仿真测试助力自动驾驶加速落地
（报告作者：开源证券分析师 任浪）
自动驾驶需要高安全性与鲁棒性，也需要快速迭代进化的能力。实车测试意味着行驶时间至少为10⁹小时，验证成本高达上千亿元。相较于实车测试，仿真测试能够通过迅速创建覆盖率高、复用性强的虚拟场景，缩短自动驾驶从研发到落地的时间。仿真测试依赖于采集的场景库，并通过仿真平台进行场景搭建，并且对仿真的结果有清晰的评价体系。
1、 仿真测试缩短迭代流程，虚拟场景推动降本增效
自动驾驶需要高安全性与鲁棒性，也需要快速迭代进化的能力。自动驾驶功能和系统的设计开发与更新迭代需要大量的训练，经过训练环节的优化后，自动驾驶功能和系统是否能够稳定运行，需要测试环节验证被测对象与设计目标的一致性。
根据国际一般标准统计，人类司机连续驾驶一小时的死亡率为1/10⁶，而社会可接受的自动驾驶死亡率不高于1/10⁹，实车测试意味着行驶时间至少为10⁹小时，行驶里程将近 250 亿公里，验证成本高达上千亿元。进行实车测试意味着高投入成本、长研发周期，而仿真工具可以很好地解决实车测试成本高、场景积累慢的问题，并且场景覆盖率高、能够复现极端场景，目前已经成为自动驾驶系统开发、测试不可或缺的一环。
完整的仿真测试体系包括仿真平台、场景库与评价体系。（1）仿真平台是仿真测试的核心，能够进行交通流仿真、传感器仿真与车辆动力学仿真，通过仿真平台设定场景具体条件、配置仿真测试环境，能够使仿真能够正常运行。（2）场景库是仿真测试的基础。场景库中有各种场景要素，包括被测对象、道路元素、交通流、设定的环境情况、服务以及各模块的输入与输出。通过不同元素的排列组合，能够构筑出近乎无限的场景，包括极端场景与不安全场景。（3）评价体系是仿真测试的关键。仿真世界有别于现实世界，因而仿真测试的效果需要更严格详尽的评价。仿真场景的真实度、有效性、覆盖度与仿真效率是评价的主要方面，而场景中车辆行驶的安全、合规、能耗等指标是仿真测试评价的主要维度。
虚拟仿真环境促使自动驾驶开发、验证提效降本。通过仿真，能够在虚拟世界中生成车辆运行的交通环境，待测算法/系统通过搭载于虚拟的车辆与周围环境产生交互，以此来排除自动驾驶算法/系统可能存在的问题，仿真世界是自动驾驶算法/系统的虚拟“风洞”。
在仿真环境中，自动驾驶算法可以做到“边研发边测试”，帮助早期算法快速迭代；通过并行运算或硬件加速时间流速，可以加快测试速度；通过仿真重建真实场景，复盘用户运行时遇到的问题，针对性解决自动驾驶问题场景；利用多种场景生成方式，有限场景库素材得以在时间、空间上进行排列组合，生成真实世界中难以搜集到的 Corner-Case，提高自驾算法的泛用性。仿真环节能够降低自动驾驶开发成本，缩短自动驾驶算法研发、迭代周期，帮助车厂保持领先优势，助力搭载自动驾驶/智能驾驶系统车辆量产落地。
2、 满足多样化开发需求，全栈仿真平台将成为趋势
仿真平台功能各有侧重，能够满足多样化开发需求。根据应用场景的不同，自动驾驶仿真平台分为四类：
（1）交通流仿真平台：主要用于模拟交通流场景，包括车辆的行驶、交通信号灯、行人等因素，可以对城市交通、公共交通、道路规划等问题进行分析和优化；
（2）车辆动力学仿真平台：模拟汽车行驶时的动力学特性，包括车辆操控、转向、加速度等，可以对车辆设计和驾驶行为进行研究；
（3）传感器仿真平台：模拟各种传感器的数据获取过程，包括摄像头、雷达、激光雷达等，可以对传感器的性能和算法进行评估和优化；
（4）全栈仿真平台：综合以上三类平台的功能，可以创建更接近现实世界的虚拟环境用于全栈仿真测试。前三类仿真平台不足以支撑完整的仿真测试，常用于自动驾驶特定功能的开发与调试；而全栈仿真测试则能够提供自动驾驶仿真所需要的各个环节，常用于自动驾驶系统的测试。
