車網中國現場報道
2021年9月3日-5日，由中國汽車技術研究中心有限公司、中國汽車工程學會、中國汽車工業協會、中國汽車報社聯合主辦，天津經濟技術開發區管理委員會特別支持，日本汽車工業協會、德國汽車工業協會聯合協辦的第十七屆中國汽車產業發展（泰達）國際論壇（以下簡稱泰達汽車論壇）在天津市濱海新區召開。本屆論壇圍繞“融合•創新•綠色”的年度主題，聚焦行業熱點話題展開研討。

在9月5日 “前沿瞭望：創造智能汽車新體驗”中，北京航空航天大學教授、中國人工智能學會智能駕駛專委會主任鄧偉文發表了題為“汽車自動駕駛仿真測試的關鍵技術”的演講。 以下為演講實錄：

各位同仁，大家好，我今天給大家報告的題目是《汽車自動駕駛仿真測試的關鍵技術》。

我們知道智能網聯化是顛覆汽車的一場技術革命，使得汽車從傳統的機械系統、機電一體化系統向信息化、智能化和網聯化的根本轉變。這個轉變帶來的另一個重大的挑戰就是行駛環境成為了汽車，也成為了駕駛的一部分。而行駛環境復雜多變不確定，不可預測也不可窮舉，由此帶來的安全可靠性測試驗證和評價成為了一個長期的挑戰。

安全可靠性是智能網聯汽車最為重要的一個前提，不同于人的駕駛，人們對于自動駕駛安全可靠性的期望要更高，因此如何測試驗證汽車自動駕駛系統的安全可靠性。我們知道事故的出現，往往是邊界條件和小概率條件，需要大樣本和長周期的測試，這個長期測試從量級上來看就很難實現，因此我們就需要創新的測試驗證方法和工具。仿真測試已經被越來越多地認為是未來汽車自動駕駛不僅從開發包括測試驗證評價的一個主流趨勢。這個從Waymo這些年發展的過程來看可以得到驗證，Waymo現在的仿真里程數已經超過了150億英里，而它的道路測試里程數才兩千萬公里，不在一個量級上面，因此我們可以認為仿真測試加上少量的場地測試和開放道路測試，會構成未來汽車測試、驗證和評價的主要手段與方法。

汽車自動駕駛系統從概念上講總的包含幾個方面，可以歸納成類似人的感官、肌肉，中間是大腦。如何測試自動駕駛的算法，包括軟硬件，很重要的一塊就是反映這個世界的復雜性，以及工況里面的極端邊緣的情景。仿真實際是把世界虛擬化，通過數字建模，通過渲染，計算機圖形學等等手段，使得我們能夠較為逼真地反映這個真實世界，這種場景建模。然后通過傳感器建模，使得這個數據映射給我們的自動駕駛軟硬件開發，這樣構成了“建模-測試-驗證-評價”這么一個閉環系統，這個系統可以進一步支撐ADAS開發，包括自動駕駛的開發。這個包含了場景的模型，傳感器不同的模型，以及車輛動力學的模型。

場景是里面關鍵的因素，包含行駛的場合，包含環境的影響，當然也跟我們在這個場合里面，在這樣的環境下，我們的駕駛情境是什么相關？場景影響的關鍵因素是傳感因素，傳感總體來講分成幾大類，像雷達，相機，還有基于無線通訊的V2X，雷達有超聲波、毫米波、激光等等不同的介質，所以我們可以把世界從不同的維度，它的幾何特征、物理特征，還有一些圖象特征、概率特征進行映射。

場景同樣包含五層結構，最底層的結構是道路拓樸結構，這里面包含場景，它的基本要素是什么？道路拓樸還有一些靜態結構，這個里面可以看到像道路的結構、周邊的行駛環境、人，還有一些交通標志等等。進一步可以構建道路里面像道路的車道線檢測，比較關鍵的，像紋理、道路的磨損、污漬、印記等等這方面的影響。這是我們開發的系統，能夠反映城市工況、鄉村工況包括天氣光照影響等等。

這個是我們的一個使用實例，通過航拍構建，采集道路信息，特別是紋理信息，然后在計算機上構建虛擬的場景。同樣我們可以通過地圖導入，大規模自動生成這個場景。這個是我們為德國戴姆勒構建的地圖生成場景的工具。

道路結構是影響自動駕駛的關鍵因素，像這個圖里可以看到污漬、印記、磨損等等對車道性的檢測，對道路行駛非常重要。下面是天氣光照季節性的影響，它也是動態影響因素。

動態影響的核心關鍵是交通，汽車行駛里面主要的安全隱患來自于周邊行駛的交通。交通里面我們特別關注的是一些邊界條件，極端的異常的交通工況，包括人車混雜的，還有一些危險的。當然我們也希望反映中國人駕駛的特征，這個是我們的交通模型很關鍵的一塊。異常和邊緣交通建模是不同于傳統上的交通模型很重要的一塊，傳統的像SUMO等，更多的反映典型的、正規有序的、符合西方駕駛特征的交通駕駛場景，固然它對于自動駕駛測試有幫助，但是我們更多希望關注從自動駕駛角度講這些異常的、邊緣的情況，這個是汽車自動駕駛潛在的事故出現的主要場景。當然另一個是基于駕駛數據，通過數據驅動來建立交通模型。特別是這個中國人的駕駛特征，往往不同于西方，對于我們的自動駕駛算法開發也非常有幫助。

