仿真技術作為智能駕駛技術測試的重要手段，與傳統場地測試相比具有效率高、安全高等優勢，逐漸成為智能駕駛的主流研究方向之一。基于數字孿生的智能駕駛仿真測試技術，提出一種基于數字孿生的交通仿真研究方法，完成人- 車-路-網的全息仿真映射，構造可配置的場景案例串聯測試方式；同時在安全、環保、效率等維度設計評估優化方法，實現智能駕駛所需的感知、決策、控制的閉環仿真測試，為智能駕駛方案落地提供借鑒和參考。
1前言
隨著電動化、智能化、網聯化汽車技術的發展，智能駕駛汽車成為汽車發展的趨勢，國內外相關企業和投資機構紛紛在智能駕駛領域進行了巨大投入，力求快速的推動智能駕駛汽車相關產業的快速落地。然而，智能駕駛車輛在近年來發生的事故使大家認識到當前的智能汽車技術仍存在不足，對智能駕駛的安全產生質疑，如何在未來保證智能駕駛汽車的安全性，是智能駕駛汽車亟需解決的難點之一。
目前自動駕駛汽車測試方法主要分為基于場景的測試方法和基于里程的測試方法兩大類。基于場景的測試方法是通過預先設定的場景，要求被測車輛完成某項特定目標或任務而對其進行測試的方法。基于里程的測試方法是讓被測車輛在一定的環境條件下連續行駛，而不預先設定其測試任務或目標。里程測試主要針對車輛的綜合性能，一般在車輛開發的最后階段進行，要求車輛具備較為完整的功能和較可靠的性能。里程測試的主要弊端在于測試周期長、效率低、測試成本非常高，同時必須考慮安全風險問題以及法律法規的限制。相比于里程測試，基于場景的測試方法應用更加靈活，測試效率高且更有針對性。測試場景的篩選，縮短了里程測試過程中大量的無風險里程，有助于智能駕駛汽車功能的快速迭代和完善。在智能駕駛汽車整個開發過程中，只有綜合運用場景測試和里程測試，才能充分測試和評估自動駕駛功能的各方面性能。基于此，針對場景測試基礎理論、應用方法、技術的研究越來越受到產業界和學術界的重視。但是，場景測試目前也同樣存在一些問題，比如真實的交通環境復雜多變，交通場景幾乎不可能窮盡所有的交通情況，類似雨、雪、強光等自然環境因素也難在物理環境下進行完全的復現，同時一些危險場景對車輛和測試人員也會存在一定的風險等等。
如何解決這些問題，行業研究人員逐漸嘗試用虛擬仿真交通場景代替實車測試場景，虛擬測試逐漸成為智能駕駛車輛的安全驗證的重要手段。但是，仿真測試方案仍然存在一些問題，比如模型精度不夠、執行機構響應誤差、仿真測試標準等一系列問題，導致測試結果與實車測試會有一些偏差，并不能完全的代替實車測試。本文提出將虛擬仿真測試、實車測試融合于一體打造數字孿生的智能駕駛仿真系統用實際測試車輛代替虛擬模型解決目前智能駕駛虛擬模型精度不夠的問題。
2 智能駕駛仿真測試方法
2.1 智能駕駛仿真技術
智能駕駛的核心技術模塊，包括環境感知、決策和車輛控制三大核心模塊，以及衍生出的功能安全和信息安全等領域。其中不管是環境感知技術，還是車輛控制技術，都包含大量的算法開發，而算法的研發是一個不斷迭代的過程，通過智能駕駛仿真技術來驗證智能駕駛算法的功能完備性，從而不斷的優化相關算法。智能駕駛仿真指通過車輛動力學仿真搭建動力學模型，通過物理環境仿真和交通流仿真搭建道路場景，通過傳感器仿真搭建傳感器數學模型，在智能駕駛仿真系統中測試智能駕駛車輛的感知，決策和控制，驗證智能駕駛車輛的功能實現和性能表現。研究人員在虛擬仿真測試中能夠通過快速配置道路網絡、駕駛場景和車輛配置，以及配置雨、雪、光照等自然環境條件，以相對較少的人力、財力和盡可能快的速度搭建測試場景，再開發前期全面驗證智能汽車的安全性。
2.2 數字孿生技術
