自动驾驶仿真蓝皮书taylorliu.com/topics/data/2019-中国自动驾驶仿真技术蓝皮书.pdf ·...

中国自动驾驶仿真技术

研究报告

BLUE BOOK OF AUTONOMOUS VEHICLE SIMULATION

自动驾驶仿真蓝皮书

（2019）

ANNUAL RESEARCH REPORT ON AUTONOMOUS VEHICLE SIMULATION IN CHINA (2019)

清华大学苏州汽车研究院

广汽研究院智能网联技术研发中心

中国汽车技术研究中心智能汽车研究室暨汽车软件测评中心

江苏省智能网联汽车创新中心

北京智能车联产业创新中心

奇点汽车

当家移动绿色互联网技术集团有限公司（ 5 1 V R ）

联合发布

中国自动驾驶仿真技术研究报告

（ 2 0 1 9 ）

ANNUAL RESEARCH REPORT ON

AUTONOMOUS VEHICLE SIMULATION IN CHINA (2019)

当家移动绿色互联网技术集团有限公司（51VR）出品

编委会

特聘专家委员会

孔凡忠

黄浴

郭继舜

王羽

戴一凡

张帆

张帆鲍世强王忆源侯涛毛祖秋张安春

吴年门慧勇田宽罗立敬明王荔

孙文迪宋明哲李文鹏吴杨潘舟金

执笔人

成波

主席

委员

教授清华大学苏州汽车研究院院长

博士

博士

博士

先生

博士

博士

北汽集团研究总院副院长兼新技术研究院院长

奇点汽车美国研究与创新中心首席科学家兼奇点汽车美国公司总裁

广州汽车集团股份有限公司研究院智能驾驶技术部部长

中国汽车技术研究中心智能汽车研究室暨汽车软件测评中心主任

江苏省智能网联汽车创新中心总经理

51VR智能驾驶与交通事业部产品与商务部长

联合发布机构

清华大学苏州汽车研究院

广汽研究院智能网联技术研发中心

中国汽车技术研究中心智能汽车研究室暨汽车软件测评中心

江苏省智能网联汽车创新中心

北京智能车联产业创新中心

奇点汽车

当家移动绿色互联网技术集团有限公司（51VR）

出品人

项目策划

项目统筹

排版

设计

：

：

：

：

：

李熠

蒲鸽

邙志鹏

闫倚豪

王园园

李文鹏

刘子睿

版权声明

本书内容由当家移动绿色互联网技术集团有限公司（51VR）主导汇编完成，书中的所有文字、

图片、表格均受到相关法律法规的版权保护。未经51VR或相关内容作者事先书面许可，任何媒体、

网站、组织或个人不得复制转载使用。如需复制转载使用，请联系我们，且在使用时必须注明出处。

免责声明

本书涉及的经济数据、行业统计数据、项目参数、企业参数等信息主要来自网络媒体等公开资料

（包括但不限于相关政府官方网站、企业官方网站），并且未得到有关机构、个人最终确认，因此

51VR对本书所包含内容的准确性和完整性不作任何保证。若本书涉及的信息与实际情况有出入，请

及时与我们联系以便修改。本书的全部内容仅供业内人士参考学习使用，不构成任何意义上的专业意

见或建议。

*本书仅为学习阅读使用，不做商业用途


I

摘要

自动驾驶系统的计算机仿真是自动驾驶车辆测试和试验的基础关键技术，也

是未来行业定义自动驾驶车辆相关开发与准入技术标准的基础工具。计算机仿真

测试与真实物理测试互为补充，缺一不可。

《2019中国自动驾驶仿真技术蓝皮书》是一部全面介绍中国自动驾驶仿真测

试发展现状的工具书。由当家移动绿色互联网技术集团有限公司（51VR）联合学

术研究单位与企业，通过详细收集并整理当前行业现状，结合自动驾驶仿真领域

多位行业专家意见汇编而成。蓝皮书内容涵盖仿真测试的意义、测试方法和作用、

搭建技术方案、软件现状、虚拟场景数据库、数据集、示范区测试方式介绍、仿

真测试标准介绍、挑战及发展趋势等部分，旨在为从事自动驾驶系统仿真与测试

评价工作的管理人员及科研人员提供及时详细的技术参考。

关键词：计算机仿真；自动驾驶系统；虚拟测试；场景库；测试标准


II

目录

第 1章自动驾驶仿真技术的意义................................................................................1

1.1 仿真是自动驾驶研发测试的基础关键技术....................................................1

1.2 仿真虚拟测试的根本是保证车辆安全上路....................................................3

1.3 发展自主仿真软件做行业研发的备用系统....................................................4

1.4 仿真测试是自动驾驶技术发展的必然结果....................................................5

第 2章自动驾驶仿真测试的方法及应用....................................................................7

2.1 自动驾驶仿真技术方法....................................................................................7

2.2 自动驾驶仿真测试应用..................................................................................14

2.3 自动驾驶仿真测试的验证与精度..................................................................18

2.4 自动驾驶仿真测试的评价方法......................................................................22

第 3章自动驾驶仿真测试环境的搭建技术方案......................................................26

3.1 虚拟场景的构建..............................................................................................26

3.1.1 虚拟场景构建的内容............................................................................. 26

3.1.2 虚拟场景构建的技术手段..................................................................... 27

3.2 传感器仿真......................................................................................................29

3.2.1 激光雷达仿真......................................................................................... 29

3.2.2 摄像头仿真............................................................................................. 30

3.2.3 毫米波雷达仿真..................................................................................... 32

3.2.4 其它传感器............................................................................................. 33

3.3 场景库构建方法..............................................................................................34

3.4 车辆动力学仿真..............................................................................................34


III

3.5 动态场景的构建..............................................................................................36

3.5.1 理想动态场景应达到的要求................................................................. 36

3.5.2 动态场景构建方法................................................................................. 37

3.5.3 动态场景构建实例................................................................................. 37

3.5.4 动态场景构建需要解决的问题............................................................. 38

3.6 分布式并行计算构架与加速计算..................................................................39

3.6.1 分布式并行计算..................................................................................... 39

3.6.2 加速计算................................................................................................. 40

第 4章现有的仿真测试软件现状..............................................................................41

4.1 典型自动驾驶仿真软件分类与发展变化情况..............................................41

4.2 典型自动驾驶仿真软件介绍..........................................................................42

4.2.1 CarSim..................................................................................................... 42

4.2.2 CarMaker................................................................................................. 43

4.2.3 PreScan................................................................................................... 44

4.2.4 PTV Vissim............................................................................................. 45

4.2.5 SUMO......................................................................................................... 46

4.2.6 VIRES VTD............................................................................................... 47

4.2.7 rFpro....................................................................................................... 48

4.2.8 Cognata................................................................................................... 49

4.2.9 RightHook............................................................................................... 50

4.2.10 Parallel Domain................................................................................... 51

4.2.11 51Sim-One............................................................................................... 52

4.2.12 Pilot-D GaiA......................................................................................... 54


IV

4.2.13 Metamoto................................................................................................. 55

4.2.14 ESI Pro-Sivic....................................................................................... 55

4.2.15 NVIDIA Drive Constellation............................................................. 56

4.2.16 PanoSim................................................................................................... 57

4.2.17 AAI........................................................................................................... 58

4.2.18 AirSim..................................................................................................... 59

4.2.19 CARLA....................................................................................................... 59

4.2.20 LGSVL Simulator................................................................................... 60

4.2.21 百度 Apollo............................................................................................ 61

4.2.22 Waymo Carcraft..................................................................................... 62

第 5章虚拟场景数据库..............................................................................................64

5.1 自动驾驶虚拟场景库......................................................................................64

5.1.1 自动驾驶虚拟场景库的概念与构建要求............................................. 64

5.1.2 自动驾驶虚拟场景库的数据来源与构建方法..................................... 64

5.2 场景库标准......................................................................................................66

5.2.1 场景标准 OpenSCENARIO........................................................................ 66

5.2.2 场景库举例............................................................................................. 70

第 6章自动驾驶仿真测试标准介绍..........................................................................77

6.1 中国标准现状..................................................................................................77

6.1.1 国家级自动驾驶道路测试标准............................................................. 77

6.1.2 省市级自动驾驶道路测试标准............................................................. 78

6.2 欧盟与美国标准现状......................................................................................80

6.2.1 美国自动驾驶仿真标准现状................................................................. 80


V

6.3 中国参与国际标准 ISO 现状..........................................................................81

6.3.1 参与现状................................................................................................. 81

第 7章自动驾驶示范区测试方法介绍......................................................................84

7.1 中国自动驾驶示范区与测试方法..................................................................84

7.1.1 国家智能汽车与智慧交通（北京）示范区......................................... 87

7.1.2 国家智能汽车与智慧交通（河北）示范区......................................... 88

7.1.3 国家智能网联汽车（上海）试点示范区............................................. 89

7.1.4 智能汽车集成系统试验区（i-VISTA）............................................... 91

7.1.5 国家智能网联汽车（长沙）测试区..................................................... 93

7.1.6 国家智能网联汽车应用（北方）示范区............................................. 94

7.1.7 国家智能交通综合测试基地（无锡）................................................. 95

7.1.8 浙江 5G 车联网应用示范区................................................................. 97

7.1.9 武汉智能网联汽车示范区..................................................................... 98

7.1.10 广州智能网联汽车与智慧交通应用示范区......................................... 99

7.1.11 中德合作智能网联汽车车联网四川试验基地................................... 100

7.2 各国自动驾驶示范区与测试方法................................................................100

7.2.1 美国自动驾驶测试场建设................................................................... 100

7.2.2 英国网联与自动驾驶汽车测试设施集群........................................... 103

7.2.3 Horiba Mira 和考文垂大学网联与自动驾驶汽车研究中心........... 103

7.2.4 日本启动自动驾驶技术研究............................................................... 104

7.2.5 德国和法国联合开展自动驾驶汽车公共道路测试........................... 105

7.2.6 瑞典 AstaZero 主动安全测试区已投入运营..................................... 105

7.2.7 新加坡推动无人驾驶专车服务的测试运营....................................... 107


VI

7.2.8 韩国紧跟自动驾驶技术发展潮流....................................................... 108

第 8章中国自动驾驶仿真技术展望........................................................................109

8.1 中国自动驾驶仿真技术所面临的挑战........................................................109

8.2 中国自动驾驶仿真技术的发展趋势............................................................110

参考文献 ......................................................................................................................112


