自動駕駛競賽進入下半場，推進商業化應用成為各企業發力的重點。根據美國蘭德公司的研究，自動駕駛算法想要達到人類駕駛員水平至少需要累計177億公里的駕駛數據來完善算法。

如果配置一支100輛自動駕駛測試車的車隊，每天24小時不停歇路測，平均時速25英里（40公里）每小時來計算，需要500多年的時間才能完成目標里程，期間所耗費的時間和成本無疑難以承受。

利用仿真技術進行測試，被認為是降低成本、提升效率關鍵。目前，仿真測試在自動駕駛領域的發展如何？10月12日，中國電動汽車百人會、騰訊自動駕駛、中汽數據有限公司聯合發布了《2020中國自動駕駛仿真藍皮書》，詳細介紹了技術應用現狀及挑戰。

趨勢：未來或有99.9%測試利用仿真平臺

基于場景庫的仿真測試是解決自動駕駛路測數據匱乏的重要路線。仿真測試主要通過構建虛擬場景庫，實現自動駕駛感知、決策規劃、控制等算法的閉環仿真測試，滿足自動駕駛測試的要求。

場景庫是自動駕駛仿真測試的基礎，場景庫對現實世界的覆蓋率越高，仿真測試結果越真實。自動駕駛汽車研發的不同階段對于場景庫的要求也不同，需要場景庫實現不同的測試功能。

在自動駕駛的開發流程中，純模型仿真—軟件在環仿真—半實物仿真—封閉場地道路測試—開放道路測試的開發流程是最經濟、高效的開發流程。

目前，自動駕駛仿真已經被行業廣泛接受。例如美國自動駕駛領軍企業Waymo旗下的仿真平臺Carcraft每天在虛擬道路上行駛約2000萬英里，相當于在真實世界中行駛10年。截止2020年5月，Waymo已經模擬行駛了150億英里，相比之下，去年6月的數據是100億英里。

除Waymo外，通用旗下的Cruise、AutoX、小馬智行等國內外自動駕駛解決方案商也在進行大量的仿真測試，以完善自己的自動駕駛系統，仿真測試已經成為自動駕駛商用最重要的測試。

目前的數據來看，自動駕駛算法測試大約90%通過仿真平臺完成，9%在測試場完成，1%通過實際路測完成。隨著仿真技術水平的提高和應用的普及，行業希望通過仿真平臺完成99.9%的測試量，封閉場地測試完成0.09%，最后0.01%到實路上去完成。這樣，自動駕駛汽車研發將達到更高效、經濟的狀態。

現狀：各賽道參與者積極布局

目前自動駕駛仿真市場參與主體主要包括：科技公司、車企、自動駕駛解決方案商、仿真軟件企業、高校及科研機構、智能網聯測試示范區。由于每個市場主體在自動駕駛仿真方面的技術基礎不同，因此在推動自動駕駛仿真方面的研發及合作方式呈現不同模式。

科技公司在仿真方面起步相對較晚，在汽車功能探索方面經驗較少，但是具備大數據優勢，軟件開發能力強。

自動駕駛汽車相比傳統汽車，對軟件的需求更大，科技公司進行仿真軟件的探索，目的是進入市場龐大的汽車行業，建立更大的數據平臺，形成新的業務增長點。目前自動駕駛仿真科技公司主要包括騰訊、百度、華為、阿里等。

微軟、英偉達及LG等國外科技公司主要針對自動駕駛仿真軟件進行研發，通過和產業鏈企業合作建立了自動駕駛研發生態體系，成為自動駕駛仿真的重要參與者。

對于整車企業來講，路測和仿真測試同步進行是最佳選擇，而自動駕駛汽車在真正實現落地之前，需經過眾多功能與安全測試，路測就是其中一環。由于路測效率較低，目前很多車企都傾向于選擇自動駕駛仿真測試與路測相結合的方式來完成落地前的測試工作。

自動駕駛解決方案商主要針對自身需求研發定制化仿真軟件，較少對外提供仿真服務，但借助于充足的資金、人才集聚力及自身研發驅動力，在自動駕駛仿真方面具有很強的創新能力。各領先自動駕駛解決方案商都有自身仿真測試軟件，如Waymo、Cruise、小馬智行、AutoX等。

仿真軟件企業可分為傳統仿真軟件企業、初創企業兩大類。傳統仿真軟件企業由于技術積累比較深厚，進入自動駕駛仿真具有先天優勢，而且合作伙伴較多，二次開發具有優勢。初創企業由于起步晚，技術積累較弱，國內企業和國外的差距較大，但依靠雄厚的資金和人才集聚力，創業公司在自動駕駛仿真軟件研發方面有望迅速崛起。

