2020中国自动驾驶仿真蓝皮书( 八 ) 自动驾驶汽车在真正商业化应

3.3 仿真测试平台核心功能
3.3.1 超高还原度的仿真场景
自动驾驶仿真技术是计算机仿真技术在汽车领域的应用，类似其它通用的仿真平台，必须尽可能真实的还原现实环境，结合自动驾驶汽车的工作原理，还原应该包含三个层面分别是：几何还原、物理还原以及逻辑还原。
1. 几何还原
场景的几何还原，主要是作用于三维场景仿真以及基于三维场景仿真的传感器仿真。具体来说，几何还原指的是如何尽可能好的还原出与现实世界各种属性都一致的三维场景，而且依据使用需求的不同还原程度以及使用方式可以有相应的差异。比如，如果需要运行结果比较好的传感器仿真，则需要非常精确的对三维场景进行几何还原，同时有着比较好的传感器仿真模型，才能保证传感器仿真无限接近现实世界的仿真结果。如果测试者并不关注传感器仿真，而主要是想要对决策控制算法进行仿真测试，那么对于周围的环境场景就不需要非常精确的进行几何还原，但是需要对路面的道路属性进行比较精确的还原，才能保证汽车控制效果的真实性。
2. 物理还原
在场景的几何还原的基础上，仿真测试平台还需要完成物理还原，让仿真世界重现真实世界的物理运动规律。其主要作用是在重建的三维场景基础上运行自动驾驶的控制算法，以及车辆动力学的仿真，使车辆在仿真环境下遭受干扰时做出回应以及车辆自身行为产生的后果都和真实世界保持一致。比如直射的阳光会对摄像头造成干扰，雨雪天气会延长刹车距离，汽车碰到墙体将无法穿越等，因此物理还原是控制算法必须具备的环节，舍此便无法评估自动驾驶决策控制算法的真实效果。
3. 逻辑还原
基于几何还原和物理还原两个层面，自动驾驶虚拟仿真平台还需要完成逻辑还原，逻辑还原的主要作用是真实的生成场景内的各种元素的逻辑行为，让交通流车辆、行人、非机动车等所有交通元素都遵循其在现实世界中的一般运动规律。逻辑还原主要面向决策规划算法的仿真，从逻辑层面为决策规划算法的仿真测试自动生成真实度极高的测试场景。
3.3.2 利用路采数据生成交互性强和还原度高的交通场景
自动驾驶的仿真测试，需要以大量的路采数据为基础构建场景库，无论是 OEM 厂商还是科技公司都会组建车队去采集大量的道路数据。这些数据有很多种利用方式，最简单、直白的使用方式是回放式仿真，将采集回来的数据直接回放一遍，评价自动驾驶算法是否能顺利通过这些场景。
纯回放式的仿真只能满足开环仿真的使用需求，因为其中所有场景元素的行为都是固定的，当自动驾驶算法发生改变，导致主车行为发生变化之后，场景元素不会因为主车行为的改变而做出相应的反应，这时路采数据就无法继续使用了。
如果每测试一个场景都需要重新采集数据，那依然会耗费大量的时间和人力成本，自动驾驶仿真平台的实际价值也就会被大大削弱。因此以更高效的方式利用路采数据，智能化、自动化的生成还原度高、交互性强的交通场景，快速构建场景库，也是行业对自动驾驶仿真测试平台的功能要求之一。
3.3.3 云端大规模并行加速，提升仿真测试效率
几何、物理、逻辑三个层面的还原，再加上自动化生成场景的能力，构建了自动驾驶仿真系统的基本属性，可以很便捷又低成本的完成自动驾驶感知、决策规划、控制算法的闭环仿真。但是自动驾驶汽车是由算法在操控，为了证明一套算法的完备性，至少需要对数十万测试场景进行回归测试，依靠本地测试逐个运行数量如此庞大的测试场景，并不能在根本上解决自动驾驶测试的效率问题，因此云端高并发运行测试场景，是自动驾驶仿真软件的核心竞争力之一。
以分布式架构为显著特征的云计算技术飞速发展，为自动驾驶大规模云端仿真测试提供了支撑，行业产生了更多高效的云端测试方法。腾讯自动驾驶仿真平台 TAD Sim 探索出了一种城市型云仿真与场景型云仿真结合使用的测试方法，比较具有代表性。
在 TAD Sim 中加载一个城市级别的高精度地图，在其中部署大量自动驾驶主车以及交通流元素，进行 7×24 小时的高并发测试，迅速找出自动驾驶算法处理不好的场景，并将场景截取下来保存到场景库，之后通过场景型云仿真测试完善算法，让算法在仿真城市中更加游刃有余，两种仿真模式相结合可以使测试效率提升数倍。