标签: 仿真

随着自动驾驶技术的迅猛发展，构建 高保真、动态的仿真场景 成为了行业的迫切需求。传统的三维重建方法在处理复杂场景时常常面临效率和精度的挑战。在此背景下， 3D高斯点阵渲染（3DGS） 技术应运而生，成为自动驾驶仿真场景重建的关键突破。 一、3DGS技术概述与原理 1、3DGS的技术概述 3DGS是一种基于3D高斯分布的 三维场景表示方法 。通过将场景中的对象转化为多个 3D高斯点 ，每个点包含位置、协方差矩阵和不透明度等信息，3DGS能够精确地表达复杂场景的 几何形状 和 光照特性 。 与 传统的神经辐射场（NeRF） 方法相比，3DGS在渲染速度和图像质量方面表现出色，弥补了NeRF在动态场景处理和细节保留上的不足。 图1：3DGS重建流程 2、3DGS的技术原理 在3DGS中，首先通过 SfM（Structure from Motion） 技术进行数据预处理，校准相机位置并恢复其内部和外部参数，生成稀疏点云。然后，基于这些点云 初始化一组3D高斯点 ，每个高斯点的初始位置、协方差矩阵和不透明度都会进行设置。 训练过程中，3DGS通过 反向传播 不断优化这些高斯点的位置、形状和不透明度。值得注意的是，3DGS采用了 自适应密度控制 ，能够在每次反向传播后去除那些不重要的高斯点，并根据需要对高斯点进行 分裂或克隆 ，以保证场景重建的精度和细节。 图2：训练过程中高斯点的优化 二、3DGS在自动驾驶仿真中的应用 在自动驾驶领域，3DGS技术被广泛应用于 高保真仿真场景 的重建。通过将 多视角图像转化为3D高斯点云 ，3DGS能够快速、精确地重建复杂的街道场景，为自动驾驶系统的训练和验证提供真实的虚拟环境。例如，Huang等人提出的 S³Gaussian 方法，通过自监督学习，从4D一致性中分解动态和静态元素，实现了高质量的街道场景重建。 此外，Zhou等人提出的 DrivingGaussian 方法，针对环视动态自动驾驶场景，发展了基于3D高斯的重建仿真技术。该方法能够有效建模复杂的多尺度背景和前景，提升了自动驾驶系统在复杂环境下的感知能力。 图3：S³Gaussian方法 图4：DrivingGaussian方法 1、3DGS的优势与挑战 （1）优势 高效性： 通过显式建模方法，3DGS避免了传统神经网络训练中的计算开销，训练速度更快，渲染效率更高。 精度： 3D高斯点可以细致地捕捉场景中的每个细节，从而实现高精度的三维重建。 实时性： 3DGS支持实时渲染，适合需要快速响应的应用场景，如自动驾驶仿真。 （2）挑战 场景复杂度： 对于极为复杂的三维场景，3DGS可能需要大量的高斯点，这会增加计算负担和内存消耗。 动态场景的支持： 目前，3DGS主要集中在静态场景的重建，如何高效地处理 动态场景 中的物体变化，仍然是一个技术挑战。 三、aiSim的3DGS重建功能 aiSim仿真平台结合3DGS 技术，可以提供强大的三维重建功能，极大地提升了自动驾驶仿真测试的效率和精度。 在aiSim中，3DGS被用于从 多视角图像 中重建复杂的三维场景。aiSim能够精确地捕捉环境的 几何形状 和 光照特性 ，为自动驾驶系统提供 高保真的虚拟环境 。这种高精度的三维重建使得自动驾驶算法能够在仿真中进行更为真实的测试，减少了对实际道路测试的依赖。 图5：大FoV相机渲染出现非一致性（左）重建3DGS渲染方案后（右） aiSim新构建的 GGSR通用高斯泼溅渲染器 优化了重建场景下光线追踪传感器的渲染效果，增强了广角镜头渲染下的 一致性 ，并能减少伪影的产生，实现高保真度的3DGS重建场景兼容。 在重建的静态场景之上，aiSim支持 自定义动态的场景交通流 。通过添加动态实体，aiSim可以模拟交通流、行人行为等动态元素，为自动驾驶系统提供更为全面的测试场景。这种动态重建能力使得aiSim在验证自动驾驶系统的泛化能力和 应对复杂场景 的能力方面，展现出了巨大的优势。 图6：十字路口车辆起步场景 四、结语 3DGS作为一种新兴的三维场景重建技术，凭借其高效、精确和实时的特点，在自动驾驶仿真领域展现出了巨大的潜力。