佐思汽研发布《2024年自动驾驶仿真产业研究报告》。
2023年11月17日,工信部等四部门发布了《关于开展智能网联汽车准入和上路通行试点工作的通知》,至今包括比亚迪、宝马、智己、奔驰、深蓝、阿维塔、极狐、问界、极越、广汽埃安等多家车厂相继获得高速或城区L3级自动驾驶测试牌照。目前,以城市NOA为代表的高阶智驾功能正加速落地,而L3及以上的自动驾驶系统“安全责任人”的角色,需要有足够的安全性和鲁棒性,需要应对城区无法穷举的边缘/长尾场景痛点。
L3级智驾系统的商业化落地需十几亿公里的测试里程,实际道路测试成本高,耗时长、用例覆盖率低,而仿真测试能在短时间内、以低成本快速解决这一痛点。以小鹏为例,除了小鹏车主每天供应的路侧数据,小鹏在积极结合模拟仿真在虚拟空间构建极端场景,供智驾系统学习及理解,截止2023年底小鹏的仿真里程已达到了1.22亿公里。
在智能驾驶“三支柱法”测试手段中,仿真测试通过虚拟环境模拟不同的交通场景、道路条件、天气光照和异常情况,评估自动驾驶系统在各种情况下的功能、反应和决策能力。
自动驾驶仿真测试三大组成部分
来源:佐思汽研《2024年自动驾驶仿真产业研究报告》
上图中,自动驾驶仿真平台需支持交通场景仿真(静态场景还原、动态场景仿真)、环境感知传感器仿真(摄像头、激光雷达、毫米波雷达、GPS/IMU等传感器的建模仿真)、车辆动力学仿真等,实现从感知到控制的仿真测试验证。根据被测对象的不同,自动驾驶仿真平台实可分为:模型在环(MIL)、软件在环(SIL)、硬件在环(HIL)、驾驶员在环(DIL)以及车辆在环(VIL)等在环测试。目前,不同仿真测试企业拥有不同的能力组合,见下表。
国内外自动驾驶仿真方案商核心产品对比表(部分)
来源:佐思汽研《2024年自动驾驶仿真产业研究报告》
趋势一、自动驾驶仿真测试进入高逼真度、高还原度的精准仿真阶段
在“感知-预测-决策-规划-控制”等全链路环节中,感知对应各类传感器,负责收集车辆外部环境信息,比如交通流、道路条件、天气光照和异常情况等。主要包括:摄像头仿真、激光雷达仿真、毫米波雷达仿真、定位仿真(GPS、IMU)。
目前,不少企业都在推进仿真细粒度的工程实践,比如高逼真度模拟真实道路环境、动态交通场景和车辆/行人行为,精准还原细致的物理现象和动态传感器性能等,从而快速验证自动驾驶系统性能,并提供全面的测试验证报告。
以沛岱汽车为例,基于沛岱PlenRay物理射线技术的全物理级传感器模型能够仿真细致的物理现象,例如电磁波的多路径反射、折射、干涉、多路径反射等,或动态传感器性能,例如探测丢失率、目标分辨率、测量不准度和“鬼影”物理现象等,从而获得传感器模型所需的高保真度。截至目前,仿真还原率逼近95%。
此外,由 NVIDIA Omniverse 提供支持的NVIDIA DRIVE Sim 端到端仿真平台,采用高保真且基于物理属性的仿真技术,能够生成众多真实世界的数字孪生场景,目前禾赛激光雷达和速腾聚创激光雷达模型也已集成至NVIDIA DRIVE Sim,模拟激光雷达在光束控制、自定义扫描模式和分辨率等各方面的表现,并生成合成数据集 。车企或自动驾驶方案商等用户可以通过 DRIVE Sim 仿真平台,直接调用该激光雷达模型进行研发或测试。
类似英伟达,dSPACE的AURELION 3D场景及物理传感器的高精度仿真,为雷达、激光雷达和摄像头实时生成高度真实的原始数据,其中AURELION优化材料对雷达回波的影响和多路径光线追踪技术,确保接近现实世界的测量效果(例如鬼点效应) 。针对毫米波雷达,dSPACE还有DARTS解决方案,即雷达传感器回波模拟测试。
