标签: 仿真测试

随着人们对ADAS产品的广泛关注，各大主机厂和供应商纷纷建立自己的ADAS开发团队和推出ADAS产品。根据汽车电子开发的V流程，产品在推向市场之前，要进行SIL、MIL、HIL和VIL等仿真验证，在保证产品的功能的可靠性和性能的稳定性的同时，减少产品的研发费用和缩短产品的研发周期。 在SIL/MIL仿真测试中，需要仿真工具能够集成客户多样化的算法平台，如C++，simulink等；在HIL仿真测试中，需要仿真工具的仿真速度能够满足实时性要求；在VIL仿真测试中，需要仿真工具能够模拟虚拟的测试场地等。 在传感器仿真测试方面，需要仿真工具能够仿真Camera，Lidar，Radar和超声波等不同的传感器类型，同是能够模拟不同等级的传感器信号，以满足不同用户测试不同算法的需求。 在整个测试闭环中，还需要仿真工具能够集成不同的车辆动力学软件的同时，能够和自动化测试软件无缝集成，从而满足用户的自动化测试需求。 汽车高级驾驶员辅助系统的开发和测试领域： 基于VTD的智能驾驶仿真测试系统，采用VTD软件作为场景搭建和仿真的工具，将VTD软件布置在高性能图形工作站中。基于VTD的ROD工具来搭建测试的道路系统，基于ScenarioEditor工具来创建动态的交通，同时根据用户的被测系统在VTD软件中来配置不同的传感器类型及仿真等级。该系统可以满足用户的如下需求： ▶进行控制算法的SIL/MIL/HIL测试； ▶进行感知+控制算法的SIL/MIL/HIL测试； ▶进行基于视频暗箱/视频注入的图像识别算法测试； ▶进行基于回波模拟/点云的Radar识别算法的测试； ▶进行基于Objectlist和激光雷达点云识别算法的测试； ▶进行多传感器在环同时测试； ▶进行基于worldsim的自动化测试。 VTD方案优势： ▶道路搭建支持Opendrive、OpenCRG数据导入； ▶支持OpenSCENARIO标准的数据导入; ▶具有开放的Camera配置文件； ▶满足不同等级的传感器在环测试； ▶不同的传感器类型，可采用不同的仿真步长。 *本文源自海克斯康

在前面的几章节中探讨了aiSim仿真合成数据的置信度，此外在场景重建和测试流程闭环的过程中，难免会面临3D场景制作重建耗时长、成本高、扩展性低以及交通状况复杂程度难以满意等问题，当前的主要挑战在于如何自动化生成3D静态场景并添加动态实例编辑，从而有效缩短测试流程，扩大仿真测试范围。 图1：实际图像 图2：NeRF重建场景 对于3D重建，目前主要的两种解决方案为NeRF和3DGS。 一、NeRF 1、 神经辐射场（Neural Radiance Fields） NeRF是将三维空间中的每个点的颜色和密度信息编码为一个连续的函数并由MLP参数化。给定一个视角和三维空间中的点，NeRF可以预测该点的颜色和沿视线方向的密度分布。通过对这些信息进行体积渲染，NeRF能够合成出新视角下的图像。 2、优势 高保真输出。 基于NerFStudio提供了较为友好地代码库。 相对较快的训练时间。 对于待重建区域具有可扩展性。 3、不足及主要挑战 渲染速度缓慢。NeRF需要沿着从相机到场景的每条光线进行大量的采样和计算，以准确估计场景的体积密度和颜色。这个过程计算密集，在NVIDIA A100上进行了测试，全HD分辨率下，渲染一张图像大约需要10s。 场景深度估计效果不理想。NeRF通过体积渲染隐式地学习了场景的深度信息，但这种深度信息通常是与场景的颜色和密度信息耦合在一起的。这意味着，如果场景中存在遮挡或非朗伯（non-Lambertian）反射等复杂情况，NeRF可能难以准确估计每个像素的深度。 近距离物体重建质量可能较低。这可能是由视角和分辨率不足、深度估计不够准确以及运动模糊遮挡等问题造成的。 高FOV相机校准不完善导致的重影伪影。 当然为了解决这些问题研究人员通过引入深度正则化来提升NeRF深度估计的准确性和稳定性，通过优化NeRF的结构和算法提升渲染速度。 二、 3DGS 1、 3D高斯泼溅（3D Gaussian Splatting） 3DGS采用三维高斯分布来表示场景中的点云数据，每个点用一个具有均值和协方差的高斯函数来描述。通过光栅化渲染高斯函数，从而生成逼真的3D场景图像。 2、优势 训练时间短。 近似于实时的渲染。 提供高保真的输出。 3、不足与主要挑战 代码库友好度较低。相比于NeRFStudio，文档的完善程度和易用性较低。 