我们有理由相信，未来3DGS将为更多行业带来创新性的解决方案。 ▍参考文献 1.3D Gaussian Splatting for Real-Time Radiance Field Rendering 2. S3Gaussian: Self-Supervised Street Gaussians for Autonomous Driving 3.DrivingGaussian: Composite Gaussian Splatting for Surrounding Dynamic Autonomous Driving Scenes

构建巨量的驾驶场景时，测试ADAS和AD系统面临着巨大挑战，如 传统的实验设计（Design of Experiments, DoE） 方法难以有效覆盖识别 驾驶边缘场景案例 ，但这些边缘案例恰恰是进一步提升自动驾驶系统性能的关键。 一、传统解决方案：静态DoE 标准的DoE方案 旨在系统性地探索场景的参数空间，从而确保能够实现完全的测试覆盖范围。但在 边缘案例 ，比如暴露在潜在安全风险的场景或是ADAS系统性能极限场景时，DoE方案通常会 失效 ，让我们看一些常见的DoE方案： 1、网格搜索法（Grid） 实现原理： 将场景空间按照网格进行划分，并测试所有的参数组合。 优势： 确保覆盖所有的范围。 缺点： 在大参数空间下计算耗时将会难以估计。 2、随机抽样（Random Sampling） 实现原理： 在定义的参数空间内进行随机选择测试样例。 优势： 易于实现，而且扩展性能好。 缺点： 可能会错过重要的样例从而导致测试效果大打折扣。 3、拉丁超立方体抽样（LHS） 实现原理： 确保每个参数在相应区间内进行均匀采样，从而改善数据结果的分布。 优势： 比随机抽样效率更高，覆盖范围更加合理，样本分布也更均衡。 缺点： 过于均衡从而无法有效考虑到边缘案例的情况。 这些传统方法在一定程度上覆盖了ADAS和AD系统场景测试范围，但是其结果或多或少都存在 一定的缺陷 ，如针对于边缘场景，传统方法 没有考虑高风险因素 以及 自适应学习过往测试结果 的过程，针对这一点我们分享一个新的自适应DoE解决方案： aiFab解决方案。 二、aiFab解决方案 在传统的DoE方案中，将所有的场景视作同等重要，然而事实上，在ADAS/AD系统的测试过程中， 边缘场景 则影响着关键性能的提升。 aiFab解决方案 中， 基于AI的自适应DoE解决方案 将会根据先前的测试结果，动态选择测试用例，在未通过的案例中学习并调整泛化注意力。 1、贝叶斯优化（BO）：通过学习优化的智能测试 贝叶斯优化 将全量搜索场景的方法转换成由数据驱动的智能方案，与随机取样等方案不同： （1）BO方案将会 预测 最有可能暴露失败风险的新测试用例。 （2）BO方案采用 替代模型Surrogate model ，比如采用高斯过程Gaussian Processes，然后通过已有的数据来逼近测试场景参数与关键性指标的映射目标函数。 （3）然后结合采集函数Acquisition Function，比如通过 下置信届LCB 或者 期望改进EI 等方法，有效平衡“探索”和“利用”之间的取舍，在有限次数测试下，有效找到目标函数的最优解。 2、映射目标函数之关键性指标 贝叶斯优化依靠 关键性指标（KPI） 决定了是否为目标场景，aiFab中常见的KPI包括： （1）碰撞时间TTC： 决定车辆距离碰撞有多近 （2）入侵后时间PET： 交通冲突后剩余时间间隔 （3）速度变化Delta-v： 车辆碰撞过程中的速度变化 通过不同的KPI更新模型，我们的泛化方案能够 将计算资源集中在最需要 的地方，从而更 高效 的发现关键边缘场景，而不是在常规场景上耗费时间。 3、仿真记录演示 为说明aiFab自适应泛化场景，以下通过一系列 仿真记录来演示自车在不同临界指标下左转的场景 ，每次迭代将会始终关注 更为严苛的边缘案例 ，以确保能够发现潜在风险。 