我國(guó)智能駕駛行業(yè)數(shù)據(jù)領(lǐng)域正面臨著數(shù)據(jù)體量不足、數(shù)據(jù)孤島現(xiàn)象嚴(yán)重等諸多挑戰(zhàn)，開(kāi)放、統(tǒng)一的數(shù)據(jù)生態(tài)尚未形成。為助力行業(yè)解決這一痛點(diǎn)問(wèn)題，中汽協(xié)會(huì)下屬公司眾鏈科技攜手技術(shù)合作方IAE智行眾維®（以下簡(jiǎn)稱(chēng)IAE）重磅發(fā)布Coral-Data(珊瑚數(shù)據(jù))開(kāi)源計(jì)劃！

該開(kāi)源計(jì)劃著眼當(dāng)下智能駕駛行業(yè)對(duì)算法訓(xùn)練及仿真測(cè)試應(yīng)用的迫切數(shù)據(jù)需求，將陸續(xù)發(fā)布系列仿真測(cè)試場(chǎng)景集和訓(xùn)練數(shù)據(jù)集。本期發(fā)布的SimScenario-AEB 仿真測(cè)試場(chǎng)景數(shù)據(jù)集約50組，包含Car-to-Car和Car-to-VRU兩部分，覆蓋法規(guī)場(chǎng)景和自定義場(chǎng)景。

仿真工程師視角：

淺談AEB算法開(kāi)發(fā)和測(cè)試驗(yàn)證

如今，裝配自動(dòng)駕駛系統(tǒng)的車(chē)輛在道路上越來(lái)越常見(jiàn)。AD/ADAS功能的受眾群體逐年增加。AD/ADAS功能的推出無(wú)疑為駕駛員帶來(lái)更加便捷、舒適和安全的駕駛體驗(yàn)。據(jù)全球綜合數(shù)據(jù)資料庫(kù)statista網(wǎng)站(1)中的數(shù)據(jù)顯示，“2019年，全球范圍內(nèi)，約有3100萬(wàn)車(chē)輛具有一定程度的自動(dòng)駕駛功能”，預(yù)計(jì)“到2025年，L2級(jí)自動(dòng)駕駛車(chē)輛全球市場(chǎng)滲透率約為60%。到2030年，L2級(jí)自動(dòng)駕駛車(chē)輛有望實(shí)現(xiàn)市場(chǎng)全覆蓋”。

隨著AD/ADAS 功能的升級(jí)，其與車(chē)輛內(nèi)部的功能關(guān)聯(lián)耦合的復(fù)雜程度隨之上升，這對(duì)車(chē)輛功能研發(fā)及V&V(Verification & Validation)流程都是更大的挑戰(zhàn)。目前系統(tǒng)化的解決思路是通過(guò)持續(xù)的測(cè)試、評(píng)價(jià)、驗(yàn)證來(lái)確保其功能符合ODD要求，該過(guò)程在各環(huán)節(jié)重復(fù)、耗時(shí)。如果算法更新迭代通過(guò)實(shí)車(chē)測(cè)試的方式進(jìn)行驗(yàn)證，將面臨測(cè)試驗(yàn)證周期長(zhǎng)、成本高、安全風(fēng)險(xiǎn)高等問(wèn)題。

那么，在確保安全的前提下，是否存在能夠幫助大幅提升功能研發(fā)及測(cè)試驗(yàn)證效率的其他更優(yōu)解決方案？

科學(xué)有效的仿真測(cè)試技術(shù)是目前該問(wèn)題的最優(yōu)解。在虛擬環(huán)境中搭建仿真所需各類(lèi)場(chǎng)景，即全方位、全覆蓋式復(fù)構(gòu)真實(shí)世界各類(lèi)形態(tài)、行為及物理屬性，為AD/ADAS的開(kāi)發(fā)、測(cè)試、驗(yàn)證提供一個(gè)安全可控的虛擬環(huán)境。

