我國智能駕駛行業(yè)數(shù)據(jù)領(lǐng)域正面臨著數(shù)據(jù)體量不足、數(shù)據(jù)孤島現(xiàn)象嚴重等諸多挑戰(zhàn)，開放、統(tǒng)一的數(shù)據(jù)生態(tài)尚未形成。為助力行業(yè)解決這一痛點問題，中汽協(xié)會下屬公司眾鏈科技攜手技術(shù)合作方IAE智行眾維®（以下簡稱IAE）重磅發(fā)布Coral-Data(珊瑚數(shù)據(jù))開源計劃！

該開源計劃著眼當下智能駕駛行業(yè)對算法訓練及仿真測試應(yīng)用的迫切數(shù)據(jù)需求，將陸續(xù)發(fā)布系列仿真測試場景集和訓練數(shù)據(jù)集。本期發(fā)布的SimScenario-AEB 仿真測試場景數(shù)據(jù)集約50組，包含Car-to-Car和Car-to-VRU兩部分，覆蓋法規(guī)場景和自定義場景。

仿真工程師視角：

淺談AEB算法開發(fā)和測試驗證

如今，裝配自動駕駛系統(tǒng)的車輛在道路上越來越常見。AD/ADAS功能的受眾群體逐年增加。AD/ADAS功能的推出無疑為駕駛員帶來更加便捷、舒適和安全的駕駛體驗。據(jù)全球綜合數(shù)據(jù)資料庫statista網(wǎng)站(1)中的數(shù)據(jù)顯示，“2019年，全球范圍內(nèi)，約有3100萬車輛具有一定程度的自動駕駛功能”，預(yù)計“到2025年，L2級自動駕駛車輛全球市場滲透率約為60%。到2030年，L2級自動駕駛車輛有望實現(xiàn)市場全覆蓋”。

隨著AD/ADAS 功能的升級，其與車輛內(nèi)部的功能關(guān)聯(lián)耦合的復雜程度隨之上升，這對車輛功能研發(fā)及V&V(Verification & Validation)流程都是更大的挑戰(zhàn)。目前系統(tǒng)化的解決思路是通過持續(xù)的測試、評價、驗證來確保其功能符合ODD要求，該過程在各環(huán)節(jié)重復、耗時。如果算法更新迭代通過實車測試的方式進行驗證，將面臨測試驗證周期長、成本高、安全風險高等問題。

那么，在確保安全的前提下，是否存在能夠幫助大幅提升功能研發(fā)及測試驗證效率的其他更優(yōu)解決方案？

科學有效的仿真測試技術(shù)是目前該問題的最優(yōu)解。在虛擬環(huán)境中搭建仿真所需各類場景，即全方位、全覆蓋式復構(gòu)真實世界各類形態(tài)、行為及物理屬性，為AD/ADAS的開發(fā)、測試、驗證提供一個安全可控的虛擬環(huán)境。

美國仿真測試服務(wù)商Applied Intuition(2)進行了一項研究，旨在對仿真中行駛10,000英里與在現(xiàn)實世界中駕駛10,000英里進行測試的成本進行比較（如圖1），其研究結(jié)果顯示，相較于真實的里程測試，仿真測試每英里的成本約為真實里程測試的1/40。

圖1：行駛10,000英里時，每英里真實駕駛里程與仿真里程成本對比

IAE從滿足行業(yè)共性需求出發(fā)，通過在產(chǎn)品研發(fā)及測試驗證階段為用戶提供安全、高效的仿真測試場景及服務(wù)助力行業(yè)發(fā)展。

得益于行業(yè)領(lǐng)先的仿真環(huán)境部署及場景搭建能力，IAE快速完成算法閉環(huán)測試的開發(fā)，并結(jié)合“水木靈鏡”場景工場的C-NCAP等AEB場景，為算法的開發(fā)測試和驗證搭建仿真環(huán)境（如圖2）。

圖2: AEB 算法開發(fā)和測試閉環(huán)

借助上述仿真閉環(huán)系統(tǒng)的運行，僅需幾周時間，我們已經(jīng)能夠在算法邏輯和校準方面對AEB功能進行優(yōu)化，以滿足其ODD定義要求。針對仿真測試和仿真場景數(shù)據(jù)在整個開發(fā)驗證過程中起到的作用，這里選取了幾個具體的實例與大家分享。

