的复杂程度等评价指标：（两类）通过性评价指标：针对自动驾驶做出判断以及规定场景内必须实现目标的评价；如安全性、完备性、经济性、人工干预度等评价指标，量化上采取0/1机制性能评价指标：表征自动驾驶汽车在具体测试场景下预期功能实现的程度；如智能性、舒适性、拟人性等评价指标，量化上采取差值机制参考：评价标准参考《自动驾驶系统功能测试第7部分：仿真测试（征求意见稿）》结语自动驾驶仿真测试发展面临的挑战1）场景库建设没有统一的数据格式标准，企业之间的场景库建设缺乏合作，资源重复性投入大；场景库数据的标注、分析提取等环节仍然依靠大量人工，场景库建设效率低，成本高；场景库的覆盖率依然不高，不足以覆盖常见的交通场景；穷举覆盖全场景的测试用例与测试效率和测试精度如何平衡。2）仿真平台测试场景有限，在测试方法的标准化与仿真虚拟测试应用上还较为薄弱；目前尚无一款完美的自动驾驶仿真软件，能够实现所有模块的仿真测试功能，仍然需要多个仿真软件进行联合仿真；不同自动驾驶仿真软件，往往需要开发不同的仿真接口，不仅增加了时间成本，也增加了工程师的学习成本；仿真环境缺乏现实世界物理现实的真实性和丰富性，并且训练效果有限，可扩展性差；系统仿真软件也存在自身固有的弱点，比如仿真模型需要对边界条件进行明确的假设，但现实中这些边界条件不一定能明确或者不能真实地获取；传感器模型、车辆动力学模型以及道路环境模型的准确性都会影响到仿真测试结果准确性，因此提高仿真测试结果的可信度也是当前一个较大的挑战。3）测试评价体系不同的企业采用的仿真软件系统架构和场景库构建方法不尽相同，导致很难建立统一规范的仿真测试评价体系；仿真软件自身的真实性和有效性方面的评价尚无统一的标准规范，且车辆的学习进化性方面还缺乏相应评价标准。自动驾驶仿真测试技术发展趋势展望1）基于云平台的高并发测试、加速测试是仿真测试未来重要的发展方向，是自动驾驶仿真企业的核心竞争力之一；云平台具备海量数据存储、处理和管理的能力，支持大规模仿真构建，覆盖海量驾驶场景；可有效建立城市级地理信息+虚拟交通流信息，可实现跨专业多用户信息交互与共享。2）功能安全场景库、V2X场景库以及预期功能安全场景库将是未来场景库建设的重点；不同厂商采用统一数据格式标准，共建基础场景库，形成通用的、可移植的场景库。3）混合交通仿真测试将是未来自动驾驶仿真技术的一个重要研究领域；自动驾驶汽车取代传统汽车不是一蹴而就的事情，必然在相当的一段时间内处于两者共存的局面，因此传统汽车与自动驾驶汽车混行将是一种常见的交通场景。甚至还需要建立自动驾驶车辆在不同渗透率下的混合交通仿真模型。4）数字孪生技术将为自动驾驶仿真测试发展道路上的一大助力，是仿真测试的增效利器；数字孪生就是在虚拟环境中建立一个和现实世界一致的模型。自动驾驶数字孪生测试VRIL(Virtual Reality in the Loop)即真实的车辆在真实的测试场地中进行测试，将同时映射到虚拟的测试环境中，从而完成虚、实状态的同步，实现整个数字孪生系统的闭环实时仿真测试。5）当前自动驾驶仿真测试主要还是偏向于传统的主被动层面的安全性及可靠性等方面的测试验证，以及用于感知、规划决策及控制算法的研发或迭代升级；但是每个自动驾驶车辆都不是孤立存在的，必然是网联化的，是作为整个智慧交通体系中的一个智能节点而存在，因此信息安全方向的验证测试与评价也必然是未来自动驾驶仿真测试的一个重要研究方向。

2022-04-11 10:09
来源:
新游预告