美國(guó)仿真測(cè)試服務(wù)商Applied Intuition(2)進(jìn)行了一項(xiàng)研究，旨在對(duì)仿真中行駛10,000英里與在現(xiàn)實(shí)世界中駕駛10,000英里進(jìn)行測(cè)試的成本進(jìn)行比較（如圖1），其研究結(jié)果顯示，相較于真實(shí)的里程測(cè)試，仿真測(cè)試每英里的成本約為真實(shí)里程測(cè)試的1/40。

圖1：行駛10,000英里時(shí)，每英里真實(shí)駕駛里程與仿真里程成本對(duì)比

IAE從滿足行業(yè)共性需求出發(fā)，通過(guò)在產(chǎn)品研發(fā)及測(cè)試驗(yàn)證階段為用戶提供安全、高效的仿真測(cè)試場(chǎng)景及服務(wù)助力行業(yè)發(fā)展。

得益于行業(yè)領(lǐng)先的仿真環(huán)境部署及場(chǎng)景搭建能力，IAE快速完成算法閉環(huán)測(cè)試的開(kāi)發(fā)，并結(jié)合“水木靈鏡”場(chǎng)景工場(chǎng)的C-NCAP等AEB場(chǎng)景，為算法的開(kāi)發(fā)測(cè)試和驗(yàn)證搭建仿真環(huán)境（如圖2）。

圖2: AEB 算法開(kāi)發(fā)和測(cè)試閉環(huán)

借助上述仿真閉環(huán)系統(tǒng)的運(yùn)行，僅需幾周時(shí)間，我們已經(jīng)能夠在算法邏輯和校準(zhǔn)方面對(duì)AEB功能進(jìn)行優(yōu)化，以滿足其ODD定義要求。針對(duì)仿真測(cè)試和仿真場(chǎng)景數(shù)據(jù)在整個(gè)開(kāi)發(fā)驗(yàn)證過(guò)程中起到的作用，這里選取了幾個(gè)具體的實(shí)例與大家分享。

圖3: AEB 邏輯示意圖

實(shí)例一：橫向警戒距離的調(diào)教

圖4為AEB算法有效目標(biāo)感知范圍示意圖，只有位于主車(chē)路徑上的目標(biāo)物且其與主車(chē)橫向距離小于設(shè)定安全閾值時(shí)，才會(huì)被AEB算法納入警戒列表。合理的閾值能夠有效減少AEB的誤觸發(fā)。在開(kāi)發(fā)階段如果缺少仿真的測(cè)試驗(yàn)證手段，僅憑在現(xiàn)實(shí)世界中的測(cè)量校準(zhǔn)獲取合理閾值的難度將大大增加。實(shí)例中通過(guò)大量、多組不同場(chǎng)景的仿真測(cè)試，迅速了解并調(diào)教出合理的橫向警戒距離 。

圖4 : AEB目標(biāo)探測(cè)邏輯

實(shí)例二：狀態(tài)切換閾值的調(diào)教

對(duì)于每個(gè)PBiStopTime，定義了不同的期望減速度。PBiStopTime中的“i”越大，PBiAccel的值就越大。因此，根據(jù)不同的AEB制動(dòng)狀態(tài)，算法將請(qǐng)求不同的期望減速度。

圖 5: AEB狀態(tài)轉(zhuǎn)移邏輯

實(shí)例三：結(jié)合傳感器仿真和視頻注入的場(chǎng)景閉環(huán)測(cè)試

在第二個(gè)開(kāi)發(fā)階段，使用視頻注入方式將仿真圖像注入到真實(shí)的攝像頭模組中，如圖6所示。IAE在閉環(huán)系統(tǒng)中采用大量AEB場(chǎng)景并進(jìn)行泛化，從而測(cè)試、評(píng)估和驗(yàn)證AEB算法的工作性能。

圖6 :AEB算法開(kāi)發(fā)和基于視頻注入的閉環(huán)測(cè)試

考慮真實(shí)感知模組的引入，首先需要對(duì)攝像頭仿真模型進(jìn)行標(biāo)定，以確保仿真圖像盡可能接近真實(shí)攝像頭圖像。實(shí)例中通過(guò)構(gòu)建與真實(shí)條件相同的仿真場(chǎng)景，調(diào)整模型參數(shù)標(biāo)定傳感器模型，從而獲得與真實(shí)圖像相同水準(zhǔn)的感知精度。