數字孿生是指用數字化信息表示現實存在的物理世界，同時能夠與物理世界同步映射以及模擬運行系統的整個生命周期。數字孿生的概念最早是在2010年NASA的空間技術路線圖中提出，目的是使用數字孿生來實現飛行系統的全面診斷和預測能力，以確保系統在整個生命周期中持續安全運行。數據孿生作為一種能夠實現將物理世界向數字化空間映射的關鍵技術，能用數字化形式近乎實時地模擬物理實體的情況，可以完成交通場景的高精度還原，實現雨、雪、光照等自然環境以及道路、基礎設施等交通要素的逼真模擬，為智能駕駛測試提供了新思路。
3 數字孿生技術實現方法
圖1 基于數字孿生技術仿真系統框圖
基于數字孿生技術的仿真系統包含兩部分內容一是實驗室相關設備和軟件，二是測試車以及相關設備。
實驗室硬件設備由仿真平臺和通訊模塊組成，仿真軟件集成在仿真平臺中包含有動力學軟件、場景仿真軟件和涵蓋算法并兼顧不同軟件間通訊功能的系統軟件。實驗室仿真平臺可以完成虛擬場景下的智能駕駛算法測試。實驗室通訊模塊主要負責仿真平臺與測試車之間的信號傳遞，能夠接收車載通訊模塊發送過來的車輛位置信息和車輛狀態信息，同時向車載通訊模塊傳遞車輛控制信號。
測試車設備包括車輛本身、車輛數據采集設備、GPS車輛定位設備、車載通訊設備。車輛數據采集設備采集車身姿態信息（俯仰角、橫擺角）、速度信息、加速度信息。GPS模塊采集車輛位置信息。車載通訊模塊與實驗室通訊模塊功能相同，發送和接收信號正好相反。
數字孿生仿真系統是如何與真實的物理環境形成交互的呢，首先通過傳感器采集真實物理環境的物理信息，采集的數據格式是點云數據，通過采集的點云數據來搭建場景模型，通過特征提取、語義轉換、孿生構建等技術，構建與物理世界高度還原的高精地圖；然后再根據測試用例需求匹配相應的測試條件，包括虛擬交通流、虛擬交通數字信號、虛擬天氣環境等信息，構造與物理世界孿生的數字場景；最后在系統仿真場景和真實物理場景下，通過真實環境下的實際測試車與虛擬環境下的動力學模型進行數據信息的交互，形成數據閉環，驗證自動駕駛算法可靠性。其流程如圖2所示。
圖2 智能駕駛數字孿生流程
3.1.1 點云采集
現階段高精地圖所需原始數據是通過特制的數據采集車在物理道路上實車采集獲得的點云數據。采集車的數據采集設備主要由高清攝像頭、高分辨率激光雷達、差分GPS（高精度無線電導航的定位系統）和車輛慣性傳感器組成。激光雷達通過掃描實際物理環境，同時運用飛行時間技術原理計算激光的往返時間或相位差生成具備位置信息的三維點云數據。攝像頭負責拍攝標識標牌等道路屬性。差分GPS接收衛星信號和最近基站信號，通過三角定位原理推算出車輛的位置坐標。慣性傳感器利用加速度的原理計算物體在空間運動的狀態采集車輛姿態數據，如加速度、角速度，用于計算GPS信號短暫丟失時的車輛運動狀態，從未推算出車輛位置信息。由于采集的數據是通過不同傳感器獲得的數據，不同傳感器數據獲取原理不同，為了能實現數據信息的統一，首先需要對數據進行時鐘同步、激光雷達點云對齊（去畸變）處理。預處理完成之后，再通過定位與建圖算法完成點云提取。同時通過算法計算出車輛行駛軌跡，激光雷達和慣性傳感器一起提供了里程計約束，GPS 提供了車輛姿態的直接觀測約束，點云的回環檢測算法提供了回環約束，將以上約束融合在一起可以得到車輛行駛軌跡。最后將處理后的激光點云與優化后的軌跡進行疊加，最終生成三維點云地圖。
3.1.2 特征提取
基于點云地圖構建開發數字孿生地圖模型，如果點云地圖原始數據量太大，將消耗更多硬件資源，降低處理器處理數據的能力。為了更好的利用硬件資源可以對原始點云數據進行降采樣處理，通過漸進形態濾波和切割點云文件來完成地表模型的提取，最終實現數據處理與硬件資源之間的平衡。
3.1.3 語義標注
