用仿真验证自动驾驶算法的 5 种行之有效的方法

仿真是实现更安全的自动驾驶算法的最快途径。路测每一个角落都会耗费时间、资金，有时还会危及人身安全。公路、交通和天气的数字化复制，让工程师在一个传感器上路之前就能获得所需的数据。这种转变让您的团队在物理原型推出之前，就能满怀信心地迭代软件、硬件和控制装置。

随着法规的收紧，新能源汽车、机器人出租车和送货机器人的验证周期不断延长。传统的道路里程永远无法暴露预测模型所需的所有边缘情况。可扩展的仿真 自动驾驶汽车平台让您可以在一夜之间行驶数百万公里，从而缩小了差距。当这些合成里程为您的分析管道提供数据时，您就可以发布更安全的代码，减少召回次数，降低保修风险。

仿真自动驾驶汽车有助于降低测试复杂性和成本

每一次新的感知堆栈更新都会引入未知的交互作用，单靠路测可能会掩盖这些交互作用，直到为时已晚。仿真自动驾驶车辆工作流程可让您重现相同的交通场景、改变单一参数并测量因果关系，而无需重新安排整个车队。这种可重复性减少了您所需的物理原型数量，节省了传感器、计算和轨道租赁预算。由于自动驾驶仿真 软件会实时记录每个变量，因此根本原因分析的时间从数周缩短到数小时。

成本效益随复杂性而增加。激光雷达、雷达和摄像头阵列的高保真传感器模型可在通用图形硬件上运行，因此您可以将支出从定制设备转移到可扩展的计算设备上。当您的团队在云中对测试用例进行并行处理时，迭代速度会加快，因为您不再需要等待共享车辆返回。最终账单显示，跟踪时间缩短了，原型构建减少了，物流费用降低了，同时还能实现更严格的覆盖目标。

5 验证自动驾驶算法的仿真

从纯粹的软件循环到完全的硬件集成，验证需要多层次的保真度。将技术与目标相结合的团队可以缩短项目进度，避免过度测试台。正确的策略可在模型准确性、执行速度和功能安全审计的可追溯性之间取得平衡。这样，利益相关者就能获得可靠的证据，证明在不可预测的交通输入条件下，感知、规划和驱动能够协同工作。

1.基于情景仿真 的边缘情况安全测试

基于场景的仿真 创建结构化的交通状况记录，强调特定行为，如突然闯入、车道标记褪色或不可预测的行人。工程师将触发器和预期结果编写成脚本，从而在成千上万种排列组合中自动得出通过-失败指标。由于每种情况都是确定的，因此在软件更改后重新运行回归程序，甚至可以突出显示细微的算法回归。这种重点突出的方法能够触及开放式随机测试极少触及的边缘条件，从而加强功能安全声明并满足监管机构的要求。

现代自动驾驶 仿真 软件 可将场景库与路网生成器连接起来，因此只要有新的地图瓦片发布，您的场景库就会增加。功能团队可以在不重写交通逻辑的情况下更换传感器配置或天气参数，从而保持覆盖范围的丰富性和可管理性。当法规增加要求或出现新的交通概念时，这种灵活性可加快验收标准的更新。由于每次运行都可追溯到场景 ID 和记录的输入，因此您可以在审计时限内保持领先。

2.用于验证 ADAS 感知层的传感器在环仿真

环路传感器将虚拟交通与物理感知硬件结合起来，以测试原始数据路径。图形引擎会渲染逼真的帧或点云，为工作台上的真实激光雷达、雷达和摄像头提供信息。传感器的固件处理这些数据流的方式与在道路上处理数据流的方式完全相同，让您可以对延迟、抖动和噪声处理进行剖析。这种方法可以在车辆驶入试车场之前及早发现校准漂移和固件错误。

ADAS仿真 的感知硬件需要精确的计时，而这正是光链路和现场可编程门阵列（FPGA）信号发生器的优势所在。我们将合成时间戳调整到微秒级，因此即使在变道等动态运动中，传感器融合模块也能接收到连贯的数据。当工程师调整滤波器系数或升级固件时，重新运行即可显示下游影响，而无需重建整个系统设置。其结果是缩短了验证周期，减少了从集成实验室退回的设备。

3.用于早期软件行为验证的在环仿真 模型

环中模型将控制代码置于高级仿真中，在单个桌面会话中连接车辆动力学、交通环境模型和传感器抽象。由于执行速度快于实时速度，开发人员可以快速浏览参数空间，并及早量化稳定性余量。与后期的硬件问题相比，在这里发现的缺陷只需几分钱就能修复。自动脚本通宵运行，生成覆盖率报告，直接输入需求管理数据库。

代码生成工具链可根据仿真模型生成位精确的二进制文件，从而在过渡到处理器在环或硬件在环时保证等效性。覆盖率指标，如修改条件/判定覆盖率（MC/DC），可无缝集成，从而加速 ISO 26262 标准下的功能安全签核。每一个失败的断言都会引脚到 git 提交，从而带来审计人员所赞赏的可追溯性。此外，持续集成服务器还能在提交时启动容器化模拟，在阈值出现偏差时阻止合并。