原始记录： 速度变化（Delta-v） ：当 Ego 车辆与 Exo1 车辆进行正面高速碰撞时，通过最大化它们的速度，可以使碰撞时的 Delta-v 达到最大，从而增加碰撞的严重性。 入侵后时间（PET） ：用于评估潜在碰撞或接近碰撞的风险，即那些可能由于交通流或信号变化而产生的高风险情形。 入侵时间（ET） ：评估车辆在交通冲突区域（如交叉口或其他关键区域）停留时间的指标，特别是当车辆的速度较低时。它反映了“Ego”车辆在这些区域内暴露于潜在风险的时间长度。 潜在碰撞时间（PTTC） ：是通过 车道基础的度量 来实现的，主要聚焦于识别和预防发生追尾碰撞的可能性。 三、结语 凭借最新的自适应DoE功能，aiFab给ADAS/AD验证带来了诸多益处： （1）更快的发现边缘案例： 找到高风险场景而无需全量的网格测试 （2）更低的资源耗费： 专注于特定方向的案例场景 （3）更好的风险覆盖范围： 提升检测稀少边缘关键场景的能力 通过将自适应测试集成到aiFab中， aiFab解决方案 提高了效率，同时增强了ADAS和自主系统的安全性、性能和信心。

一、前言 随着自动驾驶技术的快速发展， 庞大的测试数据 和 复杂的场景需求 为 性能与安全评估 带来了巨大挑战。如何 高效管理海量数据 、 挖掘关键场景 ，并满足以 Euro NCAP （European New Car Assessment Programme，欧洲新车安全评鉴协会）为代表的严格评估标准，已成为行业亟待解决的核心问题。 这不仅关乎技术研发的效率与精度，更是智能驾驶车辆进入市场、提升竞争力的关键前提。 本文我们将围绕如何应对海量数据所带来的挑战进行探讨，分享提高场景测试与性能安全评估的见解。 二、场景测试与性能评估的挑战 在自动驾驶技术的研发与测试过程中， “场景” 是一个核心概念，也是验证自动驾驶系统性能和安全性的关键手段之一。无论是行业专家还是普通关注者，谈及自动驾驶测试时，都会提到“场景”以及“基于场景的测试”。 图 1自动驾驶场景概念图 场景 通常由 静态要素 （道路、交通标志、建筑物等）、 动态目标 （车辆、行人等）、 环境条件 （天气、光照等）、 行为模式 （变道、急刹车等）组成，旨在描述车辆可能面临的各种复杂情况。由于内容极为丰富， 国际标准ISO 34501通过四层抽象分级模型 对其进行分类，即 功能场景 、 抽象场景 、 逻辑场景 和 具体场景 ，后两者便是当下关注的重点。 图 2四层抽象分级模型与场景测试挑战 对于测试而言，除了在各个场景下的性能表现，通常还得 满足一些法规或者评估标准 。例如，对于车辆的安全性而言，最广为人知的便是 Euro NCAP的评级。 Euro NCAP的评级结果 不仅会为消费者选购车辆提供重要参考，也是诸多汽车制造商和技术开发者研发过程中明确的安全目标。无论是传统燃油车还是智能驾驶车辆，获得Euro NCAP的高评分都是进入欧洲市场、提升市场竞争力的重要前提。 然而，随着自动驾驶技术的高速发展，测试需求与标准的日益复杂化，自动驾驶研发与测试中所产生的数据日益增加，对逻辑场景与具体场景的需求也逐步攀升，这也就为场景测试带来了 诸多挑战： a）海量的测试数据与场景 自动驾驶测试需要处理极其庞大的场景库和测试数据，如何高效地管理和利用这些数据成为一大难题。 b） 指标分析与数据管理的难度 随着测试指标的逐渐增加，如何对测试结果进行全面、准确的分析，以及如何高效地管理测试数据，都是亟待解决的问题。 c）性能与安全评估方法的效率 自动驾驶系统的性能和安全性评估需要高效快捷的方法，以应对大规模测试的需求。 d）真实场景向仿真场景的转换 为了实现重复测试，需要将真实场景高效地转化为仿真场景，即LogSim到WorldSim的转化。 e）高昂的测试成本 应对上述种种挑战需要投入大量的资源，包括人力、时间和资金。 面对这些挑战， 我们尝试在云端搭建一个模块化的数据管理与场景挖掘平台，并集成Euro NCAP 道路稳健性协议 （包括速度辅助系统、车道支持系统和辅助驾驶），进而实现了 高效场景测试与性能安全评估。 图 3数据管理与场景挖掘概览 三、数据管理与高效分析方法 在自动驾驶测试中，海量的驾驶数据与复杂的场景构建是基础，同时也是挑战。