圖7：真實(shí)與仿真攝像頭下的圖像及感知結(jié)果對(duì)比

借助于攝像頭傳感器模型、視頻注入設(shè)備、AEB場(chǎng)景庫(kù)及泛化能力、Starfish自動(dòng)化測(cè)試工具以及Jellyfish云算力海量仿真平臺(tái)等Deep Ocean系列自動(dòng)化工具（如圖8），完成感知算法和AEB算法的整體閉環(huán)和批量場(chǎng)景的高效測(cè)試，幫助進(jìn)一步驗(yàn)證算法的邏輯和參數(shù)的設(shè)定、實(shí)現(xiàn)性能的優(yōu)化。

圖8：基于Deep Ocean系列自動(dòng)化工具進(jìn)行批量場(chǎng)景的高效測(cè)試

除本項(xiàng)目使用的AEB仿真場(chǎng)景外，“水木靈鏡”場(chǎng)景工場(chǎng)的場(chǎng)景數(shù)據(jù)已覆蓋各類(lèi)評(píng)價(jià)標(biāo)準(zhǔn)及法規(guī)要求，如：C-NCAP、Euro-NCAP、ISO、ECE、IIHS等；豐富的仿真場(chǎng)景庫(kù)可用于對(duì)各種AD/ADAS 功能（如BSD、FCW、ACC等）進(jìn)行測(cè)試驗(yàn)證；同時(shí)，“水木靈鏡”場(chǎng)景工場(chǎng)還深度覆蓋SOTIF、V2X、交通事故復(fù)現(xiàn)、自然駕駛、車(chē)路云等場(chǎng)景資源，也可根據(jù)客戶具體需求提供定制場(chǎng)景，作為AD/ADAS開(kāi)發(fā)測(cè)試的重要支撐。

針對(duì)AEB算法的仿真測(cè)試，是IAE X-IN-LOOP®仿真測(cè)試技術(shù)體系和“水木靈鏡”場(chǎng)景工場(chǎng)的一個(gè)具體應(yīng)用。面向更多、更復(fù)雜的L2、L2+、L3以至L4級(jí)別自動(dòng)駕駛算法，如Robo-X城市場(chǎng)景的仿真測(cè)評(píng)，IAE持續(xù)提供全棧式仿真測(cè)試驗(yàn)證解決方案、數(shù)據(jù)產(chǎn)品服務(wù)和安全技術(shù)服務(wù)，來(lái)支持智能網(wǎng)聯(lián)汽車(chē)的研發(fā)訓(xùn)練、測(cè)試驗(yàn)證和商業(yè)落地。

我們非常高興能夠與大家分享IAE在自動(dòng)駕駛仿真領(lǐng)域的實(shí)踐經(jīng)驗(yàn)，同時(shí)借Coral-data（珊瑚數(shù)據(jù)）開(kāi)源計(jì)劃本期的發(fā)布，與大家分享AEB相關(guān)的仿真測(cè)試場(chǎng)景數(shù)據(jù)集SimScenario-AEB，同時(shí)本文提到的AEB算法的編譯版本也在其中。

期待與大家共同探討仿真技術(shù)和數(shù)據(jù)在自動(dòng)駕駛領(lǐng)域的深度應(yīng)用。

下載方式：

Coral-data (珊瑚數(shù)據(jù))開(kāi)源計(jì)劃 (第3期)：SimScenario-AEB 仿真測(cè)試場(chǎng)景數(shù)據(jù)集

https://gitee.com/iae-icv/coral-data

1. Martin Palek, Statista, “Autonomous vehicles worldwide - statistics & facts”, 18th of December 2023, https://www.statista.com/topics/3573/autonomous-vehicle-technology/#topicOverview
2. Applied Intuition, “Cost-Efficient Simulation in the Cloud: Paving the Way for Scalable Autonomy”, 5th of April 2024, https://www.appliedintuition.com/blog/cost-efficient-simulation-in-the-cloud