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援，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：創造智慧汽車新體驗”中，北京航空航天大學教授、中國人工智慧學會智慧駕駛專委會主任鄧偉文發表了題為“汽車自動駕駛模擬測試的關鍵技術”的演講。
北京航空航天大學教授、中國人工智慧學會智慧駕駛專委會主任 鄧偉文
我們知道智慧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、機電一體化系統向資訊化、智慧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。而行駛環境複雜多變不確定，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。
安全可靠性是智慧網聯汽車最為重要的一個前提，不同於人的駕駛，人們對於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機率條件，需要大樣本和長週期的測試，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。模擬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現在的模擬里程數已經超過了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，因此我們可以認為模擬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演算法，包括軟硬體，很重要的一塊就是反映這個世界的複雜性，以及工況裡面的極端邊緣的情景。模擬實際是把世界虛擬化，透過數字建模，透過渲染，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。然後透過感測器建模，使得這個資料對映給我們的自動駕駛軟硬體開發，這樣構成了“建模-測試-驗證-評價”這麼一個閉環系統，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，感測器不同的模型，以及車輛動力學的模型。
場景是裡面關鍵的因素，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裡面，在這樣的環境下，我們的駕駛情境是什麼相關？場景影響的關鍵因素是感測因素，感測總體來講分成幾大類，像雷達，相機，還有基於無線通訊的V2X，雷達有超聲波、毫米波、鐳射等等不同的介質，所以我們可以把世界從不同的維度，它的幾何特徵、物理特徵，還有一些圖象特徵、機率特徵進行對映。
場景同樣包含五層結構，最底層的結構是道路拓樸結構，這裡麵包含場景，它的基本要素是什麼？道路拓樸還有一些靜態結構，這個裡面可以看到像道路的結構、周邊的行駛環境、人，還有一些交通標誌等等。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、汙漬、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例項，透過航拍構建，採集道路資訊，特別是紋理資訊，然後在計算機上構建虛擬的場景。同樣我們可以透過地圖匯入，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，像這個圖裡可以看到汙漬、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，汽車行駛裡面主要的安全隱患來自於周邊行駛的交通。交通裡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徵，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於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、符合西方駕駛特徵的交通駕駛場景，固然它對於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。當然另一個是基於駕駛資料，透過資料驅動來建立交通模型。特別是這個中國人的駕駛特徵，往往不同於西方，對於我們的自動駕駛演算法開發也非常有幫助。
這個是我們做的一些例項，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係，這種無序的交通場景。另外一個是交通干擾。有意地產生一些強幹擾，測試自動駕駛演算法的魯棒性。包括單車多車行人還有“鬼探頭”等。
場景裡面其中另一個是駕駛的情景，我們在這裡面的駕駛任務是什麼？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，這些都對於行駛影響非常重大，特別是對於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。作為駕駛動態情景裡面一個可量化的模型來支撐對於測試場景的測試和評價。
另外一個就是數字交通設施，這個裡面包括無線通訊。天線、通道，包括網路建模等等。這些反映出行駛環境裡面五層結構裡面最上層的結構，越來越多支撐車路協同，包括網聯絡統的開發等等。前面的場景更多的是為感測系統提供輸入。最終是感測器的資料送給我們的自動駕駛的資料處理，包括演算法的開發，所以感測模型是決定整個模擬系統的一個關鍵因素，包括像超聲波、毫米波、鐳射、相機，包括定位、IMU以及無線通訊、數字地圖等等模型。這裡給些例子介紹之前做過的工作。
相機建模是基於系統引數化的一個建模方法，反映相機裡面像畸變、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感測器，透過發射電磁波回收檢測目標，這個裡面除了波束的模擬之外，天線的建模對於它的時域訊號，以及經過傅利葉進行頻域訊號的模擬。另外一個是目標的RCS，這個是雷達建模裡面很關鍵的一個指標。主要反映的是訊號衰減問題。這裡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於有限元的方法，比如說FEKO的商業軟體，但是從這個模擬的實施性角度來看，很難支撐我們的實時模擬。所以我們在這方面做了不少的工作，提出了基於等效的ARD的模型來估算RCS，也取得了和FEKO非常接近的模擬精度，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裡面常用的感測器，反映的聲波的模型和訊號衰減模型等等，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感測器的模型精度。
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、電解層對通訊訊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，來應對智慧網聯汽車面臨的安全可靠性測試裡面的關鍵挑戰。這裡麵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，提出了模擬的測試平臺，另外就是虛擬測試的場景庫，也就是從資料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於虛擬圖象，構建基於人工圖象的大量資料集，形成虛擬的場景庫，支撐我們基於深度學習演算法的開發。包括自動標註，自主測試等等。當然同時包含了支撐雲端一體、虛實融合的模擬測試。
工具鏈這塊除了不同的車輛動力學、感測器、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，基於雲端的分散式多節點，來支撐整個自動駕駛的驗證，包括評價的模擬工具鏈。這個工具鏈同樣支撐高效的實時的XIL，駕駛員在環、車輛在環的模擬，在行業裡面對於感知、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散式的、多節點的模擬測試，來支撐對於模擬車輛裡面的大量的多路感測，同時在實驗室平臺裡高效的、高精度的測試驗證。這個是提供適配資料處理器的資料格式，包括圖象格式、雷達、鐳射、定位、IMU等等，直接能夠相容支撐車載平臺，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，包括在模擬器和介面卡接入在系統環境裡面，打造一個V2X在環的實時模擬的平臺。這個是為企業做的例項。透過V2X解決盲點的檢測，包括行人避撞，前方預警等等這麼一個V2X模擬平臺。
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，三方的整合提供演算法、感測器、場景、交通模型以及評價模型，構築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。最後是我們為整個自動駕駛從工具和產品效能這塊提供了完整全方位的支撐。這是一體化的模擬測試品牌，目標是打造自主品牌，實現自主可控。