1

第 1章自动驾驶仿真技术的意义

1.1 仿真是自动驾驶研发测试的基础关键技术

2015年工信部关于《中国制造 2025》的解读中首次提出了智能网联汽车概念，

明确了智能网联汽车的发展目标。2017年发布的《中国智能网联汽车技术路线图》

确定了智能网联汽车的定义、技术构架、发展目标路径与重大创新优先行动项。

技术路线图指出：测试评价是智能网联汽车基础支撑技术之一。其中自动驾驶系

统计算机仿真是自动驾驶车辆测试和试验的基础关键技术，也是未来行业定义自

动驾驶车辆相关开发流程与技术准入标准的基础工具。借鉴航空领域的工程实践，

某仿真软件已经成为飞机设计仿真分析的标准工具，不使用该仿真工具分析无法

获得飞机适航许可。在自动驾驶汽车领域，我们可以预计采用计算机仿真方法测

试自动驾驶车辆安全性，未来也将成为汽车设计的一种标准方法与规范。仿真测

试与真实物理测试构成相互结合的有机整体，两者缺一不可。

麦肯锡在 2018年发布的中国自动驾驶市场研究报告曾指出，未来自动驾驶价

值链最重要的三项能力为自动驾驶软件开发、硬件生产和自动驾驶系统及整车验

证与集成，它们也是实现差异化竞争的最大技术瓶颈。其中居于前两位的重要技

术能力“自动驾驶软件开发”和“自动驾驶系统及整车验证与集成”，在很大程

度都依托于计算机仿真技术提供的共性技术的支撑。对于汽车制造与技术企业而

言，自动驾驶仿真系统贯穿产品的研发与使用生命全周期。从产品概念选型到产

品运行数据收集与系统升级，仿真系统既作为工程技术开发人员的工具箱，帮助

实现产品的安全性与稳定性，又作为企业管理人员的数据知识库，帮助累积企业

的设计流程、工程经验与数字模型等宝贵的无形资产。对于国家监管与测试机构

而言，自动驾驶系统仿真作为分析与检测工具对汽车功能安全性与智能水平高低

进行评价。仿真系统不但有助于我国完善汽车的认证标准与质量监督测试方法，

而且也有助于我国参与国际法规标准化的制定，为测试场景库与仿真测试方法提

供标准化的数据交换格式。

近年来自动驾驶系统的研发与测试迅速发展，但业界仍未就如何在现实世界

中进行安全性测试达成一致。自动驾驶系统测试的目标是确定车辆设计运行区域

（ODD）。因为未知的危险交通场景难以穷尽，所以基于场景的实车测试方法存


2

在技术瓶颈。按照美国高速公路管理局的统计数据，驾驶者平均需要行驶 85万公

里才会经历一次警方报告事故，接近 1.5亿公里才会经历一次致命事故。产业观点

通常认为每个自动驾驶系统需要 160 亿公里的驾驶数据来优化。配置一支 1000

辆自动驾驶测试车的车队需要花费大约 50 年的时间才能完成足够的里程测试。

正是由于无法进行充分的道路测试，需要投入的时间和费用也不能承受，所以行

业普遍共识是需要基于计算机仿真技术对自动驾驶系统进行虚拟测试与评价。

随着汽车技术的不断演进，汽车已经由机械电子为基础的硬件主导演进为以

数据为基础的软件主导，汽车原有的电子系统升级为物理信息系统。自动驾驶仿

真测试，是指通过计算机仿真技术，建立现实静态环境与动态交通场景的数学模

型，让自动驾驶汽车与算法在虚拟交通场景中进行驾驶测试。传统的计算机仿真

软件在解决以下几方面的问题上都存在不足，例如高精度地图制作与匹配，高逼

真静态场景的建立，先进感知传感器的物理仿真，驾驶员模型与智能交通体模型

仿真，动态场景库建设等。新一代具有信息物理特征的仿真系统已经逐渐出现，

不但可以更高效的迭代和验证自动驾驶算法，而且可以更好地满足对物理信息系

统的整体测试需求。百度、腾讯与Waymo等都在使用企业自研的内部仿真系统，

而服务于汽车行业的外部商业软件也逐步出现，例如 51VR、AAI、CARLA、Cognata、

Panosim等第三方自动驾驶仿真测试平台。仿真测试已经成为大多数企业研发自动

驾驶系统的共同需求。目前Waymo在虚拟世界Carcraft的测试里程突破 70亿英里，

每天测试里程为 1000万英里。

智能网联汽车需要采集海量的道路感知数据，才能对算法进行有效训练。为

了尽量多的采集数据，汽车制造商往往通过几十台，甚至数百台路测车辆来解决

实际场景数据收集问题。尽管自动驾驶虚拟测试里程的长短可以作为一项简单易

懂的测评指标，但是脱离了具体交通场景，里程本身不足以成为一项有效的衡量

指标。典型场景与危险场景往往不会随着测试里程增多而持续增加，很快会显示

出长尾效应，路试后期很难短时间收集到更有价值的场景了。另一个事实是各国

的交通环境显然有着巨大的差异，即使各地区的道路环境与交通习惯也存在较大

差异性和多样性。只有测试环境中具有足够丰富而多样的场景挑战，才能使训练

与测试的里程具备真正的价值，使得算法可以更好地适应本地独有的交通环境和

驾驶规则。目前，追求自动驾驶系统的国际化与不同地区的通用性面临非常多的

实际挑战，广泛的公开道路测试依然很难覆盖复杂多样的交通场景。自动驾驶仿

真系统可以提供更加丰富多样的静态环境，连续动态的随机交通流，结合边缘案

例与危险案例的参数泛化技术，可以在有限的虚拟测试里程内有效增加高训练价


3

值场景出现的频度与密度。

1.2 仿真虚拟测试的根本是保证车辆安全上路

各国政府都在努力推动智能网联汽车的发展，传统车企与高科技企业积极响

应，从不同路线研究与发展自动驾驶技术。确保车辆的行驶安全是全行业的共同

目标，因为智能网联汽车发展的首要动力是安全。研究显示，90%的碰撞事故是由

人类造成的错误导致的，而通过自动驾驶技术有可能减少由人类因素导致的交通

事故，从而极大地减少道路死亡。尽管安全是自动驾驶研发中的第一要义，是对

于采用未经充分验证的算法与硬件集成的自动驾驶汽车，其在公共道路的测试极

易引发致命的交通事故。2018年 3月 Uber一辆自动驾驶汽车发生了与行人的碰撞

事故，直接导致其路测许可被暂停。特斯拉因 Autopilot辅助驾驶系统而导致的驾

驶员死亡事故更不止一起。2016年 1月一辆特斯拉在京港澳高速行驶时，与前方

的道路清扫车发生追尾事故，导致驾驶员身亡，特斯拉公司承认车辆在案发时处

于自动驾驶状态；同年 6月，美国佛罗里达州也发生了特斯拉与横穿马路的重型

卡车相撞的事故，导致驾驶人当场身亡。车辆的功能安全与预期功能安全开发已

经成为智能汽车研发中的重要问题。参与到自动驾驶技术研究的公司纷纷发布行

驶安全报告，报告中强调仿真虚拟测试为软件算法的迭代提供了基础的训练数据，

为不安全行为的识别和处理提供了量化的测试环境，为风险控制策略提供了早期

快速的评价工具。

自动驾驶事故促使各国车辆技术监管机构提高了警惕，开始慎重审视在公共

道路上进行的自动驾驶道路测试。在我国，至今未允许企业在公共开放的高速公

路进行自动驾驶测试工作。为解决实际道路测试问题，国家与各地区积极投入资

金建设一批封闭测试场地，并有条件的开放了若干指定道路。全国多省市出台了

自动驾驶测试管理规范，发放测试牌照，允许全国数十辆测试车在有限的区域内

进行测试。相比于旺盛的测试需求，国内自动驾驶测试场地数量远远无法满足要

求。由于各城市出台的测试规范均提出在指定的封闭测试场进行测试的门槛，使

得测试场往往被一个企业包场。在包场情况下，测试场的多场景利用率低，局部

测试装置闲置，而场外多个企业排队等候。实车测试方法在客观上减缓了技术迭

代发展速度，也影响了产业发展。

自动驾驶仿真技术可以帮助认证机构去完善对汽车智能化软件产品的认证流

程与监督方法，尤其是从测试技术上，弥补目前偏重实车路试的不足。通过完善


4

仿真的海量自动化测试流程，不但可以增加测试工况范围和复杂程度，更可以对

其零部件、子系统与整车集成进行不同层级的全链条测试。通过仿真覆盖实车不

能实现的边缘场景，在虚拟测试环境下及早发现实车测试不易甄别的软件故障，

仿真测试将逐步成为实车测试的前提条件。加快自动驾驶仿真测试能力建设，可

以帮助自动驾驶封闭测试区和示范区进行更高效和全面的测试，提高测试的安全

性，节省测试的时间与成本。

仿真系统有能力承载自动驾驶车辆运行全生命周期中的实时数据。当智能网

联汽车获得认证许可后，自动驾驶系统仿真平台用来存储车辆实时行驶数据，收

集并分析车辆遇到的危险工况并作为复现决策的依据，一方面用于检验产品的故

障原因，另一方面提供产品的优化数据，从而保证汽车产品质量的安全可靠与持

续升级。最终形成更为科学有效的功能测试方法和产品性能评价指标，形成完整

的信息物理系统。

1.3 发展自主仿真软件做行业研发的备用系统

计算机仿真技术提供了一种更为通用的底层技术，是中国智能制造完整技术

链条中的根基之一。产品研发过程的技术经验，工程师的实践积累，产品开发流

程的优化，都在融入进计算机仿真软件与其搭建的数据信息体系中。发展自动驾

驶自主仿真软件平台，是在培养一批人才和建立一套备用系统。当国外的巨头对

工业软件实施断供，那么这套系统就可以立即投入使用，保证我国汽车自动驾驶

技术与智慧交通与出行的持续自主发展。

中国目前深度地参与到了全球技术与标准制定的竞争之中。汽车产业是当今

中国国民经济的支柱产业，也是中国加入世界贸易组织和参与贸易自由化全球化

的典型产业。根据《中国制造 2025》的解读，中国还处在中低端制造梯队，成为

制造强国至少需要 30年。工业与信息化部对智能汽车制定了发展目标：要求 2020

年基本 ADAS自主份额达 50%，2025年基本建成自主的智能网联汽车产业链与智

慧交通体系。智能汽车同时面临国内使用环境与国外不同的情况，国内必须坚持

走自主开发的路线，才能制造出适合中国的汽车产品，未来形成对汽车产品质量

测试的标准化方法与认证流程。

2018年 5月国际标准化组织组建自动驾驶测试场景工作组，中国首次作为国

际标准工作组召集人，在智能汽车的国际标准化领域作出中国贡献。目前，智能

汽车仿真软件国外产品占据主导位置，但数据格式各异，国内的数据标准严重受


5

到国外软件限制。目前是国内外法规标准建立的窗口期，抢占技术规范的制高点

至关重要。谁参与到仿真测试方法与数据格式标准化工作中，在标准形成的后期

谁就能更快速获得技术话语权并主导市场。中国在参与标准化制定过程中，正坚

持走科技自主之路，需要拿出适合中国道路交通特点的方案。

未来软件定义智能汽车，而仿真是测试软件最基本最有效的工具。只有开发

出自主的仿真测试平台，才能获得标准规范的制定主动权，保证汽车产品在中国

市场的安全底线。目前自动驾驶仿真软件有：AAI、ANSYS-OPTIS、CARLA、Cognata、

Dassault、dSPACE、IPG-Carmaker、Mathworks、Metamoto、MSC-VIRES、Panosim、

Parallel Domain、TASS-PreScan、VI-Grade、51VR等。其中大多数仿真软件提供

的产品与服务主要以支持 ADAS（自动驾驶 L2级）开发为主，对自动驾驶仿真所

需要的呈现几何级数增长的大规模道路和动态场景进行仿真还缺乏必要的计算架

构，对分布式部署与加速计算能力支持薄弱。国内仅有极少数软件公司有能力提

供本地的技术工程支持。国内汽车行业的工程开发软件以往一直被国外成熟软件

所垄断，随着技术演进直至近两三年，以 51VR和 Panosim为代表的国内自主研发

企业逐渐发力自动驾驶仿真软件的研发与商业化应用。

1.4 仿真测试是自动驾驶技术发展的必然结果

据布鲁金斯学会统计，2014年至 2017年，全球自动驾驶领域的投资总额超过

了 800亿美元。另一家独立智库统计显示，2017年投到自动驾驶技术领域的资金，

占到全球汽车科技行业投资总额的七成多。波士顿咨询公司则称，到 2035年全球

自动驾驶汽车销量将达 1200万辆，其中超过 1/4在中国售出。据推算，未来 5年

仿真软件与测试的国际市场总规模约在百亿美元左右。尽管 L3级别自动驾驶技术

无法短期实现大规模量产，但是在特定区域限定场景下的 L3与 L4级别自动驾驶

功能的商业化落地已指日可待。例如自动代客泊车、交通拥堵自动驾驶等功能在

2020年将实现更多车型的量产。商业化加速落地，将引起汽车行业对自动驾驶功

能持续快速的差异化和精细化研发投入，行业将对仿真虚拟测试产生更多需求。

根据汽车行业研发与测试发展的客观规律，计算机仿真技术早已被大规模应

用在车辆机械电子系统的设计研发中。可以预计，适用于自动驾驶系统的仿真技

术也将会同机械电子系统仿真一样被大规模地应用于汽车产品的研发流程当中。

汽车是专业化分工极强的产业，主机厂并没有对仿真测试工具持续研发与维护升

级的兴趣，之前仿真软件供应商已经很好地证明了第三方专业化仿真软件完全可


6

以满足主机厂研发的定制化需求。以往的仿真软件不能很好的支持自动驾驶感知

决策算法软件的迭代与测试，对复杂场景的构建也缺乏相应自动化技术。国际车

厂与新技术企业通过内部研发和对外投资的方式，搭建了企业内部的仿真平台。

国内企业对自动驾驶研发略晚于国际，较国际企业投入在研发的资金强度也普遍

较低。针对自动驾驶仿真技术的使用，中国企业目前既没有成熟的国际经验可以

参考，又没有完整的技术解决方案可以直接采用，同样还处于技术探索与积累期。

未来企业内建的自动驾驶开发平台，以及满足自动驾驶算法开发与整车系统集成

的商业化仿真软件必将成为研发链条上的底层基础工具之一。

智能网联汽车已经进化为信息物理系统的一部分，仿真软件也将形成智能网

联汽车与智能交通的中央数据平台。仿真软件通过大数据与云计算平台，记录车

辆运行真实数据和软件算法的决策过程，复现车辆行驶的具体行为。最终作为智

能交通的大数据载体，记录与管理单车、车队、道路与交通设施。仿真技术不仅

仅帮助人工智能算法安全应用于智能汽车，未来也是车队运营、道路设施与智慧

交通的管理平台。


7

第 2章自动驾驶仿真测试的方法及应用

2.1 自动驾驶仿真技术方法

自动驾驶仿真技术，是计算机仿真技术在汽车领域的应用，它比传统 ADAS

仿真系统研发更为复杂，对系统在解耦和架构上的要求非常高。类似其它通用仿

真平台，它必须尽可能的真实，而对仿真系统进行分析和研究的一个基础性和关

键性的问题就是将系统模型化，通过数学建模的方式将真实世界进行数字化还原

和泛化，建立正确、可靠、有效的仿真模型是保证仿真结果具有高可信度的关键

和前提。

对于自动驾驶仿真系统，需要对哪些模块数学建模以及如何精准建模，一直是

近几年研究的热点。需求来源于自动驾驶的工作原理本身，所以我们先简单回顾

下自动驾驶汽车控制架构，目前行业内普遍认为，自动驾驶汽车是通过搭载先进

的车载传感器、控制器和数据处理器、执行机构等装置，借助车联网、5G和 V2X

等现代移动通信与网络技术实现交通参与物彼此间信息的互换与共享，从而具备

在复杂行驶环境下的传感感知、决策规划、控制执行等功能。驾驶系统基于环境

感知技术对车辆周围环境进行感知，并根据感知所获得的信息，通过车载中心电

脑自主地控制车辆的转向和速度，使车辆能够安全可靠地行驶，并达到预定目的

地。

图 2-1 自动驾驶汽车控制架构


8

自动驾驶的关键技术是环境感知技术和车辆控制技术，如图 2-1 所示。其中环

境感知技术是无人驾驶汽车行驶的基础，车辆控制技术是无人驾驶汽车行驶的核

心，包括决策规划和控制执行两个环节，这两项技术相辅相成共同构成自动驾驶

汽车的关键技术。自动驾驶的整个流程归结起来有三个部分，首先，是通过雷达、

激光雷达、摄像头、车载网联系统等对外界的环境进行感知识别；然后，在融合

多方面感知信息的基础上，通过智能算法学习外界场景信息，预测场景中交通参

与者的轨迹，规划车辆运行轨迹，实现车辆拟人化控制融入交通流中；第三，跟

踪决策规划的轨迹目标，控制车辆的油门、刹车和转向等驾驶动作，调节车辆行

驶速度、位置和方向等状态，以保证汽车的安全性、操纵性和稳定性。无论是环

境感知技术，还是车辆控制技术，自动驾驶都需要大量的算法支持，而算法研发

本来就是个不断迭代的过程，在算法不成熟的条件下，为了配合自动驾驶汽车的

功能和性能开发，我们必须遵循从纯模型的仿真，到半实物的仿真，到封闭场地

和道路测试，并最终走向开放场地和道路测试这一开发流程。这一流程已经越来

越被业内人士所认可。密歇根州立大学的自动驾驶专家彭晖教授曾说过，任何成

功的自动驾驶系统都是 99%以上的模拟，加上一些精心设计的结构化测试，再加上

一些路测。Waymo 也很早就创建了 Carcraft，据报道，仅仅在一天内，Waymo 就可

能在路况特别复杂的地方模拟成千上万次驾驶。现在，Waymo 汽车每天在虚拟世界

中行驶的里程数超过 1287 万公里。在 2016 年，他们的虚拟总里程数达到 40 亿公

里，而在真实公路上行驶的谷歌无人驾驶汽车只行驶了 483 万公里。

仿真技术的基本原理是在仿真场景内，将真实控制器变成算法，结合传感器仿

真等技术，完成对算法的测试和验证。NVIDIA 在自动驾驶相关论文中较为详细的

解释了一种基于端到端深度学习原理的仿真测试，其主要过程如下：

1. 架构：设计深度卷积神经网络(CNN)，包括标准化层，卷积层，全连接层，

输入为道路影像图片，输出为方向盘控制角度。

2. 训练：仿真器根据之前准备好的由前置摄像头拍摄的道路影像，每一帧图

片对应的人类司机操控方向盘的旋转角度作为真实参考值，用于校正 CNN 的输出

角度，利用这些数据对 CNN 进行训练，使输出角度和真实角度的平均平方误差到

达最小。

3. 数据处理：对于每一帧图片，随机移动、翻转、扭曲、遮挡、改变亮度等，

并相应改变方向盘的真实角度，用于模拟汽车的不同位置和环境，以期达到正态

分布的仿真情境。


9

4. 测试：训练好的 CNN 可以实时通过图像输出方向盘角度，可以直观的看出

汽车在仿真器道路上的行驶状态。

一个完整的自动驾驶仿真平台，需要包括静态场景还原、动态案例仿真、传感

器仿真、车辆动力学仿真、并行加速计算等功能，并能够较为容易的接入自动驾

驶感知和决策控制系统，如图 2-2 所示。只有算法与仿真平台紧密结合，才能形

成一个闭环，达到持续迭代和优化的状态。

图 2-2 自动驾驶仿真系统模块

拟真环境与动态案例仿真，这个构成了复杂多变的交通场景仿真。拟真环境的

构建有很多方案，我们可以采集实际环境信息及已有的高精度地图构建静态场景，

通过采集激光点云数据，建立高精度地图，构建环境模型，并通过自动化工具链

完成厘米级道路还原。静态场景数据编辑和自动生成技术，可基于实体场景完成

真实道路自动化还原。也可以对道路周围树木及信号灯等标识根据不同拓扑结构

进行自动的排布组合，生成更多的衍生虚拟场景。另一种方案是人为创建所需的

环境，可以只包括那些简单的典型道路和场景，也可以把复杂的立交桥，隧道，

各种障碍物，车道线和交通标志包括进来，用于不同的仿真测试和训练目的。


10

动态场景仿真也有很多数据源，我们可以用实际路上采集的海量真实数据，经

过算法抽取，结合已有的高精地图，做动态场景重建；也可以对多元类型数据进

行整合与加工，通过算法构建逼近真实的智能体行为模型，可实现差异化动态场

景的快速搭建。除此之外，随机交通流的生成可模拟复杂的交通环境，通过设置

交通车辆，行人，非机动车的密度，根据统计学的比例自动生成，大大提升了整

个场景搭建的速度。图 2-3 展示了通过虚拟场景结合车流与行人智能体，构建出

的环岛交通场景。

图 2-3 交通场景仿真

目前，不同国家对交通事故数据都有一定的统计，比如美国的 NHTSA, 德国的

GIDAS,中国的 CIDAS 等，尽管存储格式不同，但基本都包括事故还原的关键数据：

事故概况，事故发生的时间地点，碰撞类型，事故车辆编号及类型，参与事故的

其他元素的编号及类型等，以及车辆与环境概况，事故车的各项车辆参数及用途，

现场道路及道路设施情况，环境信息，车辆遗留印迹，车速评估结果或实验结果。

我们可以利用算法自动地将这些数据转换成测试场景模型，结合其它的仿真模块

和算法，构建完整的系统仿真方案。这对测试工况的种类，数量和覆盖度都是很

好的提升。

交通场景仿真的参数化和泛化技术，决定了自动驾驶仿真测试历程和工况场景

几乎是无限的，不管是正常工况还是危险工况，都是可以进行重复测试和验证，


11

这样更容易发现和定位问题。开放仿真接口，通过代码来控制交通场景，对于通

过机器学习和强化学习来做算法训练也是非常有必要的。

对于自动驾驶算法验证，尤其是感知算法，天气和气候仿真也很重要，这对传

感器的有效工作事关重大。我们可以在仿真环境里，设置不同的天气，对天气参

数进行调节，比如太阳高度角，雾的浓度，雨滴的大小等，模拟出极端天气，训

练无人车应对这些情况，然后将训练好的数据模型运用于真实驾驶过程中。如图

2-4 所示，展示了仿真环境里太阳逆光的效果的模拟。

图 2-4 天气仿真

传感器仿真，即环境感知传感器的建模能力需要对传感器物理原理的大量先验

知识和经验。我们先以 Waymo 为例，了解下车载传感器都包括哪些，以及它们的

功能。


12

图 2-5 Waymo 车载传感器

如图 2 -5 所示，为满足自动驾驶的复杂需求，Waymo 开发传感器矩阵，可实

现 360 度全景探查及监控，不论白天或黑夜，且视野面积可达 3个足球场那么大。

这类多层级传感器套件可以无缝协同工作，绘制出清晰的 3D 全景图像，显示行人、

自行车、来往车辆、交通指示灯、建筑物和其它道路特征等动态及静态目标。

Lidar（激光雷达）系统，使用激光进行检测和测距，可全天候工作，每秒可

发射数百万个 360°全景激光脉冲，测量反射到表面并返回车辆所需的时间。Waymo

的系统包括内部开发的三种不同类型的激光雷达：1. 短程激光雷达，可使车辆持

续不断地获得车辆周边环境；2. 高分辨率的中程激光雷达；3. 新一代功能强大

的长距离激光雷达，视线面积可达三个足球场。

视觉（摄像头）系统，Waymo 的视觉系统由多套高分辨率摄像头组成，以便在

长距离、日光和低亮度等多种情境下完成协作。同时具有 360°全景视野，相较之

下，但人类的视野却只有 120°。由于 Waymo 视觉系统分辨率高，可探查不同的颜

色，因而能帮助系统识别交通指示灯、施工区、校车和应急车辆的闪光灯等。

雷达系统，雷达利用毫米波来感知物体及其运动，这类波长可以穿透雨滴等目


13

标物，从而使得雷达在雨、雾、雪等天气中都发挥效果。Waymo 的雷达系统具有连

续的 360°视野，可追踪前后方和两侧过路车辆的行驶速度。

辅助传感器（Supplemental Sensors），Waymo 还提供了部分辅助传感器，包

括：音频检测系统，该系统可以听到数百英尺远的警车和急救车辆所发出的警报

声。

从仿真角度来讲，不管是哪种传感器，理论上都可以从三个不同的层级仿真，

第一个是对物理信号进行仿真，第二个是对原始信号进行仿真，第三个是对传感

器目标进行仿真。物理信号仿真，就是直接仿真传感器接收到的信号，如摄像头：

直接仿真摄像头检测到的光学信号；雷达：直接仿真声波和电磁波信号。原始信

号仿真，是把传感器探测的单元拆掉，因为控制电控嵌入式系统中有专门的数字

处理芯片，可以直接仿真数字处理芯片的输入单元。最后一层传感器目标仿真。

做传感器感知和决策如果是分为两个不同层级的芯片来做，那么可以将传感器检

测的理想目标直接仿真到决策层算法输入端。这种目标级输入信号一般是 CAN 总

线输入信号或者其他通讯协议格式输入信号。比如，差分 GPS 和 IMU 可以通过串

口通讯来仿真。一般来说，通过软件仿真的方式达到目标级仿真，提供真值是比

较容易做到的，而原始信号，尤其是物理信号的仿真，因为需要使用大量的仿真

设备而相对比较复杂

车辆动力学仿真。传统的商业仿真软件在这个领域已经非常成熟，一般将车辆

模型参数化，包括：车体模型参数化，轮胎模型参数化，制动系统模型参数化，

转向系统模型参数化，动力系统模型参数化，传动系统模型参数化，空气动力学

模型参数化，硬件 IO 接口模型参数化，根据实际测试车辆的动力学配置合适参数。

使用这些复杂车辆参数，可以保证车辆的仿真精度更高，使被控对象更接近于真

实的对象。同时它还有一个较好的作用是在制作自动驾驶系统开发时可能涉及到

一些转向、制动、线控系统开发，这种系统也需要被控对象模型。有了这些被控

对象模型后，我们就可以把真实的线控制动、线控转向系统和自动驾驶系统集成

到大系统中共同做仿真测试，这样测试的目的和意义主要是为了独立验证整个线

控系统，同时还可以验证自动驾驶系统与线控系统的交互。

在有了丰富的交通场景库，准确的传感器仿真模型和车辆动力学仿真模型后，

如何通过仿真平台加速自动驾驶算法测试和验证的迭代周期，这一问题可以通过

纯软件方式的并行计算架构实现。并行计算或称平行计算是相对于串行计算来说

的，它是一种一次可执行多个指令的算法，目的是提高计算速度，以及通过扩大


14

问题求解规模，以解决大型而复杂的计算问题。所谓并行计算可分为时间上的并

行和空间上的并行。时间上的并行就是指流水线技术，而空间上的并行则是指用

多个处理器并发的执行计算。并行计算（Parallel Computing）是指同时使用多

种计算资源解决计算问题的过程，是提高计算机系统计算速度和处理能力的一种

有效手段。它的基本思想是用多个处理器来协同求解同一问题，即将被求解的问

题分解成若干个部分，各部分均由一个独立的处理机来并行计算。并行计算系统

既可以是专门设计的、含有多个处理器的超级计算机，也可以是以某种方式互连

的若干台的独立计算机构成的集群。通过并行计算集群完成数据的处理，再将处

理的结果返回给用户。目前，有很多开源的并行计算模型和框架，而其中最有名

的是 Google 提出的 MapReduce 编程模型，它是一个能处理和生成超大数据集的算

法模型，该架构能够在大量普通配置的计算机上实现并行化处理，基于这个模型

又衍生出很多优化模型，这些如果能应用到自动驾驶仿真平台，对传感器分布式

仿真和自动驾驶算法的加速仿真大有好处。

2.2 自动驾驶仿真测试应用

将自动驾驶仿真技术落地应用，需结合汽车行业普遍采用的基于计算机模型

的控制器开发“V”模式，如图 2-6所示，它的真实含义是指 RAD（Rapid Application

Development，快速应用开发），目的是为了改善早期软件开发使用的瀑布模型中，

错误直到开发后期的测试阶段才能发现的弊端，V-model将软件生命周期中的每一

个开发活动，都对应一个测试活动，并且两者同时进行。

V-model是从道路车辆功能安全国际标准 ISO 26262中归纳出来的，ISO 26262

站在系统和全生命周期的高度，统筹电子电气系统的功能安全，从提出产品概念

阶段开始，覆盖系统开发、硬件开发、软件开发、生产运行和售后支持，以系统

的方法，指导产品全生命周期的安全事项的实施。传统的 ISO 26262标准规定仿真

的作用在验证系统行为中是至关重要的，并建议在各级进行仿真。模拟的优点是

测试是可重复的，并且它支持超过性能/耐久性极限和危险情况的测试能力。ISO

26262提出了用于进行软件安全需求验证的环内模型(MIL)、环内软件(SIL)和环内

硬件(HIL)仿真。但由于缺乏仿真和测试资源，标准仿真技术可能不足以满足所需

的测试量。


15

图 2-6 V-cycle

随着自动驾驶的兴起，自动驾驶的功能安全性、功能可靠性验证以及如何严

苛的符合国际标准 ISO 26262的要求，成为系统从研发到产业化的主要阻碍，相对

