自动驾驶汽车仿真器综述：
能力、挑战和发展方向
摘 要
仿真器在自动驾驶汽车（Autonomous Vehicle，AV）系统的研究、开发和验证中发挥着举足轻重的作用。本综述系统地探讨了AV仿真器的国内外现状，并重点分析了其能力、面临的挑战和未来发展趋势。首先，梳理了AV仿真器的发展历程，阐述了国内外相关研究现状。接着，依据技术性指标、功能性指标、性能指标和商业性指标，对各类仿真器进行了全面评估，同时讨论了它们在不同研究和开发任务中的适用性。此外，深入剖析了AV仿真器所面临的挑战和限制，结合深度学习、人工智能等先进技术的发展，提出了针对性的解决策略。对于如何克服AV仿真器在复杂环境和多元场景下的局限性，提出了一系列具有前瞻性的解决方案。在此基础上，着重强调了未来研究的机遇和新兴趋势，这些将为下一代仿真器的发展奠定基础。最后，本综述旨在为研究人员、开发者及行业利益相关者提供有益的参考，协助他们选择最符合需求的工具，并激发自动驾驶领域未来的创新潜力。综述的内容有助于推动AV仿真器在自动驾驶研究和实际应用中发挥更大的作用，从而为人类出行带来更为安全、便捷和高效的体验。
关键词
智能交通;自动驾驶汽车仿真器;综述;自动驾驶汽车测试;
作者简介
张坤鹏 清华大学自动化系副教授
常成 清华大学自动化系
王世璞 河南工业大学电气工程学院
张佐 清华大学自动化系
李力 清华大学自动化系教授
一
引言
自动驾驶汽车（Autonomous Vehicle，AV）是一项颠覆性技术，具有彻底改变人们出行、通勤和物流方式的潜力。这些车辆利用数字传感器、先进算法和精密决策过程实现安全驾驶并与其他交通参与者互动。然而，开发和测试此类系统过程极为复杂，需要大量资源、专业知识和时间。根据 2022 年加州脱离报告（Disengagement Reports），国内外主要自动驾驶公司（如 Waymo、Cruise、小马智行和滴滴等）已经完成了数十万公里的道路测试，但目前上述公司尚未对等级4的AV进行销售。这主要是由于AV的安全性能相较于人类驾驶员尚有较大差距。在美国，普通驾驶员在自然驾驶环境中发生事故的概率约为每英里1.9×10-6。相比之下，当前最先进的AV的人工接管率约为每英里1.04×10-5，显著高于人类驾驶员。为了确保AV的安全性能，学术界和工业界越来越重视对其进行全面、系统的测试。这些测试包括道路测试和自动驾驶仿真测试，旨在评估自动驾驶汽车在各种情况下的性能和安全性，以发现和解决潜在的问题，并提高其可靠性和安全性。然而，道路测试周期长、成本高且安全风险大等不足之处，使得学界和业界普遍认为自动驾驶仿真测试具有极高的重要性。自动驾驶仿真测试凭借其安全、可控和可重复性特点，已逐步成为自动驾驶系统设计、验证和评估的关键工具。
AV 仿真器是进行自动驾驶仿真测试不可或缺的工具。它是一类复杂的软件工具集，用于模拟自动驾驶汽车在不同场景下的行驶和交互行为。通过使用 AV 仿真器，研究人员和工程师可以在虚拟环境中对自动驾驶汽车进行测试和评估，以验证其性能和安全性。AV 仿真器并不是一个明确定义的概念，而是一个涵盖了多种类型仿真器的概念，包括但不限于环境仿真器、车辆动力学仿真器、传感器仿真器等。根据仿真能力和主要应用场景，可以将 AV 仿真器分为四类：
（1）交通流仿真工具类：这类仿真器以 SUMO（Simulation of Urban Mobility）、PTV Vissim为代表，主要用于模拟交通流场景，包括车辆的行驶、交通信号灯、行人等因素，可以对城市交通、公共交通、道路规划等问题进行分析和优化。
（2）车辆动力学仿真工具类：这类仿真器以 CarMaker，Virtual Test Drive（VTD）等为代表，主要用于模拟汽车行驶时的动力学特性，包括车辆操控、转向、加速度等，可以对车辆设计和驾驶行为进行研究。
（3）传感器仿真工具类：这些仿真器以 PreScan、dSPACE为代表，主要用于模拟各种传感器的数据获取过程，包括摄像头、雷达、激光雷达等，可以对传感器的性能和算法进行评估和优化。
（4）全栈仿真工具类：这些仿真器以 CARLA，LGSVL，可以综合以上三类工具的功能，同时支持车辆动力学仿真、交通流仿真和传感器仿真等多种模拟场景，旨在创建更接近现实世界的虚拟环境，可以用于全栈仿真测试。
