虚拟化技术助力自动驾驶仿真实现最大效力

目前，自动驾驶正在快速进入量产时代。面对越来越复杂的自动驾驶系统，如何保证自动驾驶功能的安全性？

2022年11月14日，dSPACE高级业务发展经理朱晖表示，实车测试很难满足自动驾驶的测试要求，仿真成为解决这一系列问题的关键。

在这个过程中，被测控制器在时序、调度、通信方式等方面能否与真实控制器保持一致，将直接影响测试结果的可靠性。开环数据回放模式可以提供高保真的数据源；闭环场景模拟可以测试极端危险的工作条件。

朱晖| DSpace的高级业务发展经理

很荣幸代表dSPACE与大家一起探讨自动驾驶的仿真与验证技术。我今天演讲的题目是“更真实的虚拟化技术帮助实现自动驾驶模拟的最大效能”。

量产时代自动驾驶系统的仿真需求

目前，自动驾驶正在快速进入量产时代。面对越来越复杂的自动驾驶系统，如何保证自动驾驶功能足够安全？这就要求具备自动驾驶功能的车辆在正式SOP之前，能够积累大量的测试公里数，通过法律法规定义的场景和海量极端场景的测试。

显然，实车测试已经不能满足自动驾驶的测试要求，仿真成为解决这一系列问题的关键。从用户的角度来说，选择合理合适的测试策略是非常重要的，比如测试对象是什么，测试费用是多少？离真实场景有多近？极端边缘场景能否测试，可重复性测试能否进行，都是需要考虑的因素。

主流的自动驾驶测试策略实际上是多种测试方法的结合，即SIL、HIL和实车测试的结合。我们可以看到，大部分测试用例都可以在仿真中进行，仿真可以提前自动驾驶测试任务的完成时间，成为自动驾驶汽车获得车辆准入的必要测试手段，对自动驾驶功能的安全性起到了非常关键的作用。

自动驾驶的控制器，也就是仿真中要测试的对象，由感知融合、场景理解、规划决策和运动控制模块组成。传感器将检测到的传感器数据，如图片帧、激光点云以及一些车辆数据发送到感知融合模块，然后将物体列表输出到规划决策模块，规划决策模块将一些控制信号发送到运动控制模块，运动控制模块控制执行器执行加速、制动、转向等具体操作。

仿真是指在自动驾驶仪控制器运行时，创建一个虚拟的环境，也就是俗称的场景。仿真场景包含静态元素，如路网结构和三维模型，以及一些动态元素，如不同交通参与者的行为轨迹。

从模拟提供商的角度来看，我们和业界都在致力于研究如何让虚拟环境更加真实。站在用户的角度，如果要测试不同的模块，需要选择不同的适合自己的测试策略。我今天要介绍的内容，将重点介绍不同的考试策略，但有一点需要提前明确。今天的测试策略主要是纯软件仿真，即SIL在环测试，不涉及任何硬件部分。

测试对象:感知&；混合在一起

如果用户只想测试感知融合模块，应该选择什么测试策略？我们可以开环回放实车采集的数据，将记录的传感器数据，如图片帧、激光点云、车辆信号等反馈给感知融合模块。

在数据回放的架构上，感知融合模块可以基于ROS、Apollo等第三方框架开发，也可以是符合AP AUTOSAR标准的虚拟控制器。我们也称之为虚拟ECU，简称V-ECU。有一个比较新但是很重要的概念，就是什么是虚拟控制器？

虚拟控制器可以看作是SIL测试中的被测对象，它不仅包含了应用层的算法，还包含了真实的中间件，所以是更接近真实控制器行为的被测对象。

从dSPACE的角度来看，我们认为不仅模拟场景的真实性很重要，被测对象的真实性也很重要。被测控制器在时序、调度或通信方式上能否与真实控制器保持一致，也会直接影响测试结果的可靠性。

用实车道路数据进行开环数据回放，最大的一个好处就是可以提供一个高保真的数据源，此外还可以降低仿真过程中的运行成本，因为不再需要仿真物理传感器模型。将感知对象列表与真值数据进行对比，基于KPI得到相应的测试结果，其中真值数据指的是标注的数据。虽然这种方案会消耗更多的能量，但对提高数据的真实性有实际作用。

测试对象:场景理解&；规划决策

如果用户想要测试规划决策模块，我们还可以使用记录的对象列表进行开环数据回放。这样，可以实现可再现的开环测试，并且可以基于KPI通过评估控制信号来获得相应的测试结果。