初始点云获取需求高，需要精确的传感器和复杂的数据处理流程，否则将会对3DGS的性能产生明显的影响。 深度估计同样不足，主要可能有几个原因：在优化过程中倾向于独立优化每个高斯点，导致在少量图像下出现过拟合；由于缺乏全局的几何信息，导致在大型场景下或复杂几何结构重建时深度估计不准确；初始点云的深度信息不够准确等。 相机模型支持受限。目前3DGS主要支持针孔相机模型，虽然理论上可以推导出其他相机模型的3DGS版本，但还需要后续的实验验证其有效性和准确性。 重建区域可扩展受限，主要是缺乏LiDAR覆盖区域之外的几何信息导致的不完整重建以及大型城市场景重建的大量计算。 集成和资源密集的挑战，目前3DGS集成通常依赖Python接口；3DGS在运行时可能会占用大量的VRAM。 通过优化超参数和采用新方法，如Scaffold-GS，可能有助于减少内存需求，提高在大型场景下的处理能力。 三、操作方法 1、训练流程 第一步： 输入——相机视频数据；自车运动数据；校准数据；用于深度正则化的LiDAR点云数据； 第二步： 移除动态对象：创建分割图来识别和遮罩图像中的不同对象和区域；对动态对象进行自动注释*（康谋aiData工具链）； 第三步： 进行NeRF或Gaussian splatting。 NeRF： 可以使用任何摄像头模型，示例中使用的是MEI相机模型； 采用Block-NeRF进行大规模重建； 嵌入不同的气候条件。 Gaussian splatting： 将输入的相机转化为针孔相机模型； 可以从COLMAP或LiDAR中获得初始点云； 采用Block-Splatting进行大规模重建。 2、添加动态对象 在NeRF和3DGS生成静态场景后，aiSim5将基于外部渲染API进一步增加动态元素，不仅可以重建原始场景，也可以根据测试需求构建不同的交通状态。 aiSim5中基于NeRF/3DGS场景细节。 图13：网格投射阴影 图14：车下环境遮蔽 3、效果展示 在aiSim5中完成动态对象的添加后，可以自由的在地图场景中更改交通状态，用于感知/规控等系统的SiL/HiL测试。

来源：德思特测量测试 德思特案例 | Skydel GNSS仿真引擎助力多所高校实现GNSS仿真测试教育 目前高校研究机构很难拥有用于定位、导航和定时（PNT）的测试和模拟工具，卫星导航相关的教育基本都是通过教科书或基于Matlab代码编程进行研究，没办法让学生进行相应的实践、实操练习。而GNSS仿真测试解决了这一问题，学生们可以利用GNSS模拟器进行测试，从而培养出将来他们在公司或研究机构工作中非常有价值的实践技能，所以GNSS仿真测试在当今的教学研究中也非常重要。 密涅瓦（Minerva）学术合作项目助力PNT研究的进步，并与各高校建立可持续的合作伙伴关系，共同开发未来的PNT技术和解决方案，提供强大的Skydel GNSS仿真引擎，为高校提供专门的合作伙伴计划，其中包括全频率、全星座的永久Skydel模拟引擎许可和临时的学生许可。 韩国建国大学合作项目 韩国政府准备发射新的全球卫星导航系统，所以韩国高校进行GNSS教育和研究也迫在眉睫。市面上大多数GNSS模拟方案都有极高的成本，并且基于专有的系统受限。而在研究项目中，更需要对设想阶段和后续实施阶段都没有限制约束的工具，从而促进在研究中迸发创造力。在这方面，基于SDR的软件定义架构——GNSS仿真引擎Skydel具有独一无二的优势，将其作为卫星导航系统研究和教学开发中非常有用且无限制的工具对于高效教育是非常有意义的。 韩国建国大学选择Skydel GNSS仿真引擎来推动GNSS的工程教育和学生研究，实现对多个课题的探索： Multi-GNSS和PP（混合GNSS） 该课题研究的是通过与其他导航系统卫星相结合，提高校正精度的技术。 综合导航 该课题是对卫星导航系统与惯性导航系统集成所需的综合技术进行研究和仿真。它的技术在于开发和应用仿真工具在实验室中获得与实际真实环境相似的测试结果。 实时仿真 该课题是对开发仿真技术和实时测试工具的研究，研究最小化导航信号生成时间的技术以及实时生成导航信号所需位置坐标的输入方法和条件。这项技术对于未来在室内实施卫星导航系统至关重要。 实时测试（HIL） 没有人能够评估当前导航系统的质量，也无法对其进行认证。本研究课题旨在开发未来实现韩国卫星导航系统所必需的验证和认证技术。 KASS和KPS KASS是韩国的星基增强系统，KPS是韩国的卫星导航系统，韩国预计未来将对这两个系统的利用和应用进行大量的研究和开发。