核心觀點(diǎn)

仿真測試成為自動駕駛的基礎(chǔ)關(guān)鍵技術(shù)，可有效加快自動駕駛研發(fā)進(jìn)度。百度、騰訊、阿里等科技公司利用自身大數(shù)據(jù)、軟件開發(fā)優(yōu)勢切入仿真市場，有望建立起良性仿真生態(tài)，助力自動駕駛研發(fā)。

2020年4月，阿里發(fā)布全球首個(gè)自動駕駛“混合式仿真測試平臺”。6月，騰訊發(fā)布進(jìn)行架構(gòu)升級的TAD Sim 2.0，數(shù)據(jù)傳輸和加速能力均有大幅提升。行業(yè)領(lǐng)頭羊Waymo 也在不斷迭代其自研仿真軟件Carcraft，并于近期發(fā)布了新的仿真測試方法“SurfelGAN”，可通過AI將傳感器采集的數(shù)據(jù)生成用于仿真的圖像。如今，百度Apollo、阿里、騰訊、華為等國內(nèi)領(lǐng)軍的科技企業(yè)都進(jìn)軍自動駕駛仿真測試的“藍(lán)?！敝?，到底是什么吸引了巨頭們的目光？

仿真測試加快自動駕駛汽車研發(fā)

01 路測時(shí)間長、成本高，極端場景存在安全隱患是自動駕駛研發(fā)面臨的挑戰(zhàn)

采用路測來優(yōu)化自動駕駛算法耗費(fèi)的時(shí)間與成本太高。根據(jù)蘭德公司的研究，自動駕駛算法想要達(dá)到人類駕駛員水平至少需要累計(jì)177億公里的駕駛數(shù)據(jù)來完善算法。如果配置一支100輛自動駕駛測試車的車隊(duì)，每天24小時(shí)路測、平均時(shí)速40公里計(jì)算，需要500多年才能完成，期間所耗費(fèi)的時(shí)間和成本是難以承受的。

另一方面，極端交通條件和危險(xiǎn)場景復(fù)現(xiàn)困難，測試過程存在安全隱患。美國國家公路交通安全管理局（NHTSA）統(tǒng)計(jì)數(shù)據(jù)顯示，汽車平均行駛約70萬公里會發(fā)生一起事故，平均行駛約1.6億公里將有1人死亡，這些極端交通條件和危險(xiǎn)場景難以要求自動駕駛路測時(shí)發(fā)生。而且人類駕駛測試時(shí)，極端交通條件和危險(xiǎn)場景下的駕駛安全問題也是一大挑戰(zhàn)。

02 仿真測試可提高自動駕駛研發(fā)效率，提升安全性

仿真測試是解決自動駕駛研發(fā)測試挑戰(zhàn)的基礎(chǔ)關(guān)鍵技術(shù)。通過構(gòu)建虛擬場景庫，實(shí)現(xiàn)自動駕駛感知、決策規(guī)劃、控制等算法的閉環(huán)仿真測試，以滿足自動駕駛測試的要求。在仿真測試中，通過云加速、高并發(fā)加速仿真進(jìn)度，在虛擬世界中每天測試?yán)锍炭蛇_(dá)數(shù)千萬公里，大大加快測試進(jìn)度。

仿真測試可便捷重現(xiàn)極端場景，與封閉場地測試、道路測試共同推進(jìn)自動駕駛技術(shù)迭代升級。全球各大車企自動駕駛研發(fā)過程中，用仿真測試?yán)锍虂硖娲徊糠謱?shí)際路測里程。目前自動駕駛算法主流測試中，大約90%通過仿真平臺完成，9%在測試場完成，1%通過實(shí)際路測完成。此外，仿真測試中極端場景可便捷重現(xiàn)且不存在任何安全隱患。未來隨著仿真技術(shù)水平的提高和應(yīng)用的普及，可達(dá)到通過仿真完成99.9％的測試量，使自動駕駛汽車研發(fā)更高效、更經(jīng)濟(jì)。