另一种测试方法是基于闭环场景仿真来测试规划决策。场景的来源可以基于法律法规，一些事故场景或者自然驾驶场景，或者手工绘制的手工场景。一个逻辑场景可以概括更多的具体场景，达到更高的测试覆盖率，通过这种模拟的方法，可以测试实车道路挖掘无法记录的危险工况。

在这里，我们将使用概率传感器模型，或真实传感器或理想传感器模型，来模拟规划和决策所需的对象列表数据，并引入主车辆模型，形成闭环仿真系统。主车只需要使用一些简化的执行器接口，不需要嵌入复杂的执行器控制部件。最后通过观察不同的信号，基于KPI得出相应的测试结果，也就是通过闭环场景仿真来测试规划决策。

测试对象:运动控制

如果用户想测试运动控制模块，因为这部分算法运行在智能驾驶域控制的MCU端，所以大部分符合CP AUTOSAR的架构。我们也可以利用上面提到的虚拟控制器的概念，将这部分算法虚拟化，最终得到一个符合CP AUTOSAR标准的虚拟控制器。

它不仅包括应用层的SWC部分，还包括RTE和RTE下面的基础软件部分，所以一个符合CP AUTOSAR的虚拟控制器是一个更接近真实控制器的待测试对象，可以模拟OS在真实控制器中的调度和RTE在真实控制器中的传输机制。

我们可以给运动控制模块不同的步进/输入信号，输出的执行信号可以用来控制被控对象模型，形成一个完整的闭环仿真系统。同样，我们也可以用触发信号来刺激软件的执行，将输出与预期数据进行比较，从而保证运动控制算法的正确执行(例如制动系统)。以上是对运动控制模块测试方法的介绍。

全栈多模块算法测试方法

前面介绍了单个模块的测试方法。如果用户想测试全栈算法，即同时测试SOC和MCU算法，应该选择什么测试方法？同样，我们也可以使用上面提到的虚拟控制器的概念。我们可以分别对SOC和MCU进行虚拟化，得到一个符合AP AUTOSAR标准的虚拟控制器，加上一个符合CP AUTOSAR标准的虚拟控制系统，同时作为被测对象。

虚拟控制器不仅包括应用层，还包括包括总线通信在内的完整软件栈，因此可以用来模拟总线上的交互，支持虚拟CAN、虚拟LIN和虚拟以太网的交互。这种方式也可以实现SOC和MCU之间的通信，比如模拟多核之间的一些/IP通信等等。

在这里，我们将使用物理传感器模型来模拟封闭环境中的感知。融合所需的传感器数据，物理传感器模型基于光线追迹技术的计算，可以渲染相机图像帧、激光点云和雷达回波，并将其交给感知融合模块。当然，物理传感器模型的计算本身是消耗GPU资源的，一般用户需要准备专业的GPU服务器来运行多路传感器模型。同时可以引入虚拟车辆模型，形成一个完整的闭环仿真系统，基于KPI可以观察自动驾驶仪控制器在不同场景下的不同特性。

之前介绍了四种测试方法，实际上可以归纳为三种测试方法，分别是开环数据回放测试、闭环基于场景的测试、基于需求的测试，也叫基于步骤的测试。其实每种测试方法都有自己的优缺点。开环可以实现更真实的模拟，但是闭环可以测试一些极端危险的工况。用户可以根据不同的测试目的和测试对象，选择不同测试方法组合的定制方案。

dSPACE的概况和产品

作为一个com……dSPACE专注于模拟和验证超过30年，可以提供端到端的数据驱动的自动驾驶解决方案。dSPACE全新的云仿真产品SIMPHERA可以覆盖上述三种测试方法，并将仿真技术与云技术相结合，实现大规模的仿真验证。用户不再需要安装非常复杂的软件环境和多个独立的软件，而是可以直接通过web轻松部署和及时访问。

SIMPHERA可以实现闭环的基于场景的仿真来测试规划和控制算法，并可以利用并发节点实现第二级的ALKS验证。在1.5秒内得到一个ALKS的测试结果，大大缩短了测试时间，提高了仿真的运行效率。

Simhera在云中的工作流程其实和单机的SIL是一样的。用户从准备阶段开始，首先准备好仿真的必要元素，如场景、车辆模型、传感器模型、待测物体等。这些必要的元素准备好后，就可以导入并集成到Simhera的云仿真环境中，开始运行仿真了。如果单次模拟运行没有问题，那么就可以进行大规模的并发验证，通过对测试结果的分析，发现bug，然后对自动驾驶算法进行改进和优化，再进行下一轮迭代测试。

