（视频源于PanoSim）

无人车在真正多系商业化应用前，需要通过大量的道路测试才能达到商用要求。

 

采用路测来优化自动驾驶算法耗费的时间和成本太高，开放的道路测试受各种政策法规限制，极端交通条件和场景复现困难，测试存在极大的安全隐患。并且，世界各国交通环境也大相径庭，形成全球通用的产业链体系比较困难......以上种种问题使得自动驾驶产业链的全球化发展和技术交流面临众多实际问题。

 

因此，基于场景库的仿真测试是解决自动驾驶研发测试挑战的主要路线。

 

虚拟仿真技术是汽车研发、制造、验证测试等环节不可缺少的技术手段，可以极大缩短技术和产品的开发周期，有效降低研发成本。

 

l

01

突破自动驾驶瓶颈

l

 

目前，自动驾驶仿真已经被无人车行业广泛接受。

传统的汽车仿真测试以车辆动力学仿真测试为主，模拟车辆对驾驶员、道路表面信息以及空气动力学输入的响应。

 

而现今谈论的“自动驾驶仿真测试”则将仿真范围扩大到车辆传感器所能探测到的周边一切行驶环境，包括：道路表面、交通标志牌、红绿灯、交通参与者及参与者行为、天气情况和路面光照等各种情况。

 

（图源于PanoSim）

总的来说，自动驾驶仿真测试通过以数字建模的方式构建出与真实世界尽可能一致的车辆行驶场景，让自动驾驶系统在一系列仿真的场景库中实现驾驶感知、决策规划、控制等算法的闭环测试验证。

 

目前基于场景库的仿真测试是解决自动驾驶路测数据匮乏的重要路线。场景库是自动驾驶仿真测试的基础，场景库对现实世界的覆盖率越高，仿真测试结果越可靠。

 

l

02

验证完整数据闭环

l

 

在自动驾驶的开发流程中，纯模型仿真-软件在环仿真-半实物仿真-封闭场地道路测试-开放道路测试的开放流程是最经济、高效的开发流程。自动驾驶汽车研发的不同阶段对于场景库的要求也不同，需要场景库实现不同的测试功能。

 

 

（图源于PanoSim）

 

通过一体化智驾开发服务平台具备标准平台框架、评价分析优化、数字孪生模型、仿真计算求解四大模块。

 

配备仿真门户平台支持线下与云集成、混合云部署、多云平台联动等集成方式，可适配于智能驾驶通用仿真软件如VTD、SANER、Presca、PanoSim等。

 

此外，提供自然驾驶数据、高精地图数据到仿真场景的自动化重建、泛化、收敛分析、覆盖度评价等功能，提供多种泛化模型与分布模型，可集成AI模型训练。

 

且适配于多种数据格式文件，基于用户自定义要求实现自动化场景重构和复现，并提供传感器物理建模集成，拓展SOTIF场景库建设与验证。

 

（图源于PanoSim）

同时提供场景模型、动力学模型、传感器模型、V2X模型的在环数据集成与分析模块，适配L2-L5不同等级的智能驾驶算法开发工具。

 

l

03

赋能自动驾驶底盘套件

l

 

让自动驾驶系统在虚拟仿真的驾驶环境中测试验证，可大大降低测试的时间成本和资金成本，满足自动驾驶系统快速迭代的要求.。

 

测试中，规避了实车路测的各种风险和法规限制，让测试安全、合规地进行。

 

 

既能够灵活配置各种常规场景，又能够利用仿真平台低成本快速生成在现实世界中可遇不可求的极端场景（Corner Case），实现对不同道路环境、天气环境以及交通状态的高覆盖。

 

自动驾驶仿真测试是实现高阶自动驾驶商业落地的关键一环，具备自动驾驶功能的车辆只有通过大量的虚拟仿真测试，再配合实车路测之后才能商用化。