如果配備壹支100輛自動駕駛測試車的車隊，24小時不間斷進行路測，平均時速25英裏(40公裏)，完成目標裏程需要500年以上，這期間消耗的時間和成本無疑是難以承受的。
利用仿真技術進行測試被認為是降低成本、提高效率的關鍵。目前自動駕駛領域的模擬測試發展如何？10 6月5438+02日，中國電動汽車百人會、騰訊自動駕駛、中汽數據有限公司聯合發布了《2020中國自動駕駛仿真藍皮書》，詳細介紹了技術應用現狀和面臨的挑戰。
趨勢:未來99.9%的測試會使用仿真平臺。
基於場景庫的模擬試驗是解決駕駛試驗數據缺乏的重要途徑。仿真測試主要通過構建虛擬場景庫，實現自動駕駛感知、決策規劃、控制等算法的閉環仿真測試，滿足自動駕駛測試要求。
場景庫是自動駕駛模擬測試的基礎。場景庫對真實世界的覆蓋率越高，模擬測試結果就越真實。自動駕駛汽車研發的不同階段對場景庫的要求不同，需要實現不同的測試功能。
在自動駕駛的開發過程中，純模型仿真-軟件在環仿真-封閉場地路測-開放道路測試的開發過程是最經濟高效的開發過程。
「Waymo自動駕駛測試車輛」
目前，自動駕駛模擬已經被業界廣泛接受。比如美國自動駕駛領軍企業Waymo旗下的仿真平臺Carcraft，每天在虛擬道路上行駛約2000萬英裏，相當於在現實世界中行駛10年。到2020年5月，Waymo已經模擬駕駛了6543.8+05億英裏，而去年6月為6543.8+00億英裏。
除了Waymo，通用汽車的Cruise、AutoX、馬驍智行等國內外自動駕駛解決方案提供商也在進行大量的模擬測試，以完善自己的自動駕駛系統。模擬測試已經成為自動駕駛業務最重要的測試。
根據目前的數據，自動駕駛算法測試約90%由仿真平臺完成，9%由測試場完成，1%由實際道路測試完成。隨著仿真技術的提高和應用的普及，業界希望通過仿真平臺完成99.9%的測試量，在封閉場地完成0.09%，最終在真實道路上完成0.01%。這樣，自動駕駛汽車的研發就會達到更高效、更經濟的狀態。
“自動駕駛模擬測試場景”
現狀:賽道參與者積極布局。
目前，自動駕駛仿真市場的參與者主要包括:科技公司、車企、自動駕駛解決方案提供商、仿真軟件公司、高校和科研機構、智能網聯測試示範區。由於各個市場主體在自動駕駛模擬方面的技術基礎不同，在推動自動駕駛模擬方面有不同的研發和合作模式。
科技公司在仿真方面起步相對較晚，在汽車功能探索方面經驗不多，但擁有大數據優勢和強大的軟件開發能力。
與傳統汽車相比，自動駕駛汽車需要更多的軟件。科技公司探索仿真軟件，是為了進入龐大的汽車行業，建立更大的數據平臺，形成新的業務增長點。目前自動駕駛仿真技術公司主要有騰訊、百度、華為、阿裏。
科技公司自動駕駛模擬平臺對比
微軟、英偉達、LG等國外科技公司主要研發自動駕駛仿真軟件，並通過與產業鏈企業合作，建立了自動駕駛R&D生態系統，成為自動駕駛仿真的重要參與者。
對於整車企業來說，同時進行路測和模擬測試是最好的選擇，而自動駕駛汽車在真正落地之前需要經過很多功能和安全測試，路測就是其中之壹。由於路測效率低，很多車企傾向於選擇自動駕駛模擬測試和路測相結合的方式，在落地前完成測試。
《汽車企業對自動駕駛模擬軟件的利用》
自動駕駛解決方案提供商主要針對自身需求開發定制化的仿真軟件，很少對外提供仿真服務。但有充足的資金、人才儲備和自身的R&D驅動力，在自動駕駛仿真方面有很強的創新能力。每個領先的自動駕駛解決方案供應商都有自己的模擬測試軟件，如Waymo、Cruise、馬驍智行、AutoX等
仿真軟件企業可分為傳統仿真軟件企業和初創企業。傳統仿真軟件企業因為有深厚的技術積累，進入自動駕駛仿真有先天優勢，合作夥伴多，二次開發有優勢。由於起步晚，技術積累薄弱，國內企業與國外差距較大。然而，依靠強大的資本和人才集中，創業公司有望在自動駕駛仿真軟件的研發方面迅速崛起。
高校和科研機構主要利用自動駕駛仿真軟件進行前瞻性和基礎性研究，但很難形成成熟的商業產品。國內從事自動駕駛仿真研究的高校和科研機構主要有:清華大學、同濟大學、北航、吉林大學、天津大學、長安大學、南京航空航天大學、武漢理工大學等。
