中汽中心：2020中國自動駕駛仿真藍皮書（55頁）.pdf

《中汽中心：2020中國自動駕駛仿真藍皮書（55頁）.pdf》由會員分享，可在線閱讀，更多相關《中汽中心：2020中國自動駕駛仿真藍皮書（55頁）.pdf（55頁珍藏版）》請在三個皮匠報告上搜索。

1、 中國自動駕駛仿真藍皮書（2020） 課題組 課題負責人 張永偉 中國電動汽車百人會副理事長兼秘書長 鐘翔平 騰訊副總裁 課題組成員 朱 雷 中國電動汽車百人會智能網聯研究院研究總監 張 強 中國電動汽車百人會智能網聯研究院研究員 徐名赫 中國電動汽車百人會智能網聯研究院研究員 鐘學丹 騰訊智慧出行副總裁 蘇奎峰 騰訊自動駕駛總經理 孫馳天 騰訊自動駕駛仿真技術總監 朱向雷 中汽數據有限公司副總經理總工程師 周博林 中汽數據有限公司國際標準總監 陳 蔯 中汽數據有限公司標準法規高級經理 自動駕駛汽車在真正商業化應用前，需要 經歷大量的道路測試才能達到商用要求。采用 路測來優化自動駕駛算法耗費的

2、時間和成本太 高，且開放道路測試仍受到法規限制，極端交 通條件和場景復現困難，測試安全存在隱患。 世界各國交通環境也大相徑庭，形成全球通用 的產業鏈體系比較困難。以上種種問題使得自 動駕駛產業鏈的全球化發展和技術交流面臨眾 多實際問題。因此，基于場景庫的仿真測試是 解決自動駕駛研發測試挑戰的主要路線。 自動駕駛仿真測試已經被行業廣泛接受。 目前自動駕駛算法測試大約 90% 通過仿真平臺 完成，9% 在測試場完成，1% 通過實際路測完 成。 普通場景下的自動駕駛算法已經比較完善， 突破難點在于一些極端場景。這些場景可以通 過仿真平臺便捷生成，進行針對性的測試和驗 證。為解決極端場景測試難題，業界

3、共識要加 大仿真測試在自動駕駛測試中的占比。隨著仿 真技術水平的提高和應用的普及，行業旨在達 到通過仿真平臺完成 99.9的測試量，封閉場 地測試 0.09%，最后 0.01到實路上去完成， 這樣可以使自動駕駛汽車研發達到更高效、經 濟的狀態。 自動駕駛仿真測試平臺必須要具備幾種核 心能力：真實還原測試場景的能力、高效利用 路采數據生成仿真場景的能力、云端大規模并 行加速的能力，使得仿真測試滿足自動駕駛感 知、決策規劃和控制全棧算法的閉環，符合汽 車 V 字開發流程。 摘要 基于這幾種技術能力的要求，目前包括科 技公司、車企、自動駕駛方案解決商、仿真軟 件企業、高校及科研機構等主體都在積極投身

4、 虛擬仿真平臺的建設。在科技公司當中，以騰 訊為例，基于在地圖、游戲、云計算、人工智 能等領域的技術積累，騰訊自動駕駛虛擬仿真 平臺 TAD Sim 可以實現自動化的場景生成和云 端高并發測試，大幅提高自動駕駛測試驗證效 率，目前已經與長沙、襄陽、深圳等地智能網 聯測試場展開虛實一體的自動駕駛測試合作， 并榮獲 2020 全球新能源汽車創新技術大獎。 中國是世界最大的汽車生產與消費國，仿 真軟件作為自動駕駛汽車研發過程中最關鍵的 核心技術之一，必須實現自主研發，以在國際 競爭中占據主導地位。美國和德國仿真軟件企 業及單位總數占全球總數一半以上。中國企業 在此領域處于追趕階段，為實現本土化的自動

5、 駕駛，需不斷強化適合中國市場和交通環境的 自動駕駛虛擬仿真測試技術，有助于實現中國 智能汽車創新發展戰略 2025 年目標。 為提升智能網聯汽車的測試驗證效率，有 企業和智能網聯示范區開展了路測與虛擬仿真 相結合的測試模式。我國也正在鼓勵探索自動 駕駛汽車與數字智能化道路有機融合的仿真技 術。 仿真技術在虛擬環境中模擬智能交通運行， 為智能交通調度運營管理提供決策依據，助力 智慧城市的建設。 目錄 第一章 自動駕駛仿真測試的意義 1 1.1 自動駕駛商業化面臨路測數據匱乏的挑戰 2 1.2 基于場景庫的仿真測試成為自動駕駛研發的關鍵 3 1.2.1 場景的構成 3 1.2.2 場景庫的特點

6、4 1.3 仿真測試與道路測試結合推動自動駕駛研發 4 第二章 國內外自動駕駛仿真測試發展現狀 6 2.1 政策法規現狀 7 2.2 標準發展現狀 8 2.3 仿真測試應用現狀 10 2.3.1 科技公司 10 2.3.2 整車企業 14 2.3.3 自動駕駛解決方案商 14 2.3.4 仿真軟件企業 15 2.3.5 高校及科研機構 17 2.3.6 智能網聯測試示范區 18 第三章 自動駕駛仿真測試平臺環境 20 3.1 仿真測試平臺功能需求 21 3.1.1 滿足自動駕駛感知、決策規劃、控制全棧算法的閉環仿真測試 21 3.1.2 滿足汽車 V 字開發流程 21 3.1.3 加速自動駕駛