在车辆感知环境信息中,对车辆与行人的交互行为进行仿真容易受到忽视。举例来看,昇启科技的千行仿真平台加入了丰富逼真的行人模型,支持行人微观轨迹的自定义,行人批量生成等功能,在场景编辑时,用户可以根据需求,模拟现实中的拥挤、稀疏行人分布,也可以构建行人随机穿行、鬼探头、人车让行、路权争端等复杂的长尾场景,以检验自动驾驶系统的综合表现。平台还提供不同的行人行为风格模型,涵盖了人车交互、横穿马路、斜穿路口等场景,实现了智能行人交通流的模拟仿真。此外,该平台多样化的驾驶员行为对三类驾驶风格的驾驶员(保守型驾驶员,常规型驾驶员,激进型驾驶员)进行建模,并通过一定的概率分布对各参数进行细化,使得环境车辆的驾驶行为多样化、随机化。
域控制器在环仿真测试工程实践案例
此外,多感知并发仿真测试大大提高感知相关算法的研发及测试效率。工程化实践方面,2023年5月,51Sim、昆易电子合作,成功打通中国自动驾驶在环测试从软件到硬件的域控闭环,实现域控制器在环仿真测试全面国产化。在这套基于征程5打造的国产域控制器在环方案中,昆易电子自主研发的智驾数据回注系统支持同时注入多路高清摄像头、激光雷达、毫米波雷达、超声波雷达、GNSS&IMU等传感器数据,依托自动驾驶仿真测试平台51Sim-One轻松实现对特定场景、环境的复现 , 大大提高感知相关算法的研发及测试效率。
趋势二、自动化生成及场景泛化能力必不可少
目前,如何构建Corner case场景是业内面临的一大挑战。复现实际道路测试难以覆盖的高危险工况、极端天气条件、复杂交通环境、边缘事件等场景正是仿真测试的意义所在,尤其是针对安全关键型场景的大批量测试,更需要基于AI技术的自动化仿真技术来实现更高场景覆盖率。
基于覆盖的质量是一种更为细致和全面的自动驾驶安全测试方法。它关注的是测试覆盖的质量,即系统是否经历了各种可能的情况和场景。通过定义一系列测试用例和测试场景,该方法可以确保自动驾驶系统在各种路况、交通情况和异常情况下进行测试。覆盖的质量可以包括路况变化、交通行为、特殊天气条件、紧急情况等方面。
典型仿真企业的场景覆盖及泛化能力(部分)
来源:佐思汽研《2024年自动驾驶仿真产业研究报告》
与此同时,AI技术及大语言模型开始逐步融入到仿真测试工作当中,在场景自动化生成,自动标注、加速场景库建设,降低仿真测试成本,降低仿真测试技术门槛及缩短车辆开发周期等方面发挥着越来越重要的作用。
以全自然语言交互为例,五一视界的AIGC-Scenario Copilot支持全自然语言交互,无需繁琐的手动编辑,无需代码,只需要简单地输入场景描述,比如“增加动作,先向右变道,然后减速到0”,利用AI大语言模型,即可生成符合OpenSCENARIO标准的自动驾驶仿真测试场景,同时生成未知的危险场景,拓展仿真测试的边界。
此外,华为盘古大模型在自动驾驶场景生成方面,有以下特点:
自动驾驶场景理解代替人工打标签分类,万段视频片段分钟级处理完成。
自动驾驶场景生成,通过NeRF技术实现车型变换、车道变换、场景组合渲染等应用。
自动驾驶预标注,代替人工标注,支持2D、3D、4D自动标注,准确率超过90%。
自动驾驶多模态检索支持以文搜图、以图搜图等多维检索能力,实现百万图片分钟级检索。