重返星际穿越，国外大神用虚幻引擎打造了一个黑洞，他怎么做的？
从史蒂芬霍金《时间简史》《甲壳中的宇宙》的理性，再到《星际穿越》的宏大、浪漫，黑洞作为一种客观的存在和主观的意象，其实一直承载着一部分我们这些不会飞的人类对太空或兴奋或恐惧的情绪和思想。
对于黑洞，可能大部分人最近的印象还停留在三年前，由全球多国科研人员合作在“事件视界望远镜”项目官网发布的那张“人类史上首张黑洞照片”。虽然对于普通人而言，这张照片更多的只是社交网络上的一场狂欢，但它也的确为人们揭开了浩瀚宇宙神秘面纱的一角。
近日，前索尼圣莫妮卡工作室首席技术美术师、现任Gearbox工作室技术美术研发总监Ryan Smith在推特上公布了自己耗时一年半的项目，一个用虚幻引擎制作的“黑洞”。借助虚幻引擎里的新粒子系统Niagara，以及爱因斯坦引力场方程，Ryan Smith的这个黑洞，实现了基本的“物理正确（physically correct）”。
引力透镜效应
虽然这一黑洞形象与很多文艺作品中的黑洞并没有太大的差别，在视觉上，甚至不如Wallpaper Engine上常年占据热门榜、也就是《星际穿越》里的卡冈图雅黑洞壁纸讨喜，但即便游戏引擎更新换代、游戏画面一次次升级，这样一个物理正确地模拟黑洞却也并不算简单。
以最为知名的模拟黑洞，卡冈图雅黑洞为例，由于早年间技术限制以及IMAX大荧幕的特殊需求，负责该视觉效果的幕后团队Double Negative Visual Effects甚至在2015年还通过英国物理学会出版社IOP Publishing发表了相关的论文，记录通过利用天体物理学，处理这一黑洞场景的过程。
无论是爱因斯坦的广义相对论还是牛顿物理学都告诉我们，当光线靠近一个大质量的天体，比如黑洞时，有趣的事情就会发生，传统意义上笔直的光线会在引力的作用下发生弯曲，甚至不止一次，这就是所谓的引力透镜效应，这也是模拟黑洞中最重要的一环。
但在游戏引擎中，渲染管线中默认光线都是呈直线传播的，所有的光照效果、包括漫反射、镜面反射等，除非特殊需求，默认并不会考虑到这种大引力场带来的光线的扭曲效果。这也是为什么在很多太空游戏中，你不会观察到引力透镜效应。一方面，出于优化的原因，太空的远景往往会采用贴图，另一方面，除非演出需要，普通玩家也不会追究这方面的错误。
不过引力透镜效应其实并不难做到，通过特殊的光线追踪算法“Ray Marching”，辅以已经有大量开发者公开的粒子运动方程，就可以基本实现引力透镜效应的模拟。事实上，早在2020年10月，Ryan Smith就已经完成了这一部分，并分享了自己的成果。
但当时的成果其实还远没有达到“物理正确”地模拟黑洞的程度。对于黑洞，很多人可能更印象深刻的不是“事件视界”，而是围绕着黑洞旋转、发热的吸积盘（Accretion Disk）。而吸积盘的模拟，也并不比黑洞简单。
依然有缺憾的模拟
首先就是吸积盘上星际尘埃不规则的运动、碰撞的模拟。在虚幻引擎5上，Epic为Niagara加入了实时流体模拟的插件，但这毕竟是刚刚正式发布的引擎，在今年2月，Ryan Smith选择了自己从头开始做一个2D流体的解算器，并用烟雾作为演示。
并在演示后的十天内，将自己做的流体解算器投入到了自己的黑洞项目中。
只不过此时的吸积盘依然处于Demo阶段，在后续的研发中，Ryan Smith还对这一部分作出了各种升级，比如加入了可调节的指数级高度雾等，增添吸积盘的美感，并在将引力透视的方程从牛顿的方程改为了爱因斯坦后，将吸积盘和黑洞集成为了一个整体。