如何高效地管理这些数据，并从中提取出有意义的场景，成为 验证自动驾驶系统性能与安全性 的关键环节。3、4章节将从 数据管理、聚合分析、场景提取与评估技术 以及 场景导出 四个方面， 详细探讨如何高效处理海量数据并挖掘关键场景。 1、数据管理技术：高效处理海量信息 对于场景测试或者以Euro NCAP为代表的性能评估而言，通常会产生大量的驾驶数据，例如 Euro NCAP 2026年新版安全驾驶汽车辅助协议（Safe Driving Vehicle Assistance） 就明确提出部分功能的评估需要满足至少2000公里的测试。 面对海量的驾驶记录与复杂的场景需求，数据管理需要兼顾高效性、灵活性与协作性。对此，我们尝试基于云搭建模块化的数据管理平台，旨在实现驾驶数据的高效处理、评估与检查。 a)驾驶数据摘要与高级查询 通过鼠标单击查看驾驶记录的摘要信息，获取清晰的驾驶数据概览，并采用事件（Event）、操作设计域（ODD）或场景（Scenario）三类标签，以组合的方式快速查询需要的驾驶记录。 图 4快速摘要与高级查询 b)可视化界面与团队协作 基于相机视角、感知还原、GPS轨迹、车辆速度等多维度创建可视化界面，对场景进行深入分析。同时，采取URL分享的方式，实现团队成员之间的高效协作与共同分析数据。 图 5自定义可视化界面 2、聚合分析技术：从海量数据中洞察规律 除了单一场景的快速查询与分析，针对 海量驾驶数据的整体规律分析 同样至关重要。为此，我们使用聚合分析的方法，通过 多级指标（Metrics） 对驾驶数据进行整理、分类和聚类分析，加速发现数据中的潜在规律。 图 6聚合分析 a)多级指标的灵活分析 通过采取感知、行为、舒适度等多级指标进行分析。例如，当想要了解“自动驾驶系统开启状态”、“特定速度区间”、“白天”的违规率，就可以设定对应指标，构建指标矩阵与直方图，随着指标的增加，矩阵与直方图会产生动态变化，得以快速掌握概况以及各个指标下统计出的违规率。 b)一键聚类与场景跳转 聚合分析技术能够基于指标矩阵对驾驶记录进行自动聚类，并支持关键场景的快速跳转。单击矩阵中的特定数值即可直接查看对应的场景列表，并快速跳转到可视化界面，查看场景细节，进行深入分析。 四、场景挖掘、评估与ASAM OpenX场景导出 为了在大量驾驶数据的挑战下 提高场景测试与评估的效率 ，我们基于感知算法从原始驾驶数据中提取出场景，将原有的大量里程与时间浓缩为了一系列特定场景，并结合了 自定义标准与Euro NCAP标准 建立了多种预设评估方式，保障效率与准确性的同时尽可能节省时间与精力。 1、场景提取与评估技术：挖掘关键场景与性能见解 如何从大量的驾驶数中提取有意义的场景并进行性能评估，是自动驾驶测试的重要环节。 我们通过对激光雷达、相机、GPS等原始传感器输入的数据进行感知，从真实或仿真数据中高效挖掘场景，提供多维度的性能与安全见解。 图 7场景挖掘流程示意图 a)自动清除空驶里程 驾驶数据中通常存在大量没有特殊事件发生的空驶里程，占据了大量存储空间但对测试无意义。我们通过设定场景提取的条件，例如自车速度、障碍物速度、自车与障碍物纵向距离等，自动剔除这些“空驶里程”，准确提取出常用场景（如SOTIF、ISO 26262、EuroNCAP等标准规定的场景），进而节省时间成本。 b)性能与安全评估 提取的场景可以基于预设的Euro NCAP或自定义标准进行性能评估。例如，设定最大速度或碰撞时间（TTC）等指标，就可以快速筛选出不符合预期的场景，并通过可视化界面查看详细信息。对于失败的场景，一键点击跳转到数据管理与分析平台，查看感知还原的场景、相机视频、速度等细节进行深度分析。 图 8自定义标准与Euro NCAP标准的场景评估 2、场景导出器：从LogSim到WorldSim的转换 为了推动 仿真测试的便捷化 ，我们基于相机图像、激光雷达点云、GPS定位信息等原始驾驶数据，通过内部的感知算法将其转化为仿真场景，完成了从 LogSim到WorldSim 的高效转换。