7、算法迭代升級 21 3.2 仿真測試平臺技術架構與能力 22 3.2.1 虛擬場景構建 22 3.2.2 感知系統仿真 23 3.2.3 車輛動力學仿真 24 3.2.4 云加速仿真 24 3.3 仿真測試平臺核心功能 25 3.3.1 超高還原度的仿真場景 25 中國自動駕駛仿真藍皮書（2020） 3.3.2 利用路采數據生成交互性強和還原度高的交通場景 25 3.3.3 云端大規模并行加速，提升仿真測試效率 25 第四章 場景庫體系建立與開放 27 4.1 自動駕駛測試場景庫體系的搭建 28 4.1.1 場景庫的概念 28 4.1.2 場景數據來源 29 4.1.3 場景的自動化生成 30

8、 4.1.4 場景數據格式標準 30 4.1.5 場景庫的搭建流程 31 4.2 道路測試到場景轉化 32 4.3 國內典型場景庫 32 4.3.1 中汽數據有限公司場景案例庫 32 4.3.2中國汽車工程研究院股份有限公司中國典型場景庫V2.0 34 4.3.3 騰訊TAD Sim場景庫 35 4.3.4 百度Apollo場景庫 36 4.4 共建自動駕駛場景庫 37 第五章 自動駕駛測試評價體系 38 5.1 自動駕駛測試評價方法 39 5.2 仿真測試的真實性與有效性評價 41 5.2.1 真實性評價 41 5.2.2 有效性評價 41 5.3 仿真測試與道路測試的閉環驗證 45 第六章

9、 中國自動駕駛仿真測試展望 46 6.1 自動駕駛仿真測試面臨挑戰 47 6.1.1 仿真場景庫建設與合作機制有待完善 47 6.1.2 自動駕駛仿真測試評價體系缺乏規范 47 6.2 自動駕駛仿真測試發展建議 47 中國自動駕駛仿真藍皮書（2020） 第一章 自動駕駛仿真測試的意義 中國自動駕駛仿真藍皮書 (2020) 2 自動駕駛汽車在真正商業化應用前，需要經歷大量的道路測試才能達到商用要求。但作為新興事物，自動駕駛 汽車仍面臨著大量問題需要克服，如道路測試的時間成本、各國對于自動駕駛的法律法規容忍度、極端場景及危險 工況的測試安全性、各國道路交通環境及習慣不同等問題，都給自動駕駛系統研發

10、測試帶來諸多困難。 采用路測來優化自動駕駛算法耗費的時間與成本太高。自動駕駛屬于人工智能范疇，仍處于不斷發展階段。根 據美國蘭德公司的研究，自動駕駛算法想要達到人類駕駛員水平至少需要累計 177 億公里的駕駛數據來完善算法。 如果配置一支 100 輛自動駕駛測試車的車隊，每天 24 小時不停歇路測，平均時速 25 英里（40 公里）每小時來計算， 需要 500 多年的時間才能完成目標里程，期間所耗費的時間和成本是難以承受的。 自動駕駛相應交通法規及保險理賠機制的缺失制約了自動駕駛汽車路測的大范圍開展。由于自動駕駛汽車尚不 能保證絕對安全，我國政府對開放自動駕駛道路測試保持謹慎的態度，僅依靠部分

11、開放道路以及智能網聯測試區進 行路測，難以滿足自動駕駛汽車旺盛的測試需求。主要體現在以下四個方面： 自動駕駛汽車路測缺乏法律依據。目前在絕大部分公開道路，尤其是高速公路上測試自動駕駛汽車仍然缺乏 法律依據，阻礙了測試的進度。 自動駕駛路測車輛禁止載人載貨，導致測試不全面?，F行規定明確禁止測試過程中搭乘與測試無關的人員或 貨物，阻礙了測試主體開展更豐富的自動駕駛技術性測試。 自動駕駛汽車事故責任劃分缺乏法律依據。 由于自動駕駛汽車的駕駛主體是自動駕駛系統或自動駕駛服務商， 和現行人類駕駛員為主體的交通法規體系存在很大差別。侵權責任法、道路交通安全法等法規中有關機動 車交通事故的責任體系將不再適合

12、，導致目前自動駕駛汽車的相關法律糾紛出現無法可依的局面。 自動駕駛汽車缺乏相應的保險理賠機制。自動駕駛汽車突破了有關機動車保險的規定，使得目前的自動駕駛 汽車“無險可投”，增加了測試企業及其他交通參與者的風險。 極端交通條件和危險場景復現困難，而且測試安全存在隱患。自動駕駛汽車在實際道路行駛過程中，極端交通 條件和危險場景可遇不可求，且安全問題也是一大困擾。根據美國國家公路交通安全管理局（NHTSA）的統計數據， 汽車平均行駛 43.6 萬英里（70 萬公里）才會發生一起事故，平均行駛 1 億英里（1.6 億公里）死亡大約 1 人。此外， 自動駕駛汽車測試行業依然沒有就測試的安全性等標準達成一

