为了满足规模化、节约化无人驾驶技术，建立仿真平台成为了大多数公司选择的路径，可以预见的是行业又将进入一个快速发展的新轨道。

文丨AutoR智驾 子阳

仿真测试是达到规模化无人驾驶技术的唯一路径。

4月22日，阿里达摩院对外正式发布全球首个自动驾驶“混合式仿真测试平台”。

该平台采用虚拟与现实结合的仿真技术，引进真实路测场景和云端训练师，模拟一次极端场景只需30秒，系统每日虚拟测试里程可超过800万公里，大幅提升自动驾驶AI模型训练效率。

达摩院称，该技术将推动自动驾驶加速迈向L5阶段。

传统纯虚拟仿真测试平台能快速跑完自动驾驶路测里程，但仍然面临极端场景训练效率低下的关键问题：极端场景数据不足，就无法还原真实路况的不确定性，系统就无法精准应对真实路况的突发情况，自动驾驶就难以实现进一步突破。

达摩院首创自动驾驶混合式仿真测试平台解决了这一难题，该平台打通了线上虚拟固定环境与线下真实路况不确定性的鸿沟。

传统仿真平台难以通过算法模拟人类的随机干预，但在达摩院的平台上，不仅可以使用真实路测数据自动生成仿真场景，还可通过人为随机干预，实时模拟前后车辆加速、急转弯、紧急停车等场景，加大自动驾驶车辆的避障训练难度。

针对极端场景数据不足的问题，该平台可以任意增加极端路测场景变量，在实际路测中，复现一次极端场景的接管可能需要1个月的时间，但该平台可在30秒内即完成雨雪天气、夜间照明不良条件等特殊场景的构建和测试，每日可支持的场景构建数量达百万级。

这一平台规模化地解决了极端场景的复现难题，使得这些关键场景的训练效率提高上百万倍。

自动驾驶测试目前主要面临两个难题，一个是高昂的数据采集和标注成本，另一个是实际路测难以企及的测试里程要求。

在自动驾驶技术中感知算法的训练需要采集大量的数据，这些数据集需要涵盖不同的天气、路况等交通条件，但是训练数据采集和标注的成本非常高昂，每年全球的自动驾驶开发者仅在第三方数据服务这一领域的资金投入就超过十亿美元。

另外，数据的采集和标注存在很明显的“重复造轮子”现象，每个公司都有自己的自动驾驶数据集，虽然已经有部分对外开放，但是比例很少，而且开放数据集只能满足通用的训练数据，国外数据集也很难完全满足国内的感知算法训练需要。

行业普遍认为一套自动驾驶算法需要至少110亿英里的测试，才能达到量产应用的条件，这个距离相当于在太阳和地球之间往返50余次。

而且110亿英里测试距离是针对特定一个版本的自动驾驶算法来说的，一旦算法升级，还需要重新测试，任何公司都无法承受这个成本。

为了满足规模化、节约化无人驾驶技术，建立仿真平台成为了大多数公司选择的路径。

自动驾驶的仿真平台主要的目的是通过软件来模拟车以及车所在的环境，实现自动驾驶的集成测试，训练模型，模拟事发现场等功能。

要模拟车所在的环境，就得把真实世界投影到虚拟世界，并且需要构造真实世界的物理规律。

总的来说，这个模拟的测试环境必须要满足真实环境的物理规律，越真实越好。

这不仅需要视觉、感官层面的真实，更需要内在物理规律和运行逻辑层面的真实。

因此，模拟仿真平台至少需要具备三个层面的还原能力。

首先是场景的几何还原。

运用模拟仿真平台对某个现实场景进行还原，就要求这个场景里所有道路、车辆、红绿灯的位置等与真实世界保持一致，完成这一步依赖于前期的数据采集、标定以及三维重建技术。

第二步就是对场景的物理规律进行还原。

比如，自动驾驶汽车上会搭载许多雷达，不同的雷达探测距离、反射时间会有差异，车辆在运行的过程中会受到路面摩擦系数、风阻系数的影响、踩油门会加速、踩刹车会减速等。

模拟仿真平台需要借助传感器模型以及车辆动力学模型等组件，让这些物体元素的运行规律与真实世界保持一致。

当仿真场景的几何还原和物理规律还原，都做的足够精确，再借由游戏引擎技术让这个仿真世界动起来，这时候自动驾驶的汽车在仿真环境下的感知、决策过程以及周围交通参与者的运行轨迹和模式就能与真实世界保持一致，也就完成了场景的逻辑还原。

