一,、前言

隨著智能駕駛技術(shù)的發(fā)展，端到端的解決方案被越來(lái)越多的開(kāi)發(fā)者提及,，各大汽車(chē)企業(yè)爭(zhēng)先恐后將端到端智駕方案部署到量產(chǎn)新車(chē)型上,。過(guò)去，智能駕駛方案一直是按照感知,、決策,、規(guī)劃、控制這類(lèi)規(guī)則驅(qū)動(dòng)（rule-based）的模塊化方法推進(jìn),，然而規(guī)則驅(qū)動(dòng)的模塊化方案存在“規(guī)則難以窮舉,、ODD邊界模糊、擴(kuò)展與維護(hù)升級(jí)困難"等局限性,。因此端到端的學(xué)習(xí)驅(qū)動(dòng)（learning-based）方案應(yīng)運(yùn)而生,。

端到端的方案具有很多顯而易見(jiàn)的優(yōu)勢(shì)，首先,，它具備較強(qiáng)的泛化能力,，可以通過(guò)數(shù)據(jù)發(fā)現(xiàn)潛在規(guī)律，適應(yīng)多樣化和復(fù)雜場(chǎng)景,；其次,，端到端可實(shí)現(xiàn)全面優(yōu)化，學(xué)習(xí)驅(qū)動(dòng)直接將輸入（如傳感器數(shù)據(jù)）映射到輸出（如車(chē)輛控制指令）,，避免了模塊化方案中的中間過(guò)程（如感知,、決策和控制分離）可能導(dǎo)致的信息丟失或誤差累積；此外,，端到端可持續(xù)學(xué)習(xí)和升級(jí),，模型可以通過(guò)在線(xiàn)學(xué)習(xí)或周期性訓(xùn)練，不斷吸收新數(shù)據(jù),，從而適應(yīng)動(dòng)態(tài)變化的環(huán)境需求,，如更新的道路法規(guī)、復(fù)雜的新場(chǎng)景等,。

圖 1 自動(dòng)駕駛傳統(tǒng)模塊化方案與端到端方案

可見(jiàn),，端到端智駕方案優(yōu)勢(shì)非常明顯,，但是對(duì)于仿真測(cè)試來(lái)說(shuō)卻是“災(zāi)難性的挑戰(zhàn)"。過(guò)去模塊化智駕方案中,，感知與規(guī)控之間有顯性接口,。無(wú)論是SIL仿真還是HIL仿真,，可以輕松繞過(guò)感知模塊，直接對(duì)規(guī)控進(jìn)行仿真測(cè)試（即使輸入合成的低置信度圖像或點(diǎn)云,，也不對(duì)感知進(jìn)行評(píng)測(cè)）,。而端到端方案的到來(lái)，不再有所謂感知與規(guī)控接口,，原有SIL或HIL仿真方案需要重構(gòu),。面向端到端的智駕仿真必須從傳感器輸出數(shù)據(jù)切入，提供一種置信度高,、一致性好,、覆蓋率全面、故障注入便捷的全鏈路閉環(huán)仿真方案,。

我們探索了一種有效的端到端智駕仿真解決方案,，在仿真引擎和數(shù)據(jù)傳輸上進(jìn)行了大幅優(yōu)化，以應(yīng)對(duì)端到端帶來(lái)的挑戰(zhàn),，整體框架如圖2所示,。本方案充分利用了智能駕駛的中間件技術(shù)，將仿真引擎生成的傳感器原始數(shù)據(jù)（部分為結(jié)構(gòu)化數(shù)據(jù)）直接傳遞給智駕應(yīng)用層,，繞過(guò)了傳感器硬件和驅(qū)動(dòng),，縮短了仿真數(shù)據(jù)傳輸鏈路，規(guī)避了仿真系統(tǒng)開(kāi)發(fā)過(guò)程帶來(lái)的復(fù)雜適配與調(diào)試工作,。大大縮短開(kāi)發(fā)周期的同時(shí),，還顯著降低了整個(gè)仿真系統(tǒng)的成本。

圖 2 基于軟件定義接口和中間件的閉環(huán)測(cè)試

二、XIL架構(gòu)仿真

方案核心架構(gòu)基于aiSim仿真器,，采用XIL架構(gòu),，并提供開(kāi)放靈活的API接口，滿(mǎn)足不同仿真測(cè)試需求,。無(wú)論是傳感器模型,、車(chē)輛動(dòng)力學(xué)，還是場(chǎng)景構(gòu)建,，都有對(duì)應(yīng)的功能模組來(lái)實(shí)現(xiàn),。

圖 3 aiSim XIL架構(gòu)示意圖

aiSim Air引擎支持如Raster,、Raytrace等多種渲染方案，并兼容3DGS/NeRF等技術(shù),，能夠在平衡渲染效率和置信度的同時(shí),，優(yōu)化資源占用和數(shù)據(jù)傳輸效率,。此外作為通過(guò)ISO 26262 ASIL D認(rèn)證的仿真工具，aiSim能夠在不同傳感器和天氣條件下提供確定性和一致性,。

圖 4 Raster和Raytrace渲染支持

圖 5 兼容三維重建場(chǎng)景

三,、靈活先進(jìn)的場(chǎng)景構(gòu)建方案

此外,，我們采用了多種先進(jìn)的場(chǎng)景構(gòu)建方案，極大地增強(qiáng)了測(cè)試的靈活性和廣度,。交互式圖形化場(chǎng)景編輯工具支持OpenScenario和aiSim自定義的AimScenario兩種場(chǎng)景格式,，能夠逐幀回放編輯過(guò)程。