该课题将使用Skydel的自定义信号功能来实现这方面的基础研究。 韩国建国大学信息与电信研究生院的Hans Kim博士反馈到：“当我第一次将Skydel作为一种教育工具进行介绍时，学生们认为学习使用它是比较困难的。然而，在适应了视角、理解了结构之后，他们意识到学习使用Skydel是非常简单方便的，他们现在可以很流畅地利用Skydel体验卫星导航系统的开始和结束。在这之前，他们只在理论上研究过，并没有实操的机会。所以学生们对利用Skydel进行GNSS仿真测试很感兴趣，希望可以很好地继续使用这个工具。” 印度奥斯曼尼亚大学合作项目 无论是消费类设备、复杂硬件还是集成软件的开发，印度的科技创新者都在逐步接触定位和导航仿真技术，以应对地区、国家和国际社会经济进步的挑战。 奥斯马尼亚大学自2021年以来一直在充分利用Skydel GNSS仿真引擎来推进他们的研究项目。目前，奥斯马尼亚大学已经构建了一个高度复杂的GNSS仿真教育计划，旨在为工程专业的学生创造更多未来的机会，让学生们有能力从事任何与GNSS信号有关的设计、开发或研究项目。 奥斯马尼亚大学首席科学家兼导航电子研究和培训部主任Laxminarayana教授说：“我们需要一个模拟器来理解信号结构、开发新的和定制的信号，以及在不同环境条件下对接收器或新设计的信号进行全面评估。Skydel GNSS仿真引擎不仅可以帮助我们理解GNSS系统的信号结构，而且还可以教我们CDMA、FDMA等通信的基础知识、先进的调制技术，如BOC、CBOC、 MOBC、数据编码、解码，还有距离计算和车辆动力学建模等知识。” Laxminarayana教授指出，正在使用Skydel GNSS 仿真引擎进行博士研究的学生在最近的两次会议上发表了三篇论文： —《基于惯性传感器测量的NavIC软件接收机的定位性能评估》——于2022年5月在第29届圣彼得堡综合导航系统国际会议上发表。 —《使用矢量延迟锁环的NavIC软件接收机的鲁棒导航》——于2021年12月在ICTACEM 2021国际理论、应用、计算和实验力学会议上发表。 —《使用低成本射频前端的IRNSS L5信号的GNSS SDR性能》正在接受《导航杂志》（由美国导航研究所出版）的审查。 目前奥斯曼尼亚大学正在计划新的课程，展示GNSS接收器的能力，以及如何使用模拟数据全面评估算法。 结论 Skydel GNSS仿真引擎是一种创新的软甲定义架构，它利用软件、高级显卡（GPU）和软件定义无线电（SDR）为GNSS测试提供了更强大的现代方法。您将能够构建自己的自定义信号，并通过我们的开源插件功能连接到其他系统和设备（即传感器、IMU等）。此外，由于Skydel GNSS仿真引擎利用COTS硬件（GPU、NIC、SDR），因此它是世界上唯一可以独立于硬件运行的GNSS仿真解决方案。

随着汽车行业如火如荼的发展，各种车辆仿真软件 也不断 获得工程师的 诸多 关注 。虚拟 车辆 仿真，无论是在开发前期还是 H IL 阶段都有着举足轻重的作用 。 而 今天 ， 我们 重点 来聊 一 聊 D YNA4 。 说起 DYNA4 ， 有些 工程师心中 未免 会 疑 问 ，是不是 之前 有款 流行的软件 名为 ve DYNA （ ve hicle dynamics simulation ）和 en DYNA （ en gine dynamics simulation ） ？ 没错， 后来 dSPACE 的 A SM 模型 也是 发 源于此 。 ve DYNA 和 en DYNA 隶属于 T ESIS 公司， 公司 于 2 019 年 被 Vector 收购 。 合并 之 后，软件整合更名为 D YNA4 ，成为了 Vector 大家族中一员 ，专注于 虚拟 车辆仿真。 图2 DYNA4 在Vector官网 DYNA4经过多年的经验积累，向客户提供已被充分验证的乘用车和商用车的虚拟车辆仿真环境。其底层基于Simulink搭建，开放的模块化结构，能有效支持在车辆开发过程中的动力学模型仿真工作。物理模型主要包括车辆动力学和环境道路两方面。 DYNA4在车辆动力学方面： 底盘：具备复杂的车辆动力学模型，丰富的悬架 K &C 分析，支持外特性和硬点多体输入；支持额外输入加载（拖车、额外力、侧向风等） 。 轮胎： T M-E asy 、 Pace jka 、 Ftire 、 M FTire 接口； T M-E asy 优化 低速 接触应力，包含多胎压输入 。 