13、致，制約了自動駕駛的研發測試。 形成全球認可的自動駕駛產業鏈體系比較困難。由于世界各國社會和經濟環境千差萬別，各地區的道路環境和 交通習慣也大相徑庭。中國的城市道路中快遞、外賣、行人混行情況普遍存在，對于自動駕駛汽車的感知決策能力 提出了更高的要求。而且中國的道路交通標志、標線設置不規范情況普遍存在，不同地區之間也有差別。國內與國 外的交通標志標線顏色、文字說明等方面也存在差別，這些在短期內很難得到改變。上述種種問題使得自動駕駛產 業鏈的全球化發展和技術交流面臨眾多實際問題。 圖表 1 自動駕駛研發與準入測試面臨的挑戰 資料來源：公開資料，課題組整理 1.1 自動駕駛商業化面臨路測數據匱乏的挑

14、戰 中國自動駕駛仿真藍皮書 (2020) 3 目前基于場景庫的仿真測試是解決自動駕駛路測數據匱乏的重要路線。仿真測試主要通過構建虛擬場景庫，實 現自動駕駛感知、決策規劃、控制等算法的閉環仿真測試，滿足自動駕駛測試的要求。場景庫是自動駕駛仿真測試 的基礎，場景庫對現實世界的覆蓋率越高，仿真測試結果越真實。而且自動駕駛汽車研發的不同階段對于場景庫的 要求也不同，需要場景庫實現不同的測試功能。 1.2.1 場景的構成 根據中國汽車技術研究中心的分類，自動駕駛測試場景可分為自然駕駛場景、危險工況場景、標準法規場景、 參數重組場景等四大類，四類場景共同組成了場景庫。 自然駕駛場景來源于汽車真實的自然駕駛

15、狀態，是構建自動駕駛測試場景中最基礎的數據來源。由于自然駕駛 場景包含自動駕駛汽車所處的人 - 車 - 環境 - 任務等全方位信息，如車輛數據、駕駛人行為、道路環境等多維度信息， 能夠很好地體現測試的隨機性、復雜性、典型性區域特點，屬于自動駕駛汽車充分測試的場景，目的是為了滿足自 動駕駛汽車最基本的功能開發與驗證。 危險工況場景主要包含大量惡劣天氣環境、復雜道路交通以及典型交通事故等場景。危險工況場景是自動駕駛 汽車測試過程中進行自動駕駛控制策略驗證的關鍵部分，驗證自動駕駛車輛在危險工況場景下的避撞能力是整個自 動駕駛安全測試的核心，是測試驗證自動駕駛有效性的必要測試場景，目的是為了驗證自動駕

16、駛汽車的安全性和可 靠性。 標準法規場景是驗證自動駕駛有效性的一種基礎測試場景，目前有 ISO、NHTSA、ENCAP、CNCAP 等多項標準、 評價規程對現有自動駕駛功能進行了測試規定。標準法規場景是通過現有的標準、評價規程構建測試場景，目的是 對自動駕駛汽車應該具備的基本能力進行測試。 參數重組場景是將已有仿真場景進行參數化設置并完成仿真場景的隨機生成或自動重組， 具有無限性、 擴展性、 批量化、 自動化等特點。 參數重組場景目的是補充自然駕駛場景、 標準法規場景、 危險工況場景等未覆蓋的未知場景， 有效覆蓋自動駕駛功能測試盲區。 圖表 2 不同場景的測試重要性 資料來源：公開資料，課題組

17、整理 1.2 基于場景庫的仿真測試成為自動駕駛研發的關鍵 中國自動駕駛仿真藍皮書 (2020) 4 圖表 3 自動駕駛汽車研發的不同階段對場景的要求 資料來源：公開資料，課題組整理 1.2.2 場景庫的特點 自動駕駛汽車的研發包括開發驗證、測試評價、檢測認證。每個階段由于目的不同，其仿真測試對場景庫的要 求也不同。 （1）在開發驗證階段，場景庫是為了驗證自動駕駛汽車各項功能，實現功能的調整和快速迭代，要求場景庫具 備以下特點： 場景庫應盡可能覆蓋所有功能測試，驗證各項功能在各種場景下的安全性，對于某些不必要的功能可以剔除； 測試場景可在現實世界中實施，以驗證功能的安全性，場景中的各項要素可根據

18、測試要求進行靈活調整； 場景可部署到模型在環（MIL)、軟件在環（SIL）、硬件在環（HIL）、車輛在環（VIL）等進行完整在環測試。 （2）在測試評價階段，場景庫是為了評價自動駕駛汽車不同維度、不同方面性能，要求場景庫具備以下特點： 為了針對性地評價自動駕駛汽車的各項性能，測試場景應與評價指標高度相關； 為使自動駕駛汽車在真實世界時和測試評價結果一致，要求測試場景要素的特征與指標與現實相符； 為了準確評價自動駕駛汽車在未知場景的表現，需要對參數重組情況下的場景進行補充測試，要求場景各類 要素指標可量化方便進行人工編輯，不同場景下的場景要素指標要一致，方便實現場景數據的存儲。 （3）在檢測認證

