自动驾驶仿真测试的意义

1.1 自动驾驶商业化面临路测数据匮乏的挑战

在实现真正商业化应用之前, 自动驾驶汽车必须经过漫长的道路测试才能满足商用标准. 尽管是新兴技术, 自动驾驶汽车仍然面临一系列亟待解决的问题, 包括但不限于: 长时间的道路测试所需的时间成本、各国对自动驾驶技术法规的宽容度、极端情境和危险操作条件下的测试稳定性以及各国道路交通环境与使用习惯之间的差异性等, 这些因素都给自动驾驶系统的技术研发与试验过程带来了巨大的挑战.

采用路测优化自动驾驶算法所投入的时间与成本过高。自动驾驶技术目前仍处于发展完善阶段。基于美国兰德公司的调查结果表明，在实现与人类驾驶员相当的操作水平需要积累177亿公里的行驶里程才能完善相关算法体系。若组建由100辆无人驾驶测试车组成的车队，在持续不断运行的情况下每天进行路测工作，并以平均每小时25英里（约40公里）的速度计算，则完成该目标所需的时间将超过500年，并由此产生的时间成本和资源消耗已超出承受范围。

自动驾驶对交通法规及保险理赔机制的遵循缺失，则会阻碍其大规模开展。因自动驾驶汽车无法实现绝对安全，在我国政府谨慎评估后，并非全面开放道路进行测试。然而即使如此，在实际操作中也只能进行有限的道路试验与智能网联测试区验证，并不能完全满足其多样化的测试需求。主要体现在以下几个方面：

自动驾驶汽车的测试目前在大部分公开的道路中进行，并且尤其是在高速公路上进行测试时仍面临没有相应的法律法规支撑的问题。这导致了测试进程受阻。

自动驾驶路测车辆的规定是禁止载人载货的，并因之使得测试未能全面展开。现行的规定明确规定，在测试过程中不得搭乘与测试无关的人员或货物，并制约了测试主体进一步探索更丰富的自动驾驶技术。

◆当前关于自动驾驶汽车事故责任划分的法律框架尚不完善。尽管其驾驶主体实质上属于智能系统或相关服务方，在现有以人类驾驶员为主体的传统交通法规体系下存在显著差异性特征。现行相关法规对机动车交通事故责任体系的规定已无法适应智能车场景下的特殊性要求而导致相关争议调解与处理机制陷入僵局。

自动驾驶汽车缺少相应的保险理赔机制。由于自动驾驶汽车逾越了有关机动车保险的规定，在当前情况下无法获得有效的保险理赔保障，“无险可投”状态持续存在并给测试企业及其他交通参与者带来额外的风险。

极端交通条件及危险场景的复现具有较大难度，并且测试过程中的安全性也面临着挑战。在实际道路上行驶时，自动驾驶汽车会频繁遭遇极端交通状况与危险情境；同时，在测试环节中所面临的安全性问题也不容忽视。依据美国国家公路交通安全管理局（NHTSA）的数据统计，在车辆行驶里程达到43.6万英里（即70万公里）时才有可能发生一次事故；而在行驶达1亿英里（约1.6亿公里）后，则可能造成一人死亡。此外，在自动驾驶汽车测试领域中，在研发测试过程中所面临的制约因素仍然较多。

构建得到国际广泛认可的自动驾驶产业链体系并非易事。各国社会及经济环境各有特色, 各个地区的道路环境与交通习俗存在显著差异。在中国的城市道路上普遍存在的问题是快递车与外卖车与行人的共存, 这对自动驾驶汽车的感知判断能力提出了更高的要求。中国在道路交通标志标线设置方面普遍存在着不规范的问题, 不同地区的具体情况也不尽相同。国内外在交通标志标线的颜色标识以及文字说明等方面仍存在差异, 这些问题短期内难以根本解决, 因此导致自动驾驶产业链全球化发展和技术交流面临诸多现实挑战。