通過仿真測試、封閉場地測試以及道路測試形成閉環(huán)，總結(jié)自動駕駛評價(jià)準(zhǔn)則。在道路測試基礎(chǔ)上總結(jié)出危險(xiǎn)場景，反饋到仿真測試與封閉測試中，完善測試場景庫。通過測試形成評價(jià)準(zhǔn)則，為自動駕駛量產(chǎn)提供功能評價(jià)標(biāo)準(zhǔn)與試驗(yàn)體系，進(jìn)一步促進(jìn)自動駕駛車輛落地（見圖1）。

圖 | 仿真測試、封閉場地測試及道路測試形成測試閉環(huán)

* 數(shù)據(jù)來源：i-VISTA，智能網(wǎng)聯(lián)研究院整理

科技公司利用大數(shù)據(jù)、軟件開發(fā)優(yōu)勢入局自動駕駛仿真市場

目前自動駕駛仿真市場主要包括整車廠、自動駕駛解決方案商、軟件公司及科技企業(yè)等玩家。整車企業(yè)自身軟件開發(fā)能力弱，一般與仿真軟件企業(yè)合作，如寶馬與CarMaker，一汽與Panosim。自動駕駛解決方案商針對自身研發(fā)開發(fā)仿真軟件，較少對外提供服務(wù)，如Waymo、Cruise、小馬智行、AutoX等。仿真公司多由傳統(tǒng)仿真軟件商進(jìn)行二次開發(fā)，如CarMaker、TruckMaker等，也有部分初創(chuàng)企業(yè)，如以色列的Cognata、國內(nèi)的Panosim等。而科技公司在自動駕駛仿真測試領(lǐng)域?qū)儆谛屡d力量，但是相比于傳統(tǒng)車企與仿真公司，其軟件開發(fā)能力強(qiáng)、數(shù)據(jù)資源雄厚，逐漸成為一股不可忽視的產(chǎn)業(yè)力量。

騰訊借助游戲技術(shù)助力自動駕駛仿真。騰訊自動駕駛仿真系統(tǒng)TAD Sim于2018年發(fā)布，結(jié)合游戲引擎、工業(yè)級車輛動力學(xué)模型、虛實(shí)一體交通流等技術(shù)，打造的虛實(shí)結(jié)合、線上線下一體的自動駕駛仿真系統(tǒng)。該平臺集成了高精地圖，可完成感知、決策、控制算法等實(shí)車的閉環(huán)仿真驗(yàn)證。目前TAD Sim場景庫中有超過1000種場景類型，可泛化生成萬倍以上豐富場景，具備每日1000萬公里以上的測試能力。

百度Apollo增強(qiáng)現(xiàn)實(shí)的自動駕駛仿真系統(tǒng)AADS可實(shí)現(xiàn)快捷的場景搭建。AADS于2019年3月發(fā)布，包含基于數(shù)據(jù)驅(qū)動的交通流仿真框架和基于圖像渲染的場景圖片合成框架，在獲得真實(shí)感的車流移動和場景圖像之后，利用增強(qiáng)現(xiàn)實(shí)技術(shù)可直接、全自動地創(chuàng)建仿真圖像。通過安裝了激光雷達(dá)和雙目相機(jī)的自動駕駛汽車掃描街道，AADS系統(tǒng)便可獲得自動駕駛仿真的全部素材。

華為的自動駕駛云服務(wù)Octopus可實(shí)現(xiàn)自動駕駛?cè)芷诜?wù)。2019年4月，華為推出基于芯片技術(shù)與云技術(shù)的Octopus覆蓋自動駕駛數(shù)據(jù)、模型、訓(xùn)練、仿真、標(biāo)注等全生命周期業(yè)務(wù)，向開發(fā)者提供包括數(shù)據(jù)服務(wù)、訓(xùn)練服務(wù)、仿真服務(wù)等三大服務(wù)。基于三大服務(wù)，華為具備為客戶提供海量數(shù)據(jù)處理、軟硬件加速、高并發(fā)仿真、云端協(xié)同等核心服務(wù)的能力。