19、階段，場景庫是為了考察自動駕駛汽車在各種交通行為下各項功能安全性、可靠性，為最終上 路做準備，要求場景庫具備以下特點： 自動駕駛上路前需要在各種場景下具備很高的安全性、可靠性，因此對檢測認證結果的可信度要達到非常高 的水平； 為了全國推廣自動駕駛汽車測試標準，應做到測試標準統一，測試場景具有可重復性和一致性。 場景庫的搭建應依據自動駕駛汽車的開發階段進行針對性或模塊化開發，在保證測試要求的前提下盡量降低用 戶成本。 在自動駕駛的開發流程中，純模型仿真軟件在環仿真半實物仿真封閉場地道路測試開放道路測試的開 發流程是最經濟、高效的開發流程。 目前自動駕駛仿真已經被行業廣泛接受。例如美國自動駕駛領軍

20、企業 Waymo 旗下的仿真平臺 Carcraft 每天 在虛擬道路上行駛約 2000 萬英里，相當于在真實世界中行駛 10 年。截止 2020 年 5 月，Waymo 已經模擬行駛了 1.3 仿真測試與道路測試結合推動自動駕駛研發 中國自動駕駛仿真藍皮書 (2020) 5 圖表 4 仿真測試、封閉場地測試、道路測試形成閉環促進研發及標準建立 資料來源：i-VISTA，課題組整理 150 億英里，相比之下，去年 6 月的數據是 100 億英里。除 Waymo 外，通用旗下的 Cruise、AutoX、小馬智行等 國內外自動駕駛解決方案商也在進行大量的仿真測試，以完善自己的自動駕駛系統，仿真測試

21、已經成為自動駕駛商 用最重要的測試。 在仿真場景中，普通場景下的自動駕駛算法已經比較完善，突破難點在于一些極端場景（corner cases）。由 于極端場景在現實中可遇不可求，利用仿真平臺可以便捷生成，所以業界共識是加大仿真測試在自動駕駛測試中的 占比。目前自動駕駛算法測試大約 90% 通過仿真平臺完成，9% 在測試場完成，1% 通過實際路測完成。仿真測試 結果可以在封閉場地進行測試認證，此外在道路測試基礎上總結出危險場景，反饋到仿真測試與封閉場地測試中， 最終形成評價結果，逐步完善評價準則和測試場景庫，實現了仿真測試、封閉場地測試、道路測試的測試閉環，推 動技術迭代升級。 隨著仿真技術水平

22、的提高和應用的普及，行業旨在達到通過仿真平臺完成 99.9的測試量，封閉場地測試完成 0.09，最后 0.01到實路上去完成，這樣可以使自動駕駛汽車研發達到更高效、經濟的狀態。 第二章 國內外自動駕駛仿真測試發展現狀 中國自動駕駛仿真藍皮書 (2020) 7 在世界范圍內，眾多國家針對自動駕駛及相關功能有著不同的政策策略及法規專注度。歐盟認為以協作、網聯、 自動為特征的出行模式是未來的交通系統發展趨勢，但在智能網聯汽車整體策略上態度相對保守。美國發展智能網 聯汽車擁有雄厚的產業優勢，參與自動駕駛研發的企業涵蓋芯片技術、算法開發、系統集成、電信運營、仿真測試、 電子設備、整車制造及信息服務等領域

23、，且全部為本土及國際高精尖企業及研究機構。日本方面，政府非常重視智 能網聯汽車的研發與應用， 并認為加快L3、 L4級別自動駕駛汽車的研發需要國家級場景庫協助日本主導國際話語權。 各國與地區在仿真測試技術路線上都形成了跨領域、跨行業的合作共贏模式。歐盟大力推進各成員國、各企業 機構之間的協調統一、成果共享；美國與日本企業組建跨國、跨行業聯盟，發揮各自優勢并分擔研發成本。我國智 能網聯仿真測試產業發展迅速，技術創新活躍，產業規模不斷擴大，但也存在頂層設計欠缺、部分關鍵技術缺失、 標準法規滯后等問題。我國擁有全球最大汽車市場，強大的信息通信產業以及完備的計算機科學人才等良好基礎， 積極擴充合作和行

24、業聯盟有助于跟上國際合作潮流。 隨著自動駕駛技術的發展，具備自動駕駛功能的汽車已經逐漸成為研發熱點，世界各國均針對自動駕駛制定了 相應戰略方針，系統安全性是當前國際法規研究的重點。在聯合國層面，世界車輛法規協調論壇 WP.29 成立了自動 駕駛汽車工作組（GRVA），該工作組正在進行自動駕駛相關安全法規的制定。在 GRVA 子工作組 VMAD 自動駕駛 安全驗證方法中，形成了以道路測試、場地測試、仿真測試、審核與驗證、交通場景等為支撐的“多支柱驗證方法”， 仿真及虛擬測試逐漸成為被國際認可的自動駕駛功能驗證中必不可少的一環。2020 年中國作為聯合主席成員國， 參與起草 GRVA 子工作組 F

