自动驾驶应用加速 模拟仿真技术是关键之一

GRCC 自动驾驶测试验证技术创新论坛

利好政策接连发布，自动驾驶受热议。但在实际运用中，自动驾驶的落地依旧面临着许多问题，测试验证难是其中一大痛点。而模拟仿真技术被业界当做这一难题的解决办法，应用日渐广泛。

腾讯作为国内自动驾驶领域的头部玩家之一，从2017年开始研发模拟仿真平台的三维场景及传感器仿真、数据驱动交通流模拟丰富的测试场景、场景型云仿真及虚拟城市型云仿真并行等核心能力，使腾讯自动驾驶模拟仿真平台处于国内领先地位。近日，腾讯自动驾驶模拟仿真平台负责人孙驰天分享了其对市场痛点及应用趋势的分析。

自动驾驶测试两大难点：数据成本和路测里程要求

自动驾驶测试目前主要面临两个难题，一个是高昂的数据采集和标注成本，另一个是实际路测难以企及的测试里程要求。

首先，自动驾驶作为人工智能技术的“皇冠”，其感知算法的训练需要采集大量的数据，这些数据集需要涵盖不同的天气、路况等交通条件，但是训练数据采集和标注的成本非常高昂，每年全球的自动驾驶开发者仅在第三方数据服务这一领域的资金投入就超过十亿美元。
　　另外，数据的采集和标注存在很明显的“重复造轮子”现象。每个公司都有自己的自动驾驶数据集，虽然已经有部分对外开放，但是比例很少，而且开放数据集只能满足通用的训练数据，国外数据集也很难完全满足国内的感知算法训练需要。
　　其次，在算法的测试验证上，行业普遍认为一套自动驾驶算法需要至少110亿英里的测试，才能达到量产应用的条件，这个距离相当于在太阳和地球之间往返50余次。而且110亿英里测试距离是针对特定一个版本的自动驾驶算法来说的，一旦算法升级，还需要重新测试，任何公司都无法承受这个成本。”

模拟仿真平台三大还原能力

在现实测试中难以完成的测试体量，交由模拟仿真平台来完成，这已经是行业普遍的做法。具体来讲，模拟仿真平台就宛如电影《头号玩家》中的“绿洲系统”，而“绿洲”中的一个个玩家就相当于是一套套自动驾驶的算法。算法的在模拟仿真平台上的测试，就如同把自动驾驶算法接入“绿洲系统”中，完成不同的副本关卡（测试场景）。

为了使自动驾驶算法测试结果真实可靠，模拟仿真平台就必须尽可能接近真实。这不仅需要视觉、感官层面的真实，更需要内在物理规律和运行逻辑层面的真实。因此，模拟仿真平台至少需要具备三个层面的还原能力。

首先是场景的几何还原，运用模拟仿真平台对某个现实场景进行还原，就要求这个场景里所有建筑、障碍物、道路元素、车辆的高度、宽度以及彼此之间的相对距离都与真实世界保持一致，完成这一步依赖于前期的数据采集、标定以及三维重建技术。

第二步就是对场景的物理规律进行还原。比如，自动驾驶汽车上会搭载许多雷达，不同的雷达探测距离、反射时间会有差异，车辆在运行的过程中会受到路面摩擦系数、风阻系数的影响、踩油门会加速、踩刹车会减速等。模拟仿真平台需要借助传感器模型以及车辆动力学模型等组件，让这些物体元素的运行规律与真实世界保持一致。

当仿真场景的几何还原和物理规律还原，都做的足够精确，再借由游戏引擎技术让这个仿真世界动起来，这时候自动驾驶的汽车在仿真环境下的感知、决策过程以及周围交通参与者的运行轨迹和模式就能与真实世界保持一致，也就完成了场景的逻辑还原。只有做到这一步，自动驾驶汽车在模拟仿真平台中的测试结果才具有参考价值和意义。

单从测试的角度来说，模拟仿真平台有个天然的优势，那就是它的所有元素都是自带“真值”的。所谓的“真值”对应的是现实世界中的“观测值”，在实际的道路测试中，自动驾驶汽车的摄像头、雷达探测到的都是“观测值”，而不是物体的客观属性。无论多么先进的感知算法识别到的都是“真值”加一定的误差，哪怕人类去标注，也会存在误差，而且成本很高。

但是在模拟仿真系统里，所有的元素都是测试者来构建的，所以测试者可以很清楚的知道一个物体的“真值”，比如说一棵树精确的坐标位置，汽车、障碍物、行人的前进方向，加速度等数值都是绝对精确的。自带“真值”这个特点，可以让仿真测试得到的数据比现实中更精确，这对完善自动驾驶的算法，有非常重要的意义。

