仿真测试 | ADAS和自动驾驶绕不开的套路

7月23日，Google旗下自动驾驶汽车公司Waymo宣布将在美国自动驾驶技术“圣地”匹兹堡设立办公室。新团队将致力于动作规划开发、实时路线规划等工作。也许你不了解，Waymo一天内就可以获得100多年的“驾驶经验”。这主要是通过虚拟测试实现的。

Waymo每天要做2000万英里虚拟测试，迄今已完成了超过150亿英里，但在真实道路上的路测只有2000万英里，虚拟测试占了99.9%。由此可见，真实可靠的仿真测试数据非常重要。如何保证数据与真实道路匹配，给传感器提供真实的反馈，这是一个严峻的挑战。

以下介绍的几种仿真测试方案可以帮助我们了解测试工具的进展和特点。

 

自动驾驶测试趋势挑战互现

图源 | TomTom

自动驾驶测试趋势明显：电气电子结构从原来的传感器ECU转向中央域控制器（DCU）处理；人们耳熟能详的概念——软件定义汽车对软件的投入和测试有了新的要求；AI和深度学习的引入通过真实道路场景不断优化ADAS算法，更好地识别目标物，使驾驶安全性有更大的提升，从而增加消费者的信赖程度。

面临的测试挑战也很多：测试的复杂度日益增加，自动化测试硬件和软件需要不断迭代和更新，需要有完整的工具链，在帮助工程师提高工作效率的同时，不需要一直学习新的工具。

未来汽车越来越多向消费类电子模式发展，测试开发流程和周期非常紧迫，随着造车新势力的不断增加，主机厂需要非常快的验证平台，这也涉及测试效率。

另外，由于法规在不断完善，也会带来很多新的测试需求和测试挑战，特别是场景库的搭建需要满足不同地区的个性化要求。

实现上述目标，就需要更多的仿真，这意味着以后更多的测试会在软件在环（SIL）的测试中发生。目前，消费者对特斯拉的自动驾驶安全性还是存有很大疑虑，从专业角度看还需要很多真实场景不断地训练算法。但如果部署很多车队，让它去跑真实道路，花费的成本和时间无法想象，所以我们就需要构建一个非常高保真度的软件测试环境，以此训练AI算法，帮助车辆识别目标物，从而实现避障和自主驾驶功能。

时下，消费者对自动驾驶的兴趣日渐增加，主机厂和Tier 1都在积极布局自动驾驶技术，ADAS也成为了技术攻关的关键，这些技术的迭代都需要不断测试，同时加快测试速度，节约测试成本。

 

测试工具链推进智能驾驶

在汽车行业，仿真工具一直伴随着测试工具在发展，最早是研究汽车本身建模，包括汽车结构、流体、光、电池等方面的物理特性；到了智能驾驶阶段，行业开始关注行驶环境，包括道路、交通、天气等，这些无限复杂的因素对仿真提出了巨大挑战。正因为如此，也为仿真工具提供了很大发展空间，只有仿真才能真正解决这些问题。

 

汽车仿真工具的演变

仿真工具主要包括三个方面：整车模型、控制模型和环境模型。外在环境有无限种可能，所以单纯靠仿真模式无法实现，必须依靠实际数据，去看测试过程，包括数据的收集、分析、测试与评价。

有仿真工具还不够，还要有数据，所以围绕数据+仿真的整套测试工具链应运而生，2025年，绝大多数主机厂都会用上这样的工具链。

工具链可解决两方面的问题，一是数据生产问题，二是评价分析问题。云端基本流程是先用工具链拉动量产车，试车基本上都通过离线方式，未来会将量产车接到整个云端工具链中，实时观察数据，包括运行感知数据等。感知数据回到云端后要做合规处理。

有了数据后，要进行一整套处理，包括数据提取、清洗、归类、标注。仿真测试还有模型训练，把整个流程串联起来，然后经过道路测试完成算法迭代。

去年，腾讯发布了智能驾驶方案，针对智能驾驶数据的特点进行海量数据存储，用一台服务器挂一排硬盘，存储能力非常高，可以节约60%成本。

 

数字孪生成仿真测试重头戏

电动汽车的功能越来越多，价格却在逐年下降，随着汽车复杂度的提升，汽车测试成本随之增加，如果不改变传统测试策略，很难实现预期的盈利目标。

 

复杂度、测试成本和车价的关系

美国国家仪器（NI）资深汽车行业客户经理郭堉认为，获取真实场景对于自动驾驶验证测试流程至关重要，这意味着必须用采集的真实数据来重构数据，而数字孪生技术手段是重建完整高保真度道路驾驶场景的重要一步。之后还要通过平台及完整的软件工具链进行硬件仿真测试，并与整个生态链共同克服测试挑战。

