如今，裝配自動駕駛系統(tǒng)的車輛在道路上越來越常見。AD/ADAS功能的受眾群體逐年增加。AD/ADAS功能的推出無疑為駕駛員帶來更加便捷、舒適和安全的駕駛體驗。據(jù)全球綜合數(shù)據(jù)資料庫statista網(wǎng)站(1)中的數(shù)據(jù)顯示，“2019年，全球范圍內(nèi)，約有3100萬車輛具有一定程度的自動駕駛功能”，預(yù)計“到2025年，L2級自動駕駛車輛全球市場滲透率約為60%。到2030年，L2級自動駕駛車輛有望實現(xiàn)市場全覆蓋”。

隨著AD/ADAS功能的升級，其與車輛內(nèi)部的功能關(guān)聯(lián)耦合的復(fù)雜程度隨之上升，這對車輛功能研發(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持續(xù)的測試、評價、驗證來確保其功能符合ODD要求，該過程在各環(huán)節(jié)重復(fù)、耗時。如果算法更新迭代通過實車測試的方式進行驗證，將面臨測試驗證周期長、成本高、安全風(fēng)險高等問題。

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)及測試驗證效率的其他更優(yōu)解決方案？

科學(xué)有效的仿真測試技術(shù)是目前該問題的最優(yōu)解。在虛擬環(huán)境中搭建仿真所需各類場景，即全方位、全覆蓋式復(fù)構(gòu)真實世界各類形態(tài)、行為及物理屬性，為AD/ADAS的開發(fā)、測試、驗證提供一個安全和及可控的虛擬環(huán)境。

美國仿真測試服務(wù)商Applied Intuition(2)進行了一項研究，旨在對仿真中行駛10,000英里與在現(xiàn)實世界中駕駛10,000英里進行測試的成本進行比較（如圖1），其研究結(jié)果顯示，相較于真實的里程測試，仿真測試每英里的成本約為真實里程測試的四十分之一。

圖 1行駛10,000英里時，每英里真實駕駛里程與仿真里程成本對比

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

為幫助大家更直觀地了解仿真測試的角色及重要作用，IAE基于自研AEB算法展示在虛擬環(huán)境下進行仿真測試的真實過程。

IAE借助開源算法庫搭建、調(diào)試了實例所需的AEB算法。隨后利用X-IN-LOOP®仿真測試工具鏈，在仿真環(huán)境中構(gòu)建測試所需的模型和環(huán)境，包括：

攝像頭傳感器模型

車輛模型

仿真環(huán)境與算法數(shù)據(jù)交互通訊接口

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

圖 2AEB 算法開發(fā)和測試閉環(huán)

借助上述仿真閉環(huán)系統(tǒng)的運行，僅需幾周時間，我們已經(jīng)能夠在算法邏輯和校準(zhǔn)方面對AEB功能進行優(yōu)化，以滿足其ODD定義要求。針對仿真測試和仿真場景數(shù)據(jù)在整個開發(fā)驗證過程中起到的作用，這里選取了幾個具體的實例與大家分享。

AEB算法的工作邏輯（見圖3），主要涵蓋四部分：

Target filter：目標(biāo)物過濾

TTC calculation：碰撞時間計算

StopTime calculation：不同制動狀態(tài)下的剎停時間計算

AEB logic：基于碰撞時間和停止時間的比較判斷

實例一：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，只有位于主車路徑上的目標(biāo)物且其與主車橫向距離小于設(shè)定安全閾值時，才會被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)。在開發(fā)階段如果缺少仿真的測試驗證手段，僅憑在現(xiàn)實世界中的測量校準(zhǔn)獲取合理閾值的難度將大大增加。實例中通過大量、多組不同場景的仿真測試，迅速了解并調(diào)教出合理的橫向警戒距離。

圖 4 AEB目標(biāo)探測邏輯

實例二：狀態(tài)切換閾值的調(diào)教

AEB算法判斷邏輯基于碰撞時間和停止時間的比較實現(xiàn)，如圖5所示。

AEB策略中可以分為6個階段：

AEB_Exit：AEB算法未啟用

AEB_prepared：AEB算法啟用但未激活，尚未進入任何制動狀態(tài)

AEB_PB1：制動狀態(tài)1(如果條件TTC < PB1停止時間為真)

AEB_PB2：制動狀態(tài)2(如果條件TTC < PB2停止時間為真)

AEB_PB3：制動狀態(tài)3(如果條件TTC < PB3停止時間為真)

AEB_waiting：車輛進入制動狀態(tài)并剎停后，AEB進入AEB_waiting狀態(tài)。該狀態(tài)需要等待重置指令以返回到AEB_Prepared。

不同的停止時間定義如下：

PB1StopTime:  PB1StopTime = egoVelocity / PB1Accel / 2 + timeMargin

PB2StopTime:  PB2StopTime = egoVelocity / PB2Accel / 2 + timeMargin

PB3StopTime:  PB3StopTime = egoVelocity / PB3Accel / 2 + timeMargin

其中，egoVelocity是待測車輛的縱向速度，timeMargin是一個時間補償系數(shù)，用于增加停止時間閾值。

對于每個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制動狀態(tài)，算法將請求不同的期望減速度。

為了獲得合理的狀態(tài)切換閾值，需要在可重復(fù)的環(huán)境下進行迭代測試。實例中在虛擬環(huán)境搭建以下各種類型AEB場景并做泛化，調(diào)試出合理、有效且安全的PBiAccel數(shù)值：

靜態(tài)目標(biāo)在主車前方

主車前方的動態(tài)目標(biāo)突然制動

主車前方的動態(tài)目標(biāo)橫穿

不同目標(biāo)類型(汽車、行人等)

不同的主車和目標(biāo)速度

...