4.实时控制器精度的硬件在环测试

硬件在环（HIL）用生产的电子控制单元取代模拟控制器，在实时模拟器上运行车辆和交通模型的其余部分。通过这种设置，您可以在紧迫的时间内验证计算负载、散热和通信总线饱和度。由于刺激是合成的，但时间精确，因此可以在多个变体上重放相同的交通序列，而不会出现计划冲突。总线级故障注入可验证故障运行措施，同时避免在轨道上诱发这些故障的安全风险。

高速 FPGA I/O 卡以亚微秒级的延迟模拟传感器和执行器，确保线控驱动环路保持稳定。工程师可并行分析功耗和电磁辐射，避免昂贵的电路板重新设计。通过加载新的模型，同一台设备可以将使用案例从乘用车转移到送货班车，从而最大限度地提高资本利用率。当计划达到生产意图时，认证机构会接受 HIL 结果作为同源认证证据的一部分，从而缩短最终签批时间。

5.支持云仿真 ，可有效扩展测试矩阵

云仿真 解除了计算限制，让您的团队可以在一夜之间运行数百万公里的合成驾驶。分布式执行框架可在数百个图形处理器（GPU）节点上切分场景目录，并自动整理结果。针对天气、交通密度或传感器排列的参数扫描可提供统计意义，这在单个工作站上是不可能实现的。受版本控制的基础架构脚本可精确复制集群，为内部审计和供应商谈判提供可重复的证据。

现收现付计算将资本支出转变为运营支出，使预算使用与开发高峰保持一致。团队可在活动窗口外削减闲置资源，从而减少管理费用。云仪表盘将通过-失败指标推送给利益相关者，无需手动构建报告，从而缩短了决策周期。当与通过远程桌面协议提供的环中传感器相结合时，跨时区的工程师只需数小时而不是数周就能评估相同的方案。

每种技术都能提供独特的见解，但各部分的总和却能产生一个验证管道，随着功能的成熟而优雅地扩展。以抽象模型为起点，以完整硬件为终点，既缩小了保真度差距，又不会降低迭代速度。利益相关者可获得量化的覆盖范围，工程团队可获得早期错误检测，最终用户可获得更高的安全系数。当你有意识地安排序列时，仿真 就会成为一种战略优势，而不仅仅是一个细列项目。

使用 ADAS仿真 进行更快、更安全的系统验证的好处

ADAS 功能取决于感知、规划和执行层之间完美无瑕的协调。仿真能在受控条件下将这些层结合在一起，暴露集成差距，同时让实体车辆停放在一起。更短的反馈回路有助于团队在不影响安全目标的情况下实现冲刺目标。当企业及早投资 adas仿真 解决方案时，工程指标和保修成本指标都会出现量化的改善。

• 降低召回风险：Adas仿真 解决方案可在部署前捕捉软件回归，避免昂贵的空中补丁。执行仪表板显示的覆盖指标可满足法律部门的要求。
• 降低原型支出：合成传感器馈送限制了对多辆骡车的需求，从而腾出资金用于创新。团队可将节省下来的资金用于高级计算或增加分析人员。
• 加速符合标准： 当仿真 档案提供确定性证据时，ISO 26262、UNECE R155 和其他安全审核的进度会更快。由于每项测试都是可重复的，因此审核人员只需花费较少的时间来质疑可追溯性。
• 提高团队生产力： 工程师们通宵运行数千个方案，早上起来就能看到可行的报告。这种节奏既能激发好奇心，又能遵守紧迫的最后期限。
• 提高供应商一致性： 共享情景库为一级供应商提供了透明的通过-失败关口。由于每个需求都与具体的仿真 产品相关联，因此误解会减少。
• 增强数据覆盖范围： 合成工具可生成罕见的低日照或大雪场景，超出典型的车队曝光范围。扩大训练集，无需担心与公共道路录像相关的隐私问题。

量化效益在各计划阶段不断复合，将早期仿真 投资转化为持续的运营节约。跨职能团队通过共享的真实数据源进行协作，而不是各自为政的电子表格。客户最终获得的功能可在更多条件下运行，需要的软件更新也更少。这样的成果在监管机构、投资者和驾驶者之间建立了信任。

OPAL-RT 如何为自动驾驶汽车开发提供支持

OPAL-RT可提供实时数字仿真器 ，以亚毫秒级的时间步长执行复杂的车辆和交通模型。从 MATLAB/Simulink 代码生成到符合 FMI 标准的工厂模型，我们的开放式架构可直接链接到您首选的工具。工程师可将感知传感器、电子控制单元或动力总成逆变器插入模块化 I/O 机架，在一个平台上实现从环中模型到环中硬件的无缝转换。当大型场景活动需要额外吞吐量时，云连接器可将同一平台扩展至数千个 GPU 实例。

我们深知计时精度至关重要，因此我们的 FPGA 加速器即使在传感器带宽较高的情况下也能保持确定的延迟。内置分析仪表板提供逐帧洞察，无需额外脚本即可满足功能安全审核要求。全球支持网络在设计审查、固件更新和认证里程碑期间与工程师合作。灵活的许可使预算具有可预见性，让初创企业和成熟的原始设备制造商在采用先进的仿真 时不会丧失灵活性。OPAL-RT是一家将精确性与实用性相结合的仿真 合作伙伴，值得您的信赖。