全栈 AV 仿真器是指具备完整自动驾驶汽车仿真所需各个环节的仿真器。此类仿真器应该能够模拟不同环境下的道路、交通信号灯、天气和其他车辆、行人、动物等障碍物，并对自动驾驶汽车的各种传感器、控制算法、动力系统等进行仿真，以便开发、测试和验证自动驾驶系统。全栈 AV仿真器的一般架构如图 1 所示，包括环境仿真、车辆仿真、传感器仿真、算法仿真和用户界面等关键模块。
其中，环境仿真模拟不同环境下的道路、交通信号灯、天气和其他车辆、行人、动物等障碍物；车辆仿真模拟自动驾驶汽车的动力系统、悬挂系统、车轮系统等，包括行驶、制动、转向等；传感器仿真模拟自动驾驶汽车的传感器，包括激光雷达、相机、毫米波雷达、GPS 等；算法仿真模拟自动驾驶汽车的控制算法，包括路径规划、感知、决策、控制等；用户界面提供可视化界面，帮助用户对仿真器进行控制和监视。AV 仿真器为系统开发和验证提供了安全、经济且可控的平台。通过大量虚拟环境测试，研究人员和工程师可以不断改进自动驾驶技术，为实际道路测试和商业化应用做好准备。
相较于物理测试系统，AV 仿真器具备多种优势，如更快的迭代周期、更低的成本、降低安全风险，以及能够测试现实世界中难以或无法再现的极端场景。然而，仿真器仍存在一定限制，例如模型真实度、传感器仿真器准确性以及对车辆行为和环境的假设。此外，当前市场上众多仿真器各具特点，功能和适用范围各异。因此，选择一个满足特定使用案例需求的仿真器成为一项复杂且重要的任务，这需要对现有选项及其优缺点有深入的了解。
为了协助研究人员、从业者和决策者在快速发展的模拟工具领域中做出明智的选择，本文提供了全面评估 AV 仿真器的技术性指标、功能性指标、性能指标和商业性指标（详见图 2），包括它们的功能、局限性以及未来发展趋势。本文还将重点讨论该领域面临的主要挑战和机遇，并提出未来潜在的研究和发展方向。
二
AV 仿真器面临的挑战和应对策略
AV 仿真器在开发和测试自动驾驶技术方面具有巨大价值，但同时也面临许多挑战。首先，模型保真度对模拟结果质量至关重要，然而，当前的仿真器可能无法完全准确地复制真实世界的环境、交通场景和车辆动力学。此外，传感器建模在 AV 测试中具有重要意义，但完全捕捉真实世界传感器的复杂性和行为仍有诸多挑战。同时，仿真器在捕捉 AV 可能遇到的边缘案例方面仍存在不足。
其次，从可转移性和可扩展性角度看，AV 在模拟环境中的表现可能无法直接转化为真实世界的表现。环境因素、传感器行为和模型保真度差异可能会影响从模拟到真实世界的结果转移性。同时，模拟大规模场景可能会消耗大量计算资源，特别是在涉及复杂动态环境和高保真度传感器模型时。此外，验证模拟结果的有效性也是一个挑战，因为确立真实性或直接将模拟结果与真实世界数据进行比较可能会很困难。这突显了开发 AV 仿真器的标准化验证方法和度量标准的必要性。
最后，集成和法律监管方面也是当前仿真器面临的挑战。将仿真器与不同软件堆栈、硬件平台或传感器集成可能具有挑战性，特别是涉及到专有系统或快速发展的技术时。无缝集成对于确保仿真器在快速发展的 AV 开发领域中保持相关和有用至关重要。此外，AV 仿真器的广泛使用，它们可能会受到关于准确性、可靠性和安全性的法律和监管要求，这也会为仿真器开发人员和用户带来额外的挑战。
为了应对 AV 仿真器当前的限制和挑战，研究人员、开发者和行业利益相关者需进行合作。首先，可以通过提高模型保真度和开发先进的传感器模型来增强模拟模型的逼真度和准确性。具体方法包括使用先进的建模技术、整合真实世界数据以及根据基准测试结果进行模型验证。同时，需要与传感器制造商合作，以更好地了解设备的行为和特性，并将这些知识整合到仿真器模型中。
其次，利用机器学习和人工智能技术，可以生成更多样化和具有挑战性的场景，提高传感器建模质量，创造更逼真的模拟。这些技术还可以帮助识别和模拟难以手动预测或建模的边缘案例。通过促进协作和标准化，制定 AV 仿真器的标准化测试协议、验证方法和性能指标，可以确保模拟结果可靠、可比较且在不同平台和应用中具有相关性。同时，利用并行计算、基于云的模拟平台和硬件加速技术，可以提高 AV 仿真器的可扩展性和性能。
