标签: 传感器

01 引言 随着自动驾驶技术的飞速发展， 仿真测试 已成为替代成本高昂且充满风险的道路测试的关键环节。它能够在虚拟环境中 模拟各种复杂的交通场景和极端天气 ，极大地加速了自动驾驶系统的开发与验证进程。然而，一个常被忽视的问题正悄然 侵蚀着仿真测试的可信度——非确定性 ，即仿真测试过程中 因核心引擎或其他因素导致的随机性 。 图1 aiSim多传感器融合示例 目前，许多市面上的仿真软件，尤其是 基于游戏引擎开发 的平台，其核心设计目标之一是高效地为玩家提供充满惊喜和变化的娱乐体验。这种 内在的随机性 ，在游戏世界里是优点，但在 严谨的汽车测试领域 ，却是一个 致命的缺陷 。 想象一下在仿真测试过程中，工程师 精心设置了所有参数 ——车辆速度、行人轨迹、天气状况、传感器配置——期望能稳定复现一个特定的危险场景。然而， 每次点击“开始”，结果却不尽相同 ：第一次，车辆完美避让；第二次，发生了轻微碰撞；第三次，又安然无恙。这或许并非是算法时好时坏，而是仿真环境本身在“摇摆不定”。 02 随机性的前因与后果 Greg等人研究指出，基于游戏引擎的仿真环境，其 随机性并非偶然 ，而是源于其 底层架构 的诸多方面： （1）资源负载与调度： 系统CPU/GPU的负载波动，会直接影响物理引擎的计算时机和顺序，导致即使输入完全相同，输出的轨迹也会产生高达数十厘米的偏差。 （2）物理引擎的“模糊”处理： 为了实时渲染流畅的画面，游戏引擎在处理物体碰撞等复杂物理交互时，往往采用近似计算。这种不精确性在一次碰撞后会被急剧放大，甚至影响到场景中其他未参与碰撞的物体，造成全局性的结果污染。 （3）多线程与并行计算： 为了效率，引擎会将任务分配给多个线程并行处理，但线程完成的顺序并非每次都固定，这种执行顺序的微小变化，会像蝴蝶效应一样，最终导致仿真结果的巨大差异。 这种随机性带来的问题是灾难性的： （1）问题无法追溯： 当测试中出现问题，工程师无法稳定复现它，也就无从定位和修复缺陷，极大地增加了调试成本和时间。 （2）结果失去可信度： 如果仿真结果不稳定，如何相信它所提供的安全验证报告？这会给自动驾驶系统的安全性带来“伪证”，造成虚假的安全感。 （3）测试覆盖率失效： 随机性使得精确控制测试用例、确保覆盖所有关键场景变得不可能。 归根结底，对于自动驾驶这种安全至上的系统，测试必须是科学、严谨且可重复的。因此， 一个具备高度确定性、一致性的仿真平台，是所有有效测试的绝对前提 。 03 确定性的验证——以aiSim为例 为了 验证一个仿真平台的确定性 ，最直接的方式便是确保各项参数不变的情况下进行 重复仿真 ，对输出的仿真数据进行 最直接的比较 ，判断是否存在差异。 例如，世界上 首个获得ISO 26262 ASIL-D认证的AD/ADAS仿真测试软件aiSim ，它构建了独特的仿真内核，摒弃了游戏引擎中那些为“体验”而牺牲“精确”的设计。 为了验证aiSim的确定性，我们进行了一系列重复性实验。 1、传感器选型与配置 图2 aiSim传感器配置GUI 通过 在GUI中拖放仿真传感器 ，我们在仿真车辆中添加了1个带有目标检测功能的1920×1080的 前置针孔Camera 、1个带有目标检测功能的 前置Radar 、1个带有目标检测功能的128线 顶置LiDAR 、1个内置 IMU 、1个内置 GPS 以及1个可以反馈自车状态的 Vehicle sensor 。 图3 仿真传感器数据示例 2、场景与方法 图4 仿真场景示例 aiSim本身包含了数十种城市、郊区的室内、室外场景 。本文以真实世界常见的“ 行泊一体 ”为例，在一个包含14辆他车的室外停车场环境（Parking_US-CA_SanJoseAlamitos）中，对主车执行了“ 跟车 - 切入变道 - 寻找车位 - 泊车 ”的全套连贯动作。 