#自动驾驶的技术发展路线
端到端自动驾驶
-
Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey
-
End-to-end Autonomous Driving: Challenges and Frontiers
在线高精地图
-
HDMapNet:基于语义分割的在线局部高精地图构建 (ICRA2022)
-
VectorMapNet:基于自回归方式的端到端矢量化地图构建(ICML2023)
-
MapTR : 基于固定数目点的矢量化地图构建 (ICLR2023)
-
MapTRv2:一种在线矢量化高清地图构建的端到端框架
-
PivotNet:基于动态枢纽点的矢量化地图构建 (ICCV2023)
-
BeMapNet:基于贝塞尔曲线的矢量化地图构建 (CVPR2023)
-
LATR: 无显式BEV 特征的3D车道线检测 (ICCV2023)
-
TopoNet: 基于图的驾驶场景拓扑推理
-
TopoMLP: 先检测后推理(拓扑推理 strong pipeline)
-
LaneGAP:连续性在线车道图构建
-
Neural Map Prior: 神经地图先验辅助在线建图 (CVPR2023)
-
MapEX:现有地图先验显著提升在线建图性能
大模型与自动驾驶
-
CLIP:Learning Transferable Visual Models From Natural Language Supervision
-
BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation
-
BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models
-
InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning
-
MiniGPT-4: Enhancing Vision-Language Understanding with Advanced Large Language Models
-
InstructGPT:Training language models to follow instructions with human feedback
-
ADAPT: Action-aware Driving Caption Transformer
-
BEVGPT:Generative Pre-trained Large Model for Autonomous Driving Prediction, Decision-Making, and Planning
-
DriveGPT4:Interpretable End-to-end Autonomous Driving via Large Language Model
-
Drive Like a Human Rethinking Autonomous Driving with Large Language Models
-
Driving with LLMs: Fusing Object-Level Vector Modality for Explainable Autonomous Driving
-
HiLM-D: Towards High-Resolution Understanding in Multimodal Large Language Models for Autonomous Driving
-
LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving
-
Planning-oriented Autonomous Driving
-
WEDGE A multi-weather autonomous driving dataset built from generative vision-language models
Nerf与自动驾驶
-
NeRF: Neural Radiance Field in 3D Vision, A Comprehensive Review
-
Neural Volume Rendering: NeRF And Beyond
-
MobileNeRF:移动端实时渲染,Nerf导出Mesh(CVPR2023)
-
Co-SLAM:实时视觉定位和NeRF建图(CVPR2023)
-
Neuralangelo:当前最好的NeRF表面重建方法(CVPR2023)
-
MARS:首个开源自动驾驶NeRF仿真工具(CICAI2023)
-
UniOcc:NeRF和3D占用网络(AD2023 Challenge)
-
Unisim:自动驾驶场景的传感器模拟(CVPR2023)
Occupancy占用网络
-
Grid-Centric Traffic Scenario Perception for Autonomous Driving: A Comprehensive Review
BEV感知
-
Vision-Centric BEV Perception: A Survey
-
Vision-RADAR fusion for Robotics BEV Detections: A Survey
-
Surround-View Vision-based 3D Detection for Autonomous Driving: A Survey
-
Delving into the Devils of Bird’s-eye-view Perception: A Review, Evaluation and Recipe
多模态融合
针对Lidar、Radar、视觉等数据方案进行融合感知;
-
A Survey on Deep Domain Adaptation for LiDAR Perception
-
Automatic Target Recognition on Synthetic Aperture Radar Imagery:A Survey
-
Deep Multi-modal Object Detection and Semantic Segmentation for Autonomous Driving:Datasets, Methods, and Challenges
-
MmWave Radar and Vision Fusion for Object Detection in Autonomous Driving:A Review
-
Multi-Modal 3D Object Detection in Autonomous Driving:A Survey
-
Multi-modal Sensor Fusion for Auto Driving Perception:A Survey
-
Multi-Sensor 3D Object Box Refinement for Autonomous Driving
-
Multi-View Fusion of Sensor Data for Improved Perception and Prediction in Autonomous Driving
3D检测
对基于单目图像、双目图像、点云数据、多模态数据的3D检测方法进行了梳理;
-
3D Object Detection for Autonomous Driving:A Review and New Outlooks
-
3D Object Detection from Images for Autonomous Driving A Survey
-
A Survey of Robust LiDAR-based 3D Object Detection Methods for autonomous driving
-
A Survey on 3D Object Detection Methods for Autonomous Driving Applications
-
Deep Learning for 3D Point Cloud Understanding:A Survey
-
Multi-Modal 3D Object Detection in Autonomous Driving:a survey
-
Survey and Systematization of 3D Object Detection Models and Methods
目标检测综述
主要涉及通用目标检测任务、检测任务中的数据不均衡问题、伪装目标检测、自动驾驶领域检测任务、anchor-based、anchor-free、one-stage、two-stage方案等;
-
A Survey of Deep Learning for Low-Shot Object Detection
-
A Survey of Deep Learning-based Object Detection
-
Camouflaged Object Detection and Tracking:A Survey
-
Deep Learning for Generic Object Detection:A Survey
-
Imbalance Problems in Object Detection:A survey
-
Object Detection in 20 Years:A Survey
-
Object Detection in Autonomous Vehicles:Status and Open Challenges
-
Recent Advances in Deep Learning for Object Detection
目标检测数据增强与不均衡问题
主要涉及目标检测任务中的数据增强、小目标检测、小样本学习、autoargument等工作;