转化后的仿真场景能够被导出为仿真所需的ASAM标准文件格式（OpenSCENARIO与OpenDrive），实现 数字孪生 。 图 9场景导出器：一键导出与自定义导出 数据输入支持 多种数据格式 （如RosBag、LCM、ADTF等），并可以根据需求 自定义导出场景的时间范围 （最长30秒），导出的场景文件可以直接导入支持标准OpenX格式文件的仿真器（如aiSim5），根据需要进行修改后运行仿真测试。 图 10联动aiSim仿真器的场景仿真示例 五、集成式Euro NCAP道路评估器 为了更快速且可靠地对驾驶系统性能安全进行评估，并帮助在未来 Euro NCAP的安全辅助评估中拿到高评分，数据管理与分析平台（DAP）内将集成Euro NCAP道路评估器（On-road Evaluator） ，获得基于海量驾驶数据的深刻见解。 1、基于Euro NCAP协议的三大评估板块 通过在数据管理与分析平台中 集成Euro NCAP道路评估器 ，可以支持对道路ADAS性能快速提供评估结果，减少评估时间和成本，同时确保严格遵守既定的标准，帮助在评定中获得 更高的星级。 图 11道路评估器三大评估板块 Euro NCAP道路评估器主要针对Euro NCAP 2026协议归纳出三大板块进行评估： a) SAS（Speed Assist System，速度辅助系统） b) LSS（Lane Support System，车道支持系统） c) AD（Assisted Driving，辅助驾驶） 这些板块进一步被 细分为多个功能模块 ，例如AEB（自动紧急制动）、LKA（车道保持辅助）、SLIF（速度限制信息功能）等，覆盖了智能驾驶车辆在不同场景下的关键安全功能。 2、Euro NCAP道路评估器工作流及特点 通过道路评估器可以 快速测试ADAS功能 ，例如SLIF与LKA，并快速评估Euro NCAP KPI，自动生成反馈报告，使得直击问题根源与优化系统性能变为可能，进而在最终评定中得以获得更高的星级。 图 12Euro NCAP道路评估器工作流程 道路评估器的工作流分为以下几个步骤： 1.基于参考传感器硬件设备采集驾驶数据 2.使用 Euro NCAP On-Road Evaluator 进行数据处理 3.基于 ODD 的 Euro NCAP 道路 KPI 评估 4.快速得到 KPI 计算和评分的反馈 通过上述工作流， Euro NCAP道路评估器 便能够做到在完全遵循Euro NCAP中关于SAS、LSS、AD的要求的前提下，基于操作设计域（ODD）对车辆进行快速评估，节省大量时间和资源。 图 13速度限制信息功能示意图（SLIF） 结合DAP的基础功能模块，道路评估器可以实现数据可视化、相机视图、数据管理的定制化功能， 如图13所示，便于深入研究特定的失败事件或异常场景。在此基础上，通过精确的评估算法，道路评估器能够避免代价高昂的返工，最大限度上节省该方面的成本。 六、总结 在自动驾驶技术的研发与测试中，场景测试是验证系统性能与安全性的核心手段 。康谋IVEX方案 通过高效的数据管理、场景挖掘与性能评估技术，解决了海量数据处理、复杂场景构建、高昂测试成本等难题，并 深度耦合Euro NCAP相关协议 ，推动基于真实世界场景的安全评估标准化。 通过 数据驱动 的方式，不仅提升了系统的测试效率，还能够助力智能驾驶车辆在Euro NCAP评定中获得更高评分，加速自动驾驶技术的研发与落地，为行业发展提供重要支撑。