實例三：結(jié)合傳感器仿真和視頻注入的場景閉環(huán)測試

在第二個開發(fā)階段，使用視頻注入方式將仿真圖像注入到真實的攝像頭模組中，如圖6所示。IAE在閉環(huán)系統(tǒng)中采用大量AEB場景并進行泛化，從而測試、評估和驗證AEB算法的工作性能。

圖 6 AEB算法開發(fā)和基于視頻注入的閉環(huán)測試

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

圖 7 真實與仿真攝像頭下的圖像及感知結(jié)果對比

借助于攝像頭傳感器模型、視頻注入設(shè)備、AEB場景庫及泛化能力、Starfish自動化測試工具以及Jellyfish云算力海量仿真平臺等Deep Ocean系列自動化工具（如圖8），完成感知算法和AEB算法的整體閉環(huán)和批量場景的高效測試，幫助進一步驗證算法的邏輯和參數(shù)的設(shè)定、實現(xiàn)性能的優(yōu)化。

圖 8 基于Deep Ocean系列自動化工具進行批量場景的高效測試

通過對AEB算法在仿真環(huán)境中進行系列閉環(huán)測試和調(diào)試，算法在仿真端得到驗證和優(yōu)化。隨后與合作客戶將算法部署在真實車輛上進行試驗場測試驗證。在實車測試過程中，AEB算法始終運行正常并向主車發(fā)出正確的指令，其間未與測試場景的各類目標(biāo)物發(fā)生任何事故或碰撞。

在本項目實例中，我們通過科學(xué)有效的仿真測試技術(shù)，基于大量的仿真測試場景從多維度、多角度對AEB算法進行測試驗證，希望能夠借此更加直觀地為大家展示仿真測試在AD/ADAS開發(fā)中的作用和意義。

除本項目使用的AEB仿真場景外，“水木靈鏡”場景工場的場景數(shù)據(jù)已覆蓋各類評價標(biāo)準(zhǔn)及法規(guī)要求，如：C-NCAP、Euro-NCAP、ISO、ECE、IIHS等；豐富的仿真場景庫可用于對各種AD/ADAS 功能（如BSD、FCW、ACC等）進行測試驗證；同時，“水木靈鏡”場景工場還深度覆蓋SOTIF、V2X、交通事故復(fù)現(xiàn)、自然駕駛、車路云等場景資源，也可根據(jù)客戶具體需求提供定制場景，作為AD/ADAS開發(fā)測試的重要支撐。

針對AEB算法的仿真測試，是IAE X-IN-LOOP®仿真測試技術(shù)體系和“水木靈鏡”場景工場的一個具體應(yīng)用。面向更多、更復(fù)雜的L2、L2+、L3以至L4級別自動駕駛算法，如Robo-X城市場景的仿真測評，IAE持續(xù)提供全棧式仿真測試驗證解決方案、數(shù)據(jù)產(chǎn)品服務(wù)和安全技術(shù)服務(wù)，來支持智能網(wǎng)聯(lián)汽車的研發(fā)訓(xùn)練、測試驗證和商業(yè)落地。

我們非常高興能夠與大家分享IAE在自動駕駛仿真領(lǐng)域的實踐經(jīng)驗，同時借Coral-data（珊瑚數(shù)據(jù)）開源計劃本期的發(fā)布，與大家分享AEB相關(guān)的仿真測試場景數(shù)據(jù)集SimScenario-AEB。該場景數(shù)據(jù)集提供50組AEB 仿真測試場景，包含Car-to-Car和Car-to-VRU兩大類，覆蓋各類評價標(biāo)準(zhǔn)、法規(guī)要求和自定義場景。同時，本文提到的AEB算法的編譯版本也在其中。

本文引用內(nèi)容：

Martin Palek, Statista, “Autonomous vehicles worldwide - statistics & facts”, 18th of December 2023,

https://www.statista.com/topics/3573/autonomous-vehicle-technology/#topicOvervie

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

我國智能駕駛行業(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)解決這一痛點問題，中國汽車工業(yè)協(xié)會（以下簡稱“中汽協(xié)會”）自2020年起開始布局，建立了汽車大數(shù)據(jù)區(qū)塊鏈交互平臺（簡稱：VDBP），旨在構(gòu)建公平、公正、開放的汽車產(chǎn)業(yè)數(shù)據(jù)生態(tài)。

近日，中汽協(xié)會下屬公司眾鏈科技（北京）有限公司攜手技術(shù)合作方IAE智行眾維®重磅發(fā)布Coral-Data（珊瑚數(shù)據(jù)）開源計劃！該開源計劃將陸續(xù)發(fā)布系列仿真測試場景集和訓(xùn)練數(shù)據(jù)集，著眼當(dāng)下智能駕駛行業(yè)對算法訓(xùn)練及仿真測試應(yīng)用的迫切數(shù)據(jù)需求，通過仿真合成數(shù)據(jù)解決Corner Case等算法訓(xùn)練、數(shù)據(jù)缺乏的問題，真正意義上打破仿真測試場景及訓(xùn)練數(shù)據(jù)集使用的壁壘，支持跨企業(yè)、跨平臺的合作，助力構(gòu)建智能駕駛行業(yè)數(shù)據(jù)服務(wù)開放生態(tài)。

了解更多，掃描二維碼