這個是我們做的一些實例，反映交通流的影響，在十字路口、交通對開，還有混雜交通可以看到不同的影響，特別是像這種匝道進入，十字路口人、車，包括左轉彎這些彼此之間的博弈關系，這種無序的交通場景。另外一個是交通干擾。有意地產生一些強干擾，測試自動駕駛算法的魯棒性。包括單車多車行人還有“鬼探頭”等。

場景里面其中另一個是駕駛的情景，我們在這里面的駕駛任務是什么？換道、超車還是泊車等等，這個和自動駕駛的速度有關，加速度有關，當然和駕駛模式保守、激進、還是一般有關，這些都對于行駛影響非常重大，特別是對于安全是一個很關鍵性的因素。最上層是自然駕駛員模型，這個模型我們實際上是希望開發出一個涵蓋感知決策規劃和控制系統自動分層的系統來支撐自動駕駛的開發。作為駕駛動態情景里面一個可量化的模型來支撐對于測試場景的測試和評價。

另外一個就是數字交通設施，這個里面包括無線通訊。天線、信道，包括網絡建模等等。這些反映出行駛環境里面五層結構里面最上層的結構，越來越多支撐車路協同，包括網聯系統的開發等等。前面的場景更多的是為傳感系統提供輸入。最終是傳感器的數據送給我們的自動駕駛的數據處理，包括算法的開發，所以傳感模型是決定整個仿真系統的一個關鍵因素，包括像超聲波、毫米波、激光、相機，包括定位、IMU以及無線通訊、數字地圖等等模型。這里給些例子介紹之前做過的工作。

相機建模是基于系統參數化的一個建模方法，反映相機里面像畸變、噪聲、視差、模糊、光學暗角等等，包括魚眼相機、廣角相機，單目、多目。相機建模實際上和圖象模擬是相關聯的。包括鏡頭的影響，交通的因素以及天空的因素等等影響，同樣也構建了相機標定的實驗室來支撐。

雷達是另一個普遍使用的傳感器，通過發射電磁波回收檢測目標，這個里面除了波束的模擬之外，天線的建模對于它的時域信號，以及經過傅利葉進行頻域信號的模擬。另外一個是目標的RCS，這個是雷達建模里面很關鍵的一個指標。主要反映的是信號衰減問題。這里面很大程度上跟目標的形狀大小，還有特別是材質，還有波束的入射角等等相關。傳統的方法基本是基于有限元的方法，比如說FEKO的商業軟件，但是從這個仿真的實施性角度來看，很難支撐我們的實時仿真。所以我們在這方面做了不少的工作，提出了基于等效的ARD的模型來估算RCS，也取得了和FEKO非常接近的仿真精度，但是效率可以做到毫秒級的建模。

超聲波雷達是現在目前特別是自動泊車里面常用的傳感器，反映的聲波的模型和信號衰減模型等等，反映聲音聲波傳播過程對音速的影響，還有目標模型等等。另外，我們也正在構建超聲波的標定實驗室，進一步的提升超聲波傳感器的模型精度。

定位是另外一塊，我們提出一個是建立星際定位模型，除了反映衛星軌道的影響因素以外，像電離層、電解層對通訊信號的衰減的影響之外，還有遮擋模型、誤差模型等等。

在此基礎上我們打造了自主品牌，叫做PANOSIM，來應對智能網聯汽車面臨的安全可靠性測試里面的關鍵挑戰。這里面包括一些剛需和痛點需求。從兩個方面：一個是工具鏈的方面，提出了仿真的測試平臺，另外就是虛擬測試的場景庫，也就是從數據鏈的層面來試圖應對現在行業面臨的挑戰。

場景庫這塊主要是基于虛擬圖象，構建基于人工圖象的大量數據集，形成虛擬的場景庫，支撐我們基于深度學習算法的開發。包括自動標注，自主測試等等。當然同時包含了支撐云端一體、虛實融合的仿真測試。

工具鏈這塊除了不同的車輛動力學、傳感器、交通、場景等等，我們打造了一個圍繞著測試實驗，包括感知決策開發的工具鏈，基于云端的分布式多節點，來支撐整個自動駕駛的驗證，包括評價的仿真工具鏈。這個工具鏈同樣支撐高效的實時的XIL，駕駛員在環、車輛在環的仿真，在行業里面對于感知、決策、規劃和控制的方方面面的測試和驗證。這個系統進一步可以支撐大規模的分布式的、多節點的仿真測試，來支撐對于模擬車輛里面的大量的多路傳感，同時在實驗室平臺里高效的、高精度的測試驗證。這個是提供適配數據處理器的數據格式，包括圖象格式、雷達、激光、定位、IMU等等，直接能夠兼容支撐車載平臺，包括電子架構的，在實驗室化學下的開發和測試驗證。

V2X的模組，包括在仿真器和適配器接入在系統環境里面，打造一個V2X在環的實時仿真的平臺。這個是為企業做的實例。通過V2X解決盲點的檢測，包括行人避撞，前方預警等等這么一個V2X仿真平臺。

這個系統同樣也是一個開放式的架構，為自動駕駛的二次開發，三方的集成提供算法、傳感器、場景、交通模型以及評價模型，構筑他們自己模型的建造，所以這是一個開放架構，支撐不同供應商的不同模型的接入，這樣為測試評價提供了高效和便利的工具。最后是我們為整個自動駕駛從工具和產品性能這塊提供了完整全方位的支撐。這是一體化的仿真測試品牌，目標是打造自主品牌，實現自主可控。

我的報告就到這謝謝各位。