于社会和客户对于自动驾驶功能安全性及事故率的极高要求，摆在各大车企面前

的是上亿公里的道路测试需求。如何加速和简化这一测试验证流程成为各大车企

产业化自动驾驶技术的主要挑战。在这些前提和市场需要下，不管是传统的仿真

软件还是新兴的仿真平台，都逐渐推出了 XiL（X in the Loop， X代表任何参与到

开发过程的测试类型）的概念，也就是上文我们曾经提及的自动驾驶测试阶段，

从纯模型的仿真，到半实物的仿真，到整车在环，到最终路测。该技术通过对自

动驾驶硬件模型化、自动驾驶环境数字化、自动驾驶场景参数化等手段，使自动

驾驶系统的虚拟测试验证成为可能。结合现代强大的现实虚拟还原技术，绝大多

数的自动驾驶系统测试可以被搬到计算机虚拟世界中进行，并加速进行，从而节

省了海量验证测试的时间和测试构建成本。

在自动驾驶算法迭代初期，对于原理和软件系统验证的 SiL（Software in the

Loop）据较为重要的地位。自动驾驶作为人工智能在汽车行业的应用领域，需要

大量的数据集来训练机器学习算法，主要是感知识别算法。目前，全球主流的自

动驾驶测试数据集包括 Cityscapes、Imagenet（ILSVRC）、COCO、PASCALVOC、


16

CIFAR、MNIST、KITTI、LFW等。比如：

1. Cityscapes是由奔驰于 2015年推出的，提供无人驾驶环境下的图像分割数

据集。用于评估视觉算法在城区场景语义理解方面的性能。Cityscapes包含 50个

城市不同场景、不同背景、不同季节的街景，提供 5000张精细标注的图像、20000

张粗略标注的图像、30类标注物体。用 PASCALVOC标准的 intersection-over-union

（IoU）得分来对算法性能进行评价。Cityscapes是目前公认的自动驾驶领域内最

具权威性和专业性的图像语义分割评测集之一，其关注真实场景下的城区道路环

境理解，任务难度更高且更贴近于自动驾驶等热门需求。

2. KITTI是由德国卡尔斯鲁厄理工学院和丰田芝加哥技术研究院于 2012年

联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。

KITTI用于评测 3D目标（机动车、非机动车、行人等）检测、3D 目标跟踪、道

路分割等计算机视觉技术在车载环境下的性能。KITTI包含市区、乡村和高速公路

等场景采集的真实图像数据，每张图像中多达 15辆车和 30个行人，还有各种程

度的遮挡。

3. ILSVRC也就是通常所说的 ImageNet数据集，是美国斯坦福的计算机科学

家李飞飞模拟人类的识别系统建立的。它是目前深度学习图像领域应用较多的一

个数据集，关于图像分类、定位、检测等研究工作大多基于此数据集展开。ImageNet

数据集有 1400多万幅图片，涵盖 2万多个类别，其中有超过百万的图片有明确的

类别标注和图像中物体位置的标注。

这些数据集可以用来训练算法，关键因素是丰富的场景元素和准确的数据标

注。数据标注的对象通常有图像、语音、文本、视频、雷达等。图像类主要针对

视觉识别类公司，所要标注的图像内容包括人像、建筑物、植物、道路、交通标

志、车辆等，每项内容下面，又会根据不同的特征进行不同标签的标注。传统数

据标注方式基本靠的是众包，需要耗费大量的时间和精力，借助自动驾驶仿真平

台高质量的交通场景虚拟还原技术，复现复杂交通场景、真实交通流、自然天气、

各种交通参与者，通过图形图像算法，可实时自动生成数以万计带标注的图像，

用于训练感知算法，也可以作为真值（Ground Truth），直接传感器目标仿真，输

入至决策规划算法，对算法进行开发与验证。如图 2-7 所示，仿真环境严格按照

Cityscapes语义分割标准自动生成的语义分割图。


17

图 2-7 仿真环境分割图

仿真平台除了借助传感器仿真、车辆动力学仿真，通过纯软件的方式接入自

动驾驶感知和决策控制系统形成闭环测试之外，集成部分硬件系统的验证测试也

是系统开发与验证不可或缺的一部分。通过仿真环境，结合部分硬件系统的计算

结果进行测试，可以使软件和硬件的兼容性和功能完整性得以验证，用较低的成

本测量验证子系统模块功能安全性，局部子系统的全方位测试验证，可以方便有

针对性的达到系统辨识和错误追踪定位的目的。如图 2-8所示，在自动驾驶仿真

系统解耦架构的基础上，作为自动驾驶系统的感知部分，包括摄像头、激光雷

图 2-8 自动驾驶仿真系统 HIL


18

达、毫米波雷达、超声波雷达、GPS/IMU、V2X等，该部分的性能决定了自动驾

驶车辆能否适应复杂多变的交通环境。针对不同的传感器，HIL（硬件在环）会根

据不同的传感器和环境因素来部署。前面我们提到传感器仿真中的物理信号仿真

和原始信号仿真，都与 HIL相关。

现阶段，摄像头的硬件在环解决方案比较清晰，物理信号仿真基本通过暗箱

实现，在暗箱中，由工控机生成暗箱中显示器虚拟交通场景画面，摄像头拍摄虚

拟场景画面，实时采集传感数据，输出至传感数据处理单元供图像处理器进行数

据处理，并将处理结果传输给传感器融合控制单元，最后通过决策规划和控制执

行算法达到闭环控制。而原始信号仿真采取的是视频注入的方式，同样由工控机

生成虚拟交通场景，根据摄像头控制器的数据接口，比如 HDMI，将场景信息以图

像数据流的方式实时注入控制器内，把图像数据流转换为传感数据，输出至传感

数据处理单元供图像处理器进行数据处理，并将处理结果传输给传感融合控制单

元，通过用户开发的控制算法识别图像，对车辆进行算法控制。其他传感器的硬

件在环有些也有现成的方案，有些还在研究中。

仿真平台要支持硬件在环，需要在现有纯软件仿真接入的架构上，增加硬件

层接入。硬件控制层与仿真层相连接构成闭环测试系统，用于全面测试和验证硬

件和算法。

在自动驾驶仿真产业链上，仿真平台为算法公司提供了算法快速迭代的纯软

件接口方案，也提供软硬件结合的系统解决方案。针对检测机构，主要从安全层

面考虑，希冀制定出全面、系统、公平的检测标准，仿真平台提供了丰富而有系

统的场景测试工况，可以有针对性的接入不同自动驾驶算法，根据算法的测试情

况进行客观评估，从而汇总报告。而对于仿真方案要求最为严格的主车厂，涉及

部件，系统与整车各级别的算法训练及在环测试，仿真平台的并行计算架构和硬

件接入层，能够快速有效地评估算法的性能，同时也能够极大的提升测试安全性

和算法安全性。通过不断的虚拟仿真测试，让自动驾驶汽车在路测时游刃有余，

处惊不乱。

2.3 自动驾驶仿真测试的验证与精度

自动驾驶仿真测试平台包括虚拟场景、动态案例仿真、传感器仿真、车辆动


19

力学仿真等独立模块，如图 2-9所示，描述了仿真平台的典型软件架构，所以对

自动驾驶仿真测试的验证与精度评估主要就是对存在于此架构内各个模块的评估

和对整体框架的再评估。

图 2-9 仿真系统典型架构

仿真是基于模型的试验活动，因此仿真实验和结果不可能完全准确地代表真

实系统的性能，存在一个可信性问题，没有可信性的仿真系统是没有生命力的。

自动驾驶仿真测试平台作为功能多样且复杂的仿真系统，面临同样的问题。在数

学建模领域，仿真系统的可信性可以通过校核与验证加以测量，通过确认来正式

地加以认证，可以为某一特定的应用目的服务，这个过程就是仿真系统的校核，

验证与确认，即 VV&A(Verification, Validation and Accreditation)。

仿真系统校核（Verification）：确定仿真系统准确地代表了开发者的概念

描述和技术要求的过程；

仿真系统验证（Validation）：从仿真系统应用目的出发，确定其代表真实

系统正确程度的过程；

仿真系统确认（Accreditation）：是官方正式地接受一个仿真系统为专门

地应用服务地过程。


20

校核与验证从字面上理解的意义非常接近，但在仿真系统的 VV&A中，它们

的含义要有一定的区别。校核关心的是“是否正确的建立了仿真系统”的问题，

比如针对某传感器摄像头仿真，校核关心的是传感器仿真设计人员是否按照摄像

头仿真应用目标和功能需求的要求正确地设计出摄像头仿真模型，仿真模块开发

人员是否按照设计人员提供地仿真模型正确地选择相应的算法实现了摄像头仿真

模型；而验证关心的是“是否建立了正确的仿真系统”的问题，还是以上述实现

的摄像头仿真模型为例，验证关心的是这个仿真模型在具体的应用中多大程度地

反映了真实摄像头的工作情况。仿真系统的验收则是在这两个过程的基础上，由

专门的验收人员和用户组成小组，对仿真模型和系统的可接受性和有效性做出正

式的确认。校核，验证与验收之间有着十分密切的联系。

一般来说，仿真模型必须满足三个条件：首先，仿真模型与系统原型之间具

有一定程度上的相似关系，以保证两者之间的可类比性。比如摄像头仿真，要在

摄像头工作原理和参数关系的基础上进行物理模型仿真，这是仿真模型能够得以

存在的基础；其次，仿真模型在一定程度上应该能够代替系统原型，极具有代表

性。比如在无人驾驶仿真平台内，摄像头仿真模型应该能代替真实摄像头，在虚

拟场景内做环境感知，生成数据。这是能够利用仿真模型来进行实验研究，也是

仿真过程能够得以进行的前提条件。然后，通过对仿真模型的研究，能够得到关

于系统原型的一些准确信息，即仿真模型具有外推性。比如利用摄像头仿真模型

的参数调节，找到真实摄像头可能存在的盲区，这是仿真技术要实现的目标。

除了三个条件，美国国防部曾发表 VV&A建议指导规范，用于指导仿真系统

VV&A相关人员去管理和操作有关的活动，这对自动驾驶仿真平台的搭建也是非

常有意义的。相对正确的原则，没有绝对正确的仿真系统，仿真系统的正确性是

相对于其应用目的而言的，一个仿真系统对一个应用目的而言完全正确，而对另

一个应用目的可能是完全不正确。必要不充分原则，仿真系统的验证不能保证仿

真系统应用结果的正确性和可接受性，即 VV&A是必要的但不是充分的，要尽力

避免三类错误：第一类错误是仿真系统是正确的，但却没有被接受；第二类错误

是仿真系统是不正确的，但却被接受；第三类错误是解决了错误的问题。全局性

原则，对仿真系统的组成部分的校核与验证不能保证整个仿真系统的正确性，整

个仿真系统的正确性必须从系统整体出发进行校核与验证。创造性原则，对仿真

系统的 VV&A需要评估人员具有足够的洞察力和创造力，因为仿真本身就是一门

创造性很强的科学技术，对其进行评价更需要足够的创造力，VV &A 既是一门科

学又是一门艺术。良好计划和记录原则，仿真系统的校核与验证必须做好计划和


21

记录工作，良好的计划应选择对提高仿真系统的正确性和仿真结果的可信度最有

贡献的活动，并优化安排其实施过程，以最大限度地发现问题，提高仿真系统质

量；对每项工作结果都要做认真的记录，为系统 VV&A的下一步工作和验收提供

必要的信息。数据正确性原则，VV &A所需要的数据/数据库必须是经过校核、验

证与确认，证明其正确性和充分性的。在建议规范中，归纳总结了 76 种校核与

验证方法分为非正规方法、静态方法、动态方法和正规方法四大类。只是，随着

人工智能和自动驾驶的兴起，需要在这些规范的指引下，找到验证与精度评估的

新方法。

虚拟环境的构建，我们可以通过采集激光点云数据，建立高精度地图。它的

数据精度主要通过组合导航数据解算精度、点云数据生成精度、数据采集精度等

来保证。组合导航数据精度保证，采用专业软件来处理，软件具有 GPS差分解算、

POS松组合解算、POS进组合解算、数据融合、数据平滑等功能，同时可以对数

据精度的好坏进行预估。点云数据生成精度，点云数据生成前设备都经过精确的

标定，为后期高精度激光点云的生成提供保证。数据采集精度，专业的系统具有

快速的自动提取功能，系统的自动提取功能包括两个过程：一级模型提取和二级

模型提取，一级模型是在对点云进行构件提取、自动探面、探线、提取特征线并

矢量化的结果，二级模型是在一级模型提取的特征面和特征线的基础上得到具有

现实意义的实体，实现了分层分类和实体化，并且拥有几何属性，便于后期分析。

动态场景仿真，如果仿真源数据来自实际路采真实数据，那么验证手段较为

直接，通过算法抽取重建的动态场景与原始采样数据的高一致性是精度的保证。

如果是智能体行为或者随机交通流，验证更多是从主观感受出发，与现实行为越

接近越好。针对天气和气候仿真，它的验证手段也是尽可能地与现实接近。

传感器仿真，在某些情况下，仿真场景需要真实的反映出环境的物理材质，

比如摩擦力系数，空气阻力，而对感知算法的研发，要求仿真环境达到照片级的

渲染效果，同时尽可能地物理逼真。拿摄像头物理仿真为例，为了改善虚拟物体

的真实性，我们可以利用基于物理的渲染过程（Physically-Based-Rendering）中的

基础色（Base Color）、粗糙度（Roughness）、金属度（Metallic）、镜面反射（Specular）

来对物体进行物理渲染。基础色来定义材质的整体颜色，采用的是 RGB三通道值，

并且把每个通道值自动调节到 0到 1之间。Roughness用来控制材质的粗糙度，粗

糙材料比光滑材料在更多方向上散射反射光，这是反射的模糊或锐利产生的原因；

粗糙度值为 0（光滑）时为镜面反射，粗糙度值为 1（粗糙）为漫反射（或无光泽）


22

表面。金属度用来控制材质表面看起来是否像金属，非金属的金属值为 0，金属的

金属值为 1；对于纯表面，例如纯金属，石材或塑料，此值将为 0或 1。镜面反射

用来调整材质反射光的能力，输入值在 0到 1之间。经过 Physically-Based-Rendering

中的这四个属性物理渲染后，使得我们虚拟出来的物体更加接近真实世界的物体，

更加符合人眼视觉的感知。渲染的真实度，可以通过机器学习的方法或者纯采样

算法来评估。

车辆动力学仿真，是汽车行业较为成熟的板块。为了准确真实的反映汽车的

耐久性能，需要建立贴合实际的汽车动力学仿真模型，主要包括前悬挂模型，后

悬挂模型，转向系模型和轮胎模型等。可以利用目标车的实车平顺性和操纵稳定

性试验数据对建立的汽车模型进行验证。

涵盖所有这些模块的自动驾驶仿真平台，它的验证主要在架构的稳定性和性

能方面。借助传统的软件测试方法，结合黑盒测试和白盒测试，静态代码分析和

动态测试，从软件开发早期的需求设计测试，开发过程中的单元测试，集成测试，

系统测试，到收尾阶段的验收测试，回归测试，以及发布时的 Alpha测试，Beta

测试，制定完善的测试计划，保证整个仿真平台的功能稳定，性能达到要求。

2.4 自动驾驶仿真测试的评价方法

自动驾驶车辆势必要在相同运行设计域内应对人类驾驶员每天会遇到的各类

驾驶情境，这意味着自动驾驶系统需要证明其具有适用的技能，或“行为能力”，

这对既定位置及运行条件而言，是不可或缺的条件。业界已经充分认识其重要性，

也在努力推动着评价标准的建立，但是仍未就如何在现实世界中测试它们的安全

性和其他性能达成一致。由于时间和成本的限制，无法进行充分的道路测试，因

此普遍共识是需要基于仿真的测试评价。对于这样的评价，仿真中包含的场景应

代表被测功能的预期实际使用场景，利用仿真环境的高可复现性和执行性，自动

驾驶算法可以得到较为客观的测试结果。


23

图 2-10 仿真测试评价体系

如图 2-10 所示，简要描述了自动驾驶仿真测试的评价体系，主要针对的是自

动驾驶整体算法的测试和评估。在算法接入仿真平台后，起到测试目的的关键部

分是交通场景的仿真，即系统预期运行环境的条件模型。环境条件通常概述于“场

景”中，包括但不限于道路属性（车道数、坡度、出口、路障、道路条件等）、

交通属性（其他交通参与者的数量和速度、其他驾驶员的可能模型）和总体环境

条件（能见度、天气条件等）。这些条件模型的组合形态既包括实际交通中经常

出现的“标准工况”，也包括对于安全性评价，导致事故的“危险工况”，以及

两者相结合的“复杂交通流”，不管哪种模型，测试场景标准化都尤为关键。

在 2018 IEEE IV国际智能车会议期间，有论文专门讨论了 ISO 26262标准中

不同阶段对场景描述的要求，提出了满足一致性的场景描述方法，并演示了如何

系统建立满足不同阶段需求的场景。场景可以应用到标准的整个开发过程中以得

到各中间产物，从概念阶段到产品开发，再到系统验证和测试。而在整个开发周

期中，要求在不同抽象级别上对所用场景有一致性表述，就此可以将场景划分为

三个抽象级别：功能场景（Functional scenarios）、逻辑场景（Logical scenarios）

和具体场景（Concrete scenarios）。功能场景是场景表述的最抽象级别，是通过语

义描述的操作场景，通过语言场景符号来描述域内的实体以及实体间的关系，首

先需要制定一个术语表，这个术语表包括不同实体的术语和这些实体的关系短语。

为了生成一致的功能场景，术语表的所有术语必须是明确的，其来源可以是实际

的标准和法规，如道路交通规则。功能场景的详细程度取决于实际的开发阶段和

正在开发的项目。逻辑场景以状态空间呈现操作场景。通过定义状态空间内变量

的参数范围，可以表达实体特征和实体间的关系。参数范围可以选择用概率分布

来确定。此外，不同参数的关系可以通过相关性或数值条件来确定。逻辑场景应


24

包含该场景的形式标记。具体场景以状态空间详细描述了操作场景。通过确定状

态空间中每个参数的具体值来明确描述实体和实体间的关系。对于每一个具有连

续取值范围的逻辑场景，都可以派生出任意数量的具体场景。为保证生成具体场

景的效率，应选择有代表性的离散值进行组合。必须强调的是，只有具体场景可

以直接转化为测试用例。要将具体场景转换成测试用例，需要增加被测对象的预

期行为表现，以及对相关测试设施的需求。而被测对象的预期行为则可以从操作

场景、逻辑场景或项目定义中导出。

标准化交通场景确定之后，自动驾驶算法接入仿真平台即开始测试，我们可

以记录下自动驾驶车辆从起点出发之后所有的细微表现，如是否闯红灯，压实线，

是否发生碰撞，是否到达终点，甚至全程的油门，刹车，转向状态都会被记录下

来。自动驾驶的测试评价缘于这些原子结果和车辆状态。

驾驶安全性，指车辆在道路上的行驶决策和行为。自动驾驶车辆也需要遵守

交通规则，必须在各种驾驶情境（不论是该情景是预期内还是预期外的）为用户

提供导航，确保驾驶安全性。在仿真平台内，我们很容易得到关于安全性的评价。

首先是对自动驾驶模块运行可靠性的判定，类似模块是否会发生软件的致命错误、

内存泄漏和数据延迟等，其次是对自动驾驶基础功能的评价，类似是否按照道路

指示标志行车，是否冲撞行人，是否发生交通事故等。

驾驶舒适性，指车辆在道路上行驶期间驾驶员或者乘员的驾乘体验。传统汽

车舒适性评价主要通过人体总的振动加速度与主观感觉来判断舒适性，这一评价

内容只是自动驾驶汽车舒适性评价中的一部分，评价的另一部分内容是驾驶员或

者乘员对于自动驾驶系统本身的感受。在仿真平台内，一般有两种方式获得舒适

性方面的评价，一是依据行驶过程记录下的油门、刹车、转向状态，评估车辆驾

乘是否平稳，转弯是否平顺，二是利用多自由度驾驶模拟器，通过驾驶员在环，

评估驾驶员的体感判定和心理感受，体感判定包括了横摆角，顿挫感等评估体系，

心理感受包括了心理安全感以及迟钝感等。因为舒适性是个偏主观的感受，这条

评价准则更多的是在路测阶段较为准确。

交通协调性，指车辆在道路上行驶时相对其他交通参与者的交通移动表现。

我们人类驾驶员会根据其他的交通参与者的行为方式来判断、选择自己该用什么

样的行为方式。自动驾驶汽车也是需要判断它周边车辆的意图做出规划和决策的。

比如跟车，一般人类驾驶员如果发现前车很慢，而左侧车道无车时，经常会选择

变道超车，而自动驾驶汽车有可能就一直保持安全距离跟车，从而影响它后面的


25

其他车辆。从驾驶安全性和舒适性上，自动驾驶汽车选择的行为方式可能没有问

题，但从协调性角度看，并非最佳选择。在仿真平台内，对交通协调性的评价方

法是比较困难的，虽然我们会记录下来每次交通场景下，自动驾驶算法的规划和

决策，但只能从外部交通参与者或全局视角去分析评价它。协调性的提升，靠算

法不断地自我强化学习。

标准匹配性，指按不同国家的法律法规，对自动驾驶行为做出评价。在仿真

平台内，因为我们输出的是原子结果，通过不同的排列组合和条件筛选，可以从

不同维度，按不同行业标准，对自动驾驶算法做出评价。

仿真平台测试评价体系还在不断深化和完善中，在标准化交通场景的帮助下，

我们可以从驾驶安全性，驾驶舒适性，交通协调性和标准匹配性四个视角去评价

它，这是一种可能的框架。


26

第 3章自动驾驶仿真测试环境的搭建技术方案

3.1 虚拟场景的构建

3.1.1 虚拟场景构建的内容

虚拟场景构建的内容此处特指为面向自动驾驶车辆测试的虚拟静态场景内容，

通常包括道路（中心线、车道线，路面材质等）、交通元素（交通灯与交通标志

牌）、交通参与者（机动车、非机动车与行人）、道路周边元素（包括路灯、车

站、垃圾箱、绿化带、建筑物）等。

传统导航用的是普通的导航地图，而自动驾驶用的是高精度地图，后者在道路

几何描述上，在精度和细腻度上都提高了一个量级。自动驾驶系统需要高精度地

图，这是因为计算机还没有形成如同人类一样强大的感知能力。与此同时，由于

包含道路和周边环境元素描述的高精地图在自动化或半自动化创建三维仿真场景

的技术路线上是前提条件，所以高精地图的创建是虚拟场景构建的重要内容，通

常包含以下要素：

1.元素类型。比如：禁停区、人行横道、减速带等元素的描述；

2.元素几何形状表述方式。比如：以车道边界为例，采用坐标序列的方式来描

述边界形状；

3.元素的属性描述。比如：交通标志长度属性描述；

4.元素之间相互关系的描述。比如：停止线与红绿灯的关联关系等。

对于高精地图，有众多学者和从业者提出见解：

有人用“驾驶安全地图”或者用“驾驶辅助”来阐述高精度地图，认为高精度

地图有四大特点。第一，高精度地图是服务于机器。高精度地图不需要给人看，

它是服务于机器的，它是服务于人工智能，服务于机器视觉和机器理解的。第二，

高精度地图是可变尺度的。这个地图是可以变尺度的，在不同的应用场景下对于

不同的车辆，其对于地图的精度需求是可变的。第三，高精度地图是动态和多维

的。地图在服务于自动驾驶时，对于数据的精度和内容的需求都是在变化的，并

且移动车辆周围的地物和环境是按照不同的时间单位变化的。多维的意思是，如


27

果把每一项内容信息（如道路的坡度、交通的拥堵程度、雾及雾霾程度等）作为

一个维度叠加在二维地图上面的话，车辆在移动过程中，以自身位置（X，Y）为

对象的一个 N维的向量其维度是变化的。第四，高精度地图的很多内容信息具有

非量测性。

有人认为，高精度地图应该叫“自动驾驶专题图”。“高精度地图其实是提供

了一个自动驾驶环境的模型。也就是说，车辆要想顺利进行自动驾驶，必须对其

周边的环境进行构建。该环境中，包括了移动物体：行人、车辆；互联设施：V2V、

V2X等通信设施；高精度动态驾驶环境：是否拥堵、哪里在施工、哪里有事故、

哪里有交通管制、哪里有雨雪等；最底层的静态高精度地图中，又包含了车道模

型、道路部件、道路属性和其他的定位图层等。”

有人认为应把高精度地图定义为全语义三维地图。“地图既包含道路上的车道

详细信息，还包含道路两边的附属设施。更重要的是，我们还会提供车道级别的

动态信息。这种地图优势在于既能支持视觉的定位技术，也能支持激光雷达和毫

米波雷达定位的技术。一种定位技术可能不能保证连续高质量的输出，基于这些

定位的组合才能保证全天时全天候完全高精度的定位，满足安全的要求。”

还有人认为，高精地图拥有精确的车辆位置信息和丰富的道路元素数据信息，

起到构建类似于人脑对于空间的整体记忆与认知的功能，可以帮助汽车预知路面

复杂信息，如坡度、曲率、航向等，更好地规避潜在的风险。

3.1.2 虚拟场景构建的技术手段

虚拟场景构建的技术手段通常包括基于建模软件构建场景，基于已经完成的游

戏搭建场景，基于增强现实方法来构建场景，基于高精地图生成场景等方式。

基于建模软件构建场景的方式是指：根据需求，利用 3D建模软件构建仿真模

型，或者使用模型库中提供的现成模型，然后对准备齐全的仿真模型进行整合从

而构建出预期的仿真场景。

基于已经完成的游戏搭建场景的方式是指：依赖已经完成的游戏场景特征，比

如 GTA场景的复杂度，渲染真实度和高随机性，使用这个大型开放世界场景，来

测试自动驾驶系统。

基于增强现实方法来构建场景的方式是指：通过模拟交通流来增强现实世界图

像，进而创建逼真的仿真图像和渲染。更具体地说，使用激光雷达和相机扫描街


28

景。根据获得的轨迹数据，为汽车和行人生成了看似合理的交通流，并将其合成

到背景中。合成图像也可以基于不同视角和传感器模型（相机或激光雷达）进行

再合成。生成的逼真图像添加完整注释，可用于从感知到规划的自动驾驶系统训

练和测试。

基于高精地图生成场景的方式是指：将来自斜扫点云、全景图、测绘矢量、卫

星影像等多种真实非结构化测绘数据进行融合和结构化处理，并调用虚拟资源进

行虚拟场景生成，让机器深度理解道路、交通等环境。具体实现过程是：1）收集：

点云、全景图、测绘矢量、卫星影像等真实非结构化测绘数据。2）数据结构化：

对真实测绘数据进行结构化，构建高精地图。3）场景生成：以结构化数据为基

础，根据不同语义，调用不同虚拟资源进行场景生成。相较于基于传统的建模软

件构建场景方式，这是一种降低成本、节约时间的技术手段。

图 3-1 基于高精地图生成场景流程


29

3.2 传感器仿真

3.2.1 激光雷达仿真

激光雷达仿真的思路是参照真实激光雷达的扫描方式，模拟每一条真实雷达

射线的发射，与场景中所有物体求交。以某 64线、水平分辨率为 0.4°、最大探

测距离为 120米的雷达为例，该雷达每一帧会发射出 57600条射线(64 * 360 / 0.4)

与场景中所有物体求交，如果求得的交点位于最大探测距离内，则为有效点，对

于 10HZ的雷达来说，每秒需要发射 576000条射线。针对微电子机械系统激光雷

达（MEMS），技术方案原理上与上述方法一致。主要差异是，水平方向扫描不

再是 360°，而是可以指定扫描的水平角度范围。

在模拟射线与场景求交时，一般需要为场景资源都添加足够精细的，甚至与

原始模型完全一致的物理模型，以保证求交结果的准确性。

鉴于每秒需要扫描的雷达射线次数过多（50w+），且求交算法计算复杂度高，

一般仿真时会利用 CPU并行或 GPU并行计算的方式来提高扫描效率，以达到实

时仿真的效果。

激光雷达反射强度跟不同物理材质对激光雷达所使用的近红外光线反射率有

关。反射强度受到障碍物距离、激光反射角度以及障碍物本身的物理材质影响。

仿真时需要给场景资源设置合适的物理材质，包括各种道路，人行道，车道线，

交通牌，交通灯，汽车，行人等。每一种物理材质的激光反射率都不相同。可以

使用仪器提前测得每一种物理材质的激光反射率，并记录下来。可以参照某些真

实激光雷达的做法，将最终反射强度归一化到 0~255。

激光雷达仿真一般需要支持以下参数配置：

1. 安装位置和角度，包括 X, Y, Z, Roll, Pitch, Yaw.