一、前言 随着智能驾驶技术的发展， 端到端的解决方案 被越来越多的开发者提及，各大汽车企业争先恐后将端到端智驾方案部署到量产新车型上。过去，智能驾驶方案一直是按照 感知、决策、规划、控制 这类规则驱动（rule-based）的模块化方法推进，然而规则驱动的模块化方案存在“ 规则难以穷举、ODD边界模糊、扩展与维护升级困难 ”等局限性。因此端到端的学习驱动（learning-based）方案应运而生。 端到端的方案具有很多显而易见的优势， 首先，它具备较强的泛化能力 ，可以通过数据发现潜在规律，适应多样化和复杂场景； 其次，端到端可实现全面优化 ，学习驱动直接将输入（如传感器数据）映射到输出（如车辆控制指令），避免了模块化方案中的中间过程（如感知、决策和控制分离）可能导致的信息丢失或误差累积； 此外，端到端可持续学习和升级 ，模型可以通过在线学习或周期性训练，不断吸收新数据，从而适应动态变化的环境需求，如更新的道路法规、复杂的新场景等。 图 1 自动驾驶传统模块化方案与端到端方案 可见，端到端智驾方案优势非常明显，但是对于仿真测试来说却是 “灾难性的挑战” 。过去模块化智驾方案中，感知与规控之间有 显性接口 。无论是SIL仿真还是HIL仿真，可以轻松绕过感知模块，直接对规控进行仿真测试（即使输入合成的低置信度图像或点云，也不对感知进行评测）。而端到端方案的到来， 不再有所谓感知与规控接口 ，原有SIL或HIL仿真方案需要重构。 面向端到端的智驾仿真必须从传感器输出数据切入，提供一种置信度高、一致性好、覆盖率全面、故障注入便捷的全链路闭环仿真方案。 我们探索了一种有效的端到端智驾仿真解决方案，在 仿真引擎 和 数据传输 上进行了大幅优化，以应对端到端带来的挑战，整体框架如 图2 所示。本方案充分利用了智能驾驶的 中间件技术 ，将仿真引擎生成的传感器原始数据（部分为结构化数据）直接传递给智驾应用层，绕过了传感器硬件和驱动，缩短了仿真数据传输链路，规避了仿真系统开发过程带来的复杂适配与调试工作。大大缩短开发周期的同时，还显著降低了整个仿真系统的成本。 图 2 基于软件定义接口和中间件的闭环测试 二、XIL架构仿真 方案核心架构基于 aiSim仿真器 ，采用 XIL架构 ，并提供开放灵活的API接口，满足不同仿真测试需求。无论是传感器模型、车辆动力学，还是场景构建，都有对应的功能模组来实现。 图 3 aiSim XIL架构示意图 aiSim Air引擎支持如 Raster、Raytrace等多种渲染方案 ，并兼容 3DGS/NeRF 等技术，能够在平衡渲染效率和置信度的同时，优化资源占用和数据传输效率。此外作为通过 ISO 26262 ASIL D认证 的仿真工具，aiSim能够在不同传感器和天气条件下提供完全的 确定性和一致性 。 图 4 Raster和Raytrace渲染支持 图 5 兼容三维重建场景 三、灵活先进的场景构建方案 此外，我们采用了多种 先进的场景构建方案 ，极大地增强了测试的灵活性和广度。交互式图形化场景编辑工具支持 OpenScenario 和aiSim自定义的 AimScenario 两种场景格式，能够逐帧回放编辑过程。 图 6 图形化场景编辑工具 高斯泼溅渲染器（GGSR） 则可以在3D重建场景中动态插入物体，优化环境条件，减少伪影，修复镜头下的非一致性问题。 图 7 非一致性修正 图 8 三维重建场景天气环境编辑 图 9 任意视角下多模态效果图 LogSim2WorldSim 进一步通过云端自动化处理和分析原始数据，实现了基于EuroNCAP等法规场景的切片、预测试和回放功能。 图 10 LogSim2WorldSim方案转换流程 在完成场景构建后，通过VRU、建筑物、道路标志和天气等动静态元素， 对场景的边缘条件进行探索 ，确保 端到端测试全面覆盖 。 图 11 场景泛化方案 四、高保真物理传感器模型 在传感器仿真方面 ，通过物理级相机、激光雷达和毫米波雷达模型等丰富模型库的支持，可以实现 快速配置和参数调整 。此外通过精准仿真HDR、高动态范围、动态模糊、曝光等不同的视觉效应，能够确保各种驾驶环境和天气条件下的 高保真度测试 。 图 12 相机模型镜头效应 图 13 镜头不同曝光次数下HDR图像 图 14 不同天气条件下镜头效果 激光雷达和毫米波雷达模型也能有效模拟不同天气条件下的传感器行为，为高效的多目标检测和车道线检测任务 提供可靠数据支持 。 图 15 激光雷达BRDF材质反射 图 16 雨雪天气激光雷达点云输出效应 图 17 激光雷达点云置信度验证 图 18 毫米波雷达点云 五、置信度与仿真结果分析 我们还对采用此方案的仿真结果进行了详细的验证。 