-
A survey on Image Data Augmentation for Deep Learning
-
Augmentation for small object detection
-
Bag of Freebies for Training Object Detection Neural Networks
-
Generalizing from a Few Examples:A Survey on Few-Shot
-
Learning Data Augmentation Strategies for Object Detection
分割综述
主要对实时图像分割、视频分割、实例分割、弱监督/无监督分割、点云分割等方案展开讨论;
-
A Review of Point Cloud Semantic Segmentation
-
A SURVEY ON DEEP LEARNING METHODS FOR SEMANTIC IMAGE SEGMENTATION IN REAL-TIME
-
A SURVEY ON DEEP LEARNING METHODS FOR SEMANTIC
-
A Survey on Deep Learning Technique for Video Segmentation
-
A Survey on Instance Segmentation State of the art
-
A Survey on Label-efficient Deep Segmentation-Bridging the Gap between Weak Supervision and Dense Prediction
-
A Technical Survey and Evaluation of Traditional Point Cloud Clustering for LiDAR Panoptic Segmentation
-
Evolution of Image Segmentation using Deep Convolutional Neural Network A Survey
-
On Efficient Real-Time Semantic Segmentation
-
Unsupervised Domain Adaptation for Semantic Image Segmentation-a Comprehensive Survey
多任务学习
对检测+分割+关键点+车道线联合任务训练方法进行了汇总;
-
Cascade R-CNN
-
Deep Multi-Task Learning for Joint Localization, Perception, and Prediction
-
Mask R-CNN
-
Mask Scoring R-CNN
-
Multi-Task Multi-Sensor Fusion for 3D Object Detection
-
MultiTask-CenterNet
-
OmniDet
-
YOLOP
-
YOLO-Pose
目标跟踪
对单目标和多目标跟踪、滤波和端到端方法进行了汇总; whaosoft aiot http://143ai.com
-
Camouflaged Object Detection and Tracking:A Survey
-
Deep Learning for UAV-based Object Detection and Tracking:A Survey
-
Deep Learning on Monocular Object Pose Detection and Tracking:A Comprehensive Overview
-
Detection, Recognition, and Tracking:A Survey
-
Infrastructure-Based Object Detection and Tracking for Cooperative Driving Automation:A Survey
-
Recent Advances in Embedding Methods for Multi-Object Tracking:A Survey
-
Single Object Tracking:A Survey of Methods, Datasets, and Evaluation Metrics
-
Visual Object Tracking with Discriminative Filters and Siamese Networks:A Survey and Outlook
深度估计
针对单目、双目深度估计方法进行了汇总,对户外常见问题与精度损失展开了讨论;
-
A Survey on Deep Learning Techniques for Stereo-based Depth Estimation
-
Deep Learning based Monocular Depth Prediction:Datasets, Methods and Applications
-
Monocular Depth Estimation Based On Deep Learning:An Overview
-
Monocular Depth Estimation:A Survey
-
Outdoor Monocular Depth Estimation:A Research Review
-
Towards Real-Time Monocular Depth Estimation for Robotics:A Survey
关键点检测
人体关键点检测方法汇总,对车辆关键点检测具有一定参考价值;
-
2D Human Pose Estimation:A Survey
-
A survey of top-down approaches for human pose estimation
-
Efficient Annotation and Learning for 3D Hand Pose Estimation:A Survey
-
Recent Advances in Monocular 2D and 3D Human Pose Estimation:A Deep Learning Perspective
Transformer综述
视觉transformer、轻量级transformer方法汇总;
-
A Survey of Visual Transformers
-
A Survey on Visual Transformer
-
Efficient Transformers:A Survey
车道线检测
对2D/3D车道线检测方法进行了汇总,基于分类、检测、分割、曲线拟合等;
2D车道线
-
A Keypoint-based Global Association Network for Lane Detection
-
CLRNet:Cross Layer Refinement Network for Lane Detection
-
End-to-End Deep Learning of Lane Detection and Path Prediction for Real-Time Autonomous Driving
-
End-to-end Lane Detection through Differentiable Least-Squares Fitting
-
Keep your Eyes on the Lane:Real-time Attention-guided Lane Detection
-
LaneNet:Real-Time Lane Detection Networks for Autonomous Driving
-
Towards End-to-End Lane Detection:an Instance Segmentation Approach
-
Ultra Fast Structure-aware Deep Lane Detection
3D车道线
-
3D-LaneNet+:Anchor Free Lane Detection using a Semi-Local Representation
-
Deep Multi-Sensor Lane Detection
-
FusionLane:Multi-Sensor Fusion for Lane Marking Semantic Segmentation Using Deep Neural Networks
-
Gen-LaneNet:A Generalized and Scalable Approach for 3D Lane Detection
-
ONCE-3DLanes:Building Monocular 3D Lane Detection
-
3D-LaneNet:End-to-End 3D Multiple Lane Detection
SLAM综述
定位与建图方案汇总;
-
A Survey on Active Simultaneous Localization and Mapping-State of the Art and New Frontiers
-
The Revisiting Problem in Simultaneous Localization and Mapping-A Survey on Visual Loop Closure Detection
-
From SLAM to Situational Awareness-Challenges
-
Simultaneous Localization and Mapping Related Datasets-A Comprehensive Survey