25、RAV自動駕駛車輛的通用功能性要求草案，此草案從系統安全、設計運行域、故障 保護響應、目標事件檢測和響應、人機交互界面及操作員信息等方面提出了對自動駕駛功能安全的要求。 2020年6月， WP.29世界車輛法規協調論壇通過了世界上首個針對Level 3級自動駕駛車輛有約束力的法規 UN Regulation on Automated Lane Keeping Systems(ALKS)，此條款從 2021 年 1 月正式開始生效。此條款規定 了自動駕駛車輛開啟自動車道保持功能的具體需求、移交條件及干預條件，其中重點約束了車載顯示器、人機交互 條件、與駕駛員車輛控制權移交、駕駛員沒有做出正確判斷

26、后的系統退出機制等。牽頭此草案的國家為日本和德國， 通過此條款后，日本、法國、荷蘭以及加拿大等國已經確立了此草案與當地法規的生效關系，英國同樣承諾在預設 的 300 英里公開測試道路上及相關區域進行相應測試。 此外，此法規同時著重描述了此自動駕駛功能與多支柱法之間的關系，提出了具體的道路測試、場地測試、仿 真測試、審核與驗證具體的映射關系，進一步確立了多支柱法中不同條件的交互關系。此外針對安全及相應問題， 提出了以下幾點要求： 發生碰撞情況下的緊急情況的處理機制，需要利用仿真進行相應測試； 系統失效條件下，要求駕駛員取回控制權及相應條件； 提出系統移交條件以及駕駛員無回應時的系統保護的風險條件

27、； 安裝車輛駕駛員就位識別系統，識別駕駛員就位以及其控制意圖識別； 車輛車載自動駕駛信息存儲系統，以及其相應信息記錄機制； 車輛出售前車輛性能及表現需求聲明，提出配備此功能車輛的表現需求及后續保養需求等。 此法規的發布，對國內自動駕駛標準法規的制定同樣具有借鑒意義。 2.1 政策法規現狀 中國自動駕駛仿真藍皮書 (2020) 8 國際標準化組織 ISO 于 2018 年正式成立 TC22/SC33 WG9 自動駕駛場景工作組，制定自動駕駛測試場景相關 標準。此工作組由中國牽頭，汽車標準委員會秘書處王兆作為召集人，這是我國在 ISO/TC22（道路車輛委員會） 范疇內首次承擔國際標準工作組（WG

28、）召集人職責，是我國在汽車國際標準化方面邁出的重要一步。WG9 工作組 下一步工作重點是形成現階段工作情況報告，盡快制定完成和發布該系列標準，為國際相關標準法規及產業應用提 供支持。 自動駕駛場景工作組已于2019年通過了四項標準以及一項預留標準的立案， 具體標準見下表， 其中， 34505 “基 于場景的自動駕駛系統的評測體系”為預留草案。 中國國內在仿真測試行業中，逐步認識到相關重要性，2020 年，由中國汽車技術研究中心有限公司撰寫的自 動駕駛測試場景技術發展與應用出版上市，此書籍由全國汽車標準技術委員會 (SAC/TC 114) 及其智能網聯汽車分 技術委員會 (SC 34) 秘書處統

29、籌組織規劃，同濟大學、華為技術有限公司、吉林大學、上汽集團前瞻技術研究部、 中國第一汽車集團、 中國汽車技術研究中心有限公司、 國汽智聯、 阿里巴巴菜鳥網絡等單位作為各章節主要編寫單位， 共計來自于 30 余家骨干單位近百名專家參與撰寫。 此書作為 2019 年至今為止在仿真測試方面，涵蓋最多的成員單位，最為集中的體系與內容，逐步將會成為仿 真測試行業中標準的先行團隊。 后期相應研究標準將按照 自動駕駛測試場景技術發展與應用 逐步形成標準化內容。 針對此方向標準，全國汽車標準技術委員會 (SAC/TC 114) 已于 2019 年在全國范圍內成立自動駕駛汽車仿真測試 標準化需求研究 項目組，

30、由中國汽車技術研究中心有限公司牽頭組建。 此項標準將在仿真測試通用要求、 測試工具、 測試流程等方面開展標準化研究工作，并組織項目組成員進行仿真測試與實車測試對比試驗，用以驗證仿真測試的 真實性、可重復性等。后續該項目組將按照規劃按時完成研究報告，并同步開展相關標準預研工作。 除 ISO 外，其他國家與組織也針對自動駕駛測試場景展開了研究。2016 年，德國聯邦經濟與能源部（BMWi） 啟動 PEGASUS 項目，旨在開發一套自動駕駛功能測試程序，以促進自動駕駛技術的快速落地。PEGASUS 項目內 容包括定義自動駕駛車輛在仿真、測試場地以及實際環境中的測試與實驗標準流程；開發一個持續的和靈活