在最终成果公布时，Ryan Smith坦承地表示，吸积盘才是该项目自己最关注的一部分，“我最终学习了如何编写流体解算器，我不想要一个只是在事件视界周围扭曲的静态纹理。我想要一些充满动力、充满活力的东西。”
但即便是Ryan Smith最关注的一部分，在大佬的最终成品，也就是文章开始的第一张动图中，吸积盘也存在着一部分为了画面和艺术性，作出取舍的方面，那就是忽略了光波的多普勒效应。《星际穿越》也出现了类似为视觉效果而妥协的现象。
所谓多普勒效应，指的就是光波远离我们而去，则光的谱线就向红光方向移动，称为红移；如果光波朝向我们运动，光的谱线就向紫光方向移动，称为蓝移。这一效应在黑洞中最明显的反应就是黑洞的吸积盘会出现明显的一边明亮、一边相对暗淡的现象，正如黑洞照片中显示的那样。
NASA也曾用超级计算机模拟过黑洞的吸积盘，具体的长相如下动图：
改变了游戏规则
不过尽管Ryan Smith最终的“物理正确”黑洞算不上十全十美，大佬对虚幻引擎以及Niagara VFX作出了极高的评价。
“Niagara允许我使用各种时髦的方式弯曲光线”、“虚幻引擎上的Niagara改变了游戏规则。它让我可以很好地控制模拟中涉及的几乎所有内容。”
对于Ryan Smith的作品，网友也给予了相当高的评价，虚幻引擎的技术美术Asher Zhu表示，这是“科学与风格的完美平衡”。
当然也有网友表示，“这是我这一辈子看过的最可怕的东西了”，也算是从另一个角度印证了作品的优秀。
自从虚幻引擎五公布以来，凭借着惊人的演示，就已经吸引了不少游戏行业内的目光。即便在引擎公布初期，部分媒体和网友对于虚幻引擎5是否能在游戏行业大展拳脚还抱有质疑的态度，毕竟国外很多大厂都有自己的自研引擎，而国内很多游戏公司连虚幻4都难以上手，而前不久发布会上一众公司的站台，可以说是对这种质疑最好的回应。
但虚幻引擎在影视行业、视效领域的利用却并没有太多的讨论，毕竟影视行业已经相当成熟，包括Houdini等在表现上也要优于早期的Niagara以及Cascade，但如果使用门槛更低的Niagara，在效率和效果上能够满足下一代《星际穿越》IMAX版本“黑洞”的要求，对于影视行业，特别是国内技术储备有限的影视行业而言，带来的变化同样是冲击性的。
首先是在行业格局上，虽然包括迪士尼在内，很多海外的影视公司都是内容技术两手抓，但一部分没有自身技术储备、项目全靠外包的公司未来可能就会在行业中落于下风、同样地，一些特效外包出身、甚至是掌握专业技能的团队，反而有机会利用自己的实力和趁手的工具，制作出堪比专业团队的产品，这也算是专业内容制作门槛的一次降低。
其次就是人才流通，国内影视行业和游戏行业抢人也不是一天两天了，对游戏引擎最了解，技术储备最深厚的人才大部分都在游戏行业，在原本游戏公司的待遇普遍更加丰厚的基础上，影视行业想要挖人就更难了。国内影视行业中腰部及以下存在技术短板的企业，在技术上的缺陷恐怕也会被进一步放大。
最后就是产品，游戏作为一种大众消费品，虽然目前占主要地位的手游在画面上，距离端游和主机游戏还有进步的空间，但游戏行业整体其实也在无意间逐渐拔高玩家和观众对视觉效果的要求，未来观众眼中所谓的五毛特效，可能要比现在某些大片的效果都要好，这也无疑提高了市场对影视企业的技术需求。
毕竟全球有多少影视公司，能够做出前不久《黑客帝国觉醒：虚幻引擎5体验》同水平的CG效果呢。返回搜狐，查看更多
责任编辑：