模型量化
-
A Survey on Deep Neural Network CompressionChallenges, Overview, and Solutions
-
Pruning and Quantization for Deep Neural Network Acceleration A Survey
#自动驾驶仿真框架&模拟器汇总
好多年以来自动驾驶仿真基本上采用传统的仿真软件,很多年车企都完成了工具和方法闭环,不过应用范围仅限于主动安全功能,对于高阶/L3/L4/NOP/NOA功能应用较少。
最近几年的自动驾驶仿真出现了世界模型/强化学习/NeRF/扩散模型/LLM/Agent等新型技术,越来越多的供应商开始基于这些新技术、逐渐摆脱传统仿真软件,开发新兴的自动驾驶仿真框架&模拟器,为仿真带来了新的机遇。
本文汇总了传统仿真软件、新型仿真框架,以及仿真平台、光学仿真、仿真引擎,可作为学习、研究、开发的参考资料。
1.仿真引擎
Unity
Unity是由Unity Technologies开发的跨平台 游戏引擎,于 2005 年 6 月在Apple 全球开发者大会上作为Mac OS X游戏引擎首次宣布并发布。此后该引擎逐渐扩展到支持各种桌面、移动、控制台和虚拟现实平台。Unity在iOS和Android移动游戏开发中特别受欢迎,被认为对于初学者开发人员来说易于使用,并且在独立游戏开发中很受欢迎。该引擎可用于创建三维(3D)和二维(2D)游戏,以及交互式模拟和其他体验。
Unity 主页:https://unity.com/cn
Unity Doc:https://docs.unity.com/
Unity API:https://docs.unity3d.com/ScriptReference/
Unity Man:https://docs.unity3d.com/Manual/index.html
Unity 代码:https://github.com/Unity-Technologies
Unity Wiki:https://en.wikipedia.org/wiki/Unity_(game_engine)
UnityTechnologies Wiki:https://en.wikipedia.org/wiki/Unity_Technologies
UnrealEngine
Unreal Engine ( UE ) 是由Epic Games开发的一系列 3D 计算机图形游戏引擎,首次亮相于 1998 年的第一人称射击游戏Unreal。它最初是为PC第一人称射击游戏开发的,后来被用于各种类型的游戏,并被其他行业采用,尤其是电影和电视行业。虚幻引擎采用C++编写,具有高度可移植性,支持广泛的桌面、移动、控制台和虚拟现实平台。
最新一代虚幻引擎 5 于 2022 年 4 月推出。其源代码可在GitHub上获取,商业使用基于版税模式授予,Epic 收取收入超过 100 万美元的 5%,游戏免收这一费用发布在Epic Games Store上。\Epic 在引擎中加入了 Quixel 等被收购公司的功能,这被认为得益于《堡垒之夜》的收入。2014年,虚幻引擎被吉尼斯世界纪录评为全球“最成功的视频游戏引擎”
UnrealEngine 主页:https://www.unrealengine.com
UnrealEngine 代码:https://github.com/folgerwang/UnrealEngine
UnrealEngine 代码:https://github.com/20tab/UnrealEnginePython
UnrealEngine Wiki:https://en.wikipedia.org/wiki/Unreal_Engine
EpicGames:https://en.wikipedia.org/wiki/Epic_Games
Cognata
Cognata 主页:https://www.cognata.com/
Cognata 介绍:https://www.cognata.com/simulation/
Cognata 介绍:https://www.cognata.com/autonomous-vehicles/
OptiX
Nvidia OptiX(OptiX 应用加速引擎)是一种光线追踪 API,于 2009 年左右首次开,计算通==过CUDA引入的低级或高级API卸载到GPU。CUDA仅适用于Nvidia的图形产品。
Nvidia OptiX 是Nvidia GameWorks的一部分。OptiX 是一个高级或算法API,这意味着它旨在封装光线追踪所属的整个算法,而不仅仅是光线追踪本身。这是为了让 OptiX 引擎能够以极大的灵活性执行更大的算法,而无需应用程序端进行更改。
OptiX 主页:https://developer.nvidia.com/rtx/ray-tracing/optix
OptiX 下载:https://developer.nvidia.com/designworks/optix/download
OptiX Wiki:https://en.wikipedia.org/wiki/OptiX
2.仿真软件
VTD
VTD 是世界上使用最广泛的开放平台,用于创建、配置和动画化用于 ADAS 和自动驾驶车辆的训练、测试和验证的虚拟环境和场景。VTD 为第三方组件提供开放接口,并为第三方模块提供带有 API 的插件概念。其主要特点是在车辆控制、感知、驾驶员培训、人工智能系统训练数据生成和车辆测试台方面的各种应用。
VTD在传感器仿真、复杂场景创建、车辆和行人建模以及车辆动力学方面具有强大的能力。
VTD 主页:https://hexagon.com/products/virtual-test-drive
VTD ASAM:https://www.asam.net/members/product-directory/detail/virtual-test-drive-vtd/
VTD 华为云八爪鱼:https://support.huaweicloud.com/usermanual-octopus/octopus-03-0011.html
CARLA
CARLA 是一个用于自动驾驶研究的开源模拟器。CARLA 的开发是为了支持自动驾驶系统的开发、培训和验证。除了开源代码和协议之外,CARLA 还提供为此目的创建的开放数字资产(城市布局、建筑物、车辆),并且可以自由使用。该仿真平台支持灵活的传感器套件和环境条件规范。
CARLA 主页:https://carla.org//
CARLA 代码:https://github.com/carla-simulator/carla
CARLA 文档:https://carla.readthedocs.io/en/latest/start_introduction/
CARLA 文档:https://carla.readthedocs.io/en/latest/
CARLA 论文:https://arxiv.org/abs/1711.03938
CarSim
CarSim是专门针对车辆动力学的仿真软件,CarSim模型在计算机上运行的速度比实时快3-6倍,可以仿真车辆对驾驶员,路面及空气动力学输入的响应,主要用来预测和仿真汽车整车的操纵稳定性、制动性、平顺性、动力性和经济性,同时被广泛地应用于现代汽车控制系统的开发。CarSim可以方便灵活的定义试验环境和试验过程,详细的定义整车各系统的特性参数和特性文件。
CarSim 主页:https://www.carsim.com/
CarSim 主页:https://www.carsim.com/products/carsim/index.php
CarSim 介绍:https://www.carsim.com/products/carsim/
CarSim 介绍:https://www.carsim.com/downloads/pdf/CarSim_Introduction.pdf
CarSim 文档:https://carsim.readthedocs.io/en/latest/
BikeSim
BikeSim 提供最准确、详细且高效的方法来模拟两轮和三轮车辆的性能。经过二十多年的实际验证,BikeSim 已成为分析摩托车动力学、开发主动控制器、计算整体系统性能和设计下一代主动安全系统的普遍首选工具。
BikeSim 主页:https://www.carsim.com/products/bikesim/index.php
TruckSim
Trucksim是汽车动力学模型仿真软件,可以和Simulink连接实现整车控制,TruckSim的优点是动力学模型搭建过程简单,参数化配置整车参数,可将动力学模型搭建的较为科学,缺点是不够灵活,没有基于电机的新能源车辆动力学仿真模型。
TruckSim 主页:https://www.carsim.com/products/trucksim/index.php
TruckSim 介绍:https://www.carsim.com/users/pdf/release_notes/trucksim/TruckSim2024_New_Features.pdf
TruckSim 介绍:https://blog.csdn.net/qq_31239495/article/details/86679859
SuspensionSim
SuspensionSim 模拟应用于悬架系统的准静态运动学和合规性 (K&C) 测试。SuspensionSim 在几个方面与车辆模拟产品 BikeSim、CarSim 和 TruckSim 有所不同。SuspensionSim 没有使用具有特定多体模型的预定义参数程序,而是使用基于用户数据集构建模型的多体求解器程序
