竞速商业落地 自动驾驶赛程进入下半场

  　　 自动驾驶竞赛进入下半场，推进商业化应用成为各企业发力的重点。根据美国兰德公司的研究，自动驾驶算法想要达到人类驾驶员水平至少需要累计177亿公里的驾驶数据来完善算法。

  　　如果配置一支100辆自动驾驶测试车的车队，每天24小时不停歇路测，平均时速25英里每小时来计算，需要500多年的时间才能完成目标里程，期间所耗费的时间和成本无疑难以承受。

  　　利用仿真技术进行测试，被认为是降低成本、提升效率关键。目前，仿真测试在自动驾驶领域的发展如何？10月12日，中国电动汽车百人会、腾讯自动驾驶、中汽数据有限公司联合发布了《2020中国自动驾驶仿真蓝皮书》，详细介绍了技术应用现状及挑战。

  趋势：未来或有99.9%测试利用仿真平台

  　　基于场景库的仿真测试是解决自动驾驶路测数据匮乏的重要路线。仿真测试主要通过构建虚拟场景库，实现自动驾驶感知、决策规划、控制等算法的闭环仿真测试，满足自动驾驶测试的要求。

  　　场景库是自动驾驶仿真测试的基础，场景库对现实世界的覆盖率越高，仿真测试结果越真实。自动驾驶汽车研发的不同阶段对于场景库的要求也不同，需要场景库实现不同的测试功能。

  　　在自动驾驶的开发流程中，纯模型仿真—软件在环仿真—半实物仿真—封闭场地道路测试—开放道路测试的开发流程是最经济、高效的开发流程。

  『Waymo自动驾驶测试车辆』

  　　目前，自动驾驶仿真已经被行业广泛接受。例如美国自动驾驶领军企业Waymo旗下的仿真平台Carcraft每天在虚拟道路上行驶约2000万英里，相当于在真实世界中行驶10年。截止2020年5月，Waymo已经模拟行驶了150亿英里，相比之下，去年6月的数据是100亿英里。

  　　除Waymo外，通用旗下的Cruise、AutoX、小马智行等国内外自动驾驶解决方案商也在进行大量的仿真测试，以完善自己的自动驾驶系统，仿真测试已经成为自动驾驶商用最重要的测试。

  　　目前的数据来看，自动驾驶算法测试大约90%通过仿真平台完成，9%在测试场完成，1%通过实际路测完成。随着仿真技术水平的提高和应用的普及，行业希望通过仿真平台完成99.9%的测试量，封闭场地测试完成0.09%，最后0.01%到实路上去完成。这样，自动驾驶汽车研发将达到更高效、经济的状态。

  『自动驾驶仿真测试场景』

  现状：各赛道参与者积极布局

  　　目前自动驾驶仿真市场参与主体主要包括：科技公司、车企、自动驾驶解决方案商、仿真软件企业、高校及科研机构、智能网联测试示范区。由于每个市场主体在自动驾驶仿真方面的技术基础不同，因此在推动自动驾驶仿真方面的研发及合作方式呈现不同模式。

  　　科技公司在仿真方面起步相对较晚，在汽车功能探索方面经验较少，但是具备大数据优势，软件开发能力强。

  　　自动驾驶汽车相比传统汽车，对软件的需求更大，科技公司进行仿真软件的探索，目的是进入市场庞大的汽车行业，建立更大的数据平台，形成新的业务增长点。目前自动驾驶仿真科技公司主要包括腾讯、百度、华为、阿里等。

  『科技公司自动驾驶仿真平台对比』

  　　微软、英伟达及LG等国外科技公司主要针对自动驾驶仿真软件进行研发，通过和产业链企业合作建立了自动驾驶研发生态体系，成为自动驾驶仿真的重要参与者。

  　　对于整车企业来讲，路测和仿真测试同步进行是最佳选择，而自动驾驶汽车在真正实现落地之前，需经过众多功能与安全测试，路测就是其中一环。由于路测效率较低，目前很多车企都倾向于选择自动驾驶仿真测试与路测相结合的方式来完成落地前的测试工作。

  『车企利用自动驾驶仿真软件情况』

  　　自动驾驶解决方案商主要针对自身需求研发定制化仿真软件，较少对外提供仿真服务，但借助于充足的资金、人才集聚力及自身研发驱动力，在自动驾驶仿真方面具有很强的创新能力。各领先自动驾驶解决方案商都有自身仿真测试软件，如Waymo、Cruise、小马智行、AutoX等。

  　　仿真软件企业可分为传统仿真软件企业、初创企业两大类。传统仿真软件企业由于技术积累比较深厚，进入自动驾驶仿真具有先天优势，而且合作伙伴较多，二次开发具有优势。初创企业由于起步晚，技术积累较弱，国内企业和国外的差距较大，但依靠雄厚的资金和人才集聚力，创业公司在自动驾驶仿真软件研发方面有望迅速崛起。