2. 工作频率，一般为 10HZ

3. 最大探测距离，比如 120m

4. 线数和水平分辨率。当修改线数或水平分辨率后，扫描总点数会相应增加。

5. 垂直视场角设置，默认为-25°~ 15°

6. 水平视场角一般为 360°。针对固态激光雷达，可以设置水平视场角范围


30

激光雷达的仿真结果点云一般位于激光雷达本地坐标系下。转换到世界坐标

系的方式为，先根据激光雷达安装位置和角度转换到主车坐标系，然后再根据主

车仿真 GPS信息转换到世界坐标系。

激光雷达的仿真结果，包括带反射强度的点云和障碍物真值信息(位置、朝向、

包围盒大小、速度和类型等等), 一般会通过局域网传输给自动驾驶系统。图 3-2

为 51Sim-One仿真软件中的激光雷达仿真结果示例（在某基于 ROS的车载系统中

使用 RViz实时查看）。

图 3-2仿真软件中的激光雷达仿真结果示例

3.2.2 摄像头仿真

摄像头仿真的思路为，基于环境物体的几何空间信息构建对象的三维模型，

并根据物体的真实材质与纹理，通过计算机图形学对三维模型添加颜色与光学属

性等。一般会使用 Unreal Engine或者 Unity等基于物理的渲染引擎来实现。摄像

头仿真则通过坐标系转换的方法，将三维空间中的点通过透视关系变换为图像上

的点。之后，还需要对相机镜头的结构与光学特性，内部数据采集过程进行仿真，

例如焦距，畸变，亮度调节，Gamma调节，白平衡调节，色彩空间，景深，高动

态范围(HDR)色调的调整等。

摄像头仿真一般需要支持更改摄像头外参、内参以及畸变参数，包括摄像头

的安装位置，角度，工作频率，分辨率，视场角，焦距和畸变参数等。这些参数

会内部转换为投影矩阵，保证世界坐标系 -> 相机坐标系 -> 图像坐标系 -> 像素


31

坐标系整个过程的正确转换，并输出与真实相机效果一致的图像。

摄像头仿真需要模拟各种复杂的真实天气情况。天气调节一般需要支持时间、

光照、太阳高度角、云、雨、雪、雾等各种自定义设置。从而可以支持各种天气

和光线条件下的摄像头仿真。

图 3-3为 51Sim-One仿真软件中天气仿真的效果展示（晴天，多云，夜晚，雨

天）：

图 3-3 仿真软件中天气仿真的效果展示

摄像头仿真每一帧的原始数据一般可以使用 RGB或 YUV来表示。如需把仿

真结果通过网络实时传给自动驾驶系统，一般可使用 H264压缩成视频流，减少传

输带宽。

摄像头仿真需要障碍物的真值信息，包括位置、朝向、包围盒、速度和类型

等。除了对象检测，摄像头的仿真结果也会被用来训练其他计算机视觉算法，包

括目标跟踪和语义分隔等。图 3-4分别为 51Sim-One仿真软件中的障碍物包围盒

图，深度图，语义分隔图，实例分隔图。


32

图 3-4 摄像头仿真的真值图、深度图、语义分隔图、实例分隔图

3.2.3 毫米波雷达仿真

毫米波雷达仿真一般会根据配置的视场角和分辨率信息，向不同方向发射一

系列虚拟连续调频毫米波，并接收目标的反射信号。不同车辆的雷达回波强度可

使用微表面模型能量辐射计算方式，由车辆模型以及车辆朝向、材质等计算。

同一个障碍物会被多个调频连续波探测到。对于毫米波雷达目标级仿真，则

可以根据障碍物的径向距离、距离分辨率和角度分辨率等信息对同一个障碍物的

点进行聚类并返回最终仿真结果。图 3-5为某毫米波雷达的水平探测范围示例，以

及目标级聚类结果。

毫米波雷达的物理级仿真则需要高精密硬件模拟器的支持。硬件模拟器需要

先通过接收探头检测雷达的发射探测波，然后经过物理处理，再加上仿真模型把

障碍物信息叠加到所需要监测接收到的回波。由于雷达发射接收一次都非常快，

因此这个系统相对来说是比较复杂的。目前做得比较好的是 dSpace和美国国家仪

器 NI的解决方案。

毫米波雷达信号级仿真使用软件模拟真实雷达回波信号，跳过毫米波雷达的

信号收发模块，把信号直接注入 FPGA/DSP信号处理模块或 PC信号处理程序。一

般仿真步骤为，调制发射信号天线主旁瓣方向图，选定目标雷达散射截面模型，


33

计算目标多普勒频移和时移生成目标回波，使用瑞利分布来模拟杂波，并添加高

斯白噪声，多个目标时计算多个波形之间的相互干涉，生成最终雷达信号。Matlab

中的雷达工具箱可以用来作为毫米波雷达信号级仿真的快速原型工具。

图 3-5 毫米波雷达的水平探测范围示例

毫米波雷达仿真一般需要支持更改毫米波雷达安装位置，角度，探测距离，

探测角度，角度和距离分辨率、噪声参数等。对于某些兼有长距和中距探测功能

的毫米波雷达，仿真时则需要同时支持两者的参数设置。

毫米波雷达默认安装于车辆前端，返回的仿真结果一般位于毫米波雷达坐标

系。返回的目标级障碍物检测结果为相对距离和相对速度。另外水平方位角、垂

直方位角、以及径向距离则一般为球面坐标系中的值。

3.2.4 其它传感器

GPS仿真一般需要支持更改 GPS位置以及 GPS噪声模型参数。可以返回主车

的经纬度，速度，航向等。

IMU仿真则需要支持对主车的加速度和角速度进行仿真。IMU仿真同时需要

模拟 GPS信号丢失时主车的位置，速度和航向的累积误差。这对于一些隧道场景

的仿真尤为重要。

超声波雷达仿真。超声波雷达被广泛运用于自动泊车中，仿真场景一般需要

支持更改超声波雷达安装位置、角度，并且实时返回障碍物的距离。

V2X传感器。拥有上帝视角的仿真场景天然适合 V2X的目标级仿真。仿真环

境一般会按照实际 V2X设备部署信息建立一个虚拟的传感器网，动态交通流的车


34

载 OBU信息也会在这个网络中。主车每一帧都会实时获取到当前感兴趣的 V2X

设备数据。针对 LTE-V / DSRC通信延时或丢包的仿真一般通过实时系统来实现。

3.3 场景库构建方法

自动驾驶虚拟场景库即由满足某种测试需求的一系列自动驾驶测试场景构成

的数据库。

自动驾驶虚拟场景库的构建一般包括以下几个步骤：

（1）确定单个虚拟场景的数据存储方式与标准，目前国际通用数据格式包括

OpenScenario等，也有相关企业正积极开发符合自动驾驶场景特点的其他数据格式。

（2）构建单个自动驾驶测试虚拟场景

静态场景构建：基于采集的传感器、高精地图等信息，根据数据存储标准转化

为静态场景数据，中间可能涉及采用专业软件探面、探线、提取矢量化结果，实

现分层分类和实体化，存储几何属性等工作。

动态场景构建：基于采集的交通传感器、路况等信息，根据数据存储标准转化

为动态场景数据，中间可能涉及对传感器数据进行分析，将其转化为结构化轨迹

与属性数据，基于基础案例数据泛化生成多个动态场景等工作。

基于数据标准将静态和动态场景整合为虚拟场景的数据格式，并存储该场景的

关键信息，例如数据采集的时间地点，静态场景类型（城市交叉口，高速收费站

等），动态场景类型（通畅、拥堵、闯红灯、违规变道等）。

（3）构建自动驾驶虚拟场景库

虚拟场景选取：根据测试需求，总结所需的静态场景和动态场景特征，在采集

的虚拟场景中根据特征标签选取适当场景作为场景库的组成部分；

场景入库：将选取的虚拟场景存储到数据库中，以与测试需求高度相关的特征

标签作为数据库检索项，便于场景快速检索与提取。

3.4 车辆动力学仿真

车辆动力学是指车辆方面的动力学，它是基于经典力学的一种工程应用。根据

驾驶输入, 它研究车辆在道路上的反应。


35

由于计算机软件的快速发展，计算机模拟成为了一种高效可靠的工具。车辆动

力学模拟也成为一种广泛接受的方法，用以帮助改进车辆的设计。通过描述车辆

的动力学特性，车辆动力学仿真软件可以预测车辆性能，解释现有设计中存在的

问题并找出解决方案，由此产生一个最佳的设计方案。车辆动力学仿真研究的内

容与评价指标包括：动力学、燃油经济性、安全性（制动、驱动、操纵稳定性、

被动安全性）、舒适性（平顺性）和机动性等。通过仿真，可以对车辆的各个模

块进行测试，也可以方便地建立特殊场景，完成真实世界中难以复制的测试。

在自动驾驶仿真系统中，车辆动力学仿真是实现系统闭环不可或缺的部分。仿

真端接收自动驾驶系统控制模块给出的控制信号，主要包括油门、刹车、方向盘、

档位等，产生更新后的车辆位姿状态和底盘总线参数，输出给自动驾驶的各个模

块。除了模拟车辆整体的行为，在测试 L2、L3辅助自动驾驶时，也可以接入车辆

的各个模块，例如转向、动力传动、制动等进行直接的控制。

仿真端需要车辆动力学的仿真，自动驾驶的控制模块同样需要车辆动力学仿真，

然后才能根据规划出来的车辆位置、速度产生合理的控制信号。由于自动驾驶模

块需要快速运行，并且一般会根据仿真端的车辆状态实时纠正控制信号，所以一

般使用查找表来实现简单的动力学解算。

车辆动力学的行为能够使用多种方式进行仿真。简单直接的方法是采用质量弹

簧模型，建立一个 3自由度的单车模型，直至建立一个基于多体系统的大量自由

度的复杂模型。

基于多体动力学系统建立的模型复杂度很高，仿真速度相对较慢，这类软件包

括仿真软件 ADAMS、Simpack和Modelica等。对于结构复杂，不能很直接得出其

特性的机械结构，这类软件能进行精确的分析。它们建立的模型可以将每个零件

的动力学都考虑进来, 需要的参数非常多，自由度也很高，求解速度慢，能够导入

柔性模型，能够仿真高频的震动。例如，对于车辆的悬架系统，需要确定装配硬

点坐标位置、杆件的质量与几何形状、衬套的刚度、阻尼等等，然后得到悬架的

运动学和力学特性曲线，模拟出试验结果。

专业的车辆动力学仿真软件，如 CarSim、CarMaker、VI-Grade、VeDYNA和

PanoSim，它们建立的模型使用总成的特性，比如悬架的 K&C特性，基于递推动

力学求解，并且很多特性都基于二维或三维查找表进行，计算速度快，需要的参

数少，自由度少，能够表征低频的车辆运动，多用于水平路面的仿真。


36

另外还需要提到控制设计仿真软件Matlab/Simulink，用户可以从零开始搭建自

己的车辆动力学模型。它自身也提供一个 system-level的车辆组件库 Simscape

Driveline，提供了轮胎、变速箱到发动机的模型，可用于搭建动力学模型并进行模

拟，并能生产控制代码，进行实时仿真。

现在用于 L2/L3基本 ADAS功能测试的主要还是专业的车辆动力学软件。下

面就针对它们提供的功能特性进行介绍。

第一，它们支持虚拟场景的搭建，具有三维可视化界面，并且越来越多地与三

维图形引擎，例如 Unreal结合进行联合仿真。

第二，都支持导入地图文件，这样可以模拟真实世界的道路，也加速了虚拟场

景的搭建。能够支持导入多种地图格式，例如 CarMaker、VI-Grade都开始支持

OpenDrive。

第三，车辆模型可以使用软件在环（SIL）或硬件在环（HIL）的形式。由于

这些车辆动力学仿真软件都具有运行速度快的特点，使得它们可以在实时硬件系

统中进行在环测试。

第四，变速仿真。通过变速仿真，可以提高测试效率或者更好的观察测试运行

过程。

第五，Simulink联合仿真。Simulink也很好得被各种动力学仿真软件所集成。

汽车行业的各种 ECU常常使用 Simulink来写控制逻辑，或者被用于车辆某一模块

的算法仿真。

3.5 动态场景的构建

动态场景主要指仿真中具备动态特性的管控、车流等部分，是仿真测试场景的

关键构件，主要包括：交通管理控制仿真，机动车仿真，行人与非机动车仿真等。

3.5.1 理想动态场景应达到的要求

从仿真测试角度来说，理想的动态场景需达到以下要求：

1 场景中的各元素真实合理，能较好复现现实情况。

2 场景库设计具备统计学上代表意义。如果一个动态场景库可以从统计上覆盖

部分现实中存在的交通情况，那么基于场景库的测试就具备更加明确的功效。


37

3.5.2 动态场景构建方法

当前，动态仿真场景构建方法主要分为以下几种

1 基于真实交通案例数据构建

通过各类传感器采集动态交通信息，经处理后置入仿真场景中。

2 基于真实案例数据的泛化构建

合理地更改真实案例某些数据特征，泛化从而生成新的案例。

3 基于微观交通仿真系统构建

采用微观交通仿真系统生成车辆、行人、管控等动态元素，构成仿真动态场景。

该过程中也会使用真实数据，例如基于真实案例数据训练仿真模型，使用真实的

交通信号配时和交通流量作为仿真条件等。

3.5.3 动态场景构建实例

Google的Waymo构建了仿真世界 Carcraft，包括 20,000个以上动态场景，主

要来源于“Castle”。“Castle”是一个占地 100英亩(约合 607亩)的隐蔽模拟城市，

可以快速配置来测试不同的场景，包括居民区街道、高速公路式街道、死胡同、

停车场等。Waymo在构建动态场景过程使用了泛化技术，他们称之为“模糊化”：

通过一个场景的基本结构测试其包含的所有重要变形。例如，在十字路口停车处，

将各种汽车和行人、非机动车的到达时间、停留时间、移动速度等数值在合理的

范围内变动，创建并运行所有这些场景方案的组合。

开源仿真测试环境 CARLA主要通过微观仿真方法构建动态场景。基于标准

UE4车辆模型 PhysXVehicles构建车辆并实现车道跟踪、遵循交通信号灯、限速、

交叉口决策等基本功能，车辆和行人可发现并躲避对方。CARLA构建了数个自

定义交通场景，如主车跟随按特定路线行驶的前车、主车行驶至交叉口前方突然

汇入非机动车等，用户可选择并进行测试。

百度提出了基于真实数据构建仿真场景的整套方案 AADS，成果以论文形式发

表在 2019年 3月科学杂志子刊上。AADS利用扫描得到的街景图和真实的轨迹自

动合成逼真图像和仿真移动模式，并依据该技术提出 ApolloCar3D 和

TrafficPredict等公开数据集，其中许多场景都是在车辆密集、路况复杂的城市捕捉

得到的。


38

51VR的 51Sim-One自动驾驶仿真测试产品提供两种动态场景构建方式：一种

是基于其自研的仿真系统，通过自定义宏观参数构建动态场景；另一种是基于其

不断扩充的案例库（包括真实案例以及根据真实泛化形成的案例），以及空间、

时间触发器，实现主车附近的案例重现和各类危险工况的测试。

3.5.4 动态场景构建需要解决的问题

1 真实场景数据的统计学意义缺乏深入研究

KITTI、CityScapes、Mapillary、BDD100K等公开数据集，以及Waymo等自

动驾驶企业都未明确提出其动态场景相对真实世界的统计学意义。确定仿真场景

与真实世界在统计上的映射关系是亟待解决的难题，该方面的理论突破可优化动

态场景采集和测试案例库设计工作，并对仿真测试有效性提供有力依据。

2 真实场景库在测试中缺乏与自动驾驶车辆互动

在仿真测试过程中，真实场景库中车辆按实测轨迹行驶，无法与自动驾驶车辆

互动，导致主车周边的车辆行为其实是“不真实”的，会对测试效果产生不利影

响。将真实案例与仿真模型结合也许是解决这个问题的方向之一。

3 对真实场景的泛化方法缺乏深入研究

真实场景的泛化存在两个问题，一是泛化的方向是否符合统计学意义与测试需

求，这可以归并至本节提出的第一个问题；二是泛化过程中真实性损失，例如，

对密集交通流案例进行泛化，更改一条车辆轨迹后，在实际中会对周边多条轨迹

产生影响并扩散开来，单车的行驶扰动有时会造成整个交通流的失稳，而简单的

泛化扩样方法可能难以重现这类现象。将案例的泛化与车辆行为模型相结合或许

是解决这个问题的思路之一。

4 微观仿真模型真实度有待提升

在基于仿真模型构建的动态场景中，周边车辆可以与主车互动，提供更合理的

测试条件。该类测试环境的真实性主要依赖仿真模型与仿真方法的真实度，而现

有的微观仿真解决方案在车辆动力学行为、多车互动与复杂决策等方面与现实还

有一定距离，提升微观仿真模型的准确性和真实度，会同步提升仿真测试的有效

性与案例泛化能力，是值得重视的研究方向。


39

3.6 分布式并行计算构架与加速计算

3.6.1 分布式并行计算

仿真系统在进行仿真任务时需要访问大量采集或者生成的数据，并根据生成

的数据利用 CPU和 GPU资源对数据进行再处理并还原，或者对已经结构化的数

据进行 GPU渲染再现。这些仿真任务都需要依赖强大的计算和存储能力。随着仿

真内容的增加，单个计算机的性能很快成为了瓶颈，一个计算节点不可能独立完

成仿真任务。这就需要使用一种机制将仿真任务分配到多个机器上，并且让所有

机器协同工作。这样做能够降低单个机器的性能需求，从而使得大规模仿真任务

得以实现。分布式概念正好能够帮助仿真系统实现这样的目的。

分布式概念是随着互联网行业的快速发展而产生的。随着网络速度的提高，

服务器端对数据的存储能力和算力需求逐渐增加，传统的服务器需要升级硬件满

足需求。集中式的硬件系统成本过高，于是分布式概念应运而生。分布式框架可

以将计算和存储任务进行拆分，让互相连接的每一台机器承担一部分的计算和存

储任务，并在需要的时候进行数据的同步和收集，降低单个节点成本，提供系统

整体的计算能力和存储容量。常见的分布式框架有 Hadoop，Storm，Spark。

Hadoop:

Hadoop是一个由 Apache基金会所开发的分布式系统基础架构。上层开发者

无需关心底层分布式逻辑，直接开发分布式应用。Hadoop基于MapReduce分布式

计算框架和 Nutch Distributed File System (NDFS)存储框架，擅长处理静态数据。

Storm:

Apache Storm是一个免费开源的分布式实时大数据处理系统。擅长处理源源

不断的数据流。Strom的特点是编程简单、高性能、高容错。

Spark：

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎，是


40

Hadoop的升级版。同样基于MapReduce，加入了缓存机制保存中间计算结果，优

化了 Hadoop因为 IO 带来的计算性能瓶颈。

3.6.2 加速计算

仿真模拟多建立在对现实世界的模拟之上，需要依赖现实时间的流逝，但随

着硬件性能的提升，在某些模拟任务时，计算机在按照真实时间进行模拟仿真时

并没有消耗其全部的性能。这时如果能够让计算机模拟的速度以高于真实时间的

速率进行，那么将能够更好利用硬件优势，并提高模拟效率。

另一方面，每个仿真节点的任务不同，仿真消耗的资源不同，完成仿真任务

的速度也就不同。使用真实时间对仿真节点进行同步约束很难保证他们的仿真结

果一致性。计算机的模拟不同于现实情况，不需要严格遵守自然时间的流逝。每

个仿真节点的仿真频率是事先约定好的，只需要根据时间的流逝，按照设置的频

率完成自身的仿真任务。在计算和存储能力允许的情况下，仿真节点可以按照更

高的频率进行仿真，并在更短的时间内完成仿真任务。但是为了保证仿真结果的

一致性，各个仿真节点的加速程度又必须保持一致。因此为了同时满足动态时间

和数据一致性的需求。仿真系统需要引入虚拟时间用于节点之间的同步，而非真

实时间。虚拟时间的优势在于不依赖真实时间，可快可慢。虚拟时间根据当前仿

真任务的完成情况随时控制整个系统的运转速度，从而使得每一个节点在完成任

务的同时保证整个系统的数据一致性。


41

第 4章现有的仿真测试软件现状

4.1 典型自动驾驶仿真软件分类与发展变化情况

随着 ADAS和自动驾驶的发展，仿真软件也经历了几个发展阶段。早期的仿

真软件主要关注点在车辆本身，主要是动力学仿真为主，用来在车辆开发的过程

中对整车的动力，稳定性，制动等进行仿真，如 CarSim。伴随着各种 ADAS功能

的开发，提供简单道路环境，可编辑的对手车，行人，和简单完美传感器模型的

辅助 ADAS开发的仿真软件开始出现，比如 Prescan。这时候的仿真软件一般都运

行在单机，主要关注功能的验证，并不对场景和传感器的真实程度有太高的要求。

随着以Waymo为代表的一系列目标为 L4级别自动驾驶的初创公司的成立和取得

突破性进展，尤其是以Waymo自建的 Carcraft仿真环境在补充实际路测中取得的

重要作用日益被大家认识到，出现了一批以使用高精地图，真实数据回放，以至

于使用游戏引擎进行高真实感虚拟环境重建的仿真平台，既有各种初创公司的商

业化产品，也有大的自动驾驶公司的内建平台，传统的从事动力学仿真和 ADAS

仿真测试工具链的公司也通过合作，收购，自研的方式构建更加符合未来自动驾

驶对大量真实场景，大规模并行案例测试的需要。

现在的自动驾驶仿真系统的构成已经很复杂，各个仿真软件都有各自的优势

和研发的重点，搭建一个完整的仿真系统也越来越需要多个软件互相之间的配合。

典型的自动驾驶仿真平台要包括：

1) 根据真实路网或高精地图搭建或生成大规模虚拟场景的道路环境模块

2) 根据实际路侧数据，或者是参数化交通模型生成测试场景的交通模块

3) 仿真各种传感器，包括摄像头，激光雷达，毫米波雷达，GPS，超声波雷

达，IMU的模块，既可以提供原始数据，也可以提供真值。

4) 车辆动力学模型，可以根据 ADAS或者自动驾驶系统的输入，结合路面特

性对车辆本身进行仿真，完成闭环的测试。

5) 分布式案例存储和运行平台，可以通过添加硬件的方式大幅提高自动驾驶

测试的里程数。


42

6) 对接 ADAS和自动驾驶系统的丰富的接口，以及和 ECU，传感器进行 HIL

测试的设备。

4.2 典型自动驾驶仿真软件介绍

这里会对典型的自动驾驶仿真软件进行介绍，既包括传统的动力学仿真软件，

也包括较新的来自于国内外初创公司的仿真产品，还有相关的用作交通仿真的商

业软件。

4.2.1 CarSim

CarSim, 还有相关的 TruckSim和 BikeSim是Mechanical Simulation 公司开发

的强大的动力学仿真软件，被世界各国的主机厂和供应商所广泛使用。CarSim针

对四轮汽车，轻型卡车，TruckSim针对多轴和双轮胎的卡车， BikeSim针对两轮

摩托车。 CarSim是一款整车动力学仿真软件，主要从整车角度进行仿真，它内建

了相当数量的车辆数学模型，并且这些模型都有丰富的经验参数，用户可以快速

使用，免去了繁杂的建模和调参的过程。CarSim模型在计算机上运行的速度可以

比实时快 10倍，可以仿真车辆对驾驶员控制，3D路面及空气动力学输入的响应，

模拟结果高度逼近真实车辆，主要用来预测和仿真汽车整车的操纵稳定性、制动

性、平顺性、动力性和经济性。CarSim 自带标准的Matlab/Simulink接口，可以方

便的与Matlab/Simulink进行联合仿真，用于控制算法的开发，同时在仿真时可以

产生大量数据结果用于后续使用Matlab或者 Excel进行分析或可视化。CarSim同

时提供了 RT版本，可以支持主流的 HIL 测试系统，如 dSpace和 NI的系统，方便

的联合进行 HIL仿真。

图 4-1 CarSim的运行界面


43

CarSim也有 ADAS相关功能的支持，可以构建参数化的道路模型，200个以

上的运动的交通物体，使用脚本或者通过 Simulink外部控制它们的运动，同时添

加最多 99个传感器，对运动和静止的物体进行检测。最近的 CarSim版本在 ADAS

和自动驾驶开发方面进行了加强，添加了更多的 3D资源，如交通标识牌，行人等，

以及高精地图的导入流程。同时 CarSim也提供了一个 Unreal引擎插件，可以和

Unreal引擎进行联合仿真。

4.2.2 CarMaker

Carmaker，还有相关的 TruckMaker和MotorcycleMaker是德国 IPG公司推出

的动力学，ADAS和自动驾驶仿真软件。 Carmaker 首先是一个优秀的动力学仿真

软件，提供了精准的车辆本体模型（发动机、底盘、悬架、传动、转向等），除

此之外，Carmaker还打造了包括车辆，驾驶员，道路，交通环境的闭环仿真系统。

IPG Road：可以模拟多车道、十字路口等多种形式的道路，并可通过配置 GUI

生成锥形、圆柱形等形式的路障。可对道路的几何形状以及路面状况(不平度、粗

糙度) 进行任意定义。

IPG Traffic：是交通环境模拟工具，提供丰富的交通对象(车辆、行人、路标、

交通灯、道路施工建筑等) 模型。可实现对真实交通环境的仿真。测试车辆可识别

交通对象并由此进行动作触发(如限速标志可触发车辆进行相应的减速动作)。

IPG Driver：先进的、可自学习的驾驶员模型。可控制在各种行驶工况下的车

辆，实现诸如上坡起步、入库泊车以及甩尾反打方向盘等操作。并能适应车辆的

动力特性(驱动形式、变速箱类型等) 、道路摩擦系数、风速、交通环境状况，调

整驾驶策略。

CarMaker作为平台软件，可以与很多第三方软件进行集成，如 ADAMS、AVL

Cruise、rFpro等，可利用各软件的优势进行联合仿真。同时 CarMaker配套的硬件，

提供了大量的板卡接口，可以方便的与 ECU或者传感器进行 HIL测试。


44

图 4-2 Carmaker正在运行仿真测试

4.2.3 PreScan

PreScan是由 Tass International研发的一款 ADAS测试仿真软件，2017年 8月

被西门子收购。PreScan 是一个模拟平台，由基于 GUI 的、用于定义场景的预处

理器和用于执行场景的运行环境构成。工程师用于创建和测试算法的主要界面包

括 MATLAB 和 Simulink。PreScan 可用于从基于模型的控制器设计 (MIL) 到利

用软件在环 (SIL) 和硬件在环 (HIL) 系统进行的实时测试等应用。PreScan 可在

开环、闭环以及离线和在线模式下运行。它是一种开放型软件平台，其灵活的界

面可连接至第三方的汽车动力学模型（例如：CarSIM 和 dSPACEASM）和第三

方的 HIL 模拟器/硬件（例如：ETAS、dSPACE 和 Vector）。Prescan由多个模块

组成，使用起来主要分为四个步骤: 搭建场景、添加传感器、添加控制系统、运行

仿真。

场景搭建: PreScan提供一个强大的图形编辑器，用户可以使用道路分段，包

括交通标牌，树木和建筑物的基础组件库，包括机动车，自行车和行人的交通参

与者库，修改天气条件（如雨，雪和雾）以及光源（如太阳光，大灯和路灯）来

构建丰富的仿真场景。新版的 PreScan也支持导入 OpenDrive格式的高精地图，

用来建立更加真实的场景。

添加传感器: PreScan支持种类丰富的传感器，包括理想传感器，V2X传感器，

激光雷达，毫米波雷达，超声波雷达，单目和双目相机，鱼眼相机等。用户可以

根据自己的许要进行添加。


45

添加控制系统: 可以通过MATLAB / Simulink建立控制模型，也可以和第三方

动力学仿真模型（如 CarSim，VI-Grade, dSpace ASM的车辆动力学模型）进行闭

环控制。

运行实验: 3D可视化查看器允许用户分析实验的结果，同时可以提供图片和

动画生成功能。此外，使用 ControlDesk和 LabView的界面可以用来自动运行实验

批次的场景以及运行硬件在环模拟。

图 4-3 Prescan的仿真流程

4.2.4 PTV Vissim

Vissim是德国 PTV公司提供的一款世界领先的微观交通流仿真软件。Vissim

可以方便的构建各种复杂的交通环境，包括高速公路，大型环岛，停车场等，也

可以在一个仿真场景中模拟包括机动车，卡车，有轨交通和行人的交互行为。它

是专业的规划和评价城市和郊区交通设施的有效工具，也可以用来仿真局部紧急

情况交通的影响，大量行人的疏散等。Vissim的仿真可以达到很高的精度，包括

微观的个体跟驰行为和变道行为，以及群体的合作和冲突。Vissim内置了多种分

析手段，既能获得不同情况下的多种具体数据结果，也可以从高质量的三维可视

化引擎获得直观的理解。无人驾驶算法也可以通过接入 Vissim的方式使用模拟的

高动态交通环境进行仿真测试。


46

图 4-4 Vissim的环岛仿真

4.2.5 SUMO

SUMO是由德国国家宇航中心开发的开源微观连续交通流仿真软件。它附带

了一个交通仿真路网编辑器，可以通过交互式编辑的方式添加道路，编辑车道的

连接关系，处理路口区域，编辑信号灯时序等。也可以通过一个单独的转化程序

转换来自 Vissim，OpenStreetMap，OpenDrive的路网。可以通过编辑路由文件的

方式指定每辆车辆的路由，或者使用参数随机生成。在运行时，可以同时处理数

平方公里，多达几万辆的车辆的连续交通仿真需求，同时也提供了一个基于

OpenGL的可视化端实时显示交通仿真的结果。另外，SUMO还提供了方便的 C++

和Matlab接口，可以灵活的与第三方仿真程序联合运行。SUMO本身是做为交通

领域流量，时序，预测等仿真来使用的，最近逐渐开始应用在无人驾驶的仿真上，

为无人驾驶算法提供随机的复杂动态环境。


47

图 4-5 SUMO连续交通流仿真的可视化界面

4.2.6 VIRES VTD

VTD（Virtual Test Drive）是德国 VIRES 公司开发的一套用于 ADAS，主动安

全和自动驾驶的完整模块化仿真工具链。VIRES已经于 2017年被MSC软件集团

收购。VTD目前运行于 Linux平台，它的功能覆盖了道路环境建模、交通场景建

模、天气和环境模拟、简单和物理真实的传感器仿真、场景仿真管理以及高精度

的实时画面渲染等。可以支持从 SIL到 HIL和 VIL 的全周期开发流程，开放式的

模块式框架可以方便的与第三方的工具和插件联合仿真。 VIRES也是广泛应用的

自动驾驶仿真开放格式OpenDrive, OpenCRG和OpenScenario的主要贡献者，VTD

的功能和存储也依托于这些开放格式。VTD的仿真流程主要由路网搭建，动态场

景配置，仿真运行三个步骤组成。

1) VTD提供了图形化的交互式路网编辑器 Road Network Editor (ROD)，在使

用各种交通元素构建包含多类型车道复杂道路仿真环境的同时，可以同步

生成 OpenDrive高精地图。

2) 在动态场景的建立上，VTD提供了图形化的交互式场景编辑器 Scenario

Editor，提供了在 OpenDrive基础上添加用户自定义行为控制的交通体，

或者是某区域连续运行的交通流。


48

3) 无论是 SIL，还是 HIL，无论是实时还是非实时的仿真，无论是单机还是

高性能计算的环境，VTD都提供了相应的解决方案。VTD运行时可模拟

实时高质量的光影效果及路面反光、车身渲染、雨雪雾天气渲染、传感器

成像渲染、大灯光视觉效果等。

图 4-6 VTD的场景编辑器

4.2.7 rFpro

rFpro是一家英国公司，成立于 2008年，一开始作为一个 F1车队内部的赛道

重建和仿真模拟项目，这也决定了它一开始就对仿真的速度，实时性和精度有较

高的要求。rFPro使用高精度的相位法激光雷达扫描数据路面和路肩，可以生成分

辨率为 1cm的高精度路面数字模型，同时使用 TOF激光雷达扫描路侧的街道和场

景，通过这种方式可以为动力学仿真，ADAS，自动驾驶测试提供和真实环境高度

匹配的虚拟场景。rFpro使用这种方法创建了众多赛道和测试场景的高精度虚拟场

景，包括 F1，NASCAR, IndyCar等。

在动态场景仿真方面，rFpro可以接入 SUMO或者 Vissim，用它们生成连续的

交通流来填充整个场景，也可以与 Carmaker联合仿真，为 Carmaker的测试场景提

供更真实的传感器和路面输入。rFpro也提供了基于物理真实的光照和天气系统，

可以有效的模拟天光的变化和雨、雾等天气。


49

图 4-7 rFpro 使用 Lidar扫描技术高精度重建的场景

4.2.8 Cognata

Cognata是一家成立于 2016年的以色列的自动驾驶仿真初创公司，在 2018

年底完成了 1850万美元的 B轮融资。Cognata利用人工智能、深度学习和计算机

视觉的结合，在其 3D模拟平台上重现了城市，为客户提供各种模拟现实世界测试

驾驶的测试场景。

Cognata的技术主要分为三个方面，在静态环境方面，Cognata的 TrueLife 3D

Mesh引擎使用计算机视觉和深度学习算法，根据地图和卫星图像自动生成包括建

筑物，道路，车道标识，交通标志的虚拟仿真环境。在动态仿真方面，Cognata根

据街道历史流量数据建立精确和可扩展的交通仿真模型和天气光照模型，模拟了

真实环境下各种车辆和行人。整个的虚拟仿真引擎结合了静态和动态的仿真模型，

模拟了传感器与模拟环境中各种变化的相互作用，为待测试的自动驾驶系统提供

了完整的反馈回路。

Cognata的仿真技术由NVIDIA DGX Station提供支持，2019年 3月，Cognata

宣布和 NVIDIA 建立合作关系，在 NVIDIA 的平台上利用其强大的计算能力在虚

拟环境中模拟多辆虚拟车辆进行大规模测试。


50

图 4-8 Cognata 的运行界面

4.2.9 RightHook

RightHook是一家成立于美国加州的初创公司，为自动驾驶行业提供仿真解

决方案。RightHook提供了一整套的工具链，包括 RightWorld， RightWorldHD，

RightWorldHIL等。RightWorld提供了从高精地图自动重建有丰富细节的虚拟场景

的流程，同时提供了简单易用的测试案例创建流程，在案例创建后通过 AI算法可

以对案例进行有机的扩展。RightWorld也提供了包含车辆，行人和自行车的确定

性的智能交通仿真模型。RightWorldHD对动力学，天气，时间变化和传感器（包

括摄像头，Lidar， Radar， IMU和 GPS）的模拟，同时支持丰富的包括 NVIDIA

DriveWorks，LCM和 ROS的接口。RightWorldHIL提供了对于混合了软件，算法

和硬件的 HIL测试的支持。


51

图 4-9 RightHook仿真的环境

4.2.10 Parallel Domain

Parallel Domain 是一家初创公司，2017年在美国加州成立。2018年底，Parallel

Domain获得了 Toyota的投资。Parallel Domain致力于自动生成高质量的虚拟环境，

其研发的软件可以在很短的时间内自动生成所需测试的城市街区。Parallel Domain

平台使用真实世界地图数据，可以接收多种地图格式，在地图不能提供足够数据

的地方使用额外的元素，依托程序化生成引擎自动生成虚拟世界。一个显著的特

点是虚拟世界的所有元素都是可调整和可编程的，例如车道数量，地形类型，山

脉位置，道路曲率等。Parallel Domain也为自动生成的场景提供了动态的交通场景。

图 4-10 Parallel Domain自动生成的场景


52

4.2.11 51Sim-One

51Sim-One是 51VR自主研发的一款集多传感器仿真、交通流与智能体仿真、

感知与决策仿真、自动驾驶行为训练等一体化的自动驾驶仿真与测试平台。该仿

真平台基于物理特性的机理建模，具有高精度和实时仿真的特点，用于自动驾驶

产品的研发、测试和验证，可为用户快速积累自动驾驶经验，保证产品性能安全

性与可靠性，提高产品研发速度并降低开发成本。

在场景构建方面，可以通过WorldEditor快速地从无到有创建基于 OpenDrive

的路网，或者通过点云数据和地图影像等真实数据还原路网信息。支持导入已有

的 OpenDrive格式的文件进行二次编辑，最终由 51Sim-One自动生成所需要的静

态场景。支持在场景中自由地配置全局交通流、独立的交通智能体、对手车辆、

行人等元素来构建动态场景，结合光照、天气等环境的模拟来呈现丰富多变虚拟

世界。

图 4-11 51Sim-One建立的高真实感仿真场景

同时，51Sim-One已经内置了一系列场景库和测试案例库，无论是开放区域的

真实场景、大规模的城市道路还是乡村道路、高速公路、停车场等环境都可以轻

松再现，再加上大量的危险工况测试案例，能够帮助您快速达成测试目标。


53

图 4-12 51Sim-One 基于 web的案例管理和运行控制

在传感器仿真方面，51Sim-One支持通用类型或者定制需求传感器的多路仿真，

满足对于感知系统算法的测试与训练，同时也支持各种硬件在环的测试需求。对

于摄像头仿真，51Sim-One提供语义分割图、深度图、2D/3D包围盒等带注释的图

像数据集，单目，广角，鱼眼等摄像头的仿真。对于雷达仿真，可以提供激光雷

达点云原始数据，带标注点云数据，识别物的包围盒等数据同时也提供目标级毫

米波雷达检测物数据。

图 4-13 51Sim-One 输出的激光雷达仿真点云和识别真值


54

51Sim-One提供了一套内置的动力学系统，可以自定义车辆动力学的各种参数，

包括车辆的外观尺寸，以及动力总成、轮胎、转向系统与悬挂特性等。同时，

51Sim-One也支持接入第三方软件，比如 CarSim、CarMaker等动力学模块来完成

更为复杂的动力学模拟。

51Sim-One提供丰富的接口来对接控制系统，包括但不限于Matlab，基于ROS、

Protobuf的接口，方向盘、模拟器等人工驾驶接入。51Sim-One支持多种对接方式，

可以选择只接入感知系统进行目标识别和预测的测试，也可以选择直接跳过感知

系统从决策系统输入接入，或者将两者同时接入进行整体测试与训练。

在测试框架上，51Sim-One提供工具管理大批量的案例，支持批量测试任务的

运行以及连续自动测试。能以可视化的方式实时监控正在运行中的测试案例，也

可以通过回放系统来逐帧分析已经完成的测试案例。51Sim-One基于分布式计算集

群的构架，提供高达 10倍速的仿真加速。未来更可以通过增加计算集群的方式进

一步提高加速能力。51Sim-One提供灵活的集成方案，方便接入各种行业软件。

4.2.12 Pilot-D GaiA

GaiA是由沛岱（上海）研发的自动驾驶和 ADAS开发验证仿真工具。它可以

通过整合路网数据库进行复杂道路的还原，更可以通过环境建筑模型库的使用，

重现逼真的驾驶环境。GaiA提供了丰富的 C++和 matlab接口，可适用于各种待测

驾驶车辆和系统。GaiA可以生成数目众多的交通参与者，并对其交通行为规划进

行手动和自动设置，甚至可以改变驾驶行为的激进程度。GaiA还提供了高保真的

环境感知传感器，包括毫米波雷达，激光雷达，摄像头等。

图 4-14 GaiA对上海中环共和新路立交桥的道路仿真


55

4.2.13 Metamoto

Metamoto成立于 2016年，是一家硅谷初创公司。Metamoto为自动驾驶公司

提供 “模拟即服务” （Simulation as a Service），试图帮助自动驾驶公司通过一

个加速反馈循环来实现开发的迭代。它的产品主要包括三个部分：设计器，云平

台和分析器。设计器可以用来添加路网，其他环境车辆，行人和信号灯，以此构

建一个测试场景，可以通过控制各种参数的取值范围生成多个测试案例。云平台

负责根据待测试案例的情况调度硬件资源，并行运行测试案例，生成大量的测试

数据。在运行完成后，可以使用分析器回放仿真的传感器数据，车辆的各种仿真

信息，用来调试自动驾驶系统。Metamoto支持激光雷达、摄像头、毫米波雷达、

超声波雷达、GPS、IMU 等在内的各种传感器的精确模拟，能够对不同材质做出

不同的反应。Metamoto的一个显著的特点是提供了一种快速的方法可以对测试的

参数进行调节和覆盖，在云平台的支持下可以在短时间内运行大量的测试，有效

的提升了测试效率。

图 4-15 Metamoto 的运行结果管理页面

4.2.14 ESI Pro-Sivic

ESI集团传感器仿真分析解决方案 Pro-SiVIC可以帮助交通运输行业的制造商

们对车载或机载的多种感知系统的运行性能进行虚拟测试，并且能够准确得再现

出诸如照明条件、天气以及其他道路使用者等影响因素。


56

Pro-SiVIC可以用来建立高逼真、与实际场景相当的 3D场景，并实现场景中

的实时交互进行仿真分析，削减物理样机的需求。客户可以快速并且精确地对各

个嵌入系统在典型及极端操作环境下的性能进行仿真分析，它可以提供基于多种

技术的传感器模型，例如：摄像机、雷达、激光雷达（激光扫描仪）、超声波传

感器、GPS、里程表及通信设备等。以汽车行业为例，Pro-SiVIC提供了多个环境

目录，提供具有代表性的不同道路（城市道路、高速以及乡村公路）、交通标识

及车道线标记。

图 4-16 Pro-Sivic对降雨环境的模拟

4.2.15 NVIDIA Drive Constellation

NVIDIADrive Constellation是 NVIDIA 推出的自动驾驶仿真平台，在硬件上主

要由两部分组成，一台是 DGX 服务器，上面运行着 Drive Sim软件系统，依托于

DGX的强大图形计算能力，真实的仿真了实际环境中的光照，夜晚和各种天气变

化，另外一台服务器搭载了 DRIVEAGX Pegasus车载电脑，用来运行自动驾驶全

栈的算法，两部分形成了完整的 HIL仿真闭环。

图 4-17 Drive Constellation的硬件组成


57

Drive Sim是一个开放的平台，包含了合作伙伴提供的各种插件，功能涵盖环

境模型，传感器模型，动力学模型，交通模型和场景模型。

图 4-18 Drive Constellation的合作伙伴

4.2.16 PanoSim

PanoSim是一款集复杂车辆动力学模型、汽车三维行驶环境模型、汽车行驶交

通模型、车载环境传感模型（像机和雷达）、无线通信模型、GPS和数字地图模

型、Matlab/Simulink仿真环境自动生成、图形与动画后处理工具等于一体的模拟

仿真软件平台。它基于物理建模和精确与高效兼顾的数值仿真原则，逼真地模拟

汽车驾驶的各种环境和工况，基于几何模型与物理建模相结合理念建立了高精度

的像机、雷达和无线通信模型，以支持数字仿真环境下汽车动力学与性能、汽车

电子控制系统、智能辅助驾驶与主动安全系统、环境传感与感知、自动驾驶等技

术和产品的研发、测试和验证。

PanoSim不仅包括复杂的车辆动力学模型、底盘（制动、转向和悬架）、轮胎、

驾驶员、动力总成（发动机和变速箱）等模型，还支持各种典型驱动型式和悬架

形式的大、中、小型轿车的建模以及仿真分析。它提供了三维数字虚拟试验场景

建模与编辑功能，支持对道路及道路纹理、车道线、交通标识与设施、天气、夜

景等汽车行驶环境的建模与编辑。


58

图 4-19 PanoSim 的雷达模拟

4.2.17 AAI

AAI（Automotive Artificial Intelligence）是一个 2017年成立于柏林的初创

公司。 AAI构建了一套复杂的基于高精地图创建的高仿真虚拟环境，将利用人工

智能技术将交通参与者集成到虚拟仿真环境中，并利用来自于实际生活中的驾驶

行为数据，使用机器学习算法训练参与者行为，从而产生攻击型驾驶员、温和型

驾驶员和防御型驾驶员等驾驶员档案，其目标是复制真实世界，逼真地模拟所有

道路使用者和环境因素。AAI支持多种传感器模拟，也提供分析器对仿真产生的

数据进行深入的分析。

图 4-20 AAI的测试场景


59

4.2.18 AirSim

AirSim 是微软研究院开源的一个建立在虚幻引擎（Unreal Engine）上的无人

机以及自动驾驶模拟研究项目。AirSim实现为一个虚幻引擎的插件，它充分利用

了虚幻引擎在打造高还原的逼真虚拟环境的能力，可以模拟阴影、反射等现实世

界中的环境，以及虚拟环境可以方便产生大量标注数据的能力，同时提供了简单

方便的接口，可以让无人机和自动驾驶的算法接入进行大量的训练。AirSim的主

要目标是作为 AI研究的平台，以测试深度学习、计算机视觉和自主车辆的端到端

的强化学习算法。

最新的 AirSim也提供了 Unity引擎的版本，添加了激光雷达的支持。

图 4-21 AirSim提供了深度图，RGB图和场景分割真值

4.2.19 CARLA

CARLA是由西班牙巴塞罗那自治大学计算机视觉中心指导开发的开源模拟器，

用于自动驾驶系统的开发、训练和验证。同 AirSim一样，Carla也依托虚幻引擎进

行开发，使用服务器和多客户端的架构。在场景方面, CARLA 提供了为自动驾驶

创建场景的开源数字资源（包括城市布局、建筑以及车辆）以及几个由这些资源

搭建的供自动驾驶测试训练的场景。同时，CARLA 也可以使用 VectorZero的道路


60

搭建软件 RoadRunner制作场景和配套的高精地图，也提供了简单的地图编辑器。

CARLA也可以支持传感器和环境的灵活配置，它支持多摄像头，激光雷达，GPS

等传感器，也可以调节环境的光照和天气。CARLA提供了简单的车辆和行人的自

动行为模拟，也同时提供了一整套的 Python接口，可以对场景中的车辆，信号灯

等进行控制，用来方便的和自动驾驶系统进行联合仿真，完成决策系统和端到端

的强化学习训练。

图 4-22 通过 Python接口对 CARLA中的车辆进行控制

4.2.20 LGSVL Simulator

LGSVL Simulator 是 LG 的硅谷实验室基于 Unity 引擎研发的一款开源自动驾

驶模拟器。它提供了和开源自动驾驶平台 Autoware和 Baidu Apollo的集成。用户