最后，为了提高模拟结果在真实世界场景中的可转移性，需要开展研究，以更好地了解影响这一转移性的因素，并开发策略和技术来最小化这些因素的影响。此外，通过开发开放式标准、接口和API，可以简化仿真器与各种软件堆栈、硬件平台和传感器的集成。与监管机构和政策制定者合作，建立法律和监管框架，以支持使用 AV 仿真器进行测试和验证，将有助于确保仿真器符合必要的安全、准确性和可靠性要求，同时促进 AV 行业的创新和发展。
三
AV 仿真器未来的发展方向
1 新兴趋势和技术
新兴趋势和技术正不断地影响和塑造 AV 仿真器领域。其中，机器学习和人工智能的整合以及强化学习的应用在提高模拟环境的逼真度和生成更多样化、具有挑战性的场景方面发挥着日益重要的作用。此外，硬件在环模拟和云端模拟技术正逐步普及，有助于实现更为逼真和准确的测试，并促进研究人员和开发者之间的协作。
数字孪生技术、5G 和车联网（Vehicle-to-Everything，V2X）通信技术的发展也对自动驾驶模拟产生了深远影响。数字孪生可以为测试和验证提供更准确和逼真的模拟环境，而 5G 和 V2X 通信技术的整合则有助于准确模拟车辆、其他道路用户和周围基础设施之间的互动。此外，安全和网络安全问题日益受到关注，AV 仿真器需要通过整合安全关键场景、故障注入等手段来应对这些挑战。
标准化和监管合规性在 AV 仿真器领域也变得越来越重要。开发符合新兴监管要求的标准化模拟平台和工具对于广泛采用 AV 至关重要。因此，行业正努力开发标准化的测试协议、性能指标和验证方法，以确保 AV 在公共道路上的安全部署。这些趋势和技术将继续推动 AV 仿真器的发展，为实现安全可靠的 AV 的开发和部署提供支持。
2 未来的研究方向
未来 AV 仿真器的研究机会包括改进模拟模型、应用机器学习与人工智能技术，以及将强化学习引入模拟中。这些技术将提升模拟结果的真实感和可靠性，为 AV 的测试和验证提供更有效的方法。同时，研究人员可探索如何利用这些先进技术识别和模拟难以手动预测或建模的边缘案例。
硬件在环模拟、数字孪生和大规模模拟技术的进步将有助于更精确地模拟复杂的城市环境、交通模式和基础设施。这将为 AV 提供更准确和逼真的模拟环境。研究模拟结果的可迁移性，以及模拟中的车路协同和 5G 技术的整合，将有助于进一步了解这些因素对 AV 性能的影响，并开发利用这些技术的新算法。
未来研究应聚焦新兴趋势和技术，例如机器学习、深度学习、人工智能、虚拟现实、大规模语言模型（如 OpenAI 的 GPT 系列模型）和云计算等领域的创新，并将这些技术与 AV 仿真器相结合，从而实现更高层次的性能和功能。此外，安全性和网络安全同样值得关注。研究人员可以通过仿真器测试车辆通信和控制系统对网络威胁、故障注入和安全关键场景的抗干扰能力。通过探索这些未来研究方向，有望持续推进 AV 仿真器的能力和有效性，为安全可靠的自动驾驶技术的开发和部署作出贡献。
四
结论
本综述系统地分析了 AV 仿真器的能力、局限性和未来发展趋势，为研究人员、开发者及相关行业提供了宝贵见解。当前的仿真器在多个领域展现出卓越性能，但也存在一些挑战，例如保真度、复杂性和应用范围等方面。为充分发挥仿真器在自动驾驶系统开发与验证中的优势，需重点关注并解决这些问题。具体而言，这包括提升模拟环境的真实感、跨平台兼容性、可扩展性和可定制性，同时加强硬件与软件的整合。研究人员应致力于开发更智能、自适应和高效的模拟方法，以应对行业持续变革的需求。然而，本综述在探究 AV 仿真器的过程中存在一定局限性，例如未对车辆或硬件在环等相关内容进行充分讨论。这方面的研究将作为下一阶段的工作进行深入探究，以填补现有知识的不足之处。
未来的研究应聚焦新兴趋势和技术，例如机器学习、深度学习、人工智能、虚拟现实和云计算等领域的创新，并将这些技术与 AV 仿真器相结合，从而实现更高层次的性能和功能。此外，大规模语言模型的出现为 AV 领域开辟了新的可能性，例如在自然语言处理、决策制定和场景理解方面的应用。持续关注这些研究机遇和新兴趋势，有望实现更先进且智能的 AV 仿真器，为自动驾驶领域的创新和发展提供坚实支持。
来源期刊：《交通运输工程与信息学报》
转自：“CNKI社科学术邦”微信公众号
如有侵权，请联系本站删除！