高校及科研機構主要應用自動駕駛仿真軟件進行前瞻性、基礎性研究，但很難形成成熟的商業化產品。國內從事自動駕駛仿真研究的高校及科研機構主要包括：清華大學、同濟大學、北京航空航天大學、吉林大學、天津大學、長安大學、南京航空航天大學、武漢理工大學等。

智能網聯測試示范區建設已形成一定規模。目前全國有10余家國家級和數家省級智能網聯測試示范區，主要通過對5G、V2X車路協同、模擬仿真、車聯網等新技術的部署和應用，為自動駕駛、網聯通信供應商等提供系統測試服務，推動汽車、信息通信、道路設施等內容的綜合標準體系的建立。為推動智能網聯汽車的仿真測試工作，已有企業和智能網聯示范區開展了路測與虛擬仿真相結合的測試。

挑戰：測試評價體系缺乏規范

目前自動駕駛仿真測試已初步形成完整的產業鏈體系，形成了科技公司、自動駕駛解決方案商、仿真軟件企業為主的上游仿真軟件提供商，以車企、自動駕駛測試機構為主的仿真軟件下游應用商。從產業鏈角度分析，目前自動駕駛仿真測試還存在諸多問題。

一方面，仿真場景庫建設與合作機制有待完善。

場景庫建設效率低、費用高。目前場景庫建設還需要依靠大量人工進行采集、標注，然后進行場景分析挖掘、測試驗證，整個流程效率低、成本高，目前全球每年人工標注成本在10億美元量級。

場景庫規模不夠大，多樣性、覆蓋性、可擴展性不強。現有場景庫不足以覆蓋常見交通場景，在有限的資源投入情況下，還不能有效覆蓋真實世界的多樣性。由于場景中不同要素的改變均可以擴展為不同的場景，目前場景擴展性還不足以滿足仿真測試的要求。

場景有效性有待提高。現有場景是按實時數據采集，無法滿足自動駕駛場景動態變化的要求。在場景中，人、車、路、行駛環境等動態和靜態要素耦合，一個要素的變化將引起其他要素的改變，而且不同交通參與者均有自己的行為邏輯。例如改變車輛行為和軌跡，周邊車輛和行人的行為也將隨之改變。

場景數據的采集格式和存儲問題。現有的測試場景采集，是基于不同的車輛和傳感器配置，無法適用于各類車型及技術路線的研發與測試，高精度地圖的格式也是行業關注的重點。場景庫的數據格式如系統架構、數據接口、數據庫管理系統等統一也是需要重點關注的問題。

測試場景中的測試真值及評估體系。測試場景數據采集需考慮采集要求、采集方法、數據預處理、數據傳輸存儲、采集數量、采集精度、時間同步性、采集范圍、采集完整性等各方面的因素，任何一個因素的欠缺都將導致場景的真實性及有效性。而且針對不同場景下自動駕駛測試車輛的測評指標體系尚不完善。

場景庫建立缺乏合作，資源重復性投入大。目前單一企業很難完成覆蓋所有場景的場景庫建設。當下各企業場景庫建設都是各自為戰，導致資源重復性投入，企業之間缺乏場景庫建設合作。尤其是自然駕駛場景、標準法規場景等共性場景可以通過合作共建，實現使用共享，目前這方面的合作還很少。

另一方面，自動駕駛仿真測試評價體系缺乏規范。

在自動駕駛仿真測試方面，由于不同仿真軟件系統架構及場景庫構建方法的不同，導致很難建立統一規范的仿真測試評價體系。目前國內仿真評價體系的研究方向主要是從駕駛安全性、舒適性、交通協調性、標準匹配性等方面評價自動駕駛車輛仿真測試結果，對于仿真軟件自身的評價缺乏統一的評價標準，如仿真軟件場景真實度、場景覆蓋度、仿真效率等。

自動駕駛汽車作為智能化產品，未來需要應用深度學習算法使汽車具備自我學習能力，如道路障礙物的復述重現能力、場景的泛化遷移能力，因此自我學習進化性也是自動駕駛汽車的評價指標，目前自動駕駛汽車的學習進化性還缺乏相應的評價規范。

總結：

自動駕駛技術演化有兩條路線，分別是由L2級到L3級和L4級到L5級，前者是車企的普通走的路線，后者往往是科技公司的選擇，兩者的主要代表分別是特斯拉和Waymo。今年以來，多家企業表示，已具備L3級自動駕駛車輛量產能力；科技企業也紛紛展開Robotaxi的商業化運營測試。可以看出，各股競爭勢力都在試圖搶先落地應用自動駕駛技術。誰能在競賽中拔得頭籌？成本和效率無疑是最關鍵因素，仿真測試的成熟應用或將成為關鍵。