我们在完全 固定的软硬件环境 下，针对 三种典型天气 进行了 5轮完全独立的重复测试 ，每一轮测试都记录了 长达1000帧 的数据，以确保完整与统一。我们将每一轮测试的数据与首次测试的基准数据进行精确比对： 晴天 (Sunny)： 在Sunny.json配置下，模拟了日光充足的理想泊车环境。 雨天 (Rainy)： 切换至Rainy.json配置，引入了雨水对传感器性能的干扰。 复杂雪天 (Snowy Broken Road)： 在Snowy.json的预设配置基础之上，加入了道路老化、标线磨损、路面破损、坑洼等极端退化元素，将测试环境推向了极限。 测试过程中，我们记录了 全部传感器和车辆状态数据 ，包括： 视觉数据 (Camera)： RGBA原始图像、语义分割图、目标检测图及JSON格式的2D/3D标注框。 雷达数据 (Radar LiDAR)： 毫米波雷达和激光雷达的点云（LAS v1.4）、目标列表及3D标注框。 车辆自身状态 (GPS, IMU, Vehicle)： 高精度的定位、姿态、加速度及车辆动力学信息。 图5 仿真相机输出图像类型 我们采用 均方根误差（RMSE） 来量化图像、点云等原始数据的细微差异，并对JSON格式的结构化数据采用 根据样本数值差异个数 进行判定的统计确定性检验。 3、验证结果 Camera Sensor的RGBA原始图像、分割图像、目标检测图像均以 tga格式 输出，2D Bounding Box、3D Bounding Box均已 json格式 输出。通过比较 同一环境、场景下相同帧之间的误差或差异项，验证Camera的确定性 。 对于 tga格式文件 ，计算所有1000帧图像所有通道的像素均方根误差（MSE，Mean Squared Error）。在 3类天气5次测试 过程中，RGBA原始图像、分割图像、目标检测图像的所有通道的像素 均方根误差均为0 ； 图6 基于python脚本可视化的彩色图像、分割图像、目标检测图像均方根误差结果 对于 json格式文件 ，比较2D与3D Bounding Box的所有Group的key与value，记录差异项个数（Number of Differences）。在 3类天气5次测试过程 中，Bounding Box信息（包括位置、姿态、个数、类型、id、相对速度、持续时间、像素遮挡率等） 不存在差异项 。 图7 基于python脚本可视化的2D3D BoundingBox差异项个数结果 Radar Sensor输出json格式 的检测目标相关信息，包括距离、旋转、相对速度、id、类型等，因此与相机的Bounding Box一样，记录差异项个数（Number of Differences），结果也是一样， 不存在差异项。 图8 基于python脚本可视化的Radar检测差异项个数结果 LiDAR Sensor 生成的输出包括两种格式的数据： LAS格式的3D激光点云 和 JSON格式的目标检测数据 。激光点云数据包含每个点的坐标、强度、返回次数、唯一标识符（ID）等，我们 比较内部的所有属性 ，记录差异项个数（Number of Differences）； 对于以 JSON格式 输出的目标检测数据，与Camera类似，我们将比较所有Group的键（key）与值（value），并记录差异项个数（Number of Differences）。最终结果与前面相同，在 3类天气5次测试之间均不存在差异项 。 需要指出的是 ，由于las文件和检测到的目标内部包含的GPS时间属性在aiSim中取自系统时间（UTC时间）， 该项不纳入差异比较范围 。 图9 基于python脚本可视化的LiDAR检测差异项个数结果 GPS Sensor、IMU Sensor以及用于观测仿真自车状态的Vehicle Sensor输出的均为JSON格式的信息，同样比较所有Group的键（key）与值（value），并记录差异项个数（Number of Differences）。 