可以在 Unity内在 3D场景的基础上进行标注并导出成和自动驾驶系统相匹配的高

精地图格式。同时它也提供了包括激光雷达，毫米波雷达，GPS，IMU，摄像头的

传感器仿真的支持，可以同步输出传感器的原始结果和真值。


61

图 4-23 LGSVL 仿真器和 Baidu Apollo联合运行

4.2.21 百度 Apollo

百度 Apollo仿真平台作为百度 Apollo平台的一个重要组成部分，一方面用来

支撑内部 Apollo系统的开发和迭代，一方面为 Apollo生态的开发者提供基于云端

的决策系统仿真服务。Apollo仿真平台是一个搭建在百度云和 Azure 的云服务，

可以使用用户指定的 Apollo 版本在云端进行仿真测试。Apollo 仿真场景可分为

Worldsim和 Logsim。Worldsim是由人为预设的道路和障碍物构成的场景，可以作

为单元测试简单高效的测试自动驾驶车辆，而 Logsim是由路测数据提取的场景，

真实反映了实际交通环境中复杂多变的障碍物和交通状况。Apollo仿真平台也提

供了较为完善的场景通过判别系统，可以从交通规则，动力学行为和舒适度等方

面对自动驾驶算法做出评价。


62

图 4-24Apollo仿真平台的回放案例

Apollo也与 Unity建立了合作关系，开发了基于 Unity的真实感虚拟环境仿真，

可以提供 3D的虚拟环境，道路和天气的变化。

最近，百度也提出了一种新的数据驱动方法，用于自动驾驶的端到端仿真：增强

自主驾驶模拟（AADS）。此方法利用模拟的交通流来增强真实世界的图像，以创

建类似于真实世界渲染的照片般逼真的模拟场景。具体来说，建议使用 LiDAR和

相机扫描街景。将输入数据分解为背景，场景照明和前景对象。同时，提出了一

种新的视图合成技术，可以在静态背景上改变视点。前景车辆配有计算机 3D模型。

通过精确估计的室外照明，可以重新定位 3D车辆模型，计算机生成的行人和其他

可移动主体，并将其渲染回背景图像，以创建逼真的街景图像。此外，模拟交通

流量，合成物体的放置和移动，捕获真实世界的车辆轨迹，这些轨迹看起来很自

然并且捕捉现实世界场景的复杂性和多样性。

4.2.22 Waymo Carcraft

代表了世界领先水平的Waymo无人车，一个核心的秘密就是它的 Carcraft 仿

真器，它是Waymo的无人车每年能够行驶几十亿英里的关键。

在 Carcraft开发之初，这个系统只是用可视化的方式用来回放路侧车辆在道路

上的情况，之后它扮演了越来越重要的角色。Carcraft可以为每个新软件版本使用


63

在真实世界里驾驶的回放数据进行测试，用来验证算法的改进，发现新的问题，

还可以构建全新的虚拟场景进行测试。每天有 25000辆虚拟Waymo无人车在模拟

器中行驶八百万英里以上的里程，来巩固已有的自动驾驶技能和测试新的技能。

模拟仿真测试最大的优势是可以快速重复测试一些现实中不常发生但却很重要的

场景，比如五岔路口和并入环岛。模拟器能够让自动驾驶系统有很多次机会练习

这种单一场景来精通对应的技能。另外在模拟器中，可以对某个具体测试场景中

的某个参与者，或者是交通信号进行一些改变，添加额外的行人等，通过这种方

式可以构建大量的衍生场景，从而对无人驾驶算法进行更充分的测试。

图 4-25 Carcraft的案例衍生机制


64

第 5章虚拟场景数据库

5.1 自动驾驶虚拟场景库

5.1.1 自动驾驶虚拟场景库的概念与构建要求

（1）自动驾驶虚拟场景库的概念

自动驾驶虚拟场景库即由满足某种测试需求的一系列自动驾驶测试场景构成

的数据库。

其中，单个自动驾驶测试场景包括静态场景与动态场景。静态场景通常包括

道路设施（道路、桥梁、隧道等），交通附属设施（标志标牌、公交站点等），

周边环境（路灯绿化带、建筑物）等；动态场景通常包括交通管理控制，机动车，

行人与非机动车等。

根据测试需求，选取特定的自动驾驶虚拟场景，构建支持检索、调用等操作

的数据库，即自动驾驶虚拟场景库。

（2）自动驾驶虚拟场景库构建要求

单个自动驾驶测试场景构建要求：要求虚拟静态、动态场景可高度还原对应

的现实情况，所含关键信息齐全，可支持高精度的传感器仿真；动态场景如支持

交通智能体行为及与主车互动，则可进一步提升测试效果。

自动驾驶测试场景库构建要求：根据测试需求，选择的测试场景应能在统计

学上覆盖现实交通中部分典型现象，从而在某种程度上替代对应的路测场景；场

景库中的场景应分类明确，支持快速检索与调用。

5.1.2 自动驾驶虚拟场景库的数据来源与构建方法

（1）自动驾驶虚拟场景库的数据来源

自动驾驶虚拟场景库以虚拟场景为元素，其数据来源即虚拟场景的基础数据，

主要包括：

构建静态场景的基础数据，主要包括高精地图，采集的视频、激光点云等多

种类型信息，数据主要来源于地理信息公司或自动驾驶相关公司的实地采集。


65

构建动态场景的基础数据，主要包括交通管控方案（道路限速、信号配时等），

视频、雷达、卫星定位等交通传感器信息（从中可解析交通对象的属性信息与出

行轨迹），宏观路况信息（可作为基于仿真模型生成动态场景的输入参数）等，

主要来源于交通主管部门的管控方案数据与采集的传感器数据，自动驾驶相关公

司的实地采集数据，以及互联网企业统计的路况数据等。

（2）自动驾驶虚拟场景库的构建思路

自动驾驶虚拟场景库的构建方法见 3.3章节。

构建场景库需选取对自动驾驶具有挑战性且在现实中有一定概率出现的场景。

由于场景的统计学意义难以精确估算，往往很难有力说明场景库与实际路测里程

的确切关系。一些自动驾驶相关企业在构建虚拟场景库方面进行了探索，例如：

Mcity提出了六步分析思路，主要是利用蒙特卡罗算法，减少日常驾驶中没有

发生事故的数据，用发生了危险事故的数据进行取代，实现人类驾驶员与自动驾

驶车之间数据高频率交互；

中国汽车技术研究中心将仿真场景划分为自然驾驶场景、危险工况场景、法

律规范场景、参数重组场景四类，包括不同自然条件（天气、光线等），不同道

路类型（路面状态、车道线类型等），不同交通参与者（车辆、行人位置速度等），

不同环境类型（高速、小区、商场、乡村等）在内的多类型虚拟仿真测试用例。

目前，场景选取与场景库构建还处于不断探索的过程，可从以下方面持续开

展研究：

1）制定完善自动驾驶测试相关标准，指导测试工作与场景库构建；

2）对典型复杂交通场景进行采集入库，例如主要城市、高速公路的拥堵与

事故高发交叉口、路段，真实存在的复杂场景对自动驾驶测试有重要意义；

3）对真实复杂静态场景进行要素分析，泛化生成多类别的静态测试场景；

4）对真实复杂动态场景进行要素与行为分析，在交通宏观参数，驾驶员决

策，车辆行为等多层面上进行泛化，生成多类别的动态测试场景；

5）完善虚拟测试场景的标注方法、重要度评价理论，从而实现更好的场景库组

织架构，以及针对某种测试需求的场景集快速生成。


66

5.2 场景库标准

场景测试用例主要通过虚拟仿真环境及工具链进行复现，因此建设虚拟场景

数据库是连接场景数据与场景应用的关键桥梁。场景测试用例需要标准以便实现

仿真环境之间进行场景交换。场景库的范围应当覆盖典型场景、边角场景、事故

场景等多种类型。

5.2.1 场景标准 OpenSCENARIO

OpenSCENARIO是一种开放文件格式，用于描述驾驶模拟应用程序中的动态

内容。OpenSCENARIO 的主要用途是描述复杂、同步的交通参与者, 涉及多个实

体, 如车辆、行人和其他交通参与者。交通参与者的描述可能基于驾驶员的行为

(例如执行车道更改) 或轨迹 (例如从记录的驾驶机动动作中获得)。其他内容, 如

自我车辆的描述、司机外观、行人、交通和环境状况, 也包括在标准中。

图 5-1 驾驶模拟场景

（1）动机

OpenSCENARIO项目于 2014年底启动。最初的想法已于 2006年与

OpenDRIVE®计划进行了讨论，并在斯图加特汽车仿真中心和 VIRES Simulations

technologie GmbH之间的项目会议上重新启用。

事实上，今天，驾驶模拟环境的静态内容可以在不依赖特定工具的标准格式中


67

描述：

图 5-2 静态内容标准格式 OpenDRIVE和 OpenCRG

在 OpenSCENARIO计划中，重点将放在驾驶模拟应用的动态内容上：

图 5-3 OpenSCENARIO

众所周知，以通用数据格式描述动态内容并不能保证在各种模拟工具链中均得

到相同结果。但是，与此同时，拥有通用数据格式是促进不同用户和/或平台之间

的场景交换的必要先决条件。

（2）路线图

OpenSCENARIO®路线图的确切时间表仍有待确定，到 2017年底，应提供以

下项目：


68

规格

格式规范文档

架构文件

风格指南文件

工具

开源验证工具

内容

普通车辆数据库

收集 ADAS示例场景

不同国家情景的变化

支持

有项目数据的网站

票务系统

随着 2015年 10月 15日的第一次项目会议，OpenSCENARIO 将进入其路线图

的三个阶段中的第二个阶段。在确定需求的初步阶段之后，此阶段将用于编写

OpenSCENARIO文件格式的实际规范，同时考虑到在初步阶段已确定的所有潜在

用户的要求。

进一步发展 ASAM OpenSCENARIO 的路线图。提案研讨会 ASAM

OpenSCENARIO (2019年 1月 17日至 18日) 的参与者决定同时启动一个转移项目

和一个概念开发项目。这样可以更快地进入市场。转移项目的目标是使当前版本

的 OpenSCENARIO适应 ASAM 要求。概念开发项目旨在讨论、评估和指定

ASAM OpenSCENARIO 主要扩展的概念。如有需要, 从原始项目生成的其他概念

开发项目应能够同时运行。概念开发项目的结果应纳入标准的进一步发展。


69

图 5-4 转移项目和概念开发项目并行开发

（3）核心团队

OpenSCENARIO核心团队已于 2016年 3月 20日正式宣布，并开始扩展。其

成员将审核并正式发布 OpenSCENARIO标准。截至 2017年 3月 5日的核心团队

如下图所示。按公司字母顺序列出清单。每个公司最多还有两名代表。

图 5-5 OpenSCENARIO 核心团队


70

5.2.2 场景库举例

(一) 中国汽车技术研究中心有限公司数据资源中心案例库

根据智车科技报道，中国汽车技术研究中心有限公司数据资源中心将仿真场

景划分为自然驾驶仿真场景、危险工况仿真场景、标准法规仿真场景、参数重组

仿真场景四类。

(1) 自然驾驶仿真场景——充分测试场景

自然驾驶仿真场景来源于采集的驾驶场景数据库以及企业的道路测试场景。

自然驾驶仿真场景能够很好地体现测试的随机性、复杂性及典型性区域特点。据

报道目前数据中心已采集 32万公里的自然驾驶场景数据，经过成熟的场景划分方

法生成了上千种典型测试用例。

图 5-6 自然驾驶仿真场景

(2)危险工况仿真场景——必要测试场景

危险工况仿真场景主要涵盖恶劣天气环境、复杂道路交通以及典型交通事故

三大类仿真场景。从大量自然驾驶场景数据库中，通过对场景进行参数化统计分

析，提炼出不同影响因素下的危险工况测试用例，其中包括天气光线、地理地形、

交通拥堵、路面结构、特殊障碍物等因素引起的易发性危险场景案例。


71

图 5-7 危险工况仿真场景

(3) 标准法规仿真场景——基础测试场景

标准法规测试场景是自动驾驶功能在研发和认证阶段需要满足的基本场景，

数据中心已基于 ISO、NHTSA、ENCAP、CNCAP等多项标准、评价规程构建了

20余种标准仿真测试场景，支持 AEB、ACC、LKA、APA等多种自动驾驶功能的

仿真验证，同时贯通了标准场景的自动化测试流程。

图 5-8 标准法规测试场景

(4) 参数重组仿真场景——补充测试场景

参数重组仿真场景旨在将已有仿真场景进行参数化设置并完成仿真场景的随

机生成或自动重组，进而补充大量未知工况的测试场景，有效覆盖自动驾驶功能

测试盲区。

图 5-9 参数重组仿真场景


72

(二) 百度 Apollo案例库

百度 Apollo仿真场景分为Worldsim和 Logsim。 Worldsim是由人为预设的

障碍物行为和交通灯状态构成的场景，可以简单高效的测试自动驾驶车辆，但缺

乏真实交通环境中复杂的情况；Logsim是由路测数据提取的场景，提供复杂多变

的障碍物行为和交通状况，使场景充满不确定性。

图 5-10 百度 Apollo仿真场景

目前提供约 200个场景，包括：

基于不同的路型，包括十字路口、调头、直行、三叉路口、弯道。

基于不同的障碍物类型，包括行人、机动车、非机动车及其他。

基于不同的道路规划，包括直行、调头、变道、左转、右转、并道。

基于不同的红绿灯信号，包括红灯、黄灯、绿灯。


73

图 5-11 百度 Apollo仿真场景库管理界面

图 5-12 百度 Apollo 案例库场景


74

(三) 51VR 51 Sim-One案例库

51VR仿真平台案例库支持来自真实采集的危险工况和人工编辑的标准案例。

目前提供的场景包括：

基于不同的路型，包括直道、十字路口、弯道、调头、环岛、人行横道等。

基于不同的障碍物类型，包括行人、机动车、非机动车，静态物体等。

基于不同的道路规划，包括直行、突然插入，变道、转弯、并道, 超车，

靠边停车等。

基于不同的红绿灯信号，限速牌，停车牌等

其中标准案例库率先支持《智能网联汽车自动驾驶功能测试规程（试行）》。

图 5-13 51 Sim-One案例库之标准案例库


75

51VR的案例编辑器：

图 5-14 51 Sim-One案例库之案例编辑器

51VR的真实采集的场景和仿真：

图 5-15 51 Sim-One真实采集场景还原应用

51VR同时支持动态智能体交通流场景案例，支持多种地图，车辆类型，车辆

密度，司机开车风格配置，进行连续交通流场景仿真。


76

图 5-16 51 Sim-One交通流配置

图 5-17 51 Sim-One交通流仿真案例场景


77

第 6章自动驾驶仿真测试标准介绍

6.1 中国标准现状

6.1.1 国家级自动驾驶道路测试标准

2018年 4月 12日，工业和信息化部、公安部、交通运输部联合发布了《智能

网联汽车道路测试管理规范（试行）》。该规范自 2018年 5 月 1日起开始施行。

这是我国首个针对自动驾驶汽车测试的考核评价标准。

根据规范中的解释，规范中提到的智能网联汽车指的是搭载先进的车载传感器、

控制器、执行器等装置，并融合现代通信与网络技术，实现车与 X（人、车、路、

云端等）智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，

并最终可实现替代人来操作的新一代汽车，即通常意义上的智能汽车、自动驾驶

汽车。这其中包括乘用车、商用车，但不包括低速汽车和摩托车。

表 6-1 国家级智能网联汽车标准及法律法规

时间发布机构标准法规主要内容

2016 年工信部、公安部、

交通部

《智能网联汽车公共道路适应

性验证规范》

对测试车辆、测试道路、测试驾驶人、路试申请、

路试信息记录等相关要素提出了基本要求。

2016 年中国汽车工程学

会、智能交通联盟

启动 ADAS 相关标准研究与制

定工作

主要包括 AEB、LKA、DSB、自动泊车等标准，并

发布了 C-NCAP 的 2018 版的详细试验及评分方

案。

2016 年交通部《营运客车安全技术条件

(JT/T1094-2016) 》

要求 9m 以上的营运客车加装车道偏离预警系统

(LDWS)以及符合标准的自动紧急自动系统(AEBS)

功能。

2017 年中国智能网联汽

车产业创新联盟

《合作式智能交通系统车用通

信系统应用层及应用数据交互

标准》

中国汽车工程学学会的团体标准，填补了国内

V2X 应用层标准的空白。

2017 年工信部、国家标准

委

《国家车联网产业标准体系建

设指南(智能网联汽车)》

明确智能网联汽车标准体系建设的指导思想、基

本原则、建设目标和标准体系框架。


78

时间发布机构标准法规主要内容

2018 年 4

月

工信部、交通部、

公安部

《智能网联汽车道路测试管理

规范(试行)》

明确道路测试的管理要求和职责分工,规范和统

一各地方基础性检测项目和测试规程。

2018 年 6

月工信部

车联网(智能网联汽车)直连通

信使用 5905-5925 MHz 频段的

管理规定(征求意见稿)

拟规划5905-5925MHz 频段作为 LTE-V2X 技术的

车联网(智能网联汽车)直连通信的工作频段。

2018 年 6

月

工信部、国家标准

委

《国家车联网产业标准体系建

设指南(总体要求)》等系列文

件

全面推动车联网产业技术研发和标准制定,促进

自动驾驶等新技术新业务加快发展。

2018 年 7

月交通部

《自动驾驶封闭场地建设技术

指南(暂行)》

国家部委出台的第一部关于自动驾驶封闭测试场

地建设技术的规范性文件。

6.1.2 省市级自动驾驶道路测试标准

据不完全统计，截至 2019年 2月 21日，全国共有 22个省市区出台了智能网

联汽车测试管理规范或实施细则，其中有 14个城市发出测试牌照，牌照数量总计

100余张。

表 6-2 各省市自动驾驶汽车道路测试相关政策

时间发布机构标准法规

2017 年 12

月 18 日

北京市交通委、北京市公安交管局、北京市

经济信息委

《北京市自动驾驶车辆道路测试管理实施细则(试

行)》

2018 年 2 月

27日上海市经济信息化委、市公安局、市交通委《上海市智能网联汽车道路测试管理办法(试行)》

2018 年 3 月

11日

重庆市经济信息委、市交委、市城管委、市

公安交管局《重庆市自动驾驶道路测试管理实施细则(试行)》

2018 年 3 月

28日

平潭综合实验区党工委、平潭综合实验区管

委会

《平潭综合实验区无人驾驶汽车道路测试管理办法

(试行)》

2018 年 4 月

13日

长沙市经济和信息化委员会、市公安局、市

交通运输局、湘江新区管理委员会经济发展

局

《长沙市智能网联汽车道路测试管理实施细则(试

行)》


79

时间发布机构标准法规

2018 年 4 月

16日长春市工信局、公安局、交通运输局《长春市智能网联汽车道路测试管理办法(试行)》

2018 年 4 月

26日

广州市南沙区工业和科技信息局、区建设和

交通局、区公安分局

《广州市南沙区关于智能网联汽车道路测试有关工作

的指导意见（试行）》

2018 年 5 月

22日

深圳市交通运输委、市发展改革委、市经贸

信息委、市公安交警局

《深圳市关于贯彻落实《智能网联汽车道路测试管理

规范（试行）》的实施意见》

2018 年 6 月

21日

天津市交通运输委、市工业和信息化局、市

公安局《天津市智能网联汽车道路测试管理办法（试行）》

2018 年 7 月

16日

杭州市经济和信息化委员会、市公安局、市

交通运输局

《杭州市智能网联车辆道路测试管理实施细则(试

行)》

2018 年 7 月

20日

济南市经济和信息化委员会、市公安局、市

城乡交通运输委员会《济南市智能网联汽车道路测试管理办法(试行)》

2018 年 9 月

4日

江苏省经济和信息化委员会、省公安厅、省

交通运输厅《江苏省智能网联汽车道路测试管理细则(试行)》

2018 年 10

月 26 日

襄阳市汽车产业办公室、市经信委、市交通

运输局、市公安局、市自贸办《襄阳市智能网联汽车道路测试管理规定(试行)》

2018 年 10

月 26 日

深圳市市交通运输委、市发展改革委、市经

贸信息委、市公安交警局

《深圳市智能网联汽车道路测试开放道路技术要求

（试行）》

2018 年 11

月 6 日

河南省工业和信息化委、公安厅、交通运输

厅《河南省智能网联汽车道路测试管理办法（试行）》

2018 年 11

月 27 日

武汉市经济和信息化委员会、市公安局、市

交通委

《武汉市智能网联汽车道路测试管理实施细则（试

行）》

2018 年 12

月 3 日

广东省工业和信息化厅、公安厅、交通运输

厅

《广东省智能网联汽车道路测试管理规范实施细则

(试行)》

2019 年 1 月

17日广州市交委、市工业和信息化委、市公安局《关于智能网联汽车道路测试有关工作的指导意见》

2018 年 12

月 26 日

海南省工业和信息化厅、省公安厅、省交通

运输厅《海南省智能网联汽车道路测试实施细则(试行)》


80

6.2 欧盟与美国标准现状

6.2.1 美国自动驾驶仿真标准现状

（1）Waymo-Carcraft自主仿真平台

Waymo采用自主研发的仿真平台，基于仿真环境的网络训练，封闭道路和实

际道路测试补充优化。每一天，数字汽车都要在虚拟世界行驶 800万英里。Waymo

进行过结构化的场景设计，转化为模拟场景，目前已经完成了 20000个场景转化。

在模拟中，Waymo跳过了对象识别这一步。Waymo不会向系统输入原始数据，

让它识别行人，而是直接告诉汽车：这里有一个行人。Waymo会为不同的对象建

模，对象按模型移动，Carcraft场景构建师也会编写程序，让它们以精准方式移动，

用来测试特殊行为。一旦为场景搭建了基本架构，就可以测试所有的重要变量。

在四向停车点前，你可以让不同的汽车、行人、自行车骑手调节抵达时间、停留

时间和移动速度，还可以修改其它变量，进行测试。你只需要确定赋值范围，然

后软件就会自动创建所有场景组合并运行。

（2）NVIDIA-Drive Constellation

Drive Constellation，是一款软硬件一体的自动驾驶仿真系统，可帮助对自动驾

驶技术进行测试。该系统通过云计算能力来模拟无人驾驶汽车在行驶过程中所遇

到的突发情况，收集相关数据。该平台由两个不同的云计算解决方案组成，

“Constellation Simulator”服务器使用英伟达的图形处理器（GPU）运行 Drive Sim

软件，该软件可以生成一个真实的虚拟世界，然后可将虚拟世界输入到虚拟汽车

的传感器；第二个服务器名为“Constellation Vehicle”，由 Drive AGX车载计算机驱

动，负责处理模拟的传感器数据。

Constellation可以生成逼真的数据流，创建各种测试环境，模拟暴雨和暴雪等

各种天气条件，以及不同的路面和地形。此外，它还可以模拟白天不同时间的眩

目强光以及晚上有限的视野。由于该系统是分散管理的，开发人员能够上传交通

场景，整合自己的车辆和传感器模型，并且让整个车队的测试车辆可以行驶“数十

亿”英里的模拟里程。


81

6.3 中国参与国际标准 ISO 现状

6.3.1 参与现状

传统的 ISO 26262标准规定仿真的作用在验证系统行为中是至关重要的，并建

议在各级进行仿真。模拟的优点是测试是可重复的，并且它支持超过性能/耐久性

极限和危险情况的测试能力。ISO 26262提出了用于进行软件安全需求验证的环内

模型(MIL)、环内软件(SIL)和环内硬件(HIL)仿真。但由于缺乏仿真和测试资源，

标准仿真技术可能不足以满足所需的测试量。

工信部公布《2018年智能网联汽车标准化工作要点》，提出将积极开展自动

驾驶相关标准的研究与制定。系统跟踪联合国车辆法规协调论坛（WP29）与国际

标准化组织道路车辆委员会（ISO/TC22）下属工作组动态，积极承担相应的国际

标准法规研究制定任务；申请加入 ISO/TC 22自动驾驶特别工作组，全面参与联合

国智能交通/自动驾驶（ITS/AD）的项目规划与法规协调，积极提出国际标准提案

并牵头相关制定工作。依托中欧、中法、中德、中美、中日等政府间对话机制，

加强与欧盟及其主要成员国、美国、日本及“一带一路”沿线国家等的沟通与交流，

开展智能网联汽车相关技术和标准的交流与讨论，加强在联合国及 ISO/IEC层面

的沟通与协调，共同推动国际标准法规的研究与制定。

（1）中国参与自动驾驶测试场景国际标准制定

2018年 5月，国际标准化组织道路车辆委员会车辆动力学分委会

（ISO/TC22/SC33）全体会议在德国柏林召开。来自德国、法国、意大利、瑞典、

美国、日本、韩国、中国等成员国的代表及工作组（WG）召集人参加了会议。

会上，中国代表团结合中国智能网联汽车技术及产业发展需要，说明了自动驾

驶测试场景国际标准提案的必要性和可行性，就自动驾驶测试场景国际标准的范

畴、主要内容及工作思路提出建议方案。SC33秘书处及全体成员国代表均表示支

持中国该项提案，决定组建自动驾驶测试场景标准工作组（WG9），统筹开展相

关国际标准研究及制定工作，由中国中汽中心汽车标准化研究所总工程师王兆作

为工作组召集人，并建议由中国担任下一届 SC33全体会议的举办国。会议审议通

过了 SC33秘书处所作的工作报告，并听取各工作组（WG）的进展报告和工作计

划。

这是我国在 ISO/TC22（道路车辆委员会）范畴内首次承担国际标准工作组（WG）


82

召集人职责，是我国在汽车国际标准化方面迈出的重要一步。

2018年 12月，在北京召开“自动驾驶测试场景国际标准制定支撑专家组第二

次会议”。秘书处对自动驾驶测试场景国际标准的进展情况进行介绍，并组织专家

对后续工作内容进行讨论。专家就现阶段标准的范畴、未来标准制定规划等议题

提出建议。会议还组织专家就专家组共同编写的《自动驾驶场景白皮书》内容进

行梳理，参会专家就各章节内容提出修改建议，并就涉及的技术性问题与编制单

位展开深入的讨论。

2019年 2月 19至 20日，国际标准化组织道路车辆委员会自动驾驶测试场景

工作组（ISO/TC22/SC33/WG9）第三次工作会议于日本东京召开。本次会议讨论

了该工作组开展国际标准制定的工作范畴，拟围绕 L3及以上级别自动驾驶测试场

景、以安全相关场景为重点开展标准研究与制定；会议讨论确定了 8项标准项目

及其制定优先级顺序列表，经征集与协商，明确了各个项目的牵头起草国家，其

中，作为测试场景系列标准的基础类项目-测试场景通用信息，以及数据处理类项

目-测试场景数据生成与抽取等两个国际标准将由中国专家牵头起草；会议初步提

出了各标准项目全周期时间计划，并对本年度各项工作涉及的起草与撰写周期、

意见建议征集等相关时间节点、后续会议安排等进行了安排与部署；此外，会议

还深入讨论了拟向 ISO/TC22/SC33提交的工作报告中所涉及的各项技术议题，各

国专家就其中术语定义及核心要素关系等技术议题提出多项解决方案并积极承担

报告内容完善工作，最终，以中国专家提出的技术逻辑方案为基础并经工作组共

同修改完善，形成了测试场景相关核心术语的统一技术逻辑和起草方案。

（2）中国制定高精地图标准

目前国际组织 ISO TC204/WG3制定的数据库建设与数据交换标准，以及 NDS

和 OpenDrive制定的地图数据物理存储格式规范;欧洲已有 NDS WG3、ADASIS以

及 NDS与 ADASIS联合成立的 OADF制定的自动驾驶地图标准;日本也在相应建

立联盟，成立 DMP公司制定重要的标准和接口，以对接欧洲 OADF、国际组织 ISO

的标准。

目前国内尚未出台统一的自动驾驶地图标准，据杨殿阁教授介绍，使用 NDS

标准的价格较高，同时对于中国未来自动驾驶地图发展缺乏保护机制。因而他认

为，中国在自动驾驶技术的发展上必须独立自主，开发中国标准的智能网联汽车

及自动驾驶地图是必要的。中国标准的自动驾驶地图也将成为与 DMP、OADF平

等对话的条件，吸引更多的国外厂商加入。


83

清华大学杨殿阁教授发布了自动驾驶地图工作组下一步工作重点，将面向智能

汽车的自动驾驶地图以及高精度定位及时空服务相关的关键技术、标准、接口、

规范及法规进行研讨;建立中国标准地图及服务体系，搭建车企与地图厂商、国家

测绘管理部门的桥梁，做 NDS(欧洲)、DMP(日本)的合作桥梁，可以与 NDS(OADF)