他指出，目前的测试还存在以下难点：一是缺少高保真度模型和场景，难以获取真实道路状况，以保证ADAS系统路面和场景中的结果一致；二是很多厂商之间的链路没有打通，工程师需要重新学习测试流程和工具链；三是法规不明确，中国的场景库很多都是舶来品，急需搭建自己的高保真仿真库。

典型ADAS测试验证流程需要用一套系统来录制，录制越真实，数据可靠性就越高。数字孪生技术可以在这一过程中通过软件将数据重构为可靠性比较高的虚拟场景，然后经数据管理、测试，最后对数据和高保真场景进行硬件在环（HIL）仿真。

 

自动驾驶测试三大工作流

所谓数字孪生，是指将真实场景一比一纳入虚拟环境，生成一个“双胞胎”系统。为什么数字孪生这段时间这么火？原因在于，摄像头、毫米波雷达、激光雷达和GPS等采集的道路数据需要进行融合，其难点在于数据同步。

所谓PXI是面向仪器系统的PCI扩展，是PXI联盟发布的一种基于PC的坚固测量和自动化平台。它结合了PCI电气总线特性与CompactPCI坚固性、模块化及Eurocard机械封装特性，适用于测量与数据采集应用。

仿真时不仅要记录道路信息，还要用软件平台采集道路实时数据。目前特斯拉是用摄像头，但绝大部分主机厂还有毫米波雷达、超声波雷达和激光雷达等。

 

仿真数据记录的挑战

在汽车测试中，被测对象都是ECU控制或算法，因此需要模拟外设,使ECU认为连接的是真实的电机。在此阶段，要使用PXI实时控制器运行仿真模型来模拟受控对象运行状态，配合NI FPGA模块可达到更高动态特性及更高精度模型。这样才能减少工程师的开发时间、成本和风险。

 

C-V2X测试也需要仿真

在C-V2X场景中，路上的车和其他车辆、行人、信号灯等基础设施之间是互联互通的，这就是C-V2X的定义。在汽车智能化、电气化、网联化过程中，汽车加载了毫米波雷达、摄像头甚至激光雷达，汽车越来越智能，而C-V2X是从另一个角度的有益补充。

 

V2X的关键功能

很多交通事故都是在改变行车意向时发生的，如转弯、变道，如果有C-V2X技术，就可以辅助驾驶，将行车意向与其他车辆或路上行人提前沟通，大大提升交通效率，降低交通事故的发生率。

是德科技汽车与能源事业部业务经理祝晓悦认为，要得到C-V2X装车效果，要从测试角度来保证。从通信整体框架来说，需要测试射频指标和性能，以及相应的干扰。另外一块是上层场景仿真，根据标准或客户的一些特定需求编辑出一个应用场景，如前向行驶旁边有车快速变道，这个简单场景需要与仪表配合完成基于场景的测试。

业內有很多其他场景软件，包括合作伙伴结合需求提供的HIL系统，可用于整个HIL交通流场景的主车刹车变道等应用场景，特别是实车测试时会碰到的无线信道或网络情况对通信的影响。另外，道路两边有非常多的高楼大厦或高架桥，都会影响导航信号，包括C-V2X本身信号的传输性能。

祝晓悦指出，单车智能中的毫米波雷达、激光雷达、摄像头都有各自的优势，但也有一些局限性，C-V2X是对未来自动驾驶系统的一个补充，所以现在很多主机厂都在做传感器融合，包括C-V2X消息在自动算法平台的融合，然后利用所有信息更好地实现驾驶规划决策。

仿真系统框架包括传感器端、C-V2X端以及场景仿真软件，可以模拟交通流、场景和环境。车辆3D模型软件根据对应模型把相应的传感器信号提取出来，然后通过中间的信号仿真器接收对应场景产生的实际传感器信号，再送到算法模块进行验证。

 

自动驾驶仿真平台

自动驾驶测试环节前端的仿真软件加上后端算法模块可以通过数据接口直接用仿真软件获取相应传感器信号，以测试算法的有效性，验证到一定程度之后，就可以加上传感器去跑了。在两个测试环节之间加入这样一个实验室测试环节可以尽可能模拟实车测试看到的情况，同时也可以发现实际传感器的一些不理想情况和特性。

所以，C-V2X HIL和激光雷达HIL相关系统类似，是从场景仿真软件得到对应场景，用雷达实验模拟器同时进行仿真，如十几个或几十个目标在雷达方向上运动，把信号传到雷达传感器再到ECU，这样做是为了尽可能模拟实车的测试环境。

写在最后：

加快落地，效率是关键

实车测试不可能包罗万象到所有未来可能遇到的场景，完全采用实测的方法要到猴年马月才能实现自动驾驶！

因此，现在的仿真测试将有毕其功于一役之效，无疑将在很大程度上加快自动驾驶走向商用的进程。

- END -

声明：偶尔转载的文章出于非商业性的教育和科研目的，并不意味着支持其观点或证实其内容的实行，欢迎大家评论发表自己的意见。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们，我们会予以更改或删除相关文章，保障您的权利！