除了以上分析的仿真平台及场景库泛化能力,自动驾驶测试的仿真评估体系也是实现自动驾驶技术商业化落地必要的一环。仿真评估是指利用仿真测试的方法,对自动驾驶系统的各个方面进行评估和优化,以确保其安全、可靠、高效地在实际道路中运行。仿真评估主要有自动驾驶系统评估和仿真测试系统评估,其中仿真测试系统评估包括对场景覆盖度、场景真实性、场景有效性和仿真效率的评估。
趋势三、场景库数据资产化与共享化,助力高级别自动驾驶训练测试降本增效
仿真测试中,除了基于路采数据的场景自动化生成(如dSPACE的Autera方案、NI数采方案、VI-Grade AutoHawk方案等),打造全场景合成数据仿真素材库可以助力开发人员持续对自动驾驶系统在海量驾驶场景,尤其是针对safety-critical场景下进行训练、测试和验证,提升算法迭代效能、闭环测试效率和深度。
以深信科创的OASIS DATA自动驾驶数据平台为例,其全场景合成数据仿真素材库囊括常见的交通参与者、障碍物、道路设施等交通环境要素,并结合物理级的传感器仿真模型,进一步规模化生成多模态、高保真、精准标注的仿真素材;合成数据生成效率方面,生成效率最高可达10万帧/天,可有效节约90%以上数据采集和标注成本。
此外,51Sim DataOne拥有强大的数据驱动能力,包括Dataverse和Synthverse。其中,Dataverse是一款数据平台,具备数据清洗、数据计算、数据管理、数据可视化、数据统计等能力,实现了数据驱动的仿真闭环;而Synthverse是合成数据平台,可基于高精地图自动生成3D场景,通过3D重建技术高保真地还原特定场景,并能通过场景编辑泛化工具,对3D重建场景进行动静态元素的泛化。
2023年11月,51Sim联合地平线生态圈的合作伙伴火山引擎、天准、美行推出业内首个全链条数据驱动闭环生态方案,加速自动驾驶量产落地。该套方案提供包括芯片、域控、数采、数据处理、算法训练、回灌测试、仿真软硬件测试一体化方案,旨在解决智能驾驶行业普遍存在的数据利用率低,数据驱动闭环搭建难等问题,推进高阶自动驾驶量产落地。51Sim为数据驱动闭环生态提供全套虚拟仿真测试能力。
业内首个全链条数据驱动闭环生态方案
目前,对于自动驾驶系统的训练和测试数据的需求急剧增长,存在大规模、多样化、高质量的长尾场景采集难度大、所需场景筛选难度高等痛点问题。针对此,部分仿真方案提供商开始推进仿真场景库(包括标准法规场景、事故场景、自然驾驶场景、危险/极端场景、重构场景)的数据资产化尝试,比如深信科创、智行众维、51Sim等,同时也积极响应《“数据要素x”三年行动计划(2024-2026年)》,助力智能网联产业数据资产化相关工作的开展,陆续在深圳数据交易所、上海数据交易所、苏州大数据交易所、北方大数据交易中心上线交易。
仿真场景库数据资产化实践举例
来源:佐思汽研《2024年自动驾驶仿真产业研究报告》
在仿真数据共享方面,还需要解决车端与云端的协作问题。比如,传统单机研发环境下,一个团队内部数据孤岛现象严重。如何实现XIL测试工程师、工具链研发工程师、算法训练工程师及算法测试工程师等多团队之间的高效工作模式,这一痛点也已被打破,比如2024年4月,51SimOne协作版“云+端”一体化产品正式发布。通过中心化存储与一体化设计,它将客户端与云端无缝衔接,支持多人协作,数据在团队间得到充分共享,其中客户端支持研发任务本地集成调试,云端支持算法研发阶段性大规模自动化测试,实现了一个平台,满足多种需求,极大地加速了自动驾驶算法的迭代与优化。