芯耀
240
01、引言
隨著自動駕駛技術(shù)的飛速發(fā)展，仿真測試已成為替代成本高昂且充滿風(fēng)險的道路測試的關(guān)鍵環(huán)節(jié)。它能夠在虛擬環(huán)境中模擬各種復(fù)雜的交通場景和極端天氣，極大地加速了自動駕駛系統(tǒng)的開發(fā)與驗證進程。然而，一個常被忽視的問題正悄然侵蝕著仿真測試的可信度——非確定性，即仿真測試過程中因核心引擎或其他因素導(dǎo)致的隨機性。
目前，許多市面上的仿真軟件，尤其是基于游戲引擎開發(fā)的平臺，其核心設(shè)計目標之一是高效地為玩家提供充滿驚喜和變化的娛樂體驗。這種內(nèi)在的隨機性，在游戲世界里是優(yōu)點，但在嚴謹?shù)钠嚋y試領(lǐng)域，卻是一個致命的缺陷。
想象一下在仿真測試過程中，工程師精心設(shè)置了所有參數(shù)——車輛速度、行人軌跡、天氣狀況、傳感器配置——期望能穩(wěn)定復(fù)現(xiàn)一個特定的危險場景。然而，每次點擊“開始”，結(jié)果卻不盡相同：第一次，車輛完美避讓；第二次，發(fā)生了輕微碰撞；第三次，又安然無恙。這或許并非是算法時好時壞，而是仿真環(huán)境本身在“搖擺不定”。
02、隨機性的前因與后果
Greg等人研究指出，基于游戲引擎的仿真環(huán)境，其隨機性并非偶然，而是源于其底層架構(gòu)的諸多方面：
（1）資源負載與調(diào)度：系統(tǒng)CPU/GPU的負載波動，會直接影響物理引擎的計算時機和順序，導(dǎo)致即使輸入完全相同，輸出的軌跡也會產(chǎn)生高達數(shù)十厘米的偏差。
（2）物理引擎的“模糊”處理：為了實時渲染流暢的畫面，游戲引擎在處理物體碰撞等復(fù)雜物理交互時，往往采用近似計算。這種不精確性在一次碰撞后會被急劇放大，甚至影響到場景中其他未參與碰撞的物體，造成全局性的結(jié)果污染。
（3）多線程與并行計算：為了效率，引擎會將任務(wù)分配給多個線程并行處理，但線程完成的順序并非每次都固定，這種執(zhí)行順序的微小變化，會像蝴蝶效應(yīng)一樣，最終導(dǎo)致仿真結(jié)果的巨大差異。
這種隨機性帶來的問題是災(zāi)難性的：
（1）問題無法追溯：當(dāng)測試中出現(xiàn)問題，工程師無法穩(wěn)定復(fù)現(xiàn)它，也就無從定位和修復(fù)缺陷，極大地增加了調(diào)試成本和時間。
（2）結(jié)果失去可信度：如果仿真結(jié)果不穩(wěn)定，如何相信它所提供的安全驗證報告？這會給自動駕駛系統(tǒng)的安全性帶來“偽證”，造成虛假的安全感。
（3）測試覆蓋率失效：隨機性使得精確控制測試用例、確保覆蓋所有關(guān)鍵場景變得不可能。
歸根結(jié)底，對于自動駕駛這種安全至上的系統(tǒng)，測試必須是科學(xué)、嚴謹且可重復(fù)的。因此，一個具備高度確定性、一致性的仿真平臺，是所有有效測試的絕對前提。
03、確定性的驗證——以aiSim為例
為了驗證一個仿真平臺的確定性，最直接的方式便是確保各項參數(shù)不變的情況下進行重復(fù)仿真，對輸出的仿真數(shù)據(jù)進行最直接的比較，判斷是否存在差異。
例如，世界上首個獲得ISO 26262 ASIL-D認證的AD/ADAS仿真測試軟件aiSim，它構(gòu)建了獨特的仿真內(nèi)核，摒棄了游戲引擎中那些為“體驗”而犧牲“精確”的設(shè)計。為了驗證aiSim的確定性，我們進行了一系列重復(fù)性實驗。
1、傳感器選型與配置
通過在GUI中拖放仿真?zhèn)鞲衅?/strong>，我們在仿真車輛中添加了1個帶有目標檢測功能的1920×1080的前置針孔Camera、1個帶有目標檢測功能的前置Radar、1個帶有目標檢測功能的128線頂置LiDAR、1個內(nèi)置IMU、1個內(nèi)置GPS以及1個可以反饋自車狀態(tài)的Vehicle sensor。
2、場景與方法
aiSim本身包含了數(shù)十種城市、郊區(qū)的室內(nèi)、室外場景。本文以真實世界常見的“行泊一體”為例，在一個包含14輛他車的室外停車場環(huán)境（Parking_US-CA_SanJoseAlamitos）中，對主車執(zhí)行了“跟車 -> 切入變道 -> 尋找車位 -> 泊車”的全套連貫動作。
我們在完全固定的軟硬件環(huán)境下，針對三種典型天氣進行了5輪完全獨立的重復(fù)測試，每一輪測試都記錄了長達1000幀的數(shù)據(jù)，以確保完整與統(tǒng)一。我們將每一輪測試的數(shù)據(jù)與首次測試的基準數(shù)據(jù)進行精確比對：