自动驾驶仿真平台市场竞争激烈，促使仿真平台性能提升。自驾仿真平台布局主体众多，可以划分为科技公司、自驾解决方案商、仿真软件企业、车企、高校及科研机构五大类。科技公司拥有大数据优势，软件开发经验丰富；自驾解决方案商多针对自研发需要，较少对外提供仿真服务；不同仿真软件企业经验积累程度不同，传统企业积累深厚，初创企业积累薄弱；车企能够将路测和仿真测试同步结合，但限于自身软件开发能力，多与外部仿真平台提供商合作进行自动驾驶汽车开发；高校及科研机构主要对自驾仿真软件进行前瞻、基础性研究。自驾仿真平台市场竞争激烈，具备更快迭代速度、更强仿真能力、更完善服务支持的仿真平台将快速成长。
仿真贯穿自动驾驶“V”字开发流程，全栈算法闭环仿真测试能力成为关键。仿真测试包括模型在环仿真 （ Model-In-the-Loop, MIL ）、 软件在环仿真（Software-In-the-Loop, SIL）、硬件在环仿真（Hardware-In-the-Loop, HIL）与整车在环仿真（Vehicle-In-the-Loop, VIL）等，贯穿自动驾驶不同领域测试环节。
仿真测试平台为在环测试提供数据交互环境，以感知模块 SIL 测试为例，仿真环境信息输入到待测系统（此时为自动驾驶感知算法或软件），待测系统输出测试结果（对仿真环境路况的判断），完成一次闭环；如果感知结果与仿真环境中路况存在差异，代表该感知算法尚未完善。
仿真测试平台需要为自动驾驶感知、融合与决策、规控等算法的准确度、域控制器的稳定性以及整车运行的响应速度等领域提供测试环境，而大多数仿真平台往往侧重于某一方面，适用于模块化的功能开发、测试；端到端自动驾驶逐步成为发展方向，拓展性强、具备全栈优异仿真能力的平台或将取得优势。
3、 AI 赋能仿真系统，加速自驾技术落地
已有仿真平台驱动方式仍依赖大量标注数据与人工设定场景。仿真平台驱动方式分为 Logsim 与 Worldsim，Logsim 系统的仿真测试单纯使用真实数据建模，接着回放给自动驾驶算法，能够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，然而 Logsim 系统需要大量实车数据，对数据采集、数据储存环节提出较高要求；Worldsim 系统仿真测试使用的数据全部使用虚拟数据生成，可以人为预设障碍物行为和交通灯状态等构成的场景，适合构建 Corner-Case，但是 Worldsim 系统假设为完美感知，无法做到现实路况中遇到突发情况的应变，仍需实车测试进行补充验证。Logsim 系统离不开数据的采集与标注；Worldsim 系统仍然需要人对场景进行编辑、监督，而人无法穷举所有的驾驶路况，无法具有现实世界的真实性和丰富性。
AI 应用于仿真系统，能够有效辅助自动驾驶系统升级。（1）在场景库构建方面，从传感器数据中利用 AI 进行自动化、大规模三维重建，构建现实世界对象和背景的几何形状、外观和材料属性；使用大量路采数据训练 Agent AI，使之模仿道路场景中的主体，赋予虚拟场景强交互性；利用已有场景库与生成式 AI，自动生成无需标注的各种交通场景数据。（2）在车辆仿真测试过程中，使用 AI 识别自动驾驶系统的弱点，并自动创建对抗性场景，同时自驾系统使用 AI 算法自动从错误中学习，自动迭代更新，无需密集手动调整算法，适应更快节奏、更大规模的训练。AI 能使仿真系统更有针对性，使自动驾驶算法调整自动化，加速自驾技术在现实世界落地。
以上内容仅供学习交流，不构成投资建议。详情参阅原报告。