和 DMP形成转换并形成平等合作的关系。


84

第 7章自动驾驶示范区测试方法介绍

7.1 中国自动驾驶示范区与测试方法

近年来，我国政府高度重视智能网联汽车产业发展，已将智能网联汽车列入

十大重点发展领域之一。2018年 12月，工业和信息化部印发了《车联网（智能网

联汽车）产业发展行动计划》，发展行动计划目标在 2020年，实现车联网（智能

网联汽车）产业跨行业融合取得突破，具备高级别自动驾驶功能的智能网联汽车

实现特定场景规模应用，车联网综合应用体系基本构建，用户渗透率大幅提高，

智能道路基础设施水平明显提升，汽车智能化已经成为我国产业发展的战略方向。

道路测试是开展智能网联汽车技术研发和应用不可或缺的重要环节。车辆在

各种道路交通状况和使用场景下都能够安全、可靠、高效的运行，自动驾驶功能

需要进行大量的测试验证，经历复杂的演进过程。智能网联汽车在正式推向市场

之前，必须要在真实交通环境中进行充分地测试，全面验证自动驾驶功能，实现

与道路、设施及其他交通参与者的协调。目前，美国、英国、法国、德国、瑞典、

日本、韩国、新加坡等发达国家已经允许智能网联汽车上公共道路或特定路段进

行测试，大部分国家要求智能网联汽车在上公共道路或特定路段进行测试之前需

要进行充分的封闭场地试验，部分国家需要测试车辆经过第三方的测试评价。

2018 年 4 月，工业和信息化部、公安部、交通运输部三部委联合发布《智

能网联汽车道路测试管理规范（试行）》，管理规范要求测试车辆应在封闭道路、

场地等特定区域进行充分的实车测试，并由国家或省市认可的从事汽车相关业务

的第三方检测机构进行检测验证，测试车辆必须通过封闭测试区的测试并且申请

路测牌照后才能在指定道路和区域行驶。

智能网联汽车测试示范区的建设和运营对于我国智能网联汽车的发展至关重

要。近年来，测试示范区建设初具成效，测试体系初步形成，中央及地方相关主

管部门陆续出台政策规划，在项目支持、测试示范区建设与应用等方面营造良好

的生态环境。道路测试是自动驾驶车辆积累测试数据、不断提升自动驾驶能力的

有效手段，是自动驾驶车辆最终上路运行的必经阶段。封闭场地测试作为自动驾

驶测试验证的重要环节，是自动驾驶车辆道路测试的前提条件，开放道路测试将

进一步为智能网联汽车技术落地和场景应用提供真实的测试环境。

不论是开展智能网联汽车测试示范区的调研和研究，对典型示范区进行系统


85

考察，摸底示范区测试基地的场地建设、基础设施和实际运营情况，还是探索测

试示范区的发展趋势，发现存在的问题等，都有利于引导现有测试示范区的改进

升级和未来新示范区的规划和建设，起到提高测试效率、节省国家资源、实现资

源共享的作用，同时为主管部门提供决策支撑，为行业发展方向提供参考依据。

本研究报告旨在综合分析我国智能网联汽车测试示范区现状及特征，围绕测

试场地建设、基础设施、测试能力、服务配套、开放路测等方面，综合分析国内

测试示范区发展现状及水平，归纳具备突出性和共性的潜在问题。在此基础上，

提出了加强法律法规建、标准制定、推进测试示范区数据共享和测试结果互认机

制、完善法律标准体系等措施建议。

我国的智能网联汽车测试示范区包括封闭测试区和开放道路测试情况两部分。

一方面，封闭测试区中有工信部等部委支持推进的国家级测试示范区，具体如下

（排名不分先后）：

1. 国家智能网联汽车应用（北方）示范区

2. 国家智能汽车与智慧交通（京冀）示范区

3. 国家智能交通综合测试基地（无锡）

4. 国家智能网联汽车（上海）试点示范区

5. 浙江 5G 车联网应用示范区

6. 武汉智能网联汽车示范区

7. 国家智能网联汽车（长沙）测试区

8. 广州智能网联汽车与智慧交通应用示范区

9. 智能汽车集成系统试验区（i-VISTA）

10.中德合作智能网联汽车车联网四川试验基地

另一方面，在开放道路测试上，北京、上海、天津、重庆、广州、武汉、长

春、深圳、杭州、无锡、长沙、保定、济南、平潭、肇庆等多座城市出台了道路

测试管理规范，划定了具体道路开放区域。据不完全统计，截至 2019年 2月 21

日，全国共有 22个省市区出台了智能网联汽车测试管理规范或实施细则，其中有

14个城市发出测试牌照，牌照数量总计 100余张。


86

本报告基于上述 10个国家级智能网联汽车测试示范区以及其所在省份的开放

路试情况展开相关的调查和研究工作。

在三部委的《智能网联汽车道路测试管理规范（试行）》指导下，我国部分

地区积极出台地方管理智能网联汽车道路测试管理实施细则，选定开放测试路段，

推进智能网联汽车封闭区测试工作，目前已取得了一定的成绩。本报告对 10 个

国家级智能网联汽车测试示范区展开研究，各测试区分布在东北地区、华北地区、

华东地区、东南地区和中西部地区，华东地区分布密度较大，如图 1 所示。

我国各地的测试示范区具有差异化的气候条件和地貌特征，形成区域性互补，

能够使智能网联汽车在丰富的条件下开展测试，为各测试示范区测试数据共享后

的数据多样化和全面性提供了基础条件。目前已建成的测试示范区基本涵盖了城

市道路、乡村道路等场景，具备较为完善的场景设施和智能网联设备，部分测试

区已经搭载了 5G 通讯设备，信号可以覆盖全封闭测试区。上海、长春、北京、

长沙等测试区积极同高校和企业合作，具备一定的科研能力，参与了智能网联汽

车的改装和开发，融合了研究和测试工作。例如，长春测试示范区改装了红旗、

大众等品牌汽车及观光巴士，还自主研发了模拟和测试设备。部分测试区建立了

自己的实验室，组建研究团队开展实验研究工作。例如，长沙测试示范区建立了

智能系统检测实验室，用于开展智能网联汽车的仿真实验。

图 7-1 全国智能网联汽车测试场分布


87

7.1.1 国家智能汽车与智慧交通（北京）示范区

1、基本情况

国家智能汽车与智慧交通（京冀）示范区是为落实工业和信息化部、北京市

人民政府、河北省人民政府签订的“基于宽带移动互联网的智能汽车与智慧交通

应用示范部省合作协议”而设立，于 2016 年 1 月 18 日签署了合作框架协议。

示范区由北京智能车联产业创新中心运营。北京智能车联产业创新中心是由千方

科技主导，联合国内十多家相关的企业、高校，在北京经信委、经济技术开发区

管委会指导下共同成立的公司，同时也是北京自动驾驶车辆道路测试第三方服务

机构，全面负责北京市自动驾驶车辆申请、现场审核、日常监管等工作。

北京市已打通从标准政策制定、示范区应用落地、最后到产业协同发展的智

能网联全产业链，率先提出以京津冀实际道路交通的场景、车联网场景以及复杂

程度进行分级，指导中关村智通智能交通产业联盟组织相关核心企业推出 2 项团

体标准——封闭测试区场地建设及智能网联车辆测试标准。其中，全国首个自动

驾驶能力测评方面的团体标准《自动驾驶车辆道路测试能力评估内容与方法

T/CMAX 116-01-2018》，已经入选工业和信息化部发布的 2018 年度工业通信业“百

项团体标准应用示范”项目名单。在此基础上，2018 年 2 月北京市采纳该标准

作为北京市自动驾驶车辆道路测试前能力评估的依据，并发布《北京市自动驾驶

车辆道路测试能力评估内容与方法（试行）》，完成了从标准到政策的落地。

国家智能汽车与智慧交通（北京）示范区分三期打造场-路-城三级试验示范环

境建设、建设基础技术支撑平台与事实标准、智能汽车与智慧交通示范应用，定

位成为国家级智能汽车与智慧交通核心关键技术突破与产业创新公共服务平台。

图 7-2 北京智能网联汽车示范区三期规划发展情况


88

2、测试方法

执行《T/CMAX116-02—2018 自动驾驶车辆封闭试验场地技术要求》、《北京

市自动驾驶车辆封闭测试场地技术要求（试行）》；测试方法与规程参照《北京

市自动驾驶车辆道路测试能力评估内容与方法（试行）》、 T/CMAX116-01—2018

自动驾驶车辆道路测试能力评估内容与方法》。

7.1.2 国家智能汽车与智慧交通（河北）示范区

1、基本情况

国家智能汽车与智慧交通（河北）示范区是由工业和信息化部指导，长城汽

车具体实施建设和运营的国家级智能汽车与智慧交通应用示范项目。示范区一期

工程为封闭测试区，位于长城汽车徐水试验场内，占地 13.4 万平方米，总投资

6000 余万元人民币。测试区新建测试道路总长度 5 公里，由十字路口、五岔路

口、环岛及特殊路面组成，充分模拟城市及城郊交通工况。未来，示范区二期、

三期工程将结合长城汽车徐水大王店产业新城的交通、通信基础设施情况，开展

包括智能驾驶、智慧路网、新能源汽车、共享出行等在内的多个应用示范，构建

新的出行方式。

示范区的建设中，长城汽车联合了华为、中国移动、大唐电信、阿尔卑斯、

东软、诺瓦泰、北斗星通、四维图新和百度等众多企业，在 5G、LTE-V2X、DSRC、

GNSS 导航和高精度地图等技术领域展开多项合作。2018 年 3 月 30 日，长城汽

车与中国移动、华为联合开发的基于 5G 的自动远程驾驶技术在长城汽车徐水试

验场通过测试，WEY VV7 在搭载了基于 5G 技术的智能控制系统后，在主驾驶位

无人操控的情况下，可以完成起步、加速、刹车、转向等动作。在开放道路测试

方面，百度参与并协助长城汽车、保定市政府制定地方自动驾驶车辆开放道路测

试运营立法及管理细则。

2、测试方法

测试场地涵盖了三部委《智能网联汽车道路测试管理规范（试行）》规定的

自动驾驶功能检测项目中的 14 个测试项目，覆盖了《智能网联汽车自动驾驶功

能测试规程（试行）》中全部核心场景。

目前，该封闭测试示范区重点支撑了长城汽车开展相关测试，尚未正式开展


89

智能网联汽车开放路试。

7.1.3 国家智能网联汽车（上海）试点示范区

1、基本情况

2015 年 6 月，国家智能网联汽车（上海）试点示范区获工信部批准建设，

示范区由上海市智能网联汽车创新中心运营管理。示范区以服务智能汽车、V2X 网

联通讯两大类关键技术的测试及演示为目标，计划到 2020 年建设成为我国智能

网联汽车先进技术研发、标准规范研究制订和产品技术检测认证的主要基地，成

为智能网联汽车新技术、新产品、新业态、新模式展示发布和交流合作的主要窗

口，以及成为相关产业创新孵化基地、人才高地、产业资本的主要集聚地。示范

区计划分四个阶段从封闭测试区逐步拓展到开放道路、典型城市和城际走廊，形

成系统性评价体系和综合性示范平台。

第一阶段：封闭测试与体验区。在上海赛车场南侧的发展备用地建设 2 平方

公里的封闭测试区（F-Zone），结合现有市政道路搭建超过 100 种满足各类无人

驾驶和 V2X 等测试场景，涵盖安全、效率、通信、新能源汽车等应用类别；在同

济大学嘉定校区建设 170 亩的研发科研区（T-Zone），探索基础性前瞻技术研究；

在汽车博览公园建设科普体验区（E-Zone），进行无人驾驶和 V2X 演示体验。基

本完成智能网联汽车测试示范平台核心区基础设施建设，为智能网联汽车相关技

术的测试、验证与展示提供基本环境，成为上海市智能汽车产业创新与示范应用

产业基地。

图 7-3 封闭测试与体验区（阶段一）

第二阶段：开放道路测试区。到 2017 年底，在汽车城核心区博园路、墨玉


90

南路、安驰路等道路建设智能网联汽车上路实测的基本环境条件，覆盖面积达到

27 平方公里，涉及城市快速路、园区等道路特征，测试与示范车辆规模期望达到

千辆级。基本建成基于智能交通理念与要求的智能网联汽车上路实测所需环境条

件，支撑相关技术研发、标准研究、产品测试等功能，成为国内首个功能完备的

智能网联汽车测试示范公共服务平台，具体情况如图所示。

图 7-4 开放道路测试区（阶段二）

第三阶段：典型城市综合示范区。到 2019 年底，拓展至安亭镇全区、外冈镇

新能源汽车及关键零部件产业基地，覆盖面积达到 100 平方公里，增加高速公路

测试场景，测试与示范车辆规模达到 5000 辆左右。基本建成基于智慧城市理念

与要求下的智能网联汽车区域性测试示范公共服务平台，初步打造智能网联汽车

产业集群，具体情况如图所示。

图 7-5 典型城市综合示范区（阶段三）

第四阶段：城际共享交通走廊。到 2020 年底，通过嘉闵高架和 G15 沈海高


91

速的智能化改造，形成汽车城和虹桥商务区两个“独立城市”的共享交通闭环，

覆盖面积达到 150 平方公里，测试与示范车辆达到万辆级。建成区域性、相对独

立、功能齐全的智能网联汽车测试示范公共服务平台，形成初具规模的智能网联

汽车产业集群，具体情况如图所示。

图 7-6 城际共享交通走廊（阶段四）

2、测试方法

测试评价依据有三部委测试规范和地方智能网联汽车道路测试管理实施细则/

管理办法，测试方法与规程是《智能网联汽车自动驾驶功能测试规程（试行）》。

上海市智能网联汽车创新中心基于测试区自身场地测试能力和场景类型制定了

《智能网联汽车道路测试与评价规程》，规程包括了基本性能和评价要求、测试

参数采集和精度要求、性能测试和评价方法，已召集座谈会论证了规程的合理性

和科学性。

7.1.4 智能汽车集成系统试验区（i-VISTA）

1、基本情况

i-VISTA（Intelligent Vehicle Integrated Systems Test Area）智能汽车集成系统试验

区，是在国家工信部及重庆市政府支持下，共筹、共建的具有国际领先水平的智

能汽车和智慧交通应用示范工程及产品工程化公共服务平台，城市交通场景试验

区运营主体是中国汽车工程研究院股份有限公司。

重庆是山城、雾都、桥都，具有山川地质地貌特征以及湿润多雾气候环境，


92

具有大城市、大农村等复杂交通场景，可对智能汽车、智慧交通以及通信技术进

行全面、严苛的集成测试评价和试验。i-VISTA 将建成先进驾驶辅助系统、V2X、自

动驾驶、智慧交通等涉及的环境感知传感器、系统、整车的虚拟仿真测试、实验

室测试、封闭、半封闭以及开放道路测试环境，满足安全、舒适、节能环保、道

路交通状况适应性、信息服务娱乐、交通管理等 5 大类应用测试示范的需求，覆

盖西部地区 90%以上特殊路况以及全国 85%以上的道路环境、通信环境等，支持

我国智能网联汽车以及智慧交通系统技术标准研究、实验验证、检测认证、应用

示范和产品工程化，服务构建 4.5G/5G、智能汽车与智慧交通融合的产业生态，支

撑宽带移动通信、移动互联网、电子信息、汽车制造等产业的发展。

i-VISTA 试验区的建设工程规划为三期，如图所示：

图 7-7 重庆示范区三期规划

一期“城市模拟道路测试评价及试验示范区”位于重庆市北部新区金渝大道 9

号（中国汽研园区），在原有园区的基础上，搭建交通设施、交通控制系统、通

信网络、北斗高精度定位系统、车车协同通信、自动驾驶功能和性能测试试验场、

智慧停车场，园区内包含多种交通场景，满足不同研究和测试的需求。二期工程

为重庆西部汽车试验场智能汽车可靠性试验区，位于重庆西部汽车试验场内，总

占地 3362.034 亩，其中综合服务区占地约 142 亩，试验道路占地 3220 亩，如

图所示，在重庆西部汽车试验场传统汽车试验场地基础上，完善相关基础设施，

增加相应的交通设施及交通控制系统，将形成各种特殊道路、乡村道路以及高速

环道的智能汽车可靠性试验区，解决高速道路、乡村道路、特殊道路环境下车路

协同、智慧停车、辅助安全驾驶、全自主驾驶的测试问题。同时，还将在鱼嘴工

业园区周边搭建城镇模拟道路测试环境，开展基于城乡结合的智能网联汽车道路

试验示范。


93

图 7-8 智能汽车可靠性试验区规划图

三期工程为两江新区智能汽车与智能交通开放道路试验区，下图为建设工程

规划图。将在北部新区礼嘉镇（街道）城镇道路、立交桥、隧道、桥梁等开放道

路，安装和改建智慧交通和通信系统测试评价所需的基础设施和智能化道路设备，

形成涵盖西部地区 90%以上特殊路况、全国 85%以上路况环境下的开放交通场景

智能汽车及智慧交通测试示范区。

2、测试方法

测试评价依据采用地方智能网联汽车道路测试管理实施细则/管理办法。重庆

示范区参照《智能网联汽车自动驾驶功能测试规程（试行）》，结合测试区场地

和场景情况，制定了《智能网联汽车道路测试与评价规程》，目前已经应用于测

试车辆的测试和评价。

7.1.5 国家智能网联汽车（长沙）测试区

1、基本概况

国家智能网联汽车（长沙）测试区从 2016 年 6 月开始规划建设，于 2018 年

6 月 12 日建成通车，11 月 28 日工业和信息化部向湖南湘江新区智能系统测试

区授牌。测试区运营主体是湖南湘江智能科技创新中心有限公司，作为智能网联

汽车产业生态运营商，依托智能系统测试区为平台，以 15 平方公里的人工智能

科技园为载体，在基础层、技术层、应用层与产业链企业进行研发测试示范、技

术标准共建、场景应用拓展、技术成果转化、产业项目落地等方面合作。示范区

目前已引进 10 家研究院、企业落户，与淞泓、京东等企业达成近 10 项战略合作

协议。


94

在平台建设方面，示范区成立智能网联汽车产业湘江联盟，推进关键共性技

术研发、标准法规制定、测试评价和示范、产业推广、学术交流、国际合作、人

才培养等工作。成立人工智能学院，采用 3+N 模式，三所高校+若干高水平实验

中心及实训基地平台，精准培养和输出人工智能高端产业人才，计划 2019 年正

式对外招生。

2、测试方法

测试评价依据采用地方智能网联汽车道路测试管理实施细则/管理办法。长沙

示范区参照《智能网联汽车自动驾驶功能测试规程（试行）》，结合测试区场地

和场景情况，制定了《长沙市智能网联汽车道路测试规程-通用版》，目前已经应

用于测试车辆的测试和评价。

7.1.6 国家智能网联汽车应用（北方）示范区

1、基本概况

2016 年 11 月 1 日，工信部与吉林省政府就“基于宽带移动互联网智能汽

车与智慧交通应用示范”合作框架协议签约，由吉林省工信厅牵头组织吉林省、

长春市、净月区相关部门成立了项目推进小组，启明信息联合中国一汽、清华大

学、北京航空航天大学、中国电信、华为、大唐等多家企事业单位共同承担该项

目的建设。

国家智能网联汽车应用（北方）示范区封闭场地面积 35 万平方米，封闭道

路里程 3 公里，具有 6 大类 99 个测试场景，通过行驶场地和驾驶情景的组合

可以扩展到 300 余个场景，智慧交通设施共有 4 大类 100 余个，实现了高精地

图和 5G 信号的全覆盖。国家智能网联汽车应用（北方）示范区具有三方面特色、

三方面功能、六方面能力。在特色方面，一是依托中国第一汽车集团；二是包括

北方冰雪寒区的四季气候环境；三是满足乘用车和重型卡车等商用车的试验、测

试需求。在功能方面，一是满足智能网联汽车开发试验需求；二是有资质的专业

检测机构；三是开放道路测试提供服务的第三方机构。在能力方面，一是完整的

场地条件；二是齐全的试验场景；三是基于 5G 的智慧交通设施；四是信息化管

理平台；五是试验和检测的标准体系；六是智能网联汽车及相关产品的研发服务

能力。


95

在场地场景设施方面，示范区场地功能齐全、场景丰富，基于 5G 的智慧交通

设施，均已达到国内先进水平；在测试标准方法方面，示范区重点对国家三部委

发布的 14 项检测项目进行展开和细化，形成北方示范区的测试标准方法，同时

着眼于未来形成智能网联汽车的能力评估办法；在管理平台方面，由启明公司独

立研发基于云架构，包括智慧交通、测试管理、测试分析、模拟仿真测试，以及

智能网联汽车相关大数据分析的信息化管理平台；在智能网联汽车及相关产品的

研发服务方面，启明公司拥有智能网联汽车的开发团队，研发、改装红旗、大众、

奔腾等品牌的智能网联轿车、30 余辆 SUV 及观光巴士，同时自主研发了用于智

能网联汽车测试的模拟行人、模拟车辆和 RSU 设备。

图 7-9 长春封闭测试场地鸟瞰图

2、测试方法

示范区参照《智能网联汽车自动驾驶功能测试规程（试行）》，结合测试区

场地和场景情况，制定了智能网联汽车道路测试规程，目前尚未公开，但已经应

用于测试车辆的测试和评价。

7.1.7 国家智能交通综合测试基地（无锡）

1、基本概况

2017 年 9 月 10 日，由公安部、工信部和江苏省共同建设的国家智能交通

综合测试基地在无锡揭牌。无锡国家智能交通综合测试基地以“智能车特色小镇”