圖 6 圖形化場(chǎng)景編輯工具

高斯?jié)姙R渲染器（GGSR）則可以在3D重建場(chǎng)景中動(dòng)態(tài)插入物體，優(yōu)化環(huán)境條件,，減少偽影,，修復(fù)鏡頭下的非一致性問(wèn)題。

圖 7 非一致性修正

圖 8 三維重建場(chǎng)景天氣環(huán)境編輯

圖 9 任意視角下多模態(tài)效果圖

LogSim2WorldSim進(jìn)一步通過(guò)云端自動(dòng)化處理和分析原始數(shù)據(jù),，實(shí)現(xiàn)了基于EuroNCAP等法規(guī)場(chǎng)景的切片,、預(yù)測(cè)試和回放功能。

圖 10 LogSim2WorldSim方案轉(zhuǎn)換流程

在完成場(chǎng)景構(gòu)建后，通過(guò)VRU,、建筑物,、道路標(biāo)志和天氣等動(dòng)靜態(tài)元素，對(duì)場(chǎng)景的邊緣條件進(jìn)行探索,，確保端到端測(cè)試全面覆蓋,。

圖 11 場(chǎng)景泛化方案

四,、高保真物理傳感器模型

在傳感器仿真方面,，通過(guò)物理級(jí)相機(jī)、激光雷達(dá)和毫米波雷達(dá)模型等豐富模型庫(kù)的支持,，可以實(shí)現(xiàn)快速配置和參數(shù)調(diào)整,。此外通過(guò)精準(zhǔn)仿真HDR、高動(dòng)態(tài)范圍,、動(dòng)態(tài)模糊,、曝光等不同的視覺(jué)效應(yīng)，能夠確保各種駕駛環(huán)境和天氣條件下的高保真度測(cè)試,。

圖 12 相機(jī)模型鏡頭效應(yīng)

圖 13 鏡頭不同曝光次數(shù)下HDR圖像

圖 14 不同天氣條件下鏡頭效果

激光雷達(dá)和毫米波雷達(dá)模型也能有效模擬不同天氣條件下的傳感器行為,，為高效的多目標(biāo)檢測(cè)和車(chē)道線(xiàn)檢測(cè)任務(wù)提供可靠數(shù)據(jù)支持。

圖 15 激光雷達(dá)BRDF材質(zhì)反射

圖 16 雨雪天氣激光雷達(dá)點(diǎn)云輸出效應(yīng)

圖 17 激光雷達(dá)點(diǎn)云置信度驗(yàn)證

圖 18 毫米波雷達(dá)點(diǎn)云

五、置信度與仿真結(jié)果分析

我們還對(duì)采用此方案的仿真結(jié)果進(jìn)行了詳細(xì)的驗(yàn)證,。例如,，在車(chē)道線(xiàn)檢測(cè)任務(wù)中，aiSim仿真與真實(shí)世界數(shù)據(jù)之間的召回率一致,，達(dá)到了98.45%的高準(zhǔn)確率,。多個(gè)目標(biāo)檢測(cè)任務(wù)的測(cè)試結(jié)果也表明，仿真與實(shí)際表現(xiàn)高度契合,，尤其在近距離目標(biāo)的檢測(cè)中,，召回率表現(xiàn)優(yōu)異。

圖 19 置信度測(cè)試1：車(chē)道線(xiàn)檢測(cè)算法

圖 20 置信度測(cè)試2：多目標(biāo)檢測(cè)

端到端智駕仿真方案還在多個(gè)測(cè)試環(huán)境中展現(xiàn)了出色的表現(xiàn),，包括實(shí)車(chē)靜態(tài)和動(dòng)態(tài)測(cè)試,、車(chē)輛模型與動(dòng)力學(xué)模型的集成，支持FMU接口快速接入第三方動(dòng)力學(xué)模型,。

圖 21 動(dòng)力學(xué)測(cè)量和建模

每次仿真結(jié)束后,，系統(tǒng)會(huì)自動(dòng)生成SQLite數(shù)據(jù)庫(kù)文件,，方便進(jìn)行深入的分析和數(shù)據(jù)挖掘，確保測(cè)試結(jié)果的全面性和準(zhǔn)確性,。

圖 22 測(cè)試結(jié)果可視化分析

六,、應(yīng)用案例分享

隨著自動(dòng)駕駛測(cè)試需求的日益復(fù)雜，基于aiSim為核心的端到端仿真方案憑借其易于擴(kuò)展的特性,，可以支持SiL/HiL等多種應(yīng)用場(chǎng)景,，并提供了與ROS2、Simulink,、Matlab等系統(tǒng)的無(wú)縫集成,。

圖 23 基于DMA視頻注入閉環(huán)測(cè)試方案及監(jiān)測(cè)窗口

我們還嘗試探索了專(zhuān)為GNSS集成域控制器,、決策功能快速測(cè)試等場(chǎng)景的測(cè)試方案，進(jìn)一步提高了測(cè)試效率,，降低了硬件成本,。

圖 24 GNSS聯(lián)合仿真方案

七,、結(jié)語(yǔ)

本次介紹的端到端智駕仿真測(cè)試方案，以aiSim引擎和XIL架構(gòu)為核心支撐,，憑借其開(kāi)放的接口設(shè)計(jì),、靈活的場(chǎng)景構(gòu)建與測(cè)試功能，為自動(dòng)駕駛技術(shù)的驗(yàn)證與優(yōu)化提供了強(qiáng)有力的支持,。無(wú)論客戶(hù)面臨的是提升測(cè)試效率的迫切需求,，還是降低成本的現(xiàn)實(shí)壓力，端到端智駕仿真測(cè)試方案都能幫助客戶(hù)輕松應(yīng)對(duì)自動(dòng)駕駛測(cè)試中的種種復(fù)雜挑戰(zhàn),，實(shí)現(xiàn)技術(shù)難題的快速解決,。