L3及以上級別自動駕駛車輛的開發(fā)，在車輛系統(tǒng)復雜程度、使用環(huán)境復雜程度方面均急劇增加。算法測試、傳感器測試、安全性測試已不能通過汽車領域的車輛動力學等仿真方法來解決。仿真平臺成為自動駕駛企業(yè)的剛性需求。

Waymo、百度、騰訊將仿真系統(tǒng)研發(fā)作為頭等大事；AutoX、Roadstar.ai、Pony.ai等諸多自動駕駛初創(chuàng)公司也在自主研發(fā)仿真環(huán)境；業(yè)內開始出現(xiàn)CARLA、AirSim等開源式自動駕駛仿真平臺。

*自動駕駛汽車在仿真場景中訓練

自動駕駛仿真平臺是集：靜態(tài)場景還原、動態(tài)案例仿真、傳感器仿真、車輛動力學仿真、并行加速計算等功能于一體，可方便地接入自動駕駛感知和決策系統(tǒng)，還可根據(jù)企業(yè)的開發(fā)流程而定制開發(fā)的平臺。

靜態(tài)環(huán)境構建層面：即通過采集實際環(huán)境信息及已有的高精度地圖構建靜態(tài)場景，通過采集激光點云數(shù)據(jù)，建立高精度地圖，構建環(huán)境模型，并通過自動化工具鏈完成厘米級道路還原。靜態(tài)場景數(shù)據(jù)編輯和自動生成技術，可基于實體場景完成真實道路自動化還原。也可以對道路周圍樹木及信號燈等標識根據(jù)不同拓撲結構進行自動的排布組合，生成更多的衍生虛擬場景。

動態(tài)場景編輯層面：自動駕駛仿真平臺核心在于數(shù)據(jù)，這里的數(shù)據(jù)非采集數(shù)據(jù)，而是對多元類型數(shù)據(jù)的整合與加工。多數(shù)據(jù)來源智能體行為模型工具，可實現(xiàn)差異化動態(tài)場景的快速搭建。

李熠提到，行業(yè)現(xiàn)階段的情況是，一個實際交通案例數(shù)據(jù)轉換到仿真平臺，且非高質量數(shù)據(jù)，可能需要花費數(shù)天，縮減周期是目前整個行業(yè)正在努力的方向。

*對自動駕駛的測試場景進行編輯

車輛建模方面：目前有部分初創(chuàng)企業(yè)傳出聲音：傳感器仿真模擬在自動駕駛開發(fā)中沒有太大的必要，使用處理好的目標結果同樣可以進行算法訓練。而在張帆博士看來，傳感器仿真是非常重要的一環(huán)。未來從國家產(chǎn)品認可及召回角度考慮，檢測機構必須對產(chǎn)品進行逐級分拆，識別判定是硬件問題、軟件問題、融合算法問題還是決策算法問題，保證產(chǎn)品安全。自動駕駛仿真平臺需做到每個層級的仿真，而非簡單的動態(tài)場景還原。

在自動駕駛仿真產(chǎn)業(yè)鏈上，仿真平臺有三大類型客戶：

車廠占比最大：其對于仿真方案的要求最為嚴格，涉及部件，系統(tǒng)與整車各級別的算法訓練及在環(huán)測試；

檢測機構，包括國家級實驗室，測試場，示范區(qū)等：檢測機構多從安全層面出發(fā)，希冀制定出全面、系統(tǒng)、公平的檢測標準；

科技算法公司：其訴求仍然是不斷迭代算法，并提供軟硬件結合的系統(tǒng)解決方案。

李熠提到，想要讓一輛自動駕駛汽車變得越來越聰明，需要源源不斷的數(shù)據(jù)喂養(yǎng)。這離不開成千上萬的邊緣案例，且還要保證數(shù)據(jù)的真實性及多樣性。

從數(shù)據(jù)采集到數(shù)據(jù)處理，再到算法回歸測試，需要構建一個完整的動態(tài)數(shù)據(jù)閉環(huán)。數(shù)據(jù)來源的多樣性、轉換效率及邊緣案例是自動駕駛仿真行業(yè)的關注重點。

現(xiàn)階段，各個玩家對數(shù)據(jù)的理解存在差異，與之而來的是協(xié)同問題。在提高場景轉換、數(shù)據(jù)處理能力的前提下，形成統(tǒng)一的數(shù)據(jù)格式與轉換標準，以此解決協(xié)同性問題。