例如，在车道线检测任务中，aiSim仿真与真实世界数据之间的召回率一致，达到了 98.45% 的高准确率。多个目标检测任务的测试结果也表明，仿真与实际表现 高度契合 ，尤其在近距离目标的检测中， 召回率表现优异 。 图 19 置信度测试1：车道线检测算法 图 20 置信度测试2：多目标检测 端到端智驾仿真方案还在多个测试环境中展现了出色的表现，包括实车静态和动态测试、车辆模型与动力学模型的集成，支持FMU接口快速接入第三方动力学模型。 图 21 动力学测量和建模 每次仿真结束后，系统会自动生成 SQLite数据库文件 ，方便进行深入的分析和数据挖掘，确保测试结果的全面性和准确性。 图 22 测试结果可视化分析 六、应用案例分享 随着自动驾驶测试需求的日益复杂，基于aiSim为核心的端到端仿真方案凭借其 易于扩展 的特性，可以支持 SiL/HiL等多种应用场景 ，并提供了与 ROS2、Simulink、Matlab 等系统的无缝集成。 图 23 基于DMA视频注入闭环测试方案及监测窗口 我们还尝试探索了 专为GNSS集成域控制器、决策功能快速测试等场景 的测试方案，进一步提高了测试效率，降低了硬件成本。 图 24 GNSS联合仿真方案 七、结语 本次介绍的 端到端智驾仿真测试方案 ，以 aiSim引擎 和 XIL架构 为核心支撑，凭借其 开放的接口设计 、 灵活的场景构建 与 测试功能 ，为自动驾驶技术的验证与优化提供了强有力的支持。无论客户面临的是 提升测试效率 的迫切需求，还是 降低成本 的现实压力，端到端智驾仿真测试方案都能帮助客户轻松应对自动驾驶测试中的种种复杂挑战，实现技术难题的快速解决。

在《手把手教你搭建OpenScenario交通场景（上）》中，我们已经介绍，在动力学仿真软件ModelBase中对车辆、行人、物体和RSU四类实体进行创建后，实体的名称将根据各自类型出现在编辑器左上位置的实体列表中进行显示，并可用于通过点击在编辑器中实现快速查找。 模型库 包括车辆模型和驾驶员模型两部分，其中，关于车辆模型部分，列表中不同的模型将在软件运行动画界面中显示不同样式，并且支持对车辆中心和边界框等外观参数进行编辑；而驾驶员模型部分，则可对体现其驾驶风格的如舒适加/减速度，最小换道距离，超车渴望度等各类参数，是否遵守交通规则等特征进行设置，或对驾驶员模型进行新建或删除。 随机交通 可用于设置场景中是否开启随机交通流功能，在功能开启后可选择周边待生成随机交通车辆的中心实体，设置生成车辆的范围区域、最大数量、类型占比和最大期望速度等信息。如下图所示，随机交通车只生成在图中的暗灰色区域，当随机车辆跑出椭圆区域则会被自动消除，图中椭圆区域的车辆继续行驶。场景中的所有随机车辆均处于自动驾驶模型，车辆采用随机终点。 环境配置 可用于配置场景运行时的环境参数，支持对光照、云层和晴雨雪雾尘天气变化，以及路面积水情况进行模拟，并实现运行动画中的显示效果，在环境配置界面中可供修改的参数及其含义如下表所示： 交通灯配置 在通过道路编辑器进行交通灯添加并与控制器绑定的基础上，在配置界面中能够以每个控制器为单元对交通灯相位总时长，各色交通灯（包括通行--绿色、注意--黄色、停止通行--红色）相位时长占比进行设置，来作为车辆通过各个交叉路口的交通准则。 SCP编辑 SCP指令是通过发送指令的方式控制仿真运行过程中实体的行为。在SCP编辑界面，点击“生成”按钮，可生成勾选框所对应的SCP指令。运行时点击“发送”可将文本框中的指令发送至后端执行。点击“重置”按钮可取消所有勾选并清空输入框。 SCP指令采用了xml的格式，通过节点名称来确定指令的内容，通过节点中的参数确定指令的详细内容。SCP主要包括七类控制指令：交通行为指令（Traffic）、实体控制指令（Player）、环境控制指令（EnvironmentAction）、交通灯控制指令（TrafficLight）、设置参数指令（Set）、动画控制指令（Animator）、接口指令（API）。通过灵活运用各种SCP指令可以搭建更丰富的场景，测试更复杂的功能。 