1.2 基于场景库的仿真测试成为自动驾驶研发的关键

目前以场景库为基础构建的仿真测试体系已成为解决自动驾驶路测数据匮乏的重要途径。该体系主要依赖构建虚拟场景库来实现自动驾驶感知、决策规划、控制等算法的完整闭环仿真循环, 从而全面满足自动驾驶技术验证需求。其中, 场景库作为这一仿真体系的核心支撑, 其覆盖范围越广, 测试结果就越能真实反映现实运行状况。此外, 不同研发阶段对场景库的具体需求存在差异, 并要求其承担不同的功能验证任务。

1.2.1 场景的构成

根据中国汽车技术研究中心的划分, 自动驾驶测试 scene划分为自然驾驶 scene. 危险工况 scene. 标准法规 scene. 参数重组 scene四个类别, 这些各类别共同构成了完整的测试 scene库.

自然驾驶情景源于汽车真实地模拟了自然驾驶状态。
自然驾驶情景作为构建自动驾驶测试场景中最为基础的数据来源。
该情景涵盖了自动驾驶汽车所处的人车环境任务等多个全面的信息。
包括车辆运行数据驾驶员行为道路环境等多个维度的信息。
这些信息很好地展现了测试过程中的随机性复杂性和典型区域特性。
这种情景属于一种充分测试的自动化系统相关应用场景。
其主要目标是为了实现实现自动化系统的基本功能开发和验证过程。

危险工况场景主要包括多种极端气象条件下的运行环境、复杂交通环境中车辆的操作情况以及严重交通事故等情境类型。这些危险工况场景是实现自动驾驶汽车系统功能发挥和控制策略验证的重要背景条件，在这一环境下实现车辆防撞性能的稳定达标是整个自动驾驶系统安全评估体系中的核心环节。其核心目标在于确保自动驾驶汽车的绝对安全与可靠运行。

在验证自动驾驶功能的有效性方面，标准法规场景被视为一种基础测试情境；它通过模拟真实的驾驶环境来检验车辆的各项性能指标。国际标准化组织（ISO）、美国国家 highway transportation safety administration（NHTSA）、欧洲碰撞试验小组（ENCAP）以及中国碰撞分析与规范中心（CNCAP）等国际权威机构制定了相应的标准化协议与指导原则；这些规范与规程为自动驾驶汽车的安全性与可靠性提供了明确的技术评估依据；通过现有的标准与规程构建测试场景；目的是为了全面检验自动驾驶汽车应具备的基本功能能力；确保其在复杂多变的道路环境中能够安全可靠地运行。

参数化重组场景旨在通过将现有仿真场景进行参数配置并完成随机生成或自动重组的方式实现无限性和扩展性的特点。该方案的主要功能是补充现有标准如自然驾驶场景、法规遵循情景以及危险操作情境等未曾覆盖的关键未知情况，并有效弥补自动驾驶功能测试中的潜在缺陷区域。

1.2.2 场景库的特点

自动驾驶汽车的研发涉及多个关键环节包括验证开发、性能评估以及质量认证流程。在各阶段中，出于不同的目标需求其仿真测试所需场景库的标准也各不相同。

在开发与验证阶段，在自动驾驶汽车的功能开发与测试中使用场景库。该工具旨在用于验证自动驾驶汽车的各项功能，并支持对功能进行调整以及快速迭代优化以提升性能。为此需满足以下特点要求

场景库应当力求全面覆盖各类功能测试，并对各核心功能在不同工作状态下的安全性能进行严格验证；对于一些非必要且无实际作用的功能则可予以排除；

模拟环境中的测试方案可在现实世界中运行；方案中的各个参数可依据测试要求进行优化以适应不同场景的需求

该系统具备在模型在环（MIL)、软件在环（SIL)、硬件在环（HIL)、车辆在环（VIL）等场景支持完成完整的 in-loop testing.