31、的工具 鏈以維護自動駕駛開發與驗證；在開發早期的階段集成測試；創建跨整車廠的方法來維護高度自動駕駛功能等。 PEGASUS 項目于 2019 年 5 月結項，其中一項重要研究成果就是 OpenCRG、OpenDRIVE、OpenSCENARIO 三項駕駛場景仿真格式標準。該標準已于 2018 年正式從戴姆勒和 VIRES 轉交 ASAM 進行下一步標準維護與開發。 以此為契機，ASAM 于 2018 年新開創一類標準仿真，用于制定和協調自動駕駛領域的相關仿真標準。 德國自動化及測量系統標準協會（ASAM）是一家非政府的汽車領域標準化制定機構，1998 年由數位行業專家 圖表 5 ISO TC2

32、2/SC33 WG9 自動駕駛場景工作組研究內容 編號內容牽頭 ISO 34501自動駕駛系統測試場景術語與通用信息中國 ISO 34502基于自動駕駛車輛安全認證為目的的場景工程框架設定 日本 德國 ISO 34503自動駕駛系統的設計運行域分類 英國 日本 ISO 34504場景特征及場景分類定義 德國 荷蘭 ISO 34505基于場景的自動駕駛系統的評測體系 中國 英國 資料來源：中汽數據有限公司，課題組整理 2.2 標準發展現狀 中國自動駕駛仿真藍皮書 (2020) 9 圖表 6 ASAM OpenX 自動駕駛仿真測試標準體系 資料來源：中汽數據有限公司，課題組整理 為標準化 ECU

33、開發與測試中的數據交互而創立，致力于實現開發流程中各環節的數據信息自由交換。截至 2019 年， 共有來自亞洲、歐洲、北美洲的 295 家整車廠、供應商及科研機構加入成為會員。ASAM 推出的標準涉及多個汽車 標準領域，包括仿真、車聯網、測量與校準、診斷、自動化測試、軟件開發、ECU 網絡和數據管理與分析等。 隨著自動駕駛技術的發展，仿真測試對于自動駕駛的安全落地至關重要，ASAM 發布的 OpenX 標準得到了 全球廣泛關注，熱度逐漸提升。成員單位提出希望制定更多的仿真領域標準，并以 OpenX 命名，其中還包括 Open LABEL。2019 年 10 月，由寶馬開發的 OSI 標準正式移

34、交 ASAM 進行維護與開發。至此，ASAM 啟動的 OpenX 包含標準達到了 5 項（見圖表 6）。同時隨著全球自動駕駛測試需求的提升，更多的標準提案與計劃已經提 上日程。2020 年是自動駕駛應用落地的重要開端，也是 OpenX 標準體系應用推廣的重要一年。 目 前， 在 ASAM 仿 真 驗 證 領 域，OpenX 系 列 標 準 主 要 包 括 OpenDRIVE、OpenSCENARIO、Open Simulation Interface（OSI）、OpenLABEL 和 OpenCRG 五大板塊。在仿真測試的整體流程中，OpenDRIVE 和 OpenSCENARIO針對仿真場景

35、的不同數據格式進行統一；OpenLABEL將對于原始數據和場景給出統一的標定方法； OSI 連接了自動駕駛功能與仿真工具，同時集成了多種傳感器；OpenCRG 則實現了路面物理信息與靜態道路場景 的交互。 中國的駕駛場景極具特色，不僅道路結構、交通標志、交通信號燈等形態各異，人車混流的交通狀況也為構建 動態仿真場景增加了許多難度。為了更有針對性地解決與中國特色場景相關的諸多問題，ASAM 標準協會于 2018 年與中汽中心下屬中汽數據有限公司（以下簡稱“中汽數據”）開展技術交流。中汽數據在駕駛場景、模擬仿真等 領域取得的進展得到了 ASAM 的高度認可。2019 年 9 月，中汽數據與 ASA

36、M 聯合發表聲明，共同組建 C-ASAM 工 作組。針對 ASAM OpenX 模擬仿真測試場景標準，C-ASAM 工作組將整合中國智能網聯汽車行業，利用國際合作平 臺價值，實現互通互利，攜手共進，達成共贏的局面。針對以上研究內容，從以下幾大方面進行拓展（見圖表 7）。 中國自動駕駛仿真藍皮書 (2020) 10 目前 C-ASAM 工作組成員包括上汽集團、騰訊、華為、百度、賽目、四維圖新、北京航空航天大學等 20 余家 中國企業與研究機構，共同為中國在相應標準中發聲，成為中國對標國際標準內容的重要工作組?；跀祿涌诤?格式等仿真驗證領域的共性問題，ASAM 引入的 OpenX 系列標準填補

37、了行業多項空白。該系列標準的推出與完善， 使得仿真測試場景中各要素之間的隔閡逐漸被打破，原本孤立的各環節的貫通與交互成為可能。而隨著我國汽車仿 真驗證領域的國際化接軌進程將加快，OpenX 系列標準的影響也將不斷擴展。 目前自動駕駛仿真市場參與主體主要包括：科技公司、車企、自動駕駛解決方案商、仿真軟件企業、高校及科 研機構、智能網聯測試示范區。由于每個市場主體在自動駕駛仿真方面的技術基礎不同，因此在推動自動駕駛仿真 方面的研發及合作方式呈現不同模式。 2.3.1 科技公司 科技公司在仿真方面起步相對較晚，在汽車功能探索方面經驗較少，但是具備大數據優勢，軟件開發能力強。 自動駕駛汽車相比傳統汽車