語義標注是指在地圖中標注關鍵的元素信息，以及相應的位置信息智能駕駛場景中的關鍵元素有道路標識牌、路燈、安全島、綠化帶、里程樁、桿狀物路燈、攝像頭、交通護欄等信息。為方便后續實體模型的對齊，針對地表提取后的點云地圖，標注出關注元素的關鍵點信息。
通過道路建模軟件最終生成與實際道路一致的虛擬道路模型，首先從原始點云數據提取包含路面要素的投射影像生成參考地圖，然后自動提取相關的道路關鍵信息，包含道路結構點、車道邊緣線、車道線、人行橫道線、路面指示標線等作為參考信息，最后通過道路建模軟件生成道路模型。
3.2 交通設施建模
除高精地圖包含的靜態道路網格和交通設施位置外，交通場景還包括兩大塊：一是交通實體類的物理信息，二是交通燈類的邏輯元數據。物理信息包含3D模型的形狀、外觀材質，以及通過高精地圖中物體的位置、大小和朝向等信息確定的與物理世界相對應的仿真坐標位置。交通燈類的邏輯元數據包括標識牌的數據信息、交通燈的屬性配置和紅綠燈邏輯信息等。
3.3 匹配測試條件
測試條件指測試時測試車與其它交通參與者的動態狀態，如開始測試時的測試車和交通參與者的速度、位置、車輛姿態、行為軌跡等。孿生場景是智能駕駛汽車與其行駛環境各組成要素在一段時間內的總體動態描述，具有無限豐富、極其復雜、難以預測、不可窮盡等特點。在完成高精地圖與孿生場景要素建模后，還需要一個場景描述文件來串聯各個實體模塊，定義各交通要素狀態。包括以下四個部分
（1）道路環境：路面狀況，傳感器范圍、紅綠燈時序變化等。
（2）交通流：行人及其他車輛的速度、姿態及起始點位置等。
（3）天氣環境與光照場景：包括早晨、中午、傍晚、黑夜等不同光照，雨天、霧天等特殊天氣場景等。
（4）本車狀態：主要包括主車姿態、初始位置，在場景中的起點和終點等。
3.4 評估方法
評價指標，包括基于功能的評價指標和基于場景的評價指標。基于功能的評價指標根據駕駛功能的不同而不同，主要根據已有的相關標準，結合測試的具體情況進行評價，反應了所測車輛對測試功能的完成度的評價。基于場景的評價指標則反應了場景的復雜度，根據場景的不同復雜程度，判斷該場景下的評價得分再所有測試用例中的占比，從而得出最終的綜合性評價結果。
場景數據庫中的每一個測試用例都有對應的場景復雜度即基于場景的評價指標，根據測試功能的不同，從場景數據庫中提取符合該功能的測試用例，并根據相應的基于功能的評價指標對該測試功能進項評價，最后結合場景復雜度得出最終評價得分。這種仿真測試評價體系流程能很好地利用虛擬仿真易參數化的優勢，無須傳感器就能獲得車輛行駛數據，不僅能與實地測試相互對應，也能反應日常駕駛或危險駕駛下的性能。
4 結束語
與智能駕駛產業的快速發展相比，目前仿真測試手段遠遠落后于產業增長水平。隨著仿真測試技術和動態渲染技術的飛速發展，基于數字孿生技術的智能駕駛仿真測試也越來越受到行業的認可，逐步成為算法測試方法中的重要方式，數字孿生技術為我們帶來了多維度和高實時性的交通場景，仿真過程與實車測試相比更經濟也更安全，可重復性更高。仿真結果與純軟件仿真相比更貼近真實值。但是目前傳感器模型的數字化構建技術還處于探索階段，同時傳感器的模型仿真精度，通訊信號的數據延遲也是制約數字孿生技術的一大障礙，下一步將圍繞建模方式、模型精度、信號延遲等領域繼續開展工作。
參考文獻：
[1]葉少檳，梁恩云，高 琛，譚北海. 融合數字孿生的自動駕駛場景仿真模型構建研究綜述[J].現代計算機，2022，28（2）：1-11.
[2]馮屹，王兆. 自動駕駛測試場景技術發展與應用[M]. 機械工業出版社，2020.
[3]李亞男.智能網聯汽車數字孿生測試理論和技術研究 [D]吉林. 吉林大學，2020（08）.
[4]趙龍剛，劉漢生，張小平，王峰. 基于數字孿生的車路協同虛擬仿真平臺[J].移動通信，2021，45（6）：07-12.
END