只有做到这一步，自动驾驶汽车在模拟仿真平台中的测试结果才具有参考价值和意义。

当然，随着自动驾驶技术的深入发展，测试者和开发者对模拟仿真平台应用能力的要求也越来越高。

未来，能够依据需要灵活构建场景，实现环境和交通流的智能化和自动化生成以及仿真平台应该具有本地调试+云端快速验证的能力，这对算法迭代的加速是都是重要的一步。

可见，随着仿真技术的采用，行业又进入一个快速的发展轨道。

目前，做自动驾驶仿真的公司高达几十家，在国外Waymo、metamoto为主的自动驾驶公司都在进行仿真测试。

而在国内，百度、腾讯、华为以及自动驾驶初创公司Pony.ai、轻舟智航也都打造了自主的仿真测试平台。

腾讯从2017年开始研发模拟仿真平台的三维场景及传感器仿真、数据驱动交通流模拟丰富的测试场景、场景型云仿真及虚拟城市型云仿真并行等核心能力。

针对自动驾驶模拟仿真测试的需求以及行业痛点，腾讯打造了一套内置高精度地图、虚实结合、线上线下一体的自动驾驶模拟仿真平台——TAD Sim。

TAD Sim集成了工业级的车辆动力学模型、专业的游戏引擎、三维重建技术和虚实一体的交通流技术，可以完成感知、决策、控制算法等实车上全部模块的仿真实验，同时支持单机和云端部署的方式，一套系统满足全栈算法的使用需求；基于腾讯已经完成的全国高速、快速路高精度地图采集和制作，TAD Sim支持全国高速和快速路的仿真。

百度则和Unity Technologies建立合作伙伴关系，一起研发实时仿真产品，该产品将创建虚拟环境，让开发人员在现实模拟环境中测试自动驾驶汽车。

该仿真3D平台可让汽车制造商（OEM）减少测试错误和风险，同时通过复制模拟真实世界场景提高测试效率和速度。此外，还提供定制化内容，可通过其数百万研发人员创建的Asset Store进行定制。

除BAT之外，华为推出了自动驾驶云服务 Octopus ，服务覆盖自动驾驶数据、模型、训练、仿真、标注等全生命周期业务，向开发者提供包括数据服务、训练服务、仿真服务在内的 3 大服务。

据悉，通过集成场景设计和数据驱动的方法，合计提供超过 1 万个仿真场景，系统每日虚拟测试里程可超过 500 万公里，支持 3000 个实例并发测试。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

自动驾驶汽车的技术原理

自动驾驶原理   

汽车自动驾驶技术的实现是通过摄像头采集路面情况的图像（或者在雷达和激光探测器的协助下判断距离），利用车辆自动驾驶技术的图像分析程序对当前环境作出判断，发出相应的指令进而控制车辆的行驶状态改变。具体实施步骤如下：

1

用高精度摄像头采集路面信息（或者雷达，激光等距离传感器同时测量出路面异常信息的距离）

2

将图像信息和距离信息传送至车辆控制中心，道路信息经过处理后将指令发送至车辆控制单元。

3

车辆控制单元依据第二步的指令进行车辆行驶状态的改变的操作。而在这一系列的指令判断技术中采用深度神经网络技术。

关键技术   

人工智能、视觉计算、雷达、监控装置和全球定位系统技术是汽车自动驾驶技术中常用的集中技术，利用这些技术可以获取车辆行驶过程中道路上的信息，这些信息获取的准确与否直接关系着汽车自动驾驶的安全性。将以上技术进行概括总结，可以分为以下四项：

传感器技术：传感器技术直接联系着现实世界与汽车控制系统，而传感器技术又包含图像传感器和距离传感器。在自动驾驶功能的汽车中常见单摄像头、多摄像头，多普勒雷达（短距离雷达、远距离雷达，激光雷达），GPS定位装置等，正式这些传感器构成了汽车自动驾驶的眼睛，看清道路上的种种。