对于3类天气5次测试的GPS、IMU、Vehicle数据信息，3类天气5次测试之间均不存在差异项。 图10 基于python脚本可视化的GPS、IMU、Vehicle Sensor结果 04 总结 在本文设计的 传感器配置与场景 中，aiSim的各项传感器数据在固定的参数配置下， 仿真过程与仿真结果不存在任何差异 （除UTC时间）。除了本文提到的传感器与场景，在其他不同环境、传感器配置下的验证中，aiSim也均表现出了卓越的确定性。 在aiSim的仿真世界里，没有偶然和随机，只有精确和必然。每一次的测试结果都真实反映了被测算法的真实能力，每一次的问题暴露都能被稳定复现和修正。 参考文献 1. On Determinism of Game Engines Used for Simulation-Based Autonomous Vehicle Verification

　电感式位移传感器采用差动工作方式的原因主要在于其能够提高测量准确度、增强灵敏度、分离磁性和电性影响以及对外界影响进行补偿。这些优势使得差动工作方式成为电感式位移传感器中一种理想的工作方式，能够满足各种复杂环境下的精确测量需求。 要想确保 电感式位移传感器 能够准确、稳定地进行测量，其工作方式的选择就显得尤为重要。在众多工作方式中，差动工作方式因其独特的优势而被广泛采用。 　电感式位移传感器采用差动工作方式主要有以下几个原因： 　1.抗干扰能力强：差动工作方式可以减少外部干扰，对传感器输出的影响。通过同时测量两个线圈（通常一个固定，一个移动），将两个线圈之间的差值作为输出信号，可以抵消掉在两个线圈上的同相干扰信号，提高传感器的抗干扰能力。 　2.提高灵敏度：差动工作方式可以通过测量两个线圈之间的差值，来增强输出信号的灵敏度。因为差值信号通常比单独测量每个线圈的信号更显著，可以提高传感器的灵敏度和分辨率。 　3.抵消交叉感应：在某些情况下，交叉感应现象可能会影响传感器的性能。采用差动工作方式可以减少或抵消交叉感应带来的影响，提高传感器的准确性和稳定性。 　4.可用于不稳定环境：差动工作方式还可以在不稳定的环境下提高传感器的性能。通过对两个线圈之间的差值进行测量，可以减少传感器对温度变化、振动和其他环境因素的敏感度，从而更适合在恶劣的工作环境中使用。 文章来源：https://www.sztengcang.com/news/hydt/2436.html

　电感式位移传感器也被称为电涡流传感器，是一种基于电磁感应原理的精密测量设备。它通过电磁感应将非电量的物理量，如位移、压力、流量和振动等，转化为线圈的自感系数和互感系数的变化，再由电路进一步转换为电压或电流的变化量输出，从而实现非电量到电量的转换。 电感式位移传感器 的工作原理主要涉及到电磁感应现象。传感器内部包含一个或多个电感元件，这些电感元件通常是由线圈或者线圈组成的感应器构成。当电流通过这些线圈时，会产生一个磁场。而当被测物体（通常是金属或导电物体）接近感应器时，由于电磁感应效应，被测物体会对感应器中的磁场产生影响，进而改变线圈中的电感值。 　其工作原理主要涉及到电感效应和感应电感简单描述如下： 　1.基本原理：根据法拉第电磁感应定律，当一个电流变化时，会产生电磁感应现象，并在周围产生感应电动势。这个原理被应用到电感式位移传感器中来测量位移或位置。 　2.传感器结构：电感式位移传感器通常由线圈（或线圈组）和一个可移动的金属或磁性目标组成。当目标位置发生变化时，线圈中的感应电动势也会发生变化。 　3.电感效应：当目标位置改变时，导致感应电动势的变化。这种变化会导致线圈中的电流发生变化，由此可以通过测量电流的变化来得知目标位置的移动情况。 　4.输出信号：线圈中感应电流的变化会被传感器进行采集和处理，最终转换成与目标位移或位置相关的电信号进行输出，以供后续处理或控制。 　电感式位移传感器利用电感效应和感应电动势的原理来测量目标位置的变化，通过对线圈内感应电流的变化进行检测和处理，将目标位置对应的位移信息转换成电信号输出。这样可以实时监测物体的位移变化，适用于需要高精度、非接触式测量的场合。 文字来源：https://www.sztengcang.com/news/hydt/2434.html