阿里混合式仿真測試平臺可快捷實(shí)現(xiàn)極端場景的復(fù)現(xiàn)。阿里于2020年4月推出自動駕駛仿真平臺，采用虛擬與現(xiàn)實(shí)結(jié)合的仿真技術(shù)，引進(jìn)真實(shí)路測場景和云端訓(xùn)練師，可以任意增加極端路測場景變量。在實(shí)際路測中，復(fù)現(xiàn)一次極端場景的接管可能需要1個(gè)月的時(shí)間，阿里混合式仿真測試平臺可在短時(shí)間內(nèi)模擬一次極端場景。

從業(yè)務(wù)生態(tài)來看，百度開源平臺主要為自身的Apollo業(yè)務(wù)提供支撐。騰訊則意在擴(kuò)張?jiān)品?wù)生態(tài)，為自動駕駛研發(fā)團(tuán)隊(duì)提供測試驗(yàn)證、模型驗(yàn)證、管理調(diào)度、高精地圖等“一條龍”服務(wù)。阿里欲構(gòu)建包含高精地圖、車載操作系統(tǒng)、算法、芯片、仿真測試等完整產(chǎn)業(yè)鏈。華為開發(fā)了MDC車載計(jì)算平臺，與Octopus結(jié)合構(gòu)建生態(tài)，可在仿真測試市場占據(jù)一席之地。

自動駕駛仿真測試面臨的挑戰(zhàn)

從產(chǎn)業(yè)的角度來看，自動駕駛仿真測試技術(shù)成為自動駕駛車輛測試的基礎(chǔ)關(guān)鍵技術(shù)，也是未來行業(yè)定義自動駕駛車輛相關(guān)開發(fā)流程的基礎(chǔ)工具。但想讓仿真充分發(fā)揮價(jià)值，依然面臨著許多挑戰(zhàn)。

一是場景庫搭建效率低、成本高。自動駕駛仿真測試中場景庫的搭建需要依靠大量人工進(jìn)行采集、標(biāo)注，再進(jìn)行場景分析挖掘、測試驗(yàn)證，整個(gè)流程不僅效率低，而且人工成本很高，目前全球每年人工標(biāo)注成本在10億美元量級。

二是仿真與真實(shí)世界仍存在差異。由于考慮所有相關(guān)的物理現(xiàn)象具有挑戰(zhàn)性，而保持渲染圖像/點(diǎn)云和現(xiàn)實(shí)世界高度一致性需要非常高的成本。目前，大多仿真系統(tǒng)對物理現(xiàn)實(shí)的表現(xiàn)并不是充分的，使得自動駕駛系統(tǒng)在仿真環(huán)境和實(shí)際運(yùn)行環(huán)境之間的表現(xiàn)存在差異。

三是自動駕駛場景庫共享難度大。當(dāng)下各企業(yè)場景庫建設(shè)都是各自為戰(zhàn)，資源重復(fù)性投入，業(yè)內(nèi)認(rèn)為共享化是有效解決辦法。但由于目前缺乏統(tǒng)一的場景庫標(biāo)準(zhǔn)，各家企業(yè)對自身核心技術(shù)的謹(jǐn)慎保護(hù)，短時(shí)間內(nèi)難以實(shí)現(xiàn)自動駕駛仿真場景庫的共享化。

四是缺乏自動駕駛仿真測試評價(jià)體系。目前市面有數(shù)十家企業(yè)仿真軟件，但如何評價(jià)各家軟件的真實(shí)性、有效性尚未達(dá)成共識。不僅缺乏仿真測試場景標(biāo)準(zhǔn)方面的國家標(biāo)準(zhǔn)規(guī)范，也缺乏針對仿真工具鏈的評估，尤其是對仿真測試與實(shí)車測試差異性評估。

雖然存在諸多挑戰(zhàn)，但科技公司的參與有望建立起更加良性自動駕駛仿真生態(tài)，助力自動駕駛車輛解決很多常規(guī)場景下無法解決的問題。在邁向自動駕駛車輛量產(chǎn)的路上，幫助玩家能夠少走一點(diǎn)彎路，加速商用落地的到來。

執(zhí)筆：車百智庫研究員張強(qiáng)

* 本文僅代表署名研究員個(gè)人觀點(diǎn)

了解更多請?zhí)砑游⑿盘枺篊hinaEV100-2016

返回第一電動網(wǎng)首頁 >