SuspensionSim 主页:https://www.carsim.com/products/suspensionsim/index.php
SuspensionSim 介绍:https://www.carsim.com/downloads/pdf/SuspensionSim_Handout_Letter.pdf
VehicleSim
Mechanical Simulation Corporation 生产和分销软件工具,用于模拟和分析机动车辆响应转向、制动、油门、道路和空气动力学输入的动态行为。VS SDK 是一个软件开发工具包。这意味着它包含以尽可能少的配置来处理项目所需的所有工具、库、文档和示例项目。
VehicleSim 主页:https://www.carsim.com/products/supporting/vehiclesim/vs_api.php
VehicleSim SDK:https://www.carsim.com/users/vs_sdk/index.php
CarMaker
仿真解决方案 CarMaker 专为在所有开发阶段(MIL、SIL、HIL、VIL)的汽车和轻型车辆的开发和无缝测试而设计。开放式集成和测试平台允许为无人驾驶、ADAS、动力总成和车辆动力学等应用领域实施虚拟测试场景。借助高分辨率 3D 可视化工具 MovieNX,可提供照片级的真实画质。各种支持的标准和接口也保证了与现有工具环境的顺利集成。
CarMaker 主页:https://ipg-automotive.com/cn/products-solutions/software/carmaker/
CarMaker 教程:https://ipg-automotive.com/en/know-how/multimedia/online-tutorials/
CarMaker 与 Simulink 配合使用:https://www.mathworks.com/products/connections/product_detail/carmaker.html
TruckMaker
TruckMaker 仿真解决方案专门针对卡车、工程车辆、公共汽车、中型卡车、重型卡车和特种车辆等重型车辆的开发和测试要求量身定制。TruckMaker 可以在虚拟世界中对真实世界的测试场景进行准确建模,并提高开发过程的敏捷性。根据汽车系统工程方法,使用 TruckMaker 进行虚拟车辆测试可以在现实场景中对整个车辆的整个系统进行无缝开发、校准、测试和验证。
TruckMaker 主页:https://ipg-automotive.com/cn/products-solutions/software/truckmaker/
MotorcycleMaker
虚拟试驾有助于应对当今车辆开发的挑战。MotorcycleMaker 专门针对开发和测试摩托车、电动自行车或踏板车等机动两轮车的要求。MotorcycleMaker 能够在虚拟世界中对真实测试场景进行准确建模,并提高开发流程的敏捷性。根据汽车系统工程方法,MotorcycleMaker 的虚拟试驾可以在现实场景中实现整个车辆的整个系统的无缝开发、校准、测试和验证。
MotorcycleMaker 主页:https://ipg-automotive.com/en/products-solutions/software/motorcyclemaker/
AirSim
AirSim(航空信息学和机器人模拟)是一款开源跨平台模拟器,适用于无人机、汽车等地面车辆和各种其他物体,建立在Epic Games专有的虚幻引擎 4之上,作为人工智能研究平台。它由微软开发,可用于试验自动驾驶汽车的深度学习、计算机视觉和强化学习算法。这允许测试自主解决方案,而不必担心现实世界的损坏。
AirSim 提供约 12 公里的道路和 20 个城市街区以及API,以便以独立于平台的方式检索数据和控制车辆。API 可通过多种编程语言访问,包括C++、C#、Python和Java。AirSim 支持带有驱动轮和飞行控制器(例如 PX4)的硬件在环,以实现物理和视觉上的真实模拟。该平台还支持常见的机器人平台,例如机器人操作系统(ROS)。它被开发为一个虚幻插件,可以放入任何虚幻环境中。Unity插件的实验版本也已发布。
AirSim 主页:https://www.unrealengine.com/
AirSim 介绍:https://microsoft.github.io/AirSim/
AirSim 文档:https://amov-wiki.readthedocs.io/zh-cn/latest/docs/AirSim%E4%BB%BF%E7%9C%9F.html
AirSim 代码:https://github.com/microsoft/AirSim
AirSim Wiki:https://en.wikipedia.org/wiki/AirSim
PreScan
Simcenter Prescan 是一个基于物理的仿真平台,用于涉及自动化的行业,用于开发基于雷达、激光雷达、摄像头、超声波传感器和 GPS 等传感器技术的高级驾驶辅助系统 (ADAS) 和自动驾驶系统 (ADS) 。
Simcenter Prescan 还用于测试车辆对车辆 (V2V) 和车辆对基础设施 (V2I) 通信应用。Simcenter Prescan 可以访问经过验证的传感器模型和材料物理响应,作为一系列有意义的保真度级别的一部分。此外,还包括准确的车辆动力学模型,并且可以轻松填充交通。Simcenter Prescan 有助于将被测系统集成到仿真环路中,并可以将其大规模部署到集群或云中,为验证提供必要的覆盖范围。
Simcenter Prescan 提供了一个编辑器来定义场景以及一个运行时环境来执行场景。
PreScan 主页:https://plm.sw.siemens.com/en-US/simcenter/autonomous-vehicle-solutions/prescan/
PreScan Mathworks:https://www.mathworks.com/products/connections/product_detail/prescan.html
Constellation
NVIDIA Omniverse 是一个模块化开发平台,用于构建 3D 工作流程、工具、应用程序和服务。基于Pixar的通用场景描述(OpenUSD)、NVIDIA RTX 和NVIDIA AI技术,开发人员使用 Omniverse 为工业数字化和感知 AI 应用构建实时 3D 模拟解决方案。
Constellation 主页:https://developer.nvidia.com/omniverse
Constellation 代码:https://github.com/NVIDIA-Omniverse
Constellation Python API:https://docs.omniverse.nvidia.com/isaacsim/latest/reference_python_api.html
Constellation Doc:https://docs.omniverse.nvidia.com/
Constellation Guide:https://docs.omniverse.nvidia.com/dev-guide/latest/index.html
LGSVL
LGSVL 主页:https://www.svlsimulator.com/
LGSVL 代码:https://github.com/lgsvl/simulator
LGSVL文档:https://www.svlsimulator.com/docs/
LGSVL 论文:https://arxiv.org/abs/2005.03778
Omniverse
NVIDIA Omniverse 是一个模块化开发平台,用于构建 3D 工作流程、工具、应用程序和服务。基于 Pixar的通用场景描述(OpenUSD)、NVIDIA RTX 和NVIDIA AI技术,开发人员使用 Omniverse 为工业数字化和感知 AI 应用构建实时 3D 模拟解决方案。
Omniverse 主页:https://developer.nvidia.com/omniverse
Omniverse 代码:https://github.com/NVIDIA-Omniverse
Panosim
PanoSim是由国内一家创业公司联合吉大、北航等高校资源开发的一款智能驾驶汽车仿真软件平台。软件以智能驾驶汽车全栈仿真为开发目标,具有完整的场景模型、传感器模型和车辆模型,可用于智能驾驶算法的快速开发和验证。
Panosim 主页:https://www.panosim.com/
PanoSim自动驾驶仿真测试平台 介绍:https://www.zhihu.com/column/c_1510268115455426560
基于PanoSim5.0虚拟仿真平台的自主代客泊车AVP系统开发教程 介绍:https://blog.csdn.net/Countery/article/details/120577528
SUMMIT
SUMMIT(大规模混合交通中的城市驾驶模拟器)是一款开源模拟器,专注于为复杂的现实世界地图上不受管制的密集城市交通生成高保真交互式数据。它与 OSM 文件和 SUMO 网络形式的地图数据配合使用,生成具有复杂且现实的不受监管行为的异构交通代理群体。SUMMIT 可以使用从在线来源获取的地图数据,提供几乎无限的复杂环境来源。