中国汽车市场以年均 超 3000 万辆 的销量规模（占全球 1/3以上），正推动安全标准从 被动防护向主动预防 转型。2024 年 7 月实施的 C-NCAP （ China New Car Assessment Program）修订版首次将 驾驶员监控系统（DMS） 、 道路特征识别（RFR） 纳入评分体系，其中 DMS 占主动安全分值 40% （总分 2 分），检测准确率需 ≥90% 。 这一变革不仅响应 工信部 GB/T 41796-2022 等三项国家标准要求，更标志着中国从汽车安全规则 跟随者向制定者 的角色转变。 一、标准解读：C-NCAP 2024 1、什么是 C-NCAP？ C-NCAP（中国新车评价规程） 于 2006 年启动，以 Euro NCAP为蓝本，是中国官方的车辆安全评级系统。该项目由中国汽车技术研究中心（CATARC）管理，目前同时 评估被动安全和主动安全性能 。 关键里程碑： （1）2006 年：C-NCAP 成立，专注于乘员碰撞耐撞性评估。 （2）2018-2021 年：引入被动安全增强测试（侧柱碰撞和鞭打测试）。 （3）2024 年修订版：重大更新包括纳入主动安全，新增自动紧急制动（AEB）、驾驶员监控系统（DMS）、道路特征识别（RFR）和弱势道路使用者（VRU）保护等测试。 2、中国汽车安全框架要求 驾驶员状态监控（DFM）： 测量驾驶员的身体 - 认知状态（如眼睑开合度、头部姿势），并在达到特定阈值后发出疲劳警告。 驾驶员注意力监控（DAM）： 检测视线方向和分心行为，若眼睛离开道路超过 3-5 秒，将逐级发出警报。 数据隐私与安全： 收集的驾驶员数据必须符合中国《个人信息保护法》（PIPL），对生物识别信息进行匿名化处理，并确保传输安全。 3、C-NCAP亮点： 2024 年 C-NCAP 协议将主动安全提升至核心地位，为车内监控和 ADAS 功能分配了总分中最高 2 分的分值。这是 DMS 首次直接对整体安全评级产生影响。 （1）评分构成： DMS 占 2 分，分值仅次于 AEB 的 3 分。 （2）测试场景： DFM 测试：闭眼、打哈欠、头部低垂； DAM 测试：视线偏离道路、使用手机。 （3）评分标准： 需达到≥90% 的检测准确率才能获得满分。 （4）传感器融合：评估车内与车外传感器的集成能力（如 DMS + AEB + VRU）。 （5）道路特征识别（RFR）： 评估在不同天气和光照条件下对交通标志和车道的检测能力。 除此之外， 行人和骑行者保护 一直未受到足够重视。2024 版 C-NCAP 改变了这一现状，整合了 VRU-AEB 测试和被动碰撞评估： （1）主动 VRU-AEB： 场景包括遮挡行人与骑行者，分昼夜进行测试。 （2）被动安全测试： 对行人假人进行头部和腿部碰撞评估。 （3）全球最佳实践接轨： 通过结合规避（AEB-VRU）和伤害减轻测试，C-NCAP 与 Euro NCAP 针对 VRU 安全的双重方法形成呼应。 这种双重办法反映了全球最佳做法，既处理避免损害问题，也处理减轻损害问题。这些措施推动 OEM 集成 先进的传感器融合 和 坚固的车辆结构 ，使所有用户的街道更安全。 二、行业落地的技术瓶颈与合规挑战 1、落地情况 自 2024 版 C-NCAP 实施以来， 中国主要 OEM （如上汽、吉利、比亚迪）已 在所有新车型 中集成符合 C-NCAP 标准的 DMS。 