SIMPHERA可以提供一个REST API，方便测试人员实现持续集成、持续测试和持续部署。它可以在云端与Jenkins和GitHub进行通信，然后通过脚本自动执行所有步骤。一旦它检测到新代码的提交，就可以与被测对象和其他仿真元素形成一个闭环仿真系统，然后开始运行仿真，等待测试结果并返回测试结果，并可以通过邮件将相应的测试结果反馈给一些指定的联系人。

如果要在云端实现感知算法的并发仿真，即实现云端物理传感器模型的并发仿真，就需要使用物理传感器模型来模拟感知融合所需的原始数据。目前可以提供三种物理传感器模型，分别是相机模型、激光雷达模型和毫米波雷达模型。此外，还可以提供基于游戏引擎Unreal的高保真渲染能力。

如前所述，如果要测量感知，我们还有一个方法，就是开环数据回放。目前我们还支持云端并发开环数据回放，可以连接用户的数据管理平台，获取数据平台的存储数据和处理数据，在云端对录制的视频流数据和点云数据进行分析回放，反馈给感知融合模块。

最后，值得一提的是，dSPACE是一家主流的硬件在环测试提供商。SIMPHERA不仅可以实现上面提到的一些纯软仿真，还可以与dSPACE的半实物系统进行通信。用户可以在云端实现场景、待测对象和模型的统一管理，并可以在云端编写相应的测试用例。然后，所有仿真元件可以通过脚本下载到硬件在环测试平台进行仿真，然后，

在不久的将来，SIMPHERA还将支持基于需求或基于步骤的测试。除了云仿真，dSPACE在数据采集、快速控制原型、硬件在环、实车在环等领域都有非常成熟的解决方案。希望通过提供这种全栈自动驾驶工具链，dSPACE可以帮助更多的OEM厂商和Tier 1加速自动驾驶系统的开发，促进其商业化。

(以上内容来自dSPACE高级业务发展经理朱晖于2022年11月14日在上海虹桥国际中央商务区管理委员会和上海市闵行区人民政府指导下，由上海虹桥投资发展(集团)有限公司协办的题为《更真实的虚拟化技术助力实现自动驾驶模拟的最大效能》的主题演讲..)目前自动驾驶正在快速进入量产时代。面对越来越复杂的自动驾驶系统，如何保证自动驾驶功能的安全性？

2022年11月14日，dSPACE高级业务拓展经理朱晖表示，实车测试很难满足……他测试自动驾驶的要求，而模拟成了解决这一系列问题的关键。

在这个过程中，被测控制器在时序、调度、通信方式等方面能否与真实控制器保持一致，将直接影响测试结果的可靠性。开环数据回放模式可以提供高保真的数据源；闭环场景模拟可以测试极端危险的工作条件。

朱晖| DSpace的高级业务发展经理

很荣幸代表dSPACE与大家一起探讨自动驾驶的仿真与验证技术。我今天演讲的题目是“更真实的虚拟化技术帮助实现自动驾驶模拟的最大效能”。

量产时代自动驾驶系统的仿真需求

目前，自动驾驶正在快速进入量产时代。面对越来越复杂的自动驾驶系统，如何保证自动驾驶功能足够安全？这就要求具备自动驾驶功能的车辆在正式SOP之前，能够积累大量的测试公里数，通过法律法规定义的场景和海量极端场景的测试。

显然，实车测试已经不能满足自动驾驶的测试要求，仿真成为解决这一系列问题的关键。从用户的角度来说，选择合理合适的测试策略是非常重要的，比如测试对象是什么，测试费用是多少？离真实场景有多近？极端边缘场景能否测试，可重复性测试能否进行，都是需要考虑的因素。

主流的自动驾驶测试策略实际上是多种测试方法的结合，即SIL、HIL和实车测试的结合。我们可以看到，大部分测试用例都可以在仿真中进行，仿真可以提前自动驾驶测试任务的完成时间，成为自动驾驶汽车获得车辆准入的必要测试手段，对自动驾驶功能的安全性起到了非常关键的作用。

自动驾驶的控制器，也就是仿真中要测试的对象，由感知融合、场景理解、规划决策和运动控制模块组成。传感器将检测到的传感器数据，如图片帧、激光点云以及一些车辆数据发送到感知融合模块，然后将物体列表输出到规划决策模块，规划决策模块将一些控制信号发送到运动控制模块，运动控制模块控制执行器执行加速、制动、转向等具体操作。

