目前搭载成熟传感器的车辆已经广泛的出现在公众交通中。其中问界，蔚来，特斯拉，长城汽车等车企也都有了自己的ADAS系统方案，几乎可以实现L3级别的自动驾驶，但由于法规和鲁棒性的原因，并没有厂商发布“真”L3级别的ADAS解决方案即使可以做到条件自动驾驶。
在车辆上市前，一定要做很多的测试，包括软件层面硬件层面保证其鲁棒性。一方面证明自动驾驶汽车拥有优于人类的驾驶能力；另一方面，从安全角度考虑，全面地训练、测试自动驾驶汽车，可以使ADAS技术学习更多处理交通路况的数据，保证找到问题且优化，将驾驶失误严格管理至可控范围之内。对各种路况环境和突发状况的处理来验证车辆传感器决策SoC和控制系统是否达到设计要求，对其功能性需求以及非功能性需求进行检验。
仿真测试
最有效也是最直观的测试方法就是对搭载测试传感器以及ADAS系统的车辆进行真实道路测试，但这显然不现实，首先真实道路错综复杂，没有得到验证的智能车辆在真实道路环境中上路测试是不安全的行为，其次系统难免会测试其冗余，对一些特定的测试场景难以保证安全的情况下稳定测试，比如对车辆ACC系统或LKA系统在高速情况下的触发测试，显然在真实道路测试是不现实的，不能保证ADAS系统在高速下的稳定性。
所以仿真测试是验证ADAS系统的最好方法。下图为Apollo的仿真模拟环境，可以直观地看到ADAS车辆的路径识别，对周围环境进行3D重建。
通过基于软件的仿真测试尽可能的构建与现实环境相似的测试场景，高效的对车辆的逻控制辑，辅助系统触发条件进行测试，提高安全性增加效率。
Reference：《中国自动驾驶仿真蓝皮书》
传感器的仿真：
在感知仿真中传感器接收到的都是物理信号,比如相机，雷达（超声波雷达，毫米波雷达，激光雷达），该怎么模拟这些传感器的数据目前是相对控制和车辆仿真较为难的一方面。 在感知仿真中我们要根据被控对象来决定是要对传感器进行 物理信号，原始信号或是目标列表 的仿真。测试传感器的性能和触发条件可以使用物理模拟信号进行测试，测试传感器融合算法则原始信号更合适，到决策层面可以直接通过目标列表CAN通信协议的形式测试。
Camera的仿真：
物理信号 视频暗箱原始信号 视频注入目标列表 CAN
雷达的仿真：毫米波雷达：物理信号 毫米波雷达模拟器原始信号 ——（毫米波雷达的原始信号一般在其内部直接处理）目标列表 CAN
激光雷达：
物理信号 激光雷达模拟器（不常用）
原始信号 点云信号（常用）
目标列表 CAN
超声波雷达：物理信号 超声波仿真板卡（模拟超声波回波）
原始信号 ——目标列表 CAN
自动驾驶场景的仿真
自然驾驶数据
在真实的驾驶环境采集尽可能多的驾驶工况
感知算法
可以通过深度学习的方法对场景进行感知分类，通过机器学习奖励识别正确的行为，使得智能车可以感知到驾驶环境里交通灯和交通线的信息
数据融合算法
将采集得到的数据进行数据融合
场景提取算法
对一些经典或危险场景进行提取，判断一般场景，危险场景或泊车场景
场景数据标注
对动态和静态的环境信息进行标注
场景聚类算法
针对特殊驾驶人群，比如中国驾驶法规和习惯进行聚类分析，比如在特定危险场景下中国驾驶员是在哪个时间段介入，包括距离的处理
场景重构的算法
对参数的扩展和延伸，重构符合特定人群驾驶习惯的场景
通过虚拟场景转换软件加入标准法规和交通事故以及人工经验的场景进行模拟转换持续迭代测试
仿真测试的V形架构
MIL（Model-in-the-loop）模型在环测试
在仿真环境中用数学或仿真模型测试和验证控制算法，是开发过程中的最初的阶段，验证算法的基本功能和逻辑，整个测试过程都是在模型环境中进行，没有涉及到实际的软件代码或硬件设备。算法以模型的形式存在，并通过仿真环境进行循环测试。
SIL（Software-in-the-loop）软件在环测试 在仿真环境中运行实际的控制软件代码，验证软件的功能和性能。对软件进行测试和验证的中间阶段，实际的软件代码被放入仿真环境中进行循环测试，以便在不依赖实际硬件的情况下验证软件的正确性。
HIL（Hardware-in-the-loop）硬件在环测试 在仿真环境中使用实际的控制硬件来测试系统。验证硬件和软件的集成和系统的实时性能，实际的硬件被放入仿真循环中进行测试，确保系统在现实条件下的工作性能和响应速度
DIL（Driver-in-the-loop）驾驶员在环测试
在仿真环境中引入实际驾驶员，测试系统在实际驾驶条件下的表现。评估自动驾驶或驾驶员辅助系统的用户体验和人机交互，实际驾驶员作为测试的一部分，被引入仿真循环中进行测试，观察驾驶员和系统的交互行为。
VIL（Vehicle-in-the-loop）
车辆在环测试
在仿真环境中测试整个车辆系统，包括所有硬件和软件组件，用于最终的系统验证，确保整个系统在实际驾驶条件下的性能和安全性，实际车辆被放入仿真循环中进行测试，综合验证整个系统在真实条件下的表现。
发表回复