车辆电子技术：汽车电子的特点就是可靠，安全，稳定。而汽车电子中的中央处理器必须要满足以上要求，同时能够处理多个传感器采集的数据。只有这样才能利用汽车的“大脑”（中央处理器）将采集到的信息（传感器获取）通过“神经网络”（CAN总线）达到控制“四肢”（四个轮子的制动、加速和转向）的目的。

操作控制技术：计算机控制系统将处理结果与操作硬件结合起来，实现加速减速、刹车停车、变向避让，以及人机对话等等，通过自动驾驶技术中的操作控制系统，可以使无人驾驶汽车具备了替代人工操纵的能力，其主要完成数据分析、数据建模、数据判断和车辆状态调整的功能。

网络传输技术：无人驾驶汽车要能上路，必须具备与互联网、局域网联络和道路环境识别功能，包括车与车的联络对话、车与卫星通讯、车与天气预报的联络、车与交通指挥网的联络，才能正确识别和选择道路、正确服从交通警察的指挥、正确决定通过交叉路口、正确避让危险和安全行车。而这些信息的获取和处理必须通过网络进行数据和信息的传输，而在信息的传输过程中，信息的安全性也需要特别的注意。

经过近些年的发展，车辆自动驾驶技术已经获得了巨大的提高，相信全自动汽车驾驶技术在不久的将来会得到广泛的应用。然而，汽车自动驾驶仍然还经受天气的挑战，拟人化的挑战和效率、价格、实用性的挑战。by英特尔物联网

汽车自动驾驶技术包括视频摄像头、雷达传感器以及激光测距器来了解周围的交通状况，并通过一个详尽的地图对前方的道路进行导航。这一切都通过谷歌的数据中心来实现，谷歌的数据中心能处理汽车收集的有关周围地形的大量信息。

就这点而言，自动驾驶汽车相当于谷歌数据中心的遥控汽车或者智能汽车。汽车自动驾驶技术物联网技术应用之一。

沃尔沃根据自动化水平的高低区分了四个无人驾驶的阶段：驾驶辅助、部分自动化、高度自动化、完全自动化：

1、驾驶辅助系统（DAS）：目的是为驾驶者提供协助，包括提供重要或有益的驾驶相关信息，以及在形势开始变得危急的时候发出明确而简洁的警告。如“车道偏离警告”（LDW）系统等。

2、部分自动化系统：在驾驶者收到警告却未能及时采取相应行动时能够自动进行干预的系统，如“自动紧急制动”（AEB）系统和“应急车道辅助”（ELA）系统等。

3、高度自动化系统：能够在或长或短的时间段内代替驾驶者承担操控车辆的职责，但是仍需驾驶者对驾驶活动进行监控的系统。

4、完全自动化系统：可无人驾驶车辆、允许车内所有乘员从事其他活动且无需进行监控的系统。这种自动化水平允许乘从事计算机工作、休息和睡眠以及其他娱乐等活动。

结构性能

1、激光雷达

车顶的“水桶”形装置是自动驾驶汽车的激光雷达，它能对半径60米的周围环境进行扫描，并将结果以3D地图的方式呈现出来，给予计算机最初步的判断依据。

2、前置摄像头

自动驾驶汽车前置摄像头谷歌在汽车的后视镜附近安置了一个摄像头，用于识别交通信号灯，并在车载电脑的辅助下辨别移动的物体，比如前方车辆、自行车或是行人。

3、左后轮传感器

它通过测定汽车的横向移动来帮助电脑给汽车定位，确定它在马路上的正确位置。

4、前后雷达

后车厢的主控电脑谷歌在无人驾车汽车上分别安装了4个雷达传感器（前方3个，后方1个），用于测量汽车与前（和前置摄像头一同配合测量）后左右各个物体间的距离。

5、主控电脑

自动驾驶汽车最重要的主控电脑被安排在后车厢，这里除了用于运算的电脑外，还有测距信息综合器，这套核心装备将负责汽车的行驶路线、方式的判断和执行。

以上就是关于全球首个自动驾驶混合式仿真测试平台发布阿里打造日测800万公里全部的内容，如果了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！