38、，對軟件的需求更大，科技公司進行仿真軟件的探索，目的是進入市場龐大的汽車行業， 建立更大的數據平臺，形成新的業務增長點。目前自動駕駛仿真科技公司主要包括騰訊、百度、華為、阿里等。 1. 騰訊自動駕駛仿真平臺 TAD Sim 騰訊自動駕駛仿真平臺 TAD Sim（Tencent Autonomous Driving Simulator）于 2018 年發布，是結合了專業 的游戲引擎、工業級車輛動力學模型、虛實一體交通流等技術打造的虛實結合、線上線下一體的自動駕駛仿真平臺。 游戲技術對自動駕駛仿真有很大的助力作用。 為實現場景的高還原度， 騰訊發揮自身在游戲領域的經驗和技術， 應用了包括場景還原、

39、大氣系統、傳感器仿真、物理引擎、Agent AI、云游戲技術、MMO 同步等游戲技術。游戲技 術的應用可實現場景的幾何還原、邏輯還原及物理還原。在場景幾何還原上，TAD Sim 可實現三維場景仿真和傳感 器仿真，使環境和測試車輛條件都與現實世界相同；在場景邏輯還原上，TAD Sim 可在虛擬世界中模擬出測試車輛 2.3 仿真測試應用現狀 圖表 7 C-ASAM 工作組研究框架及內容拓展 資料來源：中汽數據有限公司，課題組整理 中國自動駕駛仿真藍皮書 (2020) 11 圖表 8 騰訊 TAD Sim 部分場景展示 資料來源：騰訊，課題組整理 的決策規劃過程；在場景物理還原上，TAD Sim 可

40、模擬出車輛的操控和車身動力學作用結果，使虛擬世界的自動駕 駛測試結果與現實世界無限接近。 TAD Sim 內置高精度地圖，可以完成感知、決策、控制算法等實車上全部模塊的閉環仿真驗證。不同天氣、光 照條件等環境的場景模擬，以及測試車輛的感知能力、決策能力和車輛控制仿真均可以實現。 TAD Sim 支持云端運行，包括場景型云仿真和虛擬城市型云仿真兩種模式。城市型云仿真既可以實現加速仿真， 也可以實現高并發仿真，滿足真實世界中各種場景和駕駛的可能性，加速企業自動駕駛測試進程。 通過完整的模型在環、軟件在環、硬件在環、車輛在環的測試驗證體系，TAD Sim2.0 覆蓋了完整的汽車 V 字開 發流程，并

41、融入了自動駕駛研發體系。 騰訊 TAD Sim 不僅可供車企及自動駕駛技術開發者進行研發測試，還可以為政策制定部門、交通管理部門提供 交通調度管理、道路及交通規劃、自動駕駛法規研究等方面的測試平臺。 2020 年 6 月 TAD Sim 2.0 版本發布，在原有基礎上進行了架構的優化升級，數據傳輸能力和加速能力都有大幅 提升，資源占用量減少 30%。目前場景庫中有超過 1000 種場景類型，可以泛化生成萬倍以上豐富場景，具備每日 1000 萬公里以上的測試能力。 目前，TAD Sim 正在與國家智能網聯汽車測試區、國家部委，以及國內頭部車企展開合作，基于高精度地圖和 虛擬仿真技術，推行虛實結合

42、的仿真測試，加速自動駕駛研發落地。 圖表 9 騰訊自動駕駛業務體系 資料來源：公開資料，課題組整理 中國自動駕駛仿真藍皮書 (2020) 12 2. 百度增強現實的自動駕駛仿真系統 AADS 百 度 自 主 研 發 的 增 強 現 實 的 自 動 駕 駛 仿 真 系 統 (AADS：Augmented autonomous driving simulation usingdata-driven algorithms) 由百度研究院機器人與自動駕駛實驗室開發，它不僅能大大降低仿真系統的測試成 本，還在真實性和擴展性方面實現了質的飛躍。 AADS 系統包含一套全新開發的基于數據驅動的交通流仿真框架

43、和一套全新的基于圖像渲染的場景圖片合成框 架。在獲得真實感的車流移動和場景圖像之后，系統利用增強現實技術可直接、全自動地創建逼真的仿真圖像，消 除了現有仿真系統中游戲引擎渲染圖片與真實圖片之間的差距。 在 AADS 系統中，使用一臺安裝了激光雷達和雙目相機的汽車掃描街道，便可獲得自動駕駛仿真的全部素材。 AADS 可自動將輸入素材分解為背景、場景照明和前景對象。通過 AADS 中全新開發的視圖合成技術，可以在靜態 背景上改變視點，生成任意視角的真實圖片。比如，掃描街景圖片后，AADS 系統可以變換街景圖片的視角，進而 模仿車在不同環境里面行走的動作。 基于 AADS 系統，百度還同時發布了兩大