仿真是指在自动驾驶仪控制器运行时，创建一个虚拟的环境，也就是俗称的场景。仿真场景包含静态元素，如路网结构和三维模型，以及一些动态元素，如不同交通参与者的行为轨迹。

从模拟提供商的角度来看，我们和业界都在致力于研究如何让虚拟环境更加真实。站在用户的角度，如果要测试不同的模块，需要选择不同的适合自己的测试策略。我今天要介绍的内容，将重点介绍不同的考试策略，但有一点需要提前明确。今天的测试策略主要是纯软件仿真，即SIL在环测试，不涉及任何硬件部分。

测试对象:感知&；混合在一起

如果用户只想测试感知融合模块，应该选择什么测试策略？我们可以开环回放实车采集的数据，将记录的传感器数据，如图片帧、激光点云、车辆信号等反馈给感知融合模块。

在数据回放的架构上，感知融合模块可以基于ROS、Apollo等第三方框架开发，也可以是符合AP AUTOSAR标准的虚拟控制器。我们也称之为虚拟ECU，简称V-ECU。有一个比较新但是很重要的概念，就是什么是虚拟控制器？

虚拟控制器可以看作是SIL测试中的被测对象，它不仅包含了应用层的算法，还包含了真实的中间件，所以是更接近真实控制器行为的被测对象。

从dSPACE的角度来看，我们认为不仅模拟场景的真实性很重要，被测对象的真实性也很重要。被测控制器在时序、调度或通信方式上能否与真实控制器保持一致，也会直接影响测试结果的可靠性。

用实车道路数据进行开环数据回放，最大的一个好处就是可以提供一个高保真的数据源，此外还可以降低仿真过程中的运行成本，因为不再需要仿真物理传感器模型。将感知对象列表与真值数据进行对比，基于KPI得到相应的测试结果，其中真值数据指的是标注的数据。虽然这种方案会消耗更多的能量，但对提高数据的真实性有实际作用。

测试对象:场景理解&；规划决策

如果用户想要测试规划决策模块，我们还可以使用记录的对象列表进行开环数据回放。这样，可以实现可再现的开环测试，并且可以基于KPI通过评估控制信号来获得相应的测试结果。

另一种测试方法是基于闭环场景仿真来测试规划决策。场景的来源可以基于法律法规，一些事故场景或者自然驾驶场景，或者手工绘制的手工场景。一个逻辑场景可以概括更多的具体场景，达到更高的测试覆盖率，通过这种模拟的方法，可以测试实车道路挖掘无法记录的危险工况。

在这里，我们将使用概率传感器模型，或真实传感器或理想传感器模型，来模拟规划和决策所需的对象列表数据，并引入主车辆模型，形成闭环仿真系统。主车只需要使用一些简化的执行器接口，不需要嵌入复杂的执行器控制部件。最后通过观察不同的信号，基于KPI得出相应的测试结果，也就是通过闭环场景仿真来测试规划决策。

测试对象:运动控制

如果用户想测试运动控制模块，因为这部分算法运行在智能驾驶域控制的MCU端，所以大部分符合CP AUTOSAR的架构。我们也可以利用上面提到的虚拟控制器的概念，将这部分算法虚拟化，最终得到一个符合CP AUTOSAR标准的虚拟控制器。

它不仅包括应用层的SWC部分，还包括RTE和RTE下面的基础软件部分，所以一个符合CP AUTOSAR的虚拟控制器是一个更接近真实控制器的待测试对象，可以模拟OS在真实控制器中的调度和RTE在真实控制器中的传输机制。

我们可以给运动控制模块不同的步进/输入信号，输出的执行信号可以用来控制被控对象模型，形成一个完整的闭环仿真系统。同样，我们也可以用触发信号来刺激软件的执行，将输出与预期数据进行比较，从而保证运动控制算法的正确执行(例如制动系统)。以上是对运动控制模块测试方法的介绍。

全栈多模块算法测试方法

前面介绍了单个模块的测试方法。如果用户想测试全栈算法，即同时测试SOC和MCU算法，应该选择什么测试方法？同样，我们也可以使用上面提到的虚拟控制器的概念。我们可以分别对SOC和MCU进行虚拟化，得到一个符合AP AUTOSAR标准的虚拟控制器，加上一个符合CP AUTOSAR标准的虚拟控制系统，同时作为被测对象。

虚拟控制器不仅包括应用层，还包括包括总线通信在内的完整软件栈，因此可以用来模拟总线上的交互，支持虚拟CAN、虚拟LIN和虚拟以太网的交互。这种方式也可以实现SOC和MCU之间的通信，比如模拟多核之间的一些/IP通信等等。

