自动驾驶仿真测试工具链示例

没有一种仿真工具可以用于测试ADS自动驾驶系统软件的所有方面，这就是为什么制造商将利用各种仿真工具的属性来建立对整个系统安全性的信心。
 
引入仿真测试是为了减轻物理测试的负担，并有效地为整个操作领域的ADS性能提供证据。然而，没有一种仿真工具可以用于测试ADS自动驾驶系统软件的所有方面，这就是为什么制造商将利用各种仿真工具的属性来建立对整个系统安全性的信心。
 
基于执行的速度和成本以及实现的保真度水平，每个仿真测试工具都有自己的优势和劣势。通常，低保真度工具用于覆盖大量场景，以获得对系统性能的总体了解。然后，可以提高场景子集内的保真度水平，以在统计相关数量的真实场景中验证AV自动驾驶车辆的性能。制造商的仿真测试工具链可能包括以下工具：

感知仿真
 
感知仿真可用于训练和验证ADS软件的感知算法，使用物理精确的传感器模型并结合地面真实数据。这可以在开环中完成，因为规划和控制算法被绕过。

规划与控制（P&C）仿真
 
P&C仿真可用于验证ADS软件的控制算法和基本传感器模型。这可以比实时更快地完成，因此是在大量场景中测试控制系统的有效方法。

全AV堆栈仿真（MIL、SIL或HIL）
 
完整的AV堆栈仿真可以准确地呈现代表各种环境和场景的传感器数据流。ADS软件处理仿真数据，就像它来自实际行驶在道路上的车辆的传感器一样，并将执行命令发送回仿真器。这使得工程师可以测试罕见的条件，如暴雨、暴风雪或白天和夜间不同时间的强光。每个场景都可以反复测试，调整多个变量，如路面和周围环境、天气条件、其他交通和一天中的时段。
 
HIL硬件在环可用于在实际车辆可用之前测试整个硬件组件或ECU，并测试仿真样机中组件的交互/网络，例如进行硬件组件的E/E故障测试。

车辆在环（VIL）
 
VIL结合仿真环境进行仿真，为准备驾驶的车辆提供验证环境。它允许在车辆级别执行复杂且安全关键的场景。

A.试验台上的VIL

试验台上的VIL结合了实验室的优势，并侧重于场景生成的灵活性和场景执行的再现性。它还允许测试回路中的真实传感器和感知。

试验台上的VIL可包括以下元件：
 
（a） 纵向动力学：试验台仿真纵向动力学。这可以是底盘测功机或轮毂/动力传动系统试验台。高动态测功机与车辆动力学仿真相结合，允许执行各种操作和场景，包括极限状态下的高动态机动（真实车轮打滑等）；
 
（b） 横向动力学：如果需要横向动力学，包括转向，可通过附加装置扩展试验台，以允许转向。理想情况下，不仅允许转向，而且正确仿真产生的反作用力，以避免错误状态，并确保与 AV 功能一起正确操作；
 
（c） 接口仿真环境仿真：根据用例和需求，有不同的可能性：对象列表注入（无传感器，无感知在环）、原始数据注入（无传感器，但感知在环）、传感器的 OTA 刺激（传感器及感知在环）。使用 OTA，无需对车辆进行修改。此外，还可进行混合操作。

B.试验场上的VIL

试车场上的VIL更注重驾驶员/乘客与车辆之间的互动。在此配置中，驾驶员/乘客可体验车辆的实际加速度（纵向和横向）（与试验台环路中的车辆不同）。可以由真正的驾驶员进行判断和评级。
 
VIL试验台可由以下元件组成：
 
（a） 纵向动力学：可获得真实的纵向动力学

（b） 横向动力学：提供真实的横向动力学

（c） 接口仿真环境仿真：通常，车辆和仿真环境之间的接口通过对象列表注入完成。此外，也可注入原始数据。无法考虑真实的传感器（对于非常简单的传感器，如超声波传感器，有少数例外）。

驾驶员在环（DIL）
 
DIL仿真测试通过分析驾驶员与ADS在安全可控环境中的交互作用，有助于支持对此类功能需求的评估。

软件再处理（SwR：Software Reprocessing）
 
SwR涉及将先前记录的传感器数据（而非合成数据）回放到ADS软件，以准确评估开环系统中的感知性能。

考虑到目前正在考虑的功能需求类别，仿真测试似乎与评估与以下相关的需求尤其相关：
 
（a） ADS 应安全驾驶，ADS 应管理安全关键情况。这些是仿真测试可以发挥最显著作用的需求。MIL/SIL、HIL 和 VIL 仿真测试均可用于在车辆验证和确认的不同阶段评估这些要求。
 
（b） AV 应该与用户安全互动。通过在安全可控的环境中分析驾驶员和 ADS 之间的交互，DIL 仿真测试有助于支持这类功能需求的评估。
 
（c） ADS 应安全管理故障模式，ADS 应确保安全运行状态。在这两个类别中使用仿真测试也是非常有希望的，但可能需要进一步的研究工作。SIL 仿真测试可包括仿真故障和维护请求。HIL 和 VIL 仿真测试可用于评估系统对实际系统发生的实际故障的反应。

下表描述了所有可用的测试环境。这些测试环境的主要区别在于虚拟刺激和真实刺激的应用以及测试项目。

参考资料：
Proposal for a second iteration of the New Assessment/Test Method for Automated Driving