比如 博世 和 法雷奥 等行业龙头已推出集成 DMS 平台，采用 多模态传感器组合 （红外、RGB、雷达）。 目前存在以下 验证趋势 ： - 虚拟仿真：将基于物理的传感器建模与 AI 结合，加速验证进程。 - 合成数据：减少对真实道路测试的依赖，加快合规工作流程。 2、合规难点 当前，汽车行业在迈向 更高安全合规标准 的过程中仍面临 多重挑战： - 成本压力： 高性能ADAS（高级驾驶辅助系统）硬件的研发与生产成本高昂，如何在保证性能的同时控制成本，成为车企面临的一大挑战。 - 恶劣环境可靠性： 雨、雪、雾和低光等恶劣环境对DMS和RFR系统的可靠性提出了更高要求，如何确保在这些条件下系统的准确性和稳定性，是车企必须解决的问题。 - 复杂协议测试： AEB（自动紧急制动）、DMS和RFR等系统的广泛测试要求，给车企的研发团队带来了巨大压力，如何在保证测试质量的同时缩短产品上市时间，成为亟待解决的难题。 - 误导性广告风险： 部分车企在宣传ADAS功能时存在误导性陈述，导致消费者对系统能力产生过高期望，增加了事故风险。 - 国际法规差异： 随着中国车企积极进军国际市场，如何满足不同国家和地区的法规要求，成为车企必须面对的挑战。 三、Anyverse助力车企应对安全挑战 我们不难发现， 传统的开发测试模式 已 难以满足 新规下 快速迭代与严格合规 的双重需求。 Anyverse平台优势 显得尤为重要，它以其 独特的虚拟仿真 与 合成数据技术 ，正在彻底改变 OEM 测试 和 验证驾驶员监控系统 的方式： - 模拟 数千种 车内场景（人口特征、行为、光照）。 - 实现摄像头、红外和雷达模态的 完美校准 。 - 针对 GB/T 和 C-NCAP 基准进行预验证，将物理原型需求 减少高达 80%。 通过使用 合成数据 ，即使在面对中国监管机构的严格审查时，制造商能够大胆地扩展开发、加速验证并保持安全合规性。 Anyverse 已通过提供 符合 Euro NCAP 的测试场景目录 ，帮助 OEM 和一级供应商实现 Euro NCAP 合规。这使得目标为进入欧洲市场的中国 OEM 能够 提前验证其系统 ， 利用合成数据满足最新的欧盟法规 。 Anyverse| InCabin 是一个符合 NCAP 要求的 一站式平台， 能够生成所有需要的数据，根据 C-NCAP 和 Euro NCAP 的精确测试场景验证系统。使汽车企业能够 “一次构建，全球合规” ，在加快上市时间的同时，降低验证的成本和复杂性。 四、结论 在汽车安全标准日益严苛的今天，C-NCAP新规的出台无疑为汽车行业指明了新的发展方向—— 从被动安全向主动安全全面转型。 通过与 GB/T 标准保持一致 并利用 基于物理的仿真， OEM 和供应商才可以实现遵守、超越，并提供强大、可靠的舱内 AI，进而满足中国及其他地区最严格的安全和监管基准。 因此面对技术实现难点与法规合规的双重挑战，车企亟需 创新解决方案 以提升产品安全性能并加速市场布局。

在自动驾驶时代奔涌向前的路上， 仿真测试 早已不再是可选项，而是验证智能驾驶系统安全性、鲁棒性和泛化能力的 刚需 ，如何提升仿真测试的 保真度 已成为无法避免的重要话题。 这正是“ 数字孪生 ”出现的时代背景。本文为大家详细介绍 如何用传统与前沿结合的数字孪生构建流程 ，再配合 3DGS 的神经网络重建技术 ，为自动驾驶仿真测试注入真正的“现实之眼”。 一、从点云到高精地图的重建 依托独家的 aiData工具链 与 aiSim仿真平台 ，本文建立了一套 高精度数字孪生地图构建流程 ，已经广泛应用于布达佩斯 Kolosy广场、ZalaZone测试场等真实道路还原项目。