SUMMIT还公开了与地图数据提供的上下文信息进行交互的接口。它还提供了一套强大的几何实用程序供外部程序使用。通过这些,SUMMIT 旨在实现感知、车辆控制和规划、端到端学习等广泛领域的应用。SUMMIT 是在非常成功的 CARLA 基础上建立的。CARLA 的更新不断合并到 SUMMIT 中,以确保 SUMMIT 的用户能够获得 CARLA 赋予的高质量工作,例如其高保真物理、渲染和传感器;、然而,应该指出的是,并非 SUMMIT 的所有组件都可以与 CARLA 的组件兼容,因为它们是针对不同的用例而设计的。
SUMMIT Doc:https://adacompnus.github.io/summit-docs/
SUMMIT 代码:https://github.com/AdaCompNUS/summit
SUMO
城市交通模拟(SUMO)是一个开源、高度可移植、微观和连续的交通模拟软件包,旨在处理大型网络。它允许进行包括行人在内的联运模拟,并附带大量用于场景创建的工具。它主要由德国航空航天中心运输系统研究所的员工开发。
SUMO 主页:https://sumo.dlr.de/docs/index.html
SUMO 主页:https://eclipse.dev/sumo/
SUMO 文档:https://sumo.dlr.de/docs/index.html
SUMO 论文:https://elib.dlr.de/127994/
SUMO 代码:https://github.com/eclipse-sumo/sumo
OpenCDA
OpenCDA 是一种集成了原型协同驾驶自动化(CDA;参见 SAE J3216)管道以及常规自动驾驶组件(例如感知、定位、规划、控制)的仿真工具。该工具集成了自动驾驶仿真(CARLA)、交通仿真(SUMO)和联合仿真(CARLA + SUMO)。
OpenCDA 基于标准自动驾驶系统 (ADS) 平台,专注于车辆、基础设施和其他道路使用者(例如行人)之间的各类数据交换和合作。OpenCDA全部采用 Python 语言。目的是使研究人员能够快速原型设计、模拟和测试 CDA 算法和功能。通过应用我们的仿真工具,用户可以方便地对其定制算法进行特定任务评估(例如目标检测精度)和管道级评估(例如交通安全)。
OpenCDA 文档:https://opencda-documentation.readthedocs.io/en/latest/index.html
OpenCDA 介绍:https://opencda-documentation.readthedocs.io/en/latest/md_files/introduction.html
OpenCDA 代码:https://github.com/ucla-mobility/OpenCDA
OpenCDA 论文:https://ieeexplore.ieee.org/document/9564825
OpenCDA 论文:https://arxiv.org/abs/2301.07325
OpenCDA-ROS
OpenCDA-ROS,它基于开源框架 OpenCDA 和机器人操作系统 (ROS) 的优势,将 ROS 的实际部署能力与 OpenCDA 成熟的 CDA 研究框架和基于仿真的评估无缝综合起来以填补上述空白。
OpenCDA-ROS 将利用 ROS 和 OpenCDA 的优势,促进仿真和现实世界中关键 CDA 功能的原型设计和部署,特别是协作感知、地图绘制和数字孪生、协作决策和运动规划以及智能基础设施服务。
OpenCDA-ROS 论文:https://ieeexplore.ieee.org/document/10192346
RoadRunner
RoadRunner 是一款交互式编辑器,可让开发者设计用于模拟和测试自动驾驶系统的 3D 场景。开发者可以通过创建特定于区域的路标和标记来自定义道路场景。可以插入标志、信号灯、护栏和道路损坏,以及树叶、建筑物和其他 3D 模型。
RoadRunner 提供用于设置和配置交叉口交通信号计时、相位和车辆路径的工具。RoadRunner 支持激光雷达点云、航空图像和 GIS 数据的可视化。开发者可以使用OpenDRIVE导入和导出道路网络。使用 RoadRunner 构建的 3D 场景可以以 FBX 、glTF、OpenFlight、OpenSceneGraph、OBJ 和 USD 格式导出。导出的场景可用于自动驾驶模拟器和游戏引擎,包括 CARLA、Vires VTD、NVIDIA DRIVE Sim、 rFpro、百度 Apollo、 Cognata、Unity和Unreal Engine。
RoadRunner 主页:https://www.mathworks.com/products/roadrunner.html
TADSim
TADSim 百科:https://baike.baidu.com/item/TAD%20Sim/63745889?fr=ge_ala
腾讯发布自动驾驶仿真平台TAD Sim 2.0:https://zhuanlan.zhihu.com/p/150694950
TADSim 论文:https://dl.acm.org/doi/10.1145/2699715
51SimOne
51World 主页:https://wdp.51aes.com/
51World 介绍:https://www.51vr.com.au/technology/city
51SimOne开源版已正式发布,助力国产自主智能驾驶仿真平台搭建:https://zhuanlan.zhihu.com/p/475293607
PTV-Vissim
PTV Vissim是由位于德国卡尔斯鲁厄的PTV Planung Transport Verkehr AG开发的微观多模态交通流仿真软件包。PTV Vissim 于 1992 年首次开发,如今已成为全球市场的领导者。
PTV-Vissim 主页:https://www.ptvgroup.com/en/products/ptv-vissim
[TV-Vissim Wiki:https://en.wikipedia.org/wiki/PTV_VISSIM
PTV-Visum
PTV Visum 是世界领先的交通规划软件。它是交通网络和交通需求、公共交通规划以及交通战略和解决方案开发的宏观模拟和宏观建模的标准。借助 PTV Visum,开发者可以创建交通模型,为长期战略规划和短期运营使用提供见解。
PTV-Visum 主页:https://www.ptvgroup.com/en/products/ptv-vissim
PTV-Flows
PTV Flows 使交通运营商能够轻松地实时监控和预测交通。通过利用机器学习、最先进的算法和自动警报,PTV Flows 使城市和道路当局能够优化其交通管理,而无需大量资源或复杂的基础设施。
因此,PTV Flows 附带 自动更新的网络地图和 来自覆盖广泛的主要提供商的浮动汽车数据 (FCD) 。该软件可以从浏览器运行,也可以通过 API 集成到现有系统中。
PTV-Flows 主页:https://www.ptvgroup.com/en/products/ptv-flows
Dyna4
DYNA4 是一个开放的模拟环境,用于汽车和商用车的虚拟试驾。物理模型包括车辆动力学、动力总成、内燃机、电动机、传感器和交通。使用 DYNA4 进行虚拟试驾有助于安全高效的功能开发和测试。PC 上的闭环仿真比实时运行速度更快,例如用于早期开发阶段(MIL、SIL),或者当 ECU 可用时可以在硬件在环系统(HIL)上执行。
DYNA4 的道路基础设施和交通 3D 环境模拟为环境感知发挥关键作用的辅助和自动驾驶提供了虚拟测试场。
Dyna4 ASAM:https://www.asam.net/members/product-directory/detail/dyna4/
Dyna4 Vector:https://www.vector.com/int/en/products/products-a-z/software/dyna4/
3.仿真框架
PGDrive
为了更好地评估和提高端到端驾驶的泛化能力,引入了一种开放式且高度可配置的驾驶模拟器,称为 PGDrive,遵循程序生成的关键特征。首先通过所提出的生成算法通过对基本路块进行采样来生成不同的道路网络。然后它们被转变为交互式训练环境,其中呈现具有真实运动学的附近车辆的交通流。
PGDrive 主页:https://www.pgdrive.com/
PGDrive 介绍:https://decisionforce.github.io/pgdrive/
PGDrive Doc:https://pgdrive.readthedocs.io/en/latest/
PGDrive 代码:https://github.com/decisionforce/pgdrive
PGDrive 论文:https://arxiv.org/abs/2012.13681
MetaDrive
MetaDrive 是一款驾驶模拟器,具有以下主要功能:
组合:它支持生成具有各种道路地图和交通设置的无限场景,用于可泛化强化学习的研究。
轻量级:易于安装和运行。它可以在标准 PC 上运行高达 +1000 FPS。
真实:准确的物理模拟和多种感官输入,包括激光雷达、RGB 图像、自上而下的语义图和第一人称视图图像。
MetaDrive 主页:https://metadriverse.github.io//metadrive/
MetaDrive 代码:https://github.com/metadriverse/metadrive
MetaDrive 论文:https://arxiv.org/abs/2109.12674
SimulationCity
SimulationCity 主页:https://www.theverge.com/2021/7/6/22565448/waymo-simulation-city-autonomous-vehicle-testing-virtual