44、公開數據集，即 ApolloCar3D 和 TrafficPredict。這兩個數據集是百 度 ApolloScape 開源項目的一部分，其中 ApolloCar3D 數據集包括超過六萬車輛的實例，配有高質量的三維 CAD 模型和語義關鍵點。TrafficPredict 是一個運動物體的軌跡數據集，包括時間戳、車輛 ID、類別、位置、速度、朝 向等信息，軌跡總長度達到 1000 多公里。 圖表 10 百度增強現實的自動駕駛仿真系統 AADS 資料來源：公開資料，課題組整理 3. 華為自動駕駛云服務 Octopus 2019 年 4 月上海車展上，華為首次展出自動駕駛云服務 Octopus。20

45、19 年 12 月 13 日，湘江新區完成華為自 動駕駛云服務的采購，啟動湖南智能網聯汽車產業云的布置和實施。2020 年 1 月 9 日，湖南智能網聯汽車產業云 正式上線。迄今為止，已經有 3 家企業上線湖南智能網聯汽車產業云，并使用華為自動駕駛云仿真訓練服務。 華為的自動駕駛云服務 Octopus 形為八爪魚，服務覆蓋自動駕駛數據、模型、訓練、仿真、標注等全生命周期 業務， 向開發者提供包括數據服務、 訓練服務、 仿真服務在內的三大服務。 基于三大服務， 華為的自動駕駛云服務 “八 中國自動駕駛仿真藍皮書 (2020) 13 爪魚”能為企業用戶提供以下核心能力： 處理海量數據，自動化挖掘及

46、標注，能夠節省 70% 以上的人力成本； 軟硬件加速，平臺提供華為自研昇騰 910 AI 芯片和 MindSpore AI 框架能大幅提升訓練及仿真效率； 豐富的仿真場景，高并發實例處理能力：通過集成場景設計和數據驅動的方法，合計提供超過 1 萬個仿真場 景；系統每日虛擬測試里程可超過 500 萬公里，支持 3000 個實例并發測試； 云管端芯協同，車云無縫對接：Octopus 天然支持無縫對接 MDC（移動數據中心）等車端硬件平臺和 ADAS 系統，實現車云協同。 華為自動駕駛云服務 Octopus 與華為 MDC、智能駕駛 OS 聯合，共同組成車云協同的智能駕駛平臺，未來華 為會將高精地圖

47、、5G 及 V2X 技術等能力集成到“八爪魚”中，幫助車企和開發者開發自動駕駛應用。 在仿真訓練服務方面，華為自動駕駛云服務平臺內置超過 1 萬個仿真場景，覆蓋智能駕駛、主動安全、危險場 景等六大場景，并且支持將路測數據場景轉換為仿真場景，每日虛擬測試里程可超過 500 萬公里。 4. 阿里混合式仿真測試平臺 2020 年 4 月 22 日，阿里達摩院對外發布全球首個自動駕駛“混合式仿真測試平臺”，該平臺采用虛擬與現實 結合的仿真技術，引進真實路測場景和云端訓練師。該平臺可以任意增加極端路測場景變量，在實際路測中，復現 一次極端場景的接管可能需要 1 個月的時間，阿里混合式仿真測試平臺可在 3

48、0 秒內模擬一次極端場景。每日虛擬 測試里程可超過 800 萬公里，提升自動駕駛 AI 模型訓練效率。 阿里混合式仿真測試平臺不僅可以使用真實路測數據自動生成仿真場景，還可通過人為隨機干預，實時模擬前 后車輛加速、急轉彎、緊急停車等場景，加大自動駕駛車輛的避障訓練難度。 圖表 11 科技公司自動駕駛仿真平臺對比 資料來源：公開資料，課題組整理 5. 其他 此外，微軟、英偉達及 LG 等國外科技公司主要針對自動駕駛仿真軟件進行研發，通過和產業鏈企業合作建立 了自動駕駛研發生態體系，成為自動駕駛仿真的重要參與者。 英偉達于 2018 年 3 月推出基于云的 NVIDIA Drive Constel

49、lation 仿真系統，并于 2019 年 3 月正式上市。該仿 真系統由兩臺不同的服務器而打造，第一臺服務器運行英偉達 DRIVE Sim 軟件來仿真自動駕駛汽車的傳感器，如相 機、激光雷達和雷達。第二臺服務器搭載了英偉達 DRIVE Pegasus 人工智能車載計算平臺，用來處理仿真的傳感器 公司名稱騰訊百度華為阿里 技術特點 游戲技術 數據驅動 天氣系統 傳感器仿真 物理引擎 Agent AI 云游戲技術 MMO 同步技術 高精度地圖 云平臺 日測 1000 萬公里 數據技術 AADS（增強現實的 自動駕駛仿真系統） ApolloCar3D TrafficPredict 百度云 全生命周期服務 覆蓋自動駕駛數據、模 型、訓練、仿真、標注 等 軟硬件平臺 自研 AI 芯片 自研 AI 框架 車云協同數據對接 虛擬與現實結合仿真技術 極端場景模擬只需 30 秒 每日虛擬測試里程可達 800 萬公里 阿里云技術 中國自動駕駛仿真藍皮書 (2020) 14 圖表 12 車企利用自動駕駛仿真軟件情況 資料來源：公開資料，課題組整理 車企