为了在测试评估阶段对自动驾驶汽车的多维度和多方面性能进行评估，在设计场景库时需确保其具备以下特性：

在进行自动驾驶汽车的综合性能评估时，在设计测试场景时应特别设置以确保其与各项性能指标的高度关联

为了确保自动驾驶汽车在真实世界中的表现与其测试评价结果保持一致的一致性需求，在制定测试场景要素时应确保其特征和指标能够准确反映现实情况。

为确保自动驾驶汽车在未知环境中的实际表现能够得到全面评估，在现有测试基础上需针对参数重组后的各种情况进行补充测试。具体而言，在实验设计中要求所选场景的各项关键要素均能被量化分析，并且便于人工编辑配置。此外，在实验方案中还特别强调各测试场景间应保持一致的要素构成标准，以便于后续实验数据的系统化管理和分析。

在检测认证阶段中，在考察自动驾驶汽车在多样化交通情景中的各项功能性安全性和可靠性能力时，在为后续投入实际使用做好技术储备的前提下，在场景库需满足以下条件：

在自动驾驶上路前的各个阶段和不同场景下,车辆必须能够实现极高的安全性和可靠性标准;这种高要求的实现不仅依赖于硬件性能的提升,还由于对检测认证结果的有效信任而被赋予了更高的技术标准.

为实现全国范围内的无人驾驶汽车推广工作而设，请确保统一制定测试标准，并且确保所选的测试场景具备可重复性并保持一致。

场景库的搭建应根据不同阶段的需求分别构建不同功能模块，并根据测试需求选择合适的实现方案，在满足测试要求的前提下尽量减少用户的使用成本

1.3 仿真测试与道路测试结合推动自动驾驶研发

在自动驾驶系统中，在环仿真的基础之上逐步推进至部分实物仿真实验，并最终完成封闭道路测试至开放道路测试的整体系统发育阶段具有极佳的经济性和高效性

目前自动驾驶仿真技术已被行业广泛认可。例如美国领先的自动驾驶企业Waymo旗下拥有仿真实验平台Carcraft，在虚拟道路 daily 行驶约两千万英里（相当于真实世界中的十年）。截至二零二零年五月，在这一体系下 Waymo 已累计完成了十五亿英里的仿真实验里程（比六年前增加了五倍）。除了 Waymo 外，在通用集团旗下的 Cruise、AutoX 和小马智行等国内外知名企业和机构也在持续开展大规模的仿真实验工作（这些企业的努力有助于完善各自的无人驾驶技术方案）。这些仿真实验已成为无人驾驶技术实现商用的重要测试依据

在仿真环境中（simulation environment），针对常规情景的自动驾驶算法已经实现了较为完善的功能配置；其中最大的技术瓶颈在于解决那些特殊或极端情景问题（referred to as corner cases）。由于这些极端情景难以在真实环境中获得（real-world scenarios are scarce），因此可以通过虚拟仿真平台方便地生成相应的训练样本；基于此，在自动驾驶领域已形成行业普遍认可的做法即增加仿真环境下的占比比重；当前的数据统计显示，在自动驾驶算法的各类验证环节中约90%的指标数据来自仿真平台验证环节（simulation platform-based validation），约9%则来源于真实的道路试验环节（road testing phase），仅有1%的数据来自实际路测环节（real-world testing）。此外，在进行道路试验时会遇到诸多危险情况（dangerous situations）被及时记录下来并反馈至相关验证环节；经过不断优化和完善后形成的评价标准及测试场景库将为整个系统的性能提升提供有力支撑；最终形成一个完整的闭环系统，在这一过程中推动技术不断升级

随着仿真技术水平的进步及其应用范围不断扩大，在相关领域内行业目标设定为通过仿真平台实现99.9%以上测试覆盖率，在封闭场地测试阶段完成约0.09%，最后剩余约0.01%则需在真实道路上进行验证工作以确保其可行性。这样的优化安排将有效推动自动驾驶汽车研发工作更加高效、经济地推进。