正文

无人驾驶仿真软件（无人驾驶仿真软件哪个好）

发布时间：2023-05-28 20:37:27 稿源：创意岭阅读： 95

大家好！今天让创意岭的小编来大家介绍下关于无人驾驶仿真软件的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，有小程序、在线网页版、PC客户端和批量生成器

问友Ai官网：https://ai.de1919.com。

本文目录:

轻舟智航公司怎么样？
硅谷“封城”前夜，轻舟智航无人车挑战Drive-through
盘点知名自动驾驶仿真平台，Waymo、腾讯榜上有名

无人驾驶仿真软件（无人驾驶仿真软件哪个好）

轻舟智航公司怎么样？

回答

轻舟智航是一个无人驾驶通用方案品牌，成立于2019年，隶属于北京轻舟智航科技有限公司。[3]轻舟智航基于Driven-by-QCraft 方案，将无人驾驶带进现实轻舟智航在中国多个城市部署落地了龙舟系列无人驾驶车，覆盖多类车型，应用于城市公交、网约出行等场景，助推城市交通走向智能化、网联化、共享化。此外，轻舟智航亦可为主机厂、科研院所等客户提供自动驾驶技术研发的工具链，助其打造属于自己的自动化数据闭环。

这是一个新兴行业，未来的发展空间很大

无人驾驶仿真软件（无人驾驶仿真软件哪个好）

硅谷“封城”