晴天 (Sunny)：在Sunny.json配置下，模擬了日光充足的理想泊車環(huán)境。
雨天 (Rainy)：切換至Rainy.json配置，引入了雨水對傳感器性能的干擾。
復(fù)雜雪天 (Snowy & Broken Road)：在Snowy.json的預(yù)設(shè)配置基礎(chǔ)之上，加入了道路老化、標線磨損、路面破損、坑洼等極端退化元素，將測試環(huán)境推向了極限。
測試過程中，我們記錄了全部傳感器和車輛狀態(tài)數(shù)據(jù)，包括：
視覺數(shù)據(jù) (Camera)：RGBA原始圖像、語義分割圖、目標檢測圖及JSON格式的2D/3D標注框。
雷達數(shù)據(jù) (Radar & LiDAR)：毫米波雷達和激光雷達的點云（LAS v1.4）、目標列表及3D標注框。
車輛自身狀態(tài) (GPS, IMU, Vehicle)：高精度的定位、姿態(tài)、加速度及車輛動力學(xué)信息。
我們采用均方根誤差（RMSE）來量化圖像、點云等原始數(shù)據(jù)的細微差異，并對JSON格式的結(jié)構(gòu)化數(shù)據(jù)采用根據(jù)樣本數(shù)值差異個數(shù)進行判定的統(tǒng)計確定性檢驗。
3、驗證結(jié)果
Camera Sensor的RGBA原始圖像、分割圖像、目標檢測圖像均以tga格式輸出，2D Bounding Box、3D Bounding Box均已json格式輸出。通過比較同一環(huán)境、場景下相同幀之間的誤差或差異項，驗證Camera的確定性。
對于tga格式文件，計算所有1000幀圖像所有通道的像素均方根誤差（MSE，Mean Squared Error）。在3類天氣5次測試過程中，RGBA原始圖像、分割圖像、目標檢測圖像的所有通道的像素均方根誤差均為0；
對于json格式文件，比較2D與3D Bounding Box的所有Group的key與value，記錄差異項個數(shù)（Number of Differences）。在3類天氣5次測試過程中，Bounding Box信息（包括位置、姿態(tài)、個數(shù)、類型、id、相對速度、持續(xù)時間、像素遮擋率等）不存在差異項。
Radar Sensor輸出json格式的檢測目標相關(guān)信息，包括距離、旋轉(zhuǎn)、相對速度、id、類型等，因此與相機的Bounding Box一樣，記錄差異項個數(shù)（Number of Differences），結(jié)果也是一樣，不存在差異項。
LiDAR Sensor生成的輸出包括兩種格式的數(shù)據(jù)：LAS格式的3D激光點云和JSON格式的目標檢測數(shù)據(jù)。激光點云數(shù)據(jù)包含每個點的坐標、強度、返回次數(shù)、唯一標識符（ID）等，我們比較內(nèi)部的所有屬性，記錄差異項個數(shù)（Number of Differences）；
對于以JSON格式輸出的目標檢測數(shù)據(jù)，與Camera類似，我們將比較所有Group的鍵（key）與值（value），并記錄差異項個數(shù)（Number of Differences）。最終結(jié)果與前面相同，在3類天氣5次測試之間均不存在差異項。
需要指出的是，由于las文件和檢測到的目標內(nèi)部包含的GPS時間屬性在aiSim中取自系統(tǒng)時間（UTC時間），該項不納入差異比較范圍。
GPS Sensor、IMU Sensor以及用于觀測仿真自車狀態(tài)的Vehicle Sensor輸出的均為JSON格式的信息，同樣比較所有Group的鍵（key）與值（value），并記錄差異項個數(shù)（Number of Differences）。對于3類天氣5次測試的GPS、IMU、Vehicle數(shù)據(jù)信息，3類天氣5次測試之間均不存在差異項。
04、總結(jié)
在本文設(shè)計的傳感器配置與場景中，aiSim的各項傳感器數(shù)據(jù)在固定的參數(shù)配置下，仿真過程與仿真結(jié)果不存在任何差異（除UTC時間）。除了本文提到的傳感器與場景，在其他不同環(huán)境、傳感器配置下的驗證中，aiSim也均表現(xiàn)出了卓越的確定性。
在aiSim的仿真世界里，沒有偶然和隨機，只有精確和必然。每一次的測試結(jié)果都真實反映了被測算法的真實能力，每一次的問題暴露都能被穩(wěn)定復(fù)現(xiàn)和修正。
參考文獻
1.?On Determinism of Game Engines Used for?Simulation-Based Autonomous Vehicle Verification