SimulationCity 主页:https://waymo.com/blog/2021/06/SimulationCity.html
CarCraft
Waymo 模拟正在教授自动驾驶汽车宝贵的技能:https://www.engadget.com/2017-09-11-waymo-self-driving-car-simulator-intersection.html
走进 WAYMO 训练自动驾驶汽车的秘密世界:https://www.theatlantic.com/technology/archive/2017/08/inside-waymos-secret-testing-and-simulation-facilities/537648/
模拟如何将一盏闪烁的黄灯变成数千小时的体验:https://medium.com/waymo/simulation-how-one-flashing-yellow-light-turns-into-thousands-of-hours-of-experience-a7a1cb475565
UniSim
UniSim,这是一种神经传感器模拟器,它采用配备传感器的车辆捕获的单个记录日志,并将其转换为现实的闭环多传感器模拟。
UniSim 构建神经特征网格来重建场景中的静态背景和动态角色,并将它们组合在一起,以在新视点(添加或删除角色以及在新位置)模拟 LiDAR 和相机数据。为了更好地处理外推视图,结合了动态对象的可学习先验,并利用卷积网络来完成看不见的区域。实验表明 UniSim 可以在下游任务上模拟具有小域间隙的真实传感器数据。
UniSim 项目:https://waabi.ai/unisim/
UniSim 论文:https://arxiv.org/abs/2308.01898
UniSim 解读:https://zhuanlan.zhihu.com/p/636695025
MARS
提出了一种基于神经辐射场(NeRF)的自动驾驶模拟器。与现有作品相比,我们的作品具有三个显着特点:
1).实例感知:该模拟器使用独立的网络分别对前景实例和背景环境进行建模,以便可以单独控制实例的静态(例如大小和外观)和动态(例如轨迹)属性。
2).模块化:该模拟器允许在不同的现代 NeRF 相关主干、采样策略、输入模式等之间灵活切换,这种模块化设计能够促进基于 NeRF 的自动驾驶模拟的学术进步和工业部署。
3).真实:考虑到最佳模块选择,我们的模拟器设置了新的最先进的照片写实效果。
MARS 论文:https://arxiv.org/abs/2307.15058
MARS 代码:https://github.com/OPEN-AIR-SUN/mars
MARS 项目:https://open-air-sun.github.io/mars/
MARS 作者:https://sites.google.com/view/fromandto
MARS 解读:https://zhuanlan.zhihu.com/p/653536221
MagicDrive
MagicDrive,这是一种新颖的街景生成框架,提供多种 3D 几何控制,包括相机姿势、道路地图和 3D 边界框,以及通过定制编码策略实现的文本描述。此外,该设计结合了跨视图注意模块,确保多个摄像机视图之间的一致性。借助 MagicDrive,实现了高保真街景合成,可捕捉细致入微的 3D 几何形状和各种场景描述,从而增强 BEV 分割和 3D 对象检测等任务。
MagicDrive 论文:https://arxiv.org/abs/2310.02601
MagicDrive 代码:https://github.com/cure-lab/MagicDrive
MagicDrive 项目:https://gaoruiyuan.com/magicdrive/
MagicDrive 解读:https://zhuanlan.zhihu.com/p/663261335
DrivingGaussian
这是一个对动态自动驾驶场景的高效且有效的框架。对于具有移动物体的复杂场景,首先使用增量静态 3D 高斯函数顺序渐进地对整个场景的静态背景进行建模。然后,利用复合动态高斯图来处理多个移动对象,单独重建每个对象并恢复它们在场景中的准确位置和遮挡关系。
一步使用 LiDAR 先验进行高斯散射来重建具有更多细节的场景并保持全景一致性。DrivingGaussian 在驾驶场景重建方面优于现有方法,并能够实现具有高保真度和多摄像头一致性的逼真环视合成。
DrivingGaussian 论文:https://arxiv.org/abs/2312.07920
DrivingGaussian 项目:https://pkuvdig.github.io/DrivingGaussian/
NeuRAD
提出了 NeuRAD,这是一种针对动态 AD 数据量身定制的稳健新颖的视图合成方法。在五个流行的 AD 数据集上验证了其性能,全面实现了最先进的性能。该方法具有简单的网络设计、针对相机和激光雷达的广泛传感器建模(包括卷帘快门、光束发散和光线下降),并且适用于开箱即用的多个数据集。
NeuRAD 论文:https://arxiv.org/abs/2311.15260
NeuRAD 代码:https://github.com/georghess/NeuRAD
NeuRAD 解读:https://zhuanlan.zhihu.com/p/673873117
EmerNeRF
EmerNeRF基于NeRF,可以自监督地同时捕获野外场景的几何形状、外观、运动和语义。EmerNeRF将场景分层为静态场和动态场,在instant-NGP对三维空间进行Hash的基础上,多尺度增强动态对象的渲染精度。通过结合静态场、动态场和光流(场景流)场,EmerNeRF能够在不依赖于有监督动态对象分割或光流估计的前提下表示高度动态的场景,并实现了最先进的性能。
EmerNeRF 论文:EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision
EmerNeRF 项目:https://emernerf.github.io/
EmerNeRF 代码:https://github.com/NVlabs/EmerNeRF
EmerNeRF 解读:https://zhuanlan.zhihu.com/p/674024253
Panacea
Panacea,这是一种在驾驶场景中生成全景和可控视频的创新方法,能够生成无限数量的多样化、带注释的样本,这对于自动驾驶的进步至关重要。Panacea 解决了两个关键挑战:一致性和可控性。一致性确保时间和跨视图的一致性,而可控性确保生成的内容与相应注释的对齐。我们的方法集成了新颖的 4D 注意力和两阶段生成管道以保持一致性,并辅以 ControlNet 框架,通过鸟瞰图 (BEV) 布局进行细致控制。
Panacea 在 nuScenes 数据集上的广泛定性和定量评估证明了其在生成高质量多视图驾驶场景视频方面的有效性。这项工作通过有效增强用于先进 BEV 感知技术的训练数据集,显着推动了自动驾驶领域的发展。
Panacea 论文:https://arxiv.org/abs/2311.16813
Panacea 解读:https://zhuanlan.zhihu.com/p/671567561
LimSim
提出了LimSim,即长期交互式多场景交通模拟器,旨在提供城市路网下的长期连续模拟能力。LimSim 可以模拟细粒度的动态场景,并专注于交通流中多辆车之间的多样化交互。本文详细介绍了LimSim的框架和特点,并通过案例研究和实验展示了其性能。
LimSim 论文:https://arxiv.org/abs/2307.06648
LimSim 解读:https://zhuanlan.zhihu.com/p/657727848
GenSim
建议通过利用大型语言模型(LLM)的基础和编码能力来自动生成丰富的模拟环境和专家演示。方法被称为 GenSim,有两种模式:目标导向生成,其中向LLM提供目标任务,法学硕士提出任务课程来解决目标任务;以及探索性生成,其中LLM从先前的任务中引导并迭代提出有助于解决更复杂任务的新颖任务。
GenSim 论文:https://arxiv.org/abs/2310.01361
GenSim 代码:https://github.com/liruiw/GenSim
GenSim 项目:https://huggingface.co/spaces/Gen-Sim/Gen-Sim
GenSim 介绍:https://zhuanlan.zhihu.com/p/661690326
UNav-Sim
UNv-Sim,是第一个整合了虚幻引擎 5 (UE5) 高效、高细节渲染的模拟器。UNV-Sim 是开源的,包括一个基于视觉的自主导航堆栈。通过支持 ROS 等标准机器人工具,UNav-Sim 使研究人员能够高效地开发和测试水下环境的算法。
UNav-Sim 论文:https://arxiv.org/abs/2310.11927
UAV-Sim
利用神经渲染方面的最新进展来改进基于 noveview 无人机的静态和动态图像合成,特别是从高海拔处捕获显着的场景属性。最当最先进的检测模型主要针对真实数据和合成数据的混合集而不是单独的真实数据或合成数据进行优化时,可以实现相当大的性能提升。
UAV-Sim论文:https://arxiv.org/abs/2310.16255
PegasusSimulator
Pegasus Simulator,这是一个作为 NVIDIA Isaac Sim 扩展实现的模块化框架,可以在逼真的环境中实时模拟多个多旋翼飞行器,同时提供与广泛采用的PX4-Autopilot 和 ROS2 通过其模块化实施和直观的图形用户界面。