在这里，我们将使用物理传感器模型来模拟封闭环境中的感知。融合所需的传感器数据，物理传感器模型基于光线追迹技术的计算，可以渲染相机图像帧、激光点云和雷达回波，并将其交给感知融合模块。当然，物理传感器模型的计算本身是消耗GPU资源的，一般用户需要准备专业的GPU服务器来运行多路传感器模型。同时可以引入虚拟车辆模型，形成一个完整的闭环仿真系统，基于KPI可以观察自动驾驶仪控制器在不同场景下的不同特性。

之前介绍了四种测试方法，实际上可以归纳为三种测试方法，分别是开环数据回放测试、闭环基于场景的测试、基于需求的测试，也叫基于步骤的测试。其实每种测试方法都有自己的优缺点。开环可以实现更真实的模拟，但是闭环可以测试一些极端危险的工况。用户可以根据不同的测试目的和测试对象，选择不同测试方法组合的定制方案。

dSPACE的概况和产品

作为一个com……dSPACE专注于模拟和验证超过30年，可以提供端到端的数据驱动的自动驾驶解决方案。dSPACE全新的云仿真产品SIMPHERA可以覆盖上述三种测试方法，并将仿真技术与云技术相结合，实现大规模的仿真验证。用户不再需要安装非常复杂的软件环境和多个独立的软件，而是可以直接通过web轻松部署和及时访问。

SIMPHERA可以实现闭环的基于场景的仿真来测试规划和控制算法，并可以利用并发节点实现第二级的ALKS验证。在1.5秒内得到一个ALKS的测试结果，大大缩短了测试时间，提高了仿真的运行效率。

Simhera在云中的工作流程其实和单机的SIL是一样的。用户从准备阶段开始，首先准备好仿真的必要元素，如场景、车辆模型、传感器模型、待测物体等。这些必要的元素准备好后，就可以导入并集成到Simhera的云仿真环境中，开始运行仿真了。如果单次模拟运行没有问题，那么就可以进行大规模的并发验证，通过对测试结果的分析，发现bug，然后对自动驾驶算法进行改进和优化，再进行下一轮迭代测试。

SIMPHERA可以提供一个REST API，方便测试人员实现持续集成、持续测试和持续部署。它可以在云端与Jenkins和GitHub进行通信，然后通过脚本自动执行所有步骤。一旦它检测到新代码的提交，就可以与被测对象和其他仿真元素形成一个闭环仿真系统，然后开始运行仿真，等待测试结果并返回测试结果，并可以通过邮件将相应的测试结果反馈给一些指定的联系人。

如果要在云端实现感知算法的并发仿真，即实现云端物理传感器模型的并发仿真，就需要使用物理传感器模型来模拟感知融合所需的原始数据。目前可以提供三种物理传感器模型，分别是相机模型、激光雷达模型和毫米波雷达模型。此外，还可以提供基于游戏引擎Unreal的高保真渲染能力。

如前所述，如果要测量感知，我们还有一个方法，就是开环数据回放。目前我们还支持云端并发开环数据回放，可以连接用户的数据管理平台，获取数据平台的存储数据和处理数据，在云端对录制的视频流数据和点云数据进行分析回放，反馈给感知融合模块。

最后，值得一提的是，dSPACE是一家主流的硬件在环测试提供商。SIMPHERA不仅可以实现上面提到的一些纯软仿真，还可以与dSPACE的半实物系统进行通信。用户可以在云端实现场景、待测对象和模型的统一管理，并可以在云端编写相应的测试用例。然后，所有仿真元件可以通过脚本下载到硬件在环测试平台进行仿真，然后，

在不久的将来，SIMPHERA还将支持基于需求或基于步骤的测试。除了云仿真，dSPACE在数据采集、快速控制原型、硬件在环、实车在环等领域都有非常成熟的解决方案。希望通过提供这种全栈自动驾驶工具链，dSPACE可以帮助更多的OEM厂商和Tier 1加速自动驾驶系统的开发，促进其商业化。

(以上内容来自dSPACE高级业务发展经理朱晖于2022年11月14日在上海虹桥国际中央商务区管理委员会和上海市闵行区人民政府指导下，由上海虹桥投资发展(集团)有限公司协办的题为《更真实的虚拟化技术助力实现自动驾驶模拟的最大效能》的主题演讲..)

标签：发现

汽车资讯热门资讯