“上海臨港智能網聯汽車綜合測試示範區”
智能網聯測試示範區建設已形成壹定規模。目前，全國已有10多個國家級和多個省級智能網聯測試示範區。通過5G、V2X車路協同、仿真、車聯網等新技術的部署和應用。，為自動駕駛、聯網通信提供商等提供系統測試服務。，建立汽車、信息通信、道路設施等綜合標準體系。被提升了。為推進智能網聯汽車仿真測試，現有企業和智能網聯示範區開展了道路測試與虛擬仿真相結合的測試。
挑戰:測試和評估系統缺乏標準化。
目前，自動駕駛仿真測試已初步形成完整的產業鏈體系，形成了以科技公司、自動駕駛解決方案提供商、仿真軟件企業為主的上遊仿真軟件提供商和以車企、自動駕駛測試機構為主的下遊應用提供商。從產業鏈的角度來看，自動駕駛模擬測試還存在很多問題。
壹方面，仿真場景庫的建設和協作機制有待完善。
場景數據庫的構建效率低，成本高。目前，場景數據庫的構建仍然需要依靠大量的人工采集和標註，然後進行場景分析和挖掘、測試和驗證。整個過程效率低下，成本高昂。目前，全球每年人工貼標的成本約為6543.8+0億美元。
“國內自動駕駛模擬測試場景庫建設還有很多困難需要克服”
場景庫規模不夠大，多樣性、覆蓋性和擴展性不強。現有的場景數據庫不足以覆蓋常見的交通場景，也無法在資源有限的情況下有效覆蓋現實世界的多樣性。由於場景中不同元素的變化可以擴展到不同的場景，場景的可擴展性不足以滿足仿真測試的要求。
場景的有效性有待提高。現有場景是根據實時數據采集的，無法滿足自動駕駛場景動態變化的要求。在場景中，人、車、道路、駕駛環境等動靜態要素是耦合的，壹個要素的變化會引起其他要素的變化，不同的交通參與者有自己的行為邏輯。比如車輛的行為和軌跡改變了，周圍車輛和行人的行為也會改變。
場景數據的采集格式和存儲。現有的測試場景集合基於不同的車輛和傳感器配置，無法應用於各種車輛和技術路線的研發和測試。高精地圖的格式也是業界關註的焦點。系統架構、數據接口、數據庫管理系統等場景庫數據格式的統壹也是需要註意的問題。
測試場景中的測試真值及評估體系。測試場景的數據采集應考慮采集要求、采集方式、數據預處理、數據傳輸和存儲、采集數量、采集精度、時間同步、采集範圍、采集完整性等因素。缺少任何壹個因素都會導致場景的真實性和有效性。而且不同場景下的自駕測試車輛的評價指標體系還不完善。
場景數據庫建立缺乏配合，資源重復投入大。目前單個企業很難完成覆蓋所有場景的場景庫建設。目前各企業場景數據庫建設各自為政，導致資源重復投入，企業間場景數據庫建設缺乏合作。特別是自然駕駛場景、標準法規場景等常見場景，可以通過合作共建，實現使用和共享。目前這方面的合作很少。
“騰訊TAD？Sim零件場景顯示”
另壹方面，自動駕駛模擬測試的評價體系缺乏規範性。
在自動駕駛仿真測試方面，由於仿真軟件系統架構和場景庫構建方式不同，難以建立統壹規範的仿真測試評估體系。目前，國內仿真評估系統的研究方向主要是從駕駛安全性、舒適性、交通協調性、標準匹配性等方面對自動駕駛車輛的仿真測試結果進行評估，而對於仿真軟件本身的評估，如場景真實性、場景覆蓋率、仿真軟件的仿真效率等，還沒有統壹的評估標準。
自動駕駛汽車作為壹種智能產品，需要應用深度學習算法，讓汽車在未來具備自我學習能力，比如道路障礙物的重復和再現能力，場景的概括和轉移能力。所以自我學習的進化也是自動駕駛汽車的壹個評價指標。目前，自動駕駛汽車的進化還缺乏相應的評價規範。
總結:
自動駕駛技術的演進有兩條路線，從L2到L3和L4到L5。前者是大多數車企走的路線，後者往往是科技公司的選擇。兩者的主要代表是特斯拉和Waymo。今年以來，已有多家公司表示具備L3自動駕駛車輛的量產能力；科技公司也已經啟動了Robotaxi的商業運營測試。可以看出，所有的競爭力量都在試圖首先應用自動駕駛技術。誰能在比賽中獲得壹等獎？成本和效率無疑是最關鍵的因素，模擬測試的成熟應用將成為關鍵。(文/汽車之家？小瑩)