转向：具备万向节模型，包含摩擦、 惯量、阻尼以及 E PS 助力等，支持第三方模型 。 传动 ： 包含机械传动和双电压电气系统模型，如 1 2V 、 48V 、 4 00V 。支持搭建多样的传动系统 。 制动： 包含基本制动系统、平行或者交叉双液压制动以及电子液压制动系统，并包含液压单元库 。 控制系统：电子稳定控制 A BS 、 E SC 、变速箱 T CU 、 D TC 、整车控制单元 V CU 、 H CU 、发动机 E CU 等 。 发动机：包含传统查表模型，以及进气、排气、燃油、燃烧、冷却等半物理模型；也包含基于热力学方程的复杂模型。 图3 DYNA4 模型 架构 在场景方面，具有道路、基础设施及交通等环境的 3D 环境模拟功能，为整车虚拟仿真、驾驶辅助和智能驾驶提供了重要的虚拟仿真环境平台。 环境道路 不同的天气环境：白昼、黑夜、雨天、雪天、雾天等 丰富道路：包括无限大试验测试场、便捷的 3 D 多车道道路、标准且丰富的 Open drive 道路。可自动生成环境植被，提供大量建筑、树木环境装饰库。为客户提供高 清真实 的图形渲染。 交通场景 在 道路 环境中添加动态物体（车辆 / 自行车 / 摩托车 / 行人 / 动物），可触发纵向或横向驾驶行为，例如车道切换等确定有序性行为的变化；同时支持 SUMO 第三方开源交通软件进行随机无序性交通行为仿真，提供开发性接口。在 R 8 版本中，还支持 Open Senario 动态场景文件。 传感器 基于 Simu link 真值 object list ：快速理想的传感器和简捷物理的传感器模型； 基于 G PU 图像处理的原始数据：基于物理的高级传感器模型，使用 G PU 技术计算，包含摄像头、超声波、激光雷达等。 图 4 DYNA animation 中的 虚拟环境 当然，除了这两大部分，DYNA4还具有例如前后处理、视频回放、Plot GUI数据显示、数据记录等诸多辅助工程师测试的功能，贯穿在仿真过程中，为工程师提供一个便利的使用环境。 图5 P lot GUI 界面 利用DYNA4进行虚拟仿真，能够安全高效地进行功能开发和测试验证，电脑 PC上的闭环仿真验证相对实车测试更快速。模型编译后生成的DLL组件，可脱离Simulink环境，集成在CANoe环境中。其与平台良好的低延时性和集成度，保证了测试系统的实时性。例如，可用于开发早期的 MIL和 SIL 环境，或者后期结合ECU等被测件，于硬件在环系统（HIL）上进行测试验证。 图 6 DYNA4 实时运行 总而言之，DYNA4虚拟车辆仿真测试不仅可以服务于整个开发过程，还可用于控制功能设计到验证的整个应用过程。其出色的3D可视化动画和成熟的车辆动力学模型，深得市场青睐。 北汇信息作为Vector的合作伙伴，为汽车行业客户提供从模型在环到整车试验全流程开发的测试解决方案。别走开，后续将会有更多关于DYNA4的使用介绍和应用方案的分享。 如有任何个性化需求，欢迎随时联系我们。

OTA技术是汽车实现完整网联化、智能化体验的基础，自被引用汽车以来，广受研发人员、市场用户的关注。近来，国家有关部门也陆续出台了相应政策，对汽车企业OTA技术的应用进行了约束和规范。因此，OTA技术在量产车型的应用落地，离不开完整的测试验证。 经纬恒润 基于自主研发的INTEWORK系列产品，提出了车辆OTA仿真测试解决方案，该方案同样适用于远程诊断系统测试，且已被国内多家主流OEM厂商采纳，支持了多款在研量产车型OTA/远程诊断技术的研发落地。 该解决方案中的标准软件模块均简单易用且支持二次开发，用户可根据实际车型的测试需求自主搭建、维护测试序列，并复用于不同车型测试项目中，实现测试效率的提升。同时， 经纬恒润 测试团队通过十余个OTA相关项目的开发及测试服务经验，持续推动产品标准化进程的同时，积累了2000余条标准化测试用例及500余条自动化测试脚本，涵盖OTA相关法规、应用场景、系统交互功能、典型经验问题等内容，为量产车型OTA系统的质量以及OTA测试业务的快速落地保驾护航。 经纬恒润OTA仿真测试解决方案 经纬恒润 INTEWORK系列软件旨在 “让工程师的工作更加简单智能” ， 目前已为数百家客户提供标准化软件及系统，助力国内外整车厂及零部件供应商进行高效、可靠的产品研发、测试工作。未来， 经纬恒润 将继续紧跟智能驾驶行业发展趋势，聚焦智能化和网联化技术变革，持续创新，为汽车行业发展贡献自己的一份力量！ 点击 “阅读原文” ， 了解经纬恒润OTA仿真测试解决方案详情。