PegasusSimulator 论文:https://arxiv.org/abs/2307.05263
MTR
提出了一种简单而有效的自回归方法来模拟多智能体行为,该方法基于著名的多模态运动预测框架,称为运动变换器(MTR)[5],并应用了后处理算法。我们提交的名为 MTR+++ 的作品在 2023 年 WOSAC 的现实主义元指标上达到了 0.4697。此外,挑战后还提出了基于MTR的改进模型MTR_E,其得分为0.4911,截至2023年6月25日在WOSAC排行榜上排名第三。
MTR 论文:https://arxiv.org/abs/2306.15914
MVTA
提出了用于代理模拟的 MultiVerse Transformer (MVTA) 有效地利用了基于Transformer的运动预测方法,并且专为代理的闭环模拟而定制。为了产生高度真实的模拟,设计了新颖的训练和采样方法,并实现了后退水平预测机制。此外,引入了一种可变长度历史聚合方法,以减轻闭环自回归执行期间可能出现的复合误差。
MVTA 论文:https://arxiv.org/abs/2306.11868
MVTA 项目:https://multiverse-transformer.github.io/sim-agents/
SimOnWheels
推出 Sim-on-Wheels,这是一种安全、现实的车辆在环框架,用于测试自动驾驶汽车在现实世界中安全关键场景下的性能。轮子模拟运行在现实世界中运行的自动驾驶车辆上。
它创建具有危险行为的虚拟交通参与者,并将虚拟事件无缝插入到从物理世界实时感知的图像中。处理后的图像被输入到自主系统中,使自动驾驶车辆能够对此类虚拟事件做出反应。完整的管道在实际车辆上运行并与物理世界交互,但它看到的安全关键事件是虚拟的。Sim-on-Wheels 安全、互动、真实且易于使用。这些实验证明了车轮模拟在促进高保真度和低风险的具有挑战性的现实世界场景中测试自动驾驶过程的潜力。
SimOnWheels 论文:https://arxiv.org/abs/2306.08807
AutoVRL
AutoVRL,这是一个基于 Bullet 物理引擎构建的开源高保真模拟器,利用 PyTorch 中的 OpenAI Gym 和 Stable Baselines3 来训练 AGV DRL 代理,以实现从模拟到真实的策略传输。
AutoVRL配备了GPS、IMU、LiDAR和摄像头的传感器实现、用于AGV控制的执行器和现实环境,并具有针对新环境和AGV模型的可扩展性。该模拟器提供对最先进的 DRL 算法的访问,利用 Python 接口进行简单的算法和环境定制以及模拟执行。
AutoVRL 论文:https://arxiv.org/abs/2304.11496
AptSim2Real
近似配对方法 AptSim2Real 利用了这样一个事实:模拟器可以生成在光照、环境和构图方面与现实世界场景大致相似的场景。我们新颖的训练策略带来了显着的定性和定量改进,与最先进的未配对图像翻译方法相比,FID 分数提高了 24%。
AptSim2Real 论文:https://arxiv.org/abs/2303.12704
AdaptSim
AdaptSim 项目:https://irom-lab.github.io/AdaptSim/
AdaptSim 论文:https://arxiv.org/abs/2302.04903
AdaptSim 代码:https://irom-lab.github.io/AdaptSim/
WaymoX
Waymax 是一款轻量级、多代理、基于 JAX 的模拟器,用于基于Waymo 开放运动数据集的自动驾驶研究。Waymax 旨在支持自动驾驶行为研究的各个方面 :从规划的闭环模拟和模拟代理研究到开环行为预测。对象(例如车辆、行人)被表示为边界框,而不是原始传感器输出,以便将行为研究提炼成最简单的形式。由于所有组件完全用 JAX 编写,因此 Waymax 可以轻松分发并部署在 GPU 和 TPU等硬件加速器上。
WaymoX 论文:https://arxiv.org/abs/2310.08710
WaymoX 代码:https://github.com/waymo-research/waymax
WaymoX 主页:https://waymo.com/intl/zh-cn/re
4.仿真平台
华为-Octopus
自动驾驶云服务(Octopus)是面向车企、研究所的全托管平台,在华为云上提供自动驾驶数据云服务、自动驾驶标注云服务、自动驾驶训练云服务、自动驾驶仿真云服务、配置管理服务,帮助车企以及研究所快速开发自动驾驶产品。
Octopus 主页:https://support.huaweicloud.com/octopus/index.html
什么是Octopus:https://support.huaweicloud.com/productdesc-octopus/octopus-01-0001.html
仿真服务简介:https://support.huaweicloud.com/usermanual-octopus/octopus-03-0009.html
百度-ApolloCloud
ApolloCloud 主页:https://apollocloud.baidu.com/
Apollo仿真平台场景编辑器:https://apollo.baidu.com/community/article/120
云仿真测试解决方案:https://apollocloud.baidu.com/solution/test
Apollo仿真平台:https://developer.apollo.auto/platform/simulation_cn.html
腾讯-TDASim
智能网联解决方案:https://cloud.tencent.com/solution/intelligent-vehicle-road-cooperation
TADSim 百科:https://baike.baidu.com/item/TAD%20Sim/63745889?fr=ge_ala
腾讯发布自动驾驶仿真平台TAD Sim 2.0:https://zhuanlan.zhihu.com/p/150694950
TADSim 论文:https://dl.acm.org/doi/10.1145/2699715
阿里-IVOCC
IVOCC:https://www.aliyun.com/product/iovcc
英伟达-DriveSim
NVIDIA DRIVE Sim 是一个端到端仿真平台,从头开始构建,可运行大规模、基于物理的多传感器仿真。它是开放的、可扩展的、模块化的,支持从概念到部署的 AV 开发和验证,提高开发人员的工作效率并加快发布时间。
DriveSim 主页:https://developer.nvidia.com/drive/simulation
DriveSim 介绍:https://www.nvidia.com/en-sg/self-driving-cars/simulation/
5.光学仿真
3DOptix
3DOptix 官网:https://www.3doptix.com/
3DOptix 主页:https://www.3doptix.com/design-simulation-software/
OpticStudio
Ansys Zemax OpticStudio 光学工作流程和设计软件主页:https://www.ansys.com/products/optics/ansys-zemax-opticstudio
LightTools
LightTools 使您能够快速创建一次尝试就能成功的照明设计,从而减少原型迭代。使用 LightTools 的智能且易于使用的工具提高您的生产效率并缩短上市时间。
LightTools 主页:https://www.synopsys.com/optical-solutions/lighttools.html
总结
其实很多ADAS企业都不太重视仿真的,重心都在回灌和道路测试,即使搭建了仿真工具链,在量产项目中的作用也很小,只是用来分析、复现问题/BUG。
面向量产项目/功能开发的传感器数据&信号仿真、车辆运动学&动力学仿真、感知&规控联合仿真、数据孪生数据挖掘的仿真还是没有完全成熟的方案,迫切需要面向WorldSim的全栈联合仿真&模拟器。如果可以把芯片硬件仿真、软件算法仿真一起搞了,那就更完美了。
#汽车行驶性能的主观评价-直线行驶特性
车辆直线行驶时的方向稳定性作为被动安全的重要组成部分,是轻松、愉快驾驶的前提条件。直道行驶所描述的车辆特性包括:车辆自身的直线行驶稳定性,车辆受外界干绕影响的敏感程度和车辆保持行驶路线所需的修正做功。
11.1 直线行驶
由路面不平度、空气运动学影响、驾驶员的干扰转向输入、驱动系统的内力和扭矩等因素所导致的干扰力会对车轮的行驶方向,进而对车辆的直线行驶运动产生影响。需要评价的内容包括:直线行驶时,车辆行车方向的变化和受侧向干扰的影响程度以及消除这些干扰所需的做功。
路面状况:均质表面、不同附着特性的平直路面,比如干燥路面、湿滑路面、冰路面、长短波纹不一的不平路面、碎石路面及其他特殊路面(波纹路面、铁饼路面等)
行驶工况:在无风或者很低的风速下,车辆以一定速度直线行驶(比如车速恒定于 80、100、150km/h、最大速度)
研发目的:车辆应该尽可能的保持自回正性能,这样方向盘上保持行驶方向的力矩和修正行驶路线的转向动作可以很小。
影响因素:
前后轮定位参数
前、后桥运动学和弹性运动学
尤其是主销后倾(主销后倾角,主销后倾拖距)
转向特性
轴荷分布
轮胎特性(车轮和轮胎尺寸、特征参数,如侧偏刚度等)
空气动力学特性
轴距
11.2 悬架干涉转向