整个流程包括： （左）带有标注的HD地图、（中）装饰HD地图、（右）aiSim中渲染 1、数据采集 采用搭载激光雷达（LiDAR）、高精度GNSS/INS系统的测绘车（如康谋DATALynx ATX4）执行移动激光扫描（MLS），通过aiData Recorder进行录制，主要路线至少绘制两次，确保 厘米级空间精度。 数采车示意图 2、点云聚合 使用 aiData Annotator 将多帧点云拼接为统一的全局坐标系，结合反射率、时间戳等多通道信息形成 高密度、低误差 的空间点集。 Tips： 详细数据采集精度和点云数据格式可联系康谋技术团队获取，可接受第三方数据，但建议在采集前与我们技术团队沟通优化策略。 3、高精地图建模 基于 聚合点云 手工标注道路元素：车道线、交通标志、人行道、护栏、红绿灯等。输出为GeoPackage格式的HD Map，用于自动驾驶系统参考。 ZalaZone试验场 LiDAR点云建模 ZalaZone试验场卫星参考图像 4、三维建模与装饰 借助 Atlas程序化建模引擎 ，生成道路、地形等基础结构，再通过aiSim Unreal插件手工装饰建筑、植被、街景设施，最大程度复现现实细节。为了获取最大精度，康谋将会采用 DCC工具 ，例如Maya、Blender、Substance等工具利用可用数据构建新模型； 二、颠覆性革新：NeRF 与 3DGS 重建 传统方式 固然精准，但 高成本、高周期、强人工依赖 ，难以支撑大规模、快速迭代的测试需求。 本文分享的 神经网络重建方案 ，则以 NeRF+ 3DGS 为核心技术，实现了从真实环境到仿真世界的跃迁： 1、仅需数日，完成街景重建 相比传统数月的手动建模，神经网络重建 只需几天时间 ，就能将采集到的图像和点云数据自动生成高保真的三维静态场景。 在aiSim中重建Waymo场景 2、进一步消除 Domain gap，场景逼真如实地拍摄 通过 DEVIANT算法 验证3D目标检测精度、Mask2Former测量像素一致性等方式，验证了神经重建场景在多摄像头视角下的 高可用性 与 仿真一致性 。 请查看最新发表的论文“Hybrid Rendering for Multimodal Autonomous Driving: Merging Neural and Physics-Based Simulation” 3、降本增效，拒绝重复建模 方案致力于告别繁复的建模软件与人工建模流程，实现 端到端自动化构建 ，大幅降低人力与制作成本。 4、场景增强与标准兼容 在生成的三维场景中，可 灵活添加动态对象 （车辆、行人、信号灯等），并 全面兼容OpenSCENARIO 标准，适配多种自动驾驶测试平台。 三、重建工作流：从采集到仿真部署 神经网络重建方案遵循高度自动化流程： 流程图 （1）数据采集： 使用DATALynx ATX4记录图像、LiDAR点云和自车位姿；推荐配置包括Hesai Pandar64、环视非鱼眼摄像头和NovAtel高精度组合导航系统。 （2）数据转换： 将原始数据转化为康谋格式，统一处理点云、图像和标定信息。 （3）自动标注： 利用aiData工具链去除动态目标、生成GT数据，实现非因果式追踪。 环视系统自动标注 （4）神经网络训练： 使用NeRF/3DGS算法生成高精度三维场景。 （5）仿真部署与增强： 在aiSim仿真平台中集成重建场景，配置不同环境（暴雨、夜晚、雪天）、多模态传感器（摄像头、LiDAR、毫米波雷达等）与虚拟交通流。 雨天场景 四、仿真世界，无需困于“假” 在自动驾驶技术快速发展的今天，数字孪生已从 简单的场景复制 ，进化为具备 真实物理特性的虚拟世界 。我们和众多同行们正在见证一场仿真技术的革命： （1）通过激光雷达的精准测绘确保厘米级精度 （2）借助3DGS/NeRF实现场景的智能重建 （3）融合传统与创新的技术优势 康谋致力于将 传统构建流程 与 前沿神经网络重建技术 相融合，用速度、真实与自动化重塑自动驾驶仿真测试的范式。