另外，通过点击“生成”按钮来生成的SCP指令也可以复制粘贴到车辆行为设置-触发条件及行为界面中，作为上述以SCP形式进行车辆行为设置的代码内容来使用。 动态监测 动态监测界面可以监测实体在运行时的实时数据，在运行状态时，选中实体，打开动态监测界面，界面中会实时显示该实体的动态参数。各参数的含义如下： · 实体名称：选中实体的名称 · 实体id：选中实体的id · X坐标：选中实体的X坐标 · Y坐标：选中实体的Y坐标 · Z坐标：选中实体的Z坐标 · 实体速度km/h：选中实体的速度 行驶路线列表 行驶路线列表位于场景编辑器的左下方，在行驶路线列表中存放该场景中的车道路线和不规则轨迹。 · 车道路线 ① 新建车道路线：在车道路线列表中，右击“车道路线”，弹出新建选项，点击新建路线，会自动新建出一个空的车道路线表格，此时进入“路线模式”，鼠标光标也将变为十字标志。在场景编辑区域内点击道路即可将指定的道路作为一个路线点添加进表格中，然后可继续在道路中沿着车辆行驶的下游方向选择路线点，高亮显示的车道数量不断增加，最终完成车道路线的创建。 ② 编辑车道路线：对于已经创建的车道路线，可以在车道路线列表中进行选中，然后对车道路线表格中的路线点进行删除，或通过点击“新建路线点”按钮进入车道路线编辑模式，在该路线下游继续添加路线点以实现路线的进一步延伸。 ③ 删除车道路线：对于已经创建的车道路线，可以在车道路线列表中进行选中，然后右键点击“删除路线”选项进行整条车道路线的删除。 · 不规则轨迹 不规则轨迹是由多个坐标点根据一定的连接方式确定的运行轨迹，ModelBase支持以Polyline（折线）、Clothoid（羊角螺旋线）、Nurbs（B样条曲线）三种方式对选定的坐标点进行自动连接。 ① 新建不规则轨迹：在车道路线列表中，右击“不规则轨迹”，弹出新建选项，点击新建路线，会自动新建出一个空的不规则轨迹表格，此时进入“不规则轨迹模式”，鼠标光标也将变为十字标志。在场景编辑区域内点击任意区域即可作为一个轨迹点添加进表格中，在点击的过程中，新增的轨迹点将与上一个轨迹点已选定的轨迹类型进行自动链接，最终形成一条理想的不规则轨迹。 ② 编辑不规则轨迹：对于已经创建的不规则轨迹，可以在不规则轨迹列表中进行选中，然后对不规则轨迹表格中的轨迹点进行删除或坐标值修改，或通过点击“新建轨迹点”按钮进入编辑模式，在该轨迹下游继续添加轨迹点以实现轨迹的进一步延长。 ③ 删除/隐藏不规则轨迹：右键不规则轨迹的名称，例如“trajectory_0”，点击删除轨迹，即可将该选中的不规则轨迹删除。点击“隐藏轨迹”，即可将选中的不规则轨迹隐藏。 ④ 导入不规则轨迹：右击“不规则轨迹”，点击“导入轨迹”，弹出选择窗口。“导入轨迹”功能支持导入 或 格式的GPS轨迹文件，其中每一列数据需要满足对应的数据格式，例如：数据文件第一列为时间，第二列为纬度，其余各列以此类推。“导入轨迹” 实际是根据设置的参考经纬度将一系列经纬度轨迹点转换为世界坐标系下的轨迹点，暂时只用到轨迹点经纬度信息。目前支持导入的类型包括*.txt格式的文本文件、*.xls、*.xlsx 格式的Excel文件。 在完成上述两种行驶路线的创建后，车道路线和不规则轨迹将分别出现在编辑器左下角的列表中，并在车辆行为配置--初始状态子界面中，选择基于“指定不规则轨迹”或“指定车道路线”的行驶路线控制模式时进行对应使用，随后被设置车辆将沿该路线进行行驶。 ModelBase是经纬恒润自主研发的综合驾驶测试仿真软件，具备车辆动力学模型及智能驾驶场景仿真能力，可用于乘用车、商用车的整车电控系统、ADAS系统的设计、测试和验证。可以覆盖电控系统的整个开发周期，包括早期的算法仿真测试（MIL/SIL），控制器的硬件在环测试（HIL），半实物台架测试（如电机台架、动力系统台架、整车台架等），以及车辆在环测试（VIL）。 了解更多 ModelBase软件可免费申请试用，请致电 010-64840808转6117或发邮件至market_dept@hirain.com（联系时请说明来自面包房社区）