模拟仿真平台的场景构建能力

随着自动驾驶技术的深入发展，测试者和开发者对模拟仿真平台应用能力的要求也越来越高。
　　首先，模拟仿真平台的场景构建能力，也就是场景的丰富性。一般来说，利用场景编辑器进行编辑，或者将场景数据输入仿真平台，进行回放性的仿真，场景中的元素都是相对固定的。当测试者希望改变自动驾驶算法，也就是主车行为时，这些场景元素不会做出相应的改变，没有交互性。如果能够依据需要灵活构建场景，实现环境和交通流的智能化和自动化生成，路采数据的利用率将被放大数倍，这对算法迭代的加速是很有意义的。
　　其次，仿真平台应该具有本地调试+云端快速验证的能力，或者说是高并发场景的能力。可以将本地训练好的自动驾驶算法，上传到云端同时进行大量的回归测试验证，再把结果返回到本地去做算法的精细调试，从而有效提升自动驾驶算法开发与测试的效率。
　　最后，完善的模拟仿真平台应该具备一个系统满足全算法闭环验证，或者是任一算法开环验证，同时保持所有算法在系统内的仿真一致性的能力，这是非常关键的一点。一套完善的自动驾驶算法是预测、定位、感知、决策、控制等多个算法的融合，每个算法团队都可能有特别的需求。使用一套软件来满足算法不同阶段的验证，满足模型在环、软件在环、硬件在环、车辆在环全流程的使用需求，不但能提供良好的用户体验，还能避免跨软件算法验证导致的仿真结果不一致的情况，这对自动驾驶算法验证同样非常重要。

腾讯TAD Sim 场景云仿真、虚拟城市云仿真相辅相成

针对自动驾驶模拟仿真测试的需求以及行业痛点，以为自动驾驶提供更加安全、高效的开发和测试方式为目标，腾讯打造了一套内置高精度地图、虚实结合、线上线下一体的自动驾驶模拟仿真平台——TAD Sim。

自动保存_luozhiwei

TAD Sim集成了工业级的车辆动力学模型、专业的游戏引擎、三维重建技术和虚实一体的交通流技术，可以完成感知、决策、控制算法等实车上全部模块的仿真实验，同时支持单机和云端部署的方式，一套系统满足全栈算法的使用需求；基于腾讯已经完成的全国高速、快速路高精度地图采集和制作，TAD Sim支持全国高速和快速路的仿真。

总结起来，TAD Sim有三大核心能力，首先是基于腾讯强大的游戏引擎能力运行传感器建模和标定，能保证其三维场景的仿真以及传感器的仿真具有业内领先的真实度和精准度。其次，TAD Sim场景生成系统支持多种场景来源，除了比较常见的场景编辑器和回放型的路采数据仿真，还可以运用大量路采数据训练交通流AI，生成真实度高、交互性强的场景AI，来进行闭环仿真，大大提高路采数据的利用率。

最后，基于腾讯云服务，TAD Sim可以同时在本地和云端部署测试场景。其中云端部署包含了场景云仿真和虚拟城市云仿真两种形式。这两种形式相辅相成，不但能大大提升自动驾驶算法测试效率，对算法的完善和迭代也有重要推动作用。

具体来说，场景云仿真中每个节点是对单个场景的仿真，但可在云端同时运行大量节点；而虚拟城市云仿真，可以加载一个城市级的高精度地图，在上面部署上百万辆的交通流车辆和上千台自动驾驶主车，去进行24小时*7的不间断的测试。通过虚拟城市云仿真的大规模测试，可以帮助我们寻找到自动驾驶算法处理不好的场景，来进行针对性的算法完善和测试。虚拟城市云仿真源源不断地为场景云仿真补充场景库，两者形成互相促进的作用。

模拟仿真平台在研发、测试等领域正在被广泛应用 推动自动驾驶落地

在产业互联网领域，腾讯致力于做数字化的连接器和工具箱，腾讯自动驾驶模拟仿真平台也在和OEM厂商、测试场、政府机构、产业联盟乃至科研机构广泛合作，推动应用落地。

去年底，腾讯自动驾驶团队与国家智能网联汽车（长沙）测试区合作建设“智能网联汽车仿真实验室”，基于高精度地图和三维重建技术，对长沙测试区的地理全貌进行数字化建模，实现在仿真环境下进行安全、高效的智能汽车实验。

根据《智能汽车创新发展战略》，2025年我国将实现有条件自动驾驶的智能汽车规模化生产。可以预见在接下来的几年中，自动驾驶产业链中的各方，都将一路疾驰。