圖3: AEB 邏輯示意圖

實例一：橫向警戒距離的調(diào)教

圖4為AEB算法有效目標感知范圍示意圖，只有位于主車路徑上的目標物且其與主車橫向距離小于設(shè)定安全閾值時，才會被AEB算法納入警戒列表。合理的閾值能夠有效減少AEB的誤觸發(fā)。在開發(fā)階段如果缺少仿真的測試驗證手段，僅憑在現(xiàn)實世界中的測量校準獲取合理閾值的難度將大大增加。實例中通過大量、多組不同場景的仿真測試，迅速了解并調(diào)教出合理的橫向警戒距離 。

圖4 : AEB目標探測邏輯

實例二：狀態(tài)切換閾值的調(diào)教

對于每個PBiStopTime，定義了不同的期望減速度。PBiStopTime中的“i”越大，PBiAccel的值就越大。因此，根據(jù)不同的AEB制動狀態(tài)，算法將請求不同的期望減速度。

圖 5: AEB狀態(tài)轉(zhuǎn)移邏輯

實例三：結(jié)合傳感器仿真和視頻注入的場景閉環(huán)測試

在第二個開發(fā)階段，使用視頻注入方式將仿真圖像注入到真實的攝像頭模組中，如圖6所示。IAE在閉環(huán)系統(tǒng)中采用大量AEB場景并進行泛化，從而測試、評估和驗證AEB算法的工作性能。

圖6 :AEB算法開發(fā)和基于視頻注入的閉環(huán)測試

考慮真實感知模組的引入，首先需要對攝像頭仿真模型進行標定，以確保仿真圖像盡可能接近真實攝像頭圖像。實例中通過構(gòu)建與真實條件相同的仿真場景，調(diào)整模型參數(shù)標定傳感器模型，從而獲得與真實圖像相同水準的感知精度。

圖7：真實與仿真攝像頭下的圖像及感知結(jié)果對比

借助于攝像頭傳感器模型、視頻注入設(shè)備、AEB場景庫及泛化能力、Starfish自動化測試工具以及Jellyfish云算力海量仿真平臺等Deep Ocean系列自動化工具（如圖8），完成感知算法和AEB算法的整體閉環(huán)和批量場景的高效測試，幫助進一步驗證算法的邏輯和參數(shù)的設(shè)定、實現(xiàn)性能的優(yōu)化。

圖8：基于Deep Ocean系列自動化工具進行批量場景的高效測試

除本項目使用的AEB仿真場景外，“水木靈鏡”場景工場的場景數(shù)據(jù)已覆蓋各類評價標準及法規(guī)要求，如：C-NCAP、Euro-NCAP、ISO、ECE、IIHS等；豐富的仿真場景庫可用于對各種AD/ADAS 功能（如BSD、FCW、ACC等）進行測試驗證；同時，“水木靈鏡”場景工場還深度覆蓋SOTIF、V2X、交通事故復現(xiàn)、自然駕駛、車路云等場景資源，也可根據(jù)客戶具體需求提供定制場景，作為AD/ADAS開發(fā)測試的重要支撐。

針對AEB算法的仿真測試，是IAE X-IN-LOOP®仿真測試技術(shù)體系和“水木靈鏡”場景工場的一個具體應(yīng)用。面向更多、更復雜的L2、L2+、L3以至L4級別自動駕駛算法，如Robo-X城市場景的仿真測評，IAE持續(xù)提供全棧式仿真測試驗證解決方案、數(shù)據(jù)產(chǎn)品服務(wù)和安全技術(shù)服務(wù)，來支持智能網(wǎng)聯(lián)汽車的研發(fā)訓練、測試驗證和商業(yè)落地。

我們非常高興能夠與大家分享IAE在自動駕駛仿真領(lǐng)域的實踐經(jīng)驗，同時借Coral-data（珊瑚數(shù)據(jù)）開源計劃本期的發(fā)布，與大家分享AEB相關(guān)的仿真測試場景數(shù)據(jù)集SimScenario-AEB，同時本文提到的AEB算法的編譯版本也在其中。

期待與大家共同探討仿真技術(shù)和數(shù)據(jù)在自動駕駛領(lǐng)域的深度應(yīng)用。

下載方式：

Coral-data (珊瑚數(shù)據(jù))開源計劃 (第3期)：SimScenario-AEB 仿真測試場景數(shù)據(jù)集

https://gitee.com/iae-icv/coral-data

1. Martin Palek, Statista, “Autonomous vehicles worldwide - statistics & facts”, 18th of December 2023, https://www.statista.com/topics/3573/autonomous-vehicle-technology/#topicOverview
2. Applied Intuition, “Cost-Efficient Simulation in the Cloud: Paving the Way for Scalable Autonomy”, 5th of April 2024, https://www.appliedintuition.com/blog/cost-efficient-simulation-in-the-cloud