  　　高校及科研机构主要应用自动驾驶仿真软件进行前瞻性、基础性研究，但很难形成成熟的商业化产品。国内从事自动驾驶仿真研究的高校及科研机构主要包括：清华大学、同济大学、北京航空航天大学、吉林大学、天津大学、长安大学、南京航空航天大学、武汉理工大学等。

  『上海临港智能网联汽车综合测试示范区』

  　　智能网联测试示范区建设已形成一定规模。目前全国有10余家国家级和数家省级智能网联测试示范区，主要通过对5G、V2X车路协同、模拟仿真、车联网等新技术的部署和应用，为自动驾驶、网联通信供应商等提供系统测试服务，推动汽车、信息通信、道路设施等内容的综合标准体系的建立。为推动智能网联汽车的仿真测试工作，已有企业和智能网联示范区开展了路测与虚拟仿真相结合的测试。

  挑战：测试评价体系缺乏规范

  　　目前自动驾驶仿真测试已初步形成完整的产业链体系，形成了科技公司、自动驾驶解决方案商、仿真软件企业为主的上游仿真软件提供商，以车企、自动驾驶测试机构为主的仿真软件下游应用商。从产业链角度分析，目前自动驾驶仿真测试还存在诸多问题。

  　　一方面，仿真场景库建设与合作机制有待完善。

  　　场景库建设效率低、费用高。目前场景库建设还需要依靠大量人工进行采集、标注，然后进行场景分析挖掘、测试验证，整个流程效率低、成本高，目前全球每年人工标注成本在10亿美元量级。

  『国内共建自动驾驶仿真测试场景库仍需克服各项困难』

  　　场景库规模不够大，多样性、覆盖性、可扩展性不强。现有场景库不足以覆盖常见交通场景，在有限的资源投入情况下，还不能有效覆盖真实世界的多样性。由于场景中不同要素的改变均可以扩展为不同的场景，目前场景扩展性还不足以满足仿真测试的要求。

  　　场景有效性有待提高。现有场景是按实时数据采集，无法满足自动驾驶场景动态变化的要求。在场景中，人、车、路、行驶环境等动态和静态要素耦合，一个要素的变化将引起其他要素的改变，而且不同交通参与者均有自己的行为逻辑。例如改变车辆行为和轨迹，周边车辆和行人的行为也将随之改变。

  　　场景数据的采集格式和存储问题。现有的测试场景采集，是基于不同的车辆和传感器配置，无法适用于各类车型及技术路线的研发与测试，高精度地图的格式也是行业关注的重点。场景库的数据格式如系统架构、数据接口、数据库管理系统等统一也是需要重点关注的问题。

  　　测试场景中的测试真值及评估体系。测试场景数据采集需考虑采集要求、采集方法、数据预处理、数据传输存储、采集数量、采集精度、时间同步性、采集范围、采集完整性等各方面的因素，任何一个因素的欠缺都将导致场景的真实性及有效性。而且针对不同场景下自动驾驶测试车辆的测评指标体系尚不完善。

  　　场景库建立缺乏合作，资源重复性投入大。目前单一企业很难完成覆盖所有场景的场景库建设。当下各企业场景库建设都是各自为战，导致资源重复性投入，企业之间缺乏场景库建设合作。尤其是自然驾驶场景、标准法规场景等共性场景可以通过合作共建，实现使用共享，目前这方面的合作还很少。

  『腾讯TAD Sim部分场景展示』

  　　另一方面，自动驾驶仿真测试评价体系缺乏规范。

  　　在自动驾驶仿真测试方面，由于不同仿真软件系统架构及场景库构建方法的不同，导致很难建立统一规范的仿真测试评价体系。目前国内仿真评价体系的研究方向主要是从驾驶安全性、舒适性、交通协调性、标准匹配性等方面评价自动驾驶车辆仿真测试结果，对于仿真软件自身的评价缺乏统一的评价标准，如仿真软件场景真实度、场景覆盖度、仿真效率等。

  　　自动驾驶汽车作为智能化产品，未来需要应用深度学习算法使汽车具备自我学习能力，如道路障碍物的复述重现能力、场景的泛化迁移能力，因此自我学习进化性也是自动驾驶汽车的评价指标，目前自动驾驶汽车的学习进化性还缺乏相应的评价规范。

  总结：

  　　自动驾驶技术演化有两条路线，分别是由L2级到L3级和L4级到L5级，前者是多数车企走的路线，后者往往是科技公司的选择，两者的主要代表分别是特斯拉和Waymo。今年以来，多家企业表示，已具备L3级自动驾驶车辆量产能力；科技企业也纷纷展开Robotaxi的商业化运营测试。可以看出，各股竞争势力都在试图抢先落地应用自动驾驶技术。谁能在竞赛中拔得头筹？成本和效率无疑是最关键因素，仿真测试的成熟应用或将成为关键。