如果松开方向盘,车辆悬架的运动会导致转向动作,使方向盘发生轻微的转动。如果握紧方向盘,那么会引起车辆的横摆运动,甚至是行驶路线的变化。需要评价的是行驶过程中松开方向盘条件下所产生的方向盘转角大小或是固定方向盘条件下的转向力矩波动。
路面状况:有较高附着性能和不同路面不平度的直路,如:带长、短波纹的不平路面、波纹路面和翘曲路面。
行驶工况:车辆以一定速度直线行驶(比如车速恒定于 80、100、150km/h、最大速度)
研发目的:即使悬架弹簧发生较大的变形,也不允许出现转向运动或者横摆运动。
影响因素:
前、后桥运动学和弹性运动学(图 11.1)
转向特性
悬架弹簧、稳定杆、阻尼的校准
轮胎特性(车轮和轮胎尺寸、特征参数,如侧偏刚度等)
图 11.1 车轮前束和车轮外倾同悬架变形、行驶工况间的关系
11.3 侧倾转向
道路表面的不连续性,尤其是左、右车轮行驶路面间的差别(变形、建造缺陷、磨损或者沉陷)会导致车辆的侧倾运动,从而引起方向盘轻微的自转向运动。如果固定方向盘,则车辆会产生横摆运动、偏离原来的行驶路线。需要评价的是行驶过程中松开方向盘条件下所产生的方向盘转角大小或是固定方向盘条件下的转向力矩波动。
行驶工况:车辆以一定速度行驶(比如车速恒定于 80、100、150km/h、最大速度)
研发目的:即使车身发生剧烈侧倾运动,也不应该产生转向或者横摆运动。
影响因素:
前、后桥运动学和弹性运动学
横向稳定杆引起的转向运动学
悬架弹簧、稳定杆、阻尼的校准转向特性
侧倾轴线位置和悬架变形时该位置的变化
轮胎特性(车轮和轮胎尺寸、特征参数、如侧偏刚度等)
11.4 转向摆振(Lenkungspendeln)
转向摆振描述了转向—车辆系统的低频振动特性,包括频率特性、阻尼特性和衰减特性。通过下述的 3 种转向激励工况可以对转向摆振特性做出综合评价:
■ 在正弦激励下,评价转向动作是否会引起耦合的转向-侧倾运动,以及在停止激励后,振动衰减速度。
■ 在瞬时激励(Anreißen)作用下,观察方向盘是否及如何回复初始位置,如果振动衰减,那么评价超调震荡的次数和振幅。
■ 如果任方向盘自由转动,路面不平度是否会引起转向摆振现象。路面状况:高附着系数平直路面或者纵向方向不平整的路面。
行驶工况:车辆首先以恒定车速(最好能以较高的车速,如 120,150,180km/h,最高车速等)直线行驶。为了对转向摆振现象有更全面的认识,可以用下述方法转动方向盘:首先在转向盘中间位置附近施加轻微的不同频率的正弦激励,以获得转向摆振的固有频率;然后以该固有频率施加正弦转向激励并保持,转向幅度很小(比如小于+/-10 度)。当出现自激振动后,放开方向盘。
在瞬时激励作用下,保持直线行驶的车辆受到瞬时转向激励,然后迅速松手并评价其衰减特性。车辆在不平整路面上行驶时,任方向盘自由运动,观察周期性的自转向运动。
研发目的:如果松开方向盘,车辆在所有车速范围内都不允许出现转向摆振现象。如果方向盘受到瞬时激励,方向盘应该迅速、在尽可能没有超调震荡的情况下回复到初始位置。在正弦激励作用下,往复运动同样应该在激励去除后迅速衰减。在施加激励过程中,应该明显感觉到转向回正力矩的反作用。在不平路面条件下,自由转动的方向盘上不应该出现周期性的振动。
影响因素:
转向系统的弹性、转动惯量、摩擦和阻尼悬架弹簧、稳定杆、阻尼的校准
横向稳定杆引起的附加转向转向特性
空气动力学特性
前、后桥运动学和弹性运动学,特别是主销后倾角轴荷分布
轮胎特性(车轮和轮胎尺寸、特征参数,如侧偏刚度、磨损程度等)
11.5 纵向缝隙敏感性
车辆驶过纵向缝隙时,会产生转向运动或者行驶路线的偏离。需要评价的是行驶过程中松开方向盘条件下所产生的方向盘转角大小或是固定方向盘条件下的转向力矩波动,或者是行驶路线的偏离程度及抗干扰所需的转向做功。
路面状况:有高附着特性和纵向缝隙的平直路面,比如水泥路面间的缝隙、路面施工留下的接痕、路上凸起的车道标记(图 11.2)、城市道路中的铁路铁轨(图 11.3)。
行驶工况:车辆以一定的车速(比如恒定 50、80、100、150km/h)直线行驶并通过带尖角缝隙的路面。
图 11.2路上凸起的车道标记
图 11.3 纵向缝隙(铁轨)
研发目的:纵向缝隙不应该引起方向盘的转向、转向力矩的波动或者行驶路线的偏移。
影响因素:
前、后桥运动学和弹性运动学
车轮定位参数干扰力臂长度转向特性
轮胎特性(车轮和轮胎尺寸、特征参数,如侧偏刚度等)
11.6 车辙敏感性
车辙敏感性描述了车辆在有凹痕的路面上行驶或者在凹陷车辙内及其周围行驶时,车辆的方向稳定性和路面对转向的反作用。这些凹陷由路面的磨损或者重载汽车对路面的挤压形成(图 11.4)。在上述情况下,车辆会出现转向运动和行驶路线的偏移。需要评价的是行驶过程中松开方向盘条件下所产生的方向盘转角大小或是固定方向盘条件 下的转向力矩波动,或者是行驶路线的偏离程度及抗干扰所需的转向做功。
图 11.4 车辙(载重汽车)
路面状况:有高附着性和车辙的平直路面,比如载重汽车磨损路面产生的凹陷车辙或者纵向铣出的凹痕等。
行驶工况:车辆以一定的车速(比如恒定 50、80、100km/h)直线行驶,然后以极小的角度驶上车辙或者在车辙内以微小的侧向偏移行驶。
研发目的:车辙不允许引起转向运动、转向力矩波动或者行驶路线的偏移。
影响因素:
前、后桥运动学和弹性运动学
车轮定位参数转动系统弹性转向特性
干扰力臂长度
轮胎特性(车轮和轮胎尺寸、胎面轮廓、特征参数,如侧偏刚度等)
11.7 载荷变换反应控制
车辆直线行驶时,载荷变换反应也会引起转向运动和行驶路线的变化。需要评价的是行驶过程中松开方向盘条件下所产生的方向盘转角大小或是固定方向盘条件下的转向力矩波动,或者是行驶路线的偏离程度及抗干扰所需的转向做功。
路面状况:平直路面,其有着不同特性的均质表面,比如干燥路面、湿滑路面、雪地和冰路面
行驶工况:车辆初始时以恒定车速保持直线行驶,该车速可以逐步提高,比如恒定 60、80、100、150km/h,然后突然改变油门踏板位置,比如突然减小或者增大到全油门位置。
研发目的:载荷变换反应不允许引起转向运动、转向力矩波动或者行驶路线的偏移。
影响因素:
运动学和弹性运动学(尤其是驱动轴的非对称性)
轮胎外形的相同性,比如胎面锥度驱动轴的非对称性
轴间差速器的锁止特性
11.8 抗侧风特性
受侧风影响,车辆会改变行驶方向,偏离原来的行驶路线。需要评价侧风干扰的程度、干扰出现的速度以及保持车辆直线行驶所需消耗的转向做功。为了获得上诉评价,在调整车辆保持直线行驶的过程中,有时要松开方向盘,而有时要固定方向盘。
路面状况:有高附着性能的平直路面,最好是不限速、不拥堵的高速路
行驶工况:车辆在侧风作用下,或者在不同迎风角侧向风模拟装置(图11.5)的作用下, 以恒定车速(最好以较高的车速)保持直线行驶,该车速可以逐步提高(比如恒定 60、80、100、150km/h、最高车速)。
研发目的:由侧风引起的行驶方向的改变和行驶路线的偏移应该尽可能小。如果行驶轨迹和行驶方向受到干扰,那么这一干扰应该迅速衰减,这样驾驶员可以有足够的反应时间。同时为保持原先的行驶路线所需的转向做功应该尽可能小。
图 11.5侧向风模拟装置
影响因素:空气动力学特性
质心位置转向特性
悬架弹簧、稳定杆、阻尼的校准前、后桥弹性运动学
11.9 风敏感度
在车流较多的情况下会形成空气扰动和空气涡流,对车辆造成一定程度的干扰。车辆在跟随行驶、超车和被超车的情况下,评价其是否及产生何种响应(侧倾、横摆振动、侧向偏移)以及消除干扰所需消耗的转向做功。
路面状况:有高附着性的平直路面,最好是不限速、不拥堵的高速路
行驶工况:在无拥堵、长距离(至少 30km)条件下,车辆以不同的速度和不同的超车情况(超车和被超车)行驶。需要用到所有的车道。尤其要评价客车和载重车辆在不同距离下的空气涡流特性。
研发目的:空气涡流不应该引起车辆的响应。即使车辆受到干扰,消除这一干扰也应该只需消耗很少的转向做功。
图 11.6 “边缘的(abrisskante)”尾灯
影响因素:
空气运动学特性,尤其是车尾侧面截断角(Heckabrisskanten)的设计(图 11.6)
质心位置
转向特性
前、后桥弹性运动学车轮定位参数
11.10 轿车—挂车组合的摆动稳定性
车辆拖着挂车,尤其拖着房车行驶时,当车速接近所允许的最高车速时,车辆可能出现
危险的摆动现象。需要观察的是,挂车在何种车速以下才不会发生摆动现象或者摆动可以迅速被削弱。
路面状况:有高附着性能的平整路面
行驶工况:车辆以恒定车速直线行驶,该速度将逐步提高直至危险车速或者最高车速。为了对摆动现象进行评价,可以按下述方法转动方向盘:
首先在转向盘中间位置附近施加轻微的正弦转向激励,以获得挂车摆动运动的固有频率。然后以该固有频率对车辆进行激励。转动方向盘的幅度应该很小。该测试通常在很低的车速下就开始进行,然后慢慢提高车速。随着摆动运动的加剧,车辆—挂车组合逐渐接近危险速度,此时不能再提高车速。当车组以危险车速或者最高车速行驶时,其摆动激剧,即使有经验的驾驶员也无法控制车辆。
采用另一种方法的话,车辆首先调整至直线行驶,接着对方向盘施加瞬时激励,车组随后将回复到初始状态。进行该测试时,车速必须明显低于危险车速的一半。
在挂车和牵引车允许的最大载重范围内,测试采用不同的载重状态。
研发目的:即使挂车的重量和牵引车的重量没有恰当的比例关系,车组也必须安全达到法定允许的车速。该车速应该足够高,以保证其与危险车速间仍有足够的距离。
影响因素:
■挂车:总重量
质心位置
挂车的转动惯量
车桥样式及其弹性运动学弹簧和阻尼的校准
挂车钩的负载能力
牵引杆和挂车钩间的阻尼器(图11.7;采用摩擦阻尼器或者液压阻尼器通常可以将危险车速提高 20km/h)
轮胎特性(车轮和轮胎尺寸、特征参数,如侧偏刚度等)
■牵引车:总重量
轴荷分布
运动学和弹性运动学(尤其是受侧向力作用的后轮)
轮胎特性(车轮和轮胎尺寸、特征参数,如侧偏刚度等)
图 11.7 带有阻尼器的挂车离合器