为核心，规划了封闭测试区和开放测试区两类测试基地。其中封闭测试区包括在


96

建的国家智能交通综合测试基地及封闭高速公路两部分。

国家智能交通综合测试基地位于无锡市滨湖区，规划总面积 208 亩，分为公

路测试区、多功能测试区、城市街区、环道测试区和高速测试区等，如图 7-10 所

示，包括不少于 150 个由多种类型道路、隔离设施、减速设施、车道线、临时障

碍物、交通信号、交通标志等组成的实际道路测试案例。测试基地建成后将对功

能符合性、性能可靠性和稳定性等关键性能进行测试评估，同时为自动驾驶技术

提供第三方权威测试和认证。基地将打造智能交通管理技术综合测试平台、交通

警察实训平台与智能网联汽车运行安全测试平台等三大平台，实现智能交通管理

技术和产品的综合测试、新技术新产品的验证示范，保障公安交警业务和技能实

训，并推动智能网联汽车测试技术标准体系研究，实现智能网联汽车运行安全技

术测试认证。

图 7-10 国家智能交通综合测试基地规划图

2、测试方法

目前，封闭高速公路测试环境能够开展工业和信息化部、公安部、交通运输

部联合发布的《智能网联汽车道路测试管理规范（试行）》所要求的交通标志和

标线的识别及响应、前方车辆行驶状态的识别及响应、障碍物的识别及响应、行

人和非机动车的识别及响应、跟车行驶（包括停车和起步）、超车、并道行驶、

自动紧急制动、人工操作接管、联网通讯等项目在高速行驶情景下的驾驶能力测

试。国家智能交通综合测试基地监控中心利用多源数据采集融合技术，实时获得


97

车辆操控和行驶信息，综合展现车辆运行全部过程，结合自动化及人工测评手段，

实现自动驾驶车辆测试过程的实时记录和智能化评判。

7.1.8 浙江 5G 车联网应用示范区

1、基本情况

2015 年 9 月，工信部与浙江省人民政府签订了《关于基于宽带移动互联网

的智能汽车、智慧交通应用示范合作框架协议》，明确浙江成为中国首个开展部

省合作推进 5G 车联网应用示范的省份，并随后在浙江选择了两个地方作为 5G

车联网的示范试点，分别是以云栖小镇为核心的（杭州）西湖区，以乌镇为核心

的（嘉兴）桐乡市。

2016 年初，这两个示范试点的实施方案通过专家评审，开始施工。在中国移

动 5G 网络的助力下，2016 年 7 月，云栖小镇初步建设成了 5G 车联网应用示

范项目，测试场地如图 7-11 所示，实现了基于 LTE-V 车联网标准的智能汽车的

车-车、车-路信息交互场景。据悉，在云栖小镇上，中国移动布设了 34 个 LTE-V 路

面站点，全程都布设了高清摄像头，实现车与车、车与人、车与网之间的互联互

通，使得路上的一切都可以实时传递到指挥中心，并反馈到车端。

图 7-11 5G 车联网应用示范区测试场地

2、测试方法

桐乡方面，到 2016 年 11 月份的时候，项目的一期成果进入了全面试运行

阶段，构建了以视频技术为核心的透明示范路，搭建了 4G+的宽带移动测试网络，


98

完成多项辅助驾驶和自动驾驶的研究与测试。同时，桐乡试点还推出了智能化停

车应用，利用密集式停放的方式，将停车位数提高 40%以上。此外，乌镇子夜路

延伸段成为了国内首条智能驾驶示范路。

杭州云栖小镇方面，封闭测试示范区尚在规划过程中，方案尚未对外发布。

开放路试方面，制定《杭州市智能网联车辆道路测试管理实施细则（试行）》，

开展智能网联车辆道路测试管理工作。积极推动云栖小镇 5G 车联网试点工作，

加快 5G 技术研发试验和网络部署。

7.1.9 武汉智能网联汽车示范区

1、基本情况

2016 年 11 月，工信部与湖北省政府在武汉签订合作框架协议，批准建设智

能网联汽车和智慧交通应用示范城市。示范区选定武汉开发区智慧生态城·车都

生态智谷为核心区域。武汉智能网联汽车示范区规划总面积 90 平方公里，包含

封闭测试场地及开放测试示范区，计划 2020 年底全部建成，建成后整个示范区

示范道路总长 159 公里，其中测试道路总长 68.3 公里，交通路口总计 152 个。

示范区包含居民区、商业区、物流区、旅游风景区以及工业区。根据示范区产业

规划及布局，地理特点及现有基础配套将示范区划为四个部分，分别为凤凰工业

园片区、军山物流基地片区、龙灵山片区以及智慧生态城片区。

封闭测试基地位于武汉经开区通顺大道与武监高速之间、四环线西南侧、东

荆河西侧，占地总面积约 3629 亩。封闭测试基地分七大功能区，分别是高速环

路、城市工况测试区、柔性测试区、强化测试区、无人军车测试区、极限性能测

试区和研发实验区等，各功能区既相互独立、又相互融合，满足高效率测试需求。

该封闭测试试验场正处于建设阶段，具体建成时间待定。

示范区分两个阶段建设开放测试示范区，第一个阶段在 2019 年 9 月之前先

行完成 115 公里示范道路改造，包含路侧感知设备、通信设备、充电服务设备、

北斗地基增强站等，完成开放道路测试系统、园区内摆渡车应用系统、无人公交

系统、基于交通运行状态的路网信息服务系统的建设，完成部分数据中心和场景

库的搭建，同时将各应用系统进行集成搭建管理服务中心。第二阶段到 2020 年

底，完成示范区所有规划项目建设，实现示范区的智能驾驶、智能交通及智能城

市的全面普及和应用，形成集测试、应用、示范及体验于一体的综合性示范区。


99

图 7-12 封闭测试场效果及示范区规划图

2、测试方法

2018 年 12 月，武汉市经信委、市公安局、市交委三部门共同成立武汉市智

能网联汽车道路测试管理联合工作组，负责武汉市智能网联汽车道路测试的实施、

监督和管理，并发布《武汉市智能网联汽车道路测试管理实施细则（试行）》。

计划 2019 年 9 月底前，建成开放极限性能测试和智能网联测试区，向社会发放

首批智能网联汽车测试牌照。

7.1.10 广州智能网联汽车与智慧交通应用示范区

1、基本情况

2018 年 3 月 30 日，广州市创建基于宽带移动互联网的智能网联汽车与智

慧交通应用示范区正式启动。广州统筹规划的智能网联汽车封闭测试场尚处于选

址规划阶段。目前已基本完成选址工作，拟选址花都区和韶关新丰县，占地面积

分别为 1900 亩和 8600 亩，两个测试区预计总投资 46 亿元，建成后预计可实

现 400台车/日的测试容量。目标是到 2020 年，完成封闭测试区内部分基础设施

建设改造，可实现小规模智能网联汽车同时测试承载能力；完成半开放测试区内

基础设施建设改造，形成智能汽车与智慧交通示范的基础支撑环境。

2、测试方法

2018 年 12 月，广州市政府常务会议审议并原则通过了《广州市关于智能网

联汽车道路测试有关工作的指导意见》，明确了道路测试推进管理机构、测试申

请要求、道路测试办理流程、道路测试的事故处理和责任认定等内容。

目前，景驰科技、小马智行、广汽集团、小鹏汽车等企业都提出了明确的开

发道路测试需求。2019 年，广州将会推进开放道路路试牌照的发放工作。


100

7.1.11 中德合作智能网联汽车车联网四川试验基地

1、基本情况

中德智能网联汽车四川试验基地来源于 2014 年中德两国总理发表的《中德

合作行动纲要》，签署了包括“中德合作智能网联汽车、车联网标准及测试验证

试点示范”项目合作备忘录。2017 年 11 月 27 日，成都经开区正式获得工信部

批准，承建四川试验基地，这也是全国唯一的国家级中德智能网联汽车试验基地。

该试验基地包含了智能网联汽车、车联网标准及测试验证等内容，预计整体

投资 300 亿元，包含了四个部分，其中 1.2 平方公里的封闭测试区，5 平方公里

的半开放体验区，50 平方公里的综合示范区，最后到 2025 年建成 200 平方公

里的智慧交通生态圈，打造一个充满活力的，科技服务、科技金融为一体的汽车

产业新城。

2018 年 12 月，成都智能网联汽车科技发展有限公司作为业主发布包含上述

四部分工作的招标公告，招标完成后及时开工。预计工期 2600 天。开放路试方

面，四川省尚未放开智能网联汽车道路路试。

7.2 各国自动驾驶示范区与测试方法

7.2.1 美国自动驾驶测试场建设

2015年 7月，全球首个自动驾驶封闭测试区M-City正式开园并引发广泛关注，

也推动了世界各国竞相开展自动驾驶测试场的建设。2016年 11 月，美国交通部公

布“自动驾驶试验场试点计划”，并于 2017年 1 月 19日确立了 10 家自动驾驶试

点试验场。以下对这些具有代表性的自动驾驶测试场地进行介绍。

密歇根大学 M-City

M-City 于 2015年 7 月 20 日正式开放，是世界上首个测试自动驾驶汽车、V2V/V2I

车联网技术的封闭测试场，由密歇根大学移动交通研究中心负责建设运营。测试

场位于密歇根州安娜堡市密歇根大学校园内，占地 194亩，车道线总长约 8 公里，

设置有多种道路和路侧设施模拟实际道路环境，主要包括用于模拟高速公路环境

的高速实验区域和用于模拟市区与近郊的低速实验区域。其中，模拟市区的低速

试验区完全模仿普通城镇建造，包含两车道、三车道和四车道公路，以及交叉路

口、交通信号灯和指示牌等，提供了真实的路面、标志标线、斜坡、自行车道、

树木、消防栓、周边建筑物等真实道路场景元素。


101

图 7-13 M-City 功能示意图

M-City 自 2013年开始设计，2014年正式建设，启动资金总计 1000万美元，

由密歇根大学和密歇根州交通部共同出资。2015年 7 月正式开园运营，并引进了

大量合作企业，包括 17家“领导圈”会员和其他 49家联盟成员，涉及汽车制造

商、大数据管理、通信、货运和重型车辆、交通控制系统、保险、公共交通、支

付系统、智能停车场等诸多行业。M-City 是一个封闭的场地，出于安全和保密问

题，访问仅限于参与试验的研究者，并按照不同级别的会员进行测试收费。

图 7-14 美国交通部十大自动驾驶试点试验场


102

美国交通部指定的 10个自动驾驶试点试验场分布于 9个州，分别位于美国的

东北部、东部、东南部、北部、中西部、南部、西部、西南部，实现了美国交通

部希望的地区发展平衡。这些分布在美国各地的试验场具有差异化的气候条件和

地貌特征，使自动驾驶汽车可以在更加丰富的条件下开展测试。

表 7-1 美国交通部指定自动驾驶试点试验场及所在州

表 7-2 美国自动驾驶试点试验场测试场景构成


103

7.2.2 英国网联与自动驾驶汽车测试设施集群

英国政府计划投资 1亿英镑用于建设网联与自动驾驶汽车测试设施，2017年

3月 30日，英国宣布启动第一阶段投资竞标。该计划的目标是沿伯明翰和伦敦之

间的 M40走廊建设网联与自动驾驶汽车先进技术集群，同时将基于英国现有的部

分网联与自动驾驶汽车测试中心，在英国汽车产业核心区域（包括西米德兰兹郡

的考文垂、伯明翰、米尔顿凯恩斯，以及牛津和伦敦）集中建设测试设施集群。

通过打造完整的全国性集群，英国政府和汽车行业能够迅速推动英国网联与

自动驾驶技术发展、增加该领域智力资本、吸引海外投资,并构建起国家级生态系

统，满足从计算机编程到上路测试的所有技术发展需求。

第一阶段的竞标包括在复杂城市环境中建设公共测试设施、模拟城市驾驶场

景的可控测试环境、真实可控的高速测试环境等多种网联和自动驾驶汽车测试环

境项目。

7.2.3 Horiba Mira 和考文垂大学网联与自动驾驶汽车研究中心

英国 Horiba Mira 汽车工程与开发咨询公司和考文垂大学联合成立网联与自

动驾驶汽车技术研究中心，研究和测试新的研究成果。研究中心位于 Mira 科技

园的核心区域。

图 7-15 Mira 科技园


104

研究中心的核心目标是构建模拟、测试与评估网联和自动驾驶汽车安全性环

境，开展研究工作，以推动网联和自动驾驶领域的新产品、新服务开发，为该领

域发展输送人才。研究中心内部设施将网联与自动驾驶汽车的真实和虚拟研究环

境相结合，能够基于一系列模拟器实现「真实-虚拟」环境交互。

7.2.4 日本启动自动驾驶技术研究

日本政府及汽车制造商在自动驾驶技术方面一直持谨慎态度。随着东京奥运

会申办成功，日本政府在《日本再兴战略 2016》中提出，为了在 2020年东京奥运

会之前实现无人自动驾驶交通服务，2017年底前需制定必要的自动驾驶实验制度、

准备好相关实验环境。

2016年 2 月 12 日，日本经济产业省制造产业局汽车课正式公布「无人驾驶

评价据点整备项目」并征集承接单位，最终该项目落户筑波市茨城县的日本机动

车研究所（JARI），并于 2016 年开始建设。

图 7-16 日本机动车研究所 J-town 试验场地场景功能

整备项目对日本国内外企业、科研院校实行资金补助，资助其进行相应的无

人驾驶安全测试模拟设施建造，实现以下主要目的：积极参与国际相关自动驾驶

规则与标准制定；加速具有节能效果的自动驾驶技术研发；降低交通运输过程中

二氧化碳排放量。

整备项目要求中标单位建设 3 块测试区域以进行不同项目的测试，分别是恶

劣环境测试区域、城市道路测试区域和多功能测试区域。

目前，JARI 共有 9 条车辆测试道路，全部位于 302 万平方米的城市测试中


105

心内。企业、研究机构均可付费使用所需的道路进行测试。

7.2.5 德国和法国联合开展自动驾驶汽车公共道路测试

2017 年 2 月 8 日，德国交通部在柏林宣布，德国和法国计划在两国之间的

一段跨境公路上测试自动驾驶汽车。这一路段长约 70 公里，从德国西部萨尔兰

州的梅尔齐希（Merzig）延伸至法国东部的梅斯（Metz）。两地之间相距约 1 小

时车程，将用于在真实的跨境交通中测试自动驾驶与网联汽车技术。

图 7-17 德国法国跨境公路测试区

这条公路将开展的测试包括：车辆与基础设施之间的 5G 无线通信、自动驾

驶技术以及应急警报和呼救系统等。

7.2.6 瑞典 AstaZero主动安全测试区已投入运营

AstaZero 是位于瑞典哥德堡附近的大型测试区域。Asta 是 Active Safety Test

Area（主动安全技术测试区）的首字母缩写，Zero 代表了瑞典政府交通事故零死

亡的目标。

AstaZero 主要研究如何通过主动安全技术来避免事故，其采用政府和社会合

作模式，由政府、行业学会及企业共同出资 7000 万美金建设，由瑞典 SP 技术

研究院和查尔姆斯理工大学共同所有，而沃尔沃公司是 AstaZero 的主要投资和使

用方。在占地面积 3000 亩的区域内几乎能够基于任何实际交通场景进行测试，

测试重点为自动驾驶技术和刹车技术，并对驾驶人注意力分散情况进行研究。


106

图 7-18AstaZero 功能区域规划图

根据规划，AstaZero 将分两个阶段进行建设：第一阶段已于 2014 年 8 月完

成并开放使用。目前正在进行第二阶段建设准备工作，通过收集汽车行业的需求

信息，以确保可以提供汽车主动安全相关领域最全面的测试和研究环境；第二阶

段将增加隧道、造雾机、雨水发生器、喷水、干燥设备等测试环境和设施。

AstaZero 包含四种测试环境，可针对不同场景系统化地进行测试：

乡村路段：乡村路段环绕整个测试区域，总长 5.6 公里；车道两侧生长的落

叶树木会对视野形成遮挡，用于模拟意外因素等路况；路段限速分别为 70 公里/

小时和 90 公里/小时；道路中设置了 2 处丁字形路口、1 处十字路口和 2 处公

共汽车站/临时停车处，并可自行选择指示牌文字，满足不同测试需求。

城市区：城市区位于测试区域南部，与乡村路段有两个交汇点。目前包含 4 座

方形建筑物，并将再增加 5 座建筑物；城市区主要用于测试汽车与周围环境的交

互能力，测试（汽车）是否能够避免与公交车、骑行者、行人或其他道路使用者

发生碰撞；城市区包含多个不同区域，如市中心、公交车站、人行道和自行车道，

还布置了逼真的房屋外观；城市区道路系统具备转盘、丁字路口、环形车道和实

验区等多种测试环境，并可制造路灯出现故障等复杂情况。

高速区：位于测试区域中心，包含 1 个圆形区域和 2 个水滴形的加速路段

区域，其中圆形区域直径 240 米，2 条加速路段分别长约 1 千米；高速区主要


107

用于测试汽车高速行驶情况下安全性能问题，如高速车辆的避免碰撞技术等。

多车道路段：多车道路段总长 700 米，共有四条车道；该路段与高速区相连，

包含一条加速路段，长约 300 米，宽 7 米，并为大型车辆设置了环形车道；多

车道路段可用于测试多种不同的交通场景，包括交叉路口、变道行为和多种碰撞

情形等；多车道路段可以改变不同车道的行驶方向，也可以设置不同类型的护栏。

AstaZero 提供了不同业务情景所需的测试场景，用于位置测量，控制设备、

通信设备测试。主要包括如下测试设施：

路侧基础设施：全部路段均部署有电力、通信、控制线缆，每隔 150 米均设

置有数据读取点设施，经地下线缆通过 V2V 和 V2I 技术与远端相连；

差分 GPS：覆盖全区域基站，测试实时定位跟踪系统；

通信基础设施：全区域 WIFI、移动信号覆盖，控制室与车库高速联网；

模拟测试系统：瑞典国家道路和运输研究所为 AstaZero 开发的模拟系统，测

试车辆可以先在虚拟环境中运行模拟测试，再进行实地测试；

控制中心：测试场地的交通控制中心可以精确定位场地内不同测试车辆，可

随时中止测试。

7.2.7 新加坡推动无人驾驶专车服务的测试运营

2014 年 8 月，新加坡陆路交通局和新加坡科技研究局合作发起新加坡自动

驾驶汽车计划，成立新加坡自动驾驶汽车动议委员会，用于监管自动驾驶汽车的

研究和测试，并从 2015 年 1 月开始在纬壹科技城开放了近 5 公里的路段，提

供给符合要求的无人驾驶汽车测试使用。

纬壹科技城是由新加坡政府注资建立的高新科技园区，建于 2001 年，汇聚

了生物医学、信息科技、数字媒体三大产业，既有研发区，也有公共服务、教育、

公寓、商业等其他配套设施，是工作生活融为一体的综合社区，其中纬壹科技城

测试场占地 2.6 平方公里。

新加坡政府非常支持自动驾驶汽车的研究，2015 年 6 月，新加坡陆路交通

局发出邀请公告，在全球范围内诚邀合作伙伴利用自动驾驶汽车在纬壹科技城提

供按需专车服务。


108

7.2.8 韩国紧跟自动驾驶技术发展潮流

2016 年 11 月，韩国政府宣布允许自动驾驶汽车上路测试，韩国国土交通部

在京畿道华城市汽车安全研究院建设自动驾驶汽车试验场地（K-City），自动驾驶

车辆将可以在场地内各种场景和道路环境中重复试验和测试。

图 7-19 K-City 功能区域规划图

K-City 覆盖 36 万平方米，包括公交车道、高速公路和自动停车区。这座耗

资 650 万美元的设施将配备 40 个建筑立面、十字路口、一个交通圈、一座桥梁、

一条隧道、碎石路，以及大量的场景及障碍。还包括约 8 公里长的道路，有交叉

路口、交通标志和信号、人行道、长椅、模拟建筑、街灯以及建筑等交通场景元

素，整个测试场地计划在 2018 年上半年开放使用。


109

第 8章中国自动驾驶仿真技术展望

8.1 中国自动驾驶仿真技术所面临的挑战

不论是国家还是地方政策，目前对自动驾驶汽车的测试验证主要侧重在真实

道路端，而非在质量认证的审查与产品评价体系方面，主要的技术原因之一是缺

少仿真测试一环。自动驾驶系统是多学科的跨界融合技术，结合了传统车辆动力

学，先进的传感器感知技术，高精度地图与定位技术，识别、融合与规划算法，

计算芯片，人工智能，信息技术与通讯技术等，一个完整的测试体系就需要对这

些新技术提出综合的测试方法与标准。过去针对车辆性能的评价已经不能满足新

技术的要求。尽管目前《智能网联汽车自动驾驶功能测试规范（试行）》已经发

布，但是其中的测试场景有限，在测试方法的标准化与仿真虚拟测试应用上还较

为薄弱，用于测试的场景库也在建立与完善中，并未形成一套完整的测试评价体

系。此外，针对自动驾驶同一项功能，其使用的测试场景并没有唯一的定义。因

为根据开发目标的不同，经济性，舒适性还是安全性可以使用完全不同的场景进

行评价。因此，完全基于场景的测试也并不全面而可靠。由此产生了另一种测试

方法，使用连续交通流进行微观级的仿真，包含反映真实驾驶情况的交通体模型，

对车辆整体性能进行综合定义与评估。

目前智能网联汽车所采用的传感器类型与个数都显著增多，采用的软件算法

与车载计算平台完全有别于传统汽车，实车数据也可以利用先进的通讯技术进行

源源不断采集分析。那么如何对海量数据进行分析，如何建立与软件算法功能相

关的测试场景，如何进行多领域的联合仿真，如何对自动驾驶功能进行综合性的

测试与评价，都是当前行业发展所面临的技术挑战。在仿真软件与虚拟测试层面

存在以下几个主要的技术挑战：一、需要建立超大规模虚拟场景。该可视化的虚

拟场景底层需要具有结构化的数据，并与高精度地图关联，以便支持后续的算法

定位与传感器仿真，交通规则判定和交通行为仿真；二、需要建立和管理海量虚

拟案例库。虚拟案例库不但要求尽量接近真实的交通情况，还要包含足够多的高

价值的测试案例。应对此种挑战，一方面通过路侧和车侧的感知数据进行清洗、

处理、还原、分类、解构和参数泛化，形成标准格式动态交通案例；另一方面通

过使用智能交通体与交通规则相融合的交通仿真模型，形成大规模连续随机的交


110

通环境；三、需要使各类型传感器正确感知真实世界的物理特性。这首先需要建

立起各种传感器的准确物理模型，其次需要建立虚拟环境与真实世界中各种物理

表征参数的对应标定；四、需要采用统一的数据格式对静态场景与动态案例进行

通用性描述。由于我国采用网联的技术路线，所以在数据交换格式上和国外主要

依靠车端的技术路线会产生一定的差异；五、需要提高算法迭代与测试的效率。

一般通过采用分布式的硬件集群架构，实现算法的大规模并行加速测试。

系统仿真软件也存在自身固有的弱点，比如仿真模型都需要对边界条件进行

明确的假设，但现实中这些边界条件不一定能明确或者不能真实地获取。那么即

便仿真模型能够准确地描述自然规律，却不能有效计算出正确结果。比如无法测

定某种特定天气下某条道路上的摩擦系数，就无法正确计算车辆的动力学响应。

为解决这一类问题，可以利用大数据分析的方法，增加额外的统计信息来减少结

果的不确定性。

最后，技术挑战也源于软件的自身发展规律。自动驾驶系统仿真软件属于工

业工程级软件，目前市场中尚不具备有效产品或服务能完全满足厂商的全部需求。

一个有效的仿真软件要走向市场，都要经历基础研发、工程应用和商业化三个阶

段。在基础研发阶段，对核心技术团队能力要求高，需要具备多种交叉学科知识，

尤其是应用端的学科知识积累，如计算机软件学科，车辆工程学科，交通管理学

科，电子科学与技术，物理学，通讯技术等。没有足够的工业知识和研发测试经

验，是开发不出有效的工程软件的。在工程应用阶段，只有得到行业客户的实际

使用反馈，软件功能才能获得迭代与提升。工程软件是创新知识不断积累的产物，

和用户需求的绑定对仿真软件的良性发展至关重要。目前国内企业相比于国外企

业，还缺少与本地仿真服务企业共同发展的思维与探索精神。在仿真商业化的过

程中，国外软件因为具有品牌认知的优势，相对容易被国内厂商信赖。但由于国

外软件在国内定制化与本地化服务上的投入制约，一定程度上会削弱依赖国外软

件的国内企业在科技自主发展的速度和灵活性。为打破汽车行业工程软件被国外

垄断的局面，填补国内仿真工具的空白，有必要发展我国的自动驾驶系统计算机

仿真工程能力。自动驾驶仿真平台将为迁移学习，本地交通场景理解，中国驾驶

行为研究，检测认证的虚拟测试方法与评价标准，算法训练场景库等提供技术支

撑。

8.2 中国自动驾驶仿真技术的发展趋势

计算机仿真与虚拟测试技术在自动驾驶研发过程中将发挥越来越重要的作用，


111

并将推动自动驾驶技术早日实现商业化。未来具备信息高度共享化的智能网联汽

车与车联网技术根本上组成了一个信息物理系统，仿真软件也将在信息模型与物

理模型两个维度进行综合仿真，对全系统进行完整的仿真。从模型到软件，从软

件到硬件，从部件到系统，各层次都需要不断深入的构建智能网联汽车的知识模

型，组成完整的知识技术体系。交通系统是人-车-路相互作用的系统，自动驾驶系

统仿真技术的重点发展方向是提供接近真实的复杂动态环境，尤其对机动车，非

机动车，行人等交通参与者的高度动态交互行为，对天气与天光变化的仿真，并

把上述动态交通要素按照不同的复杂程度进行重新组合。

自动驾驶汽车将在一个漫长的周期内逐步替代传统汽车，必然形成传统汽车

与自动驾驶汽车混行的局面，研究人机交互将成为仿真技术研究的一个方向。智

慧交通与车联网技术使得自动驾驶的汽车与数字智能化道路进行有机融合，研究

在交通系统下的车辆行为也是仿真技术的另一发展方向。未来，需要对自动驾驶

车辆进行更多维度的测试与评价。首先可以对车辆驾驶的自治性进行评价。对车

辆本身在一定外界条件下的行驶能力进行测试评价。其次可以对车辆参与交通的

协调性做出测试与评定。根据其他的交通参与者的行为方式选择自身用何种行为

进行交互性回应。这些测试与评价需要仿真技术提供更高维度的虚拟场景与评价

体系。

未来，自动驾驶仿真技术会始终服务于法律法规。通过仿真评估交通事故的

法律责任，帮助对交通行为进行管理和监管，对交通规则进行技术评估。自动驾

驶仿真技术将服务于产品认证，通过仿真方法提供一个科学而全面的产品测试和

审查方法。自动驾驶仿真技术还将协助建立一个全国范围的通用型数据库，其包

含自动驾驶汽车工作的典型工况和边缘案例，数据信息可与其他国家和地区共享，

帮助行业进行跨地区的交叉认可，最终达到自动驾驶系统的技术普适性。


112

参考文献

[1] 中国人工智能系列白皮书 -智能驾驶 2017. 中国人工智能学会, 2017.10

[2] Waymo Safety Report – George Ivanov, Manager, Public Policy Development

[3] Inside Waymo’s Secret World for Training Self-Driving Cars

[4] End to End Learning for Self-Driving Cars. NVIDIA Corporation

[5] 《道路交通事故深入数据采集系统的建立》 2008. 作者：胡孟夏等

[6] 《车辆动力学:建模与仿真》 2017. 化学工业出版社. 作者：迪特尔·施拉姆

（Dieter Schramm）等

[7] 《五种基于 MapReduce 的并行计算框架介绍及性能测试》2015. IBM. 作者：

周明耀

[8] 《道路车辆功能安全》ISO 26262

[9] 仿真系统 VV&A 研究. 2006.10. 空军工程大学学报作者：吴晓燕等

[10] A Systematic Review of Perception System and Simulators for AutonomousVehicles Research. 2019. 作者：Francisca Rosique等

[11] How useful is photo-realistic rendering for visual learning? 2016. 作者：YairMovshovitz-Attias, Takeo Kanade, Yaser Sheikh

[12] Accelerated Evaluation of Automated Vehicles. 2016. 作者：Ding Zhao

[13] 《质量与标准化》2018 年 5 月 25 日出版月刊

[14] Outcome Oriented Evaluation of Autonomous Driving Functions. Dec 2018. 作

者：Davide Gagliardi, Pavlo Tkachenko, Luigi del Re

[15] A Comprehensive Evaluation Approach for Highly Automated Driving. 作者：

Christian Roesener, Jan Sauerbier等

[16] Scenarios for Development, Test and Validation of Automated Vehicles. 2018. 作

者：Till Menzel, Gerrit Bagschik and Markus Maurer

[17] 中国智能网联汽车测试示范区发展调查研究

[18] 国外自动驾驶测试示范区现状：欧洲与亚洲，

参考文献

113

http://auto.163.com/18/0117/07/D8B9JKSK000884MM.htm

自动驾驶仿真蓝皮书taylorliu.com/topics/data/2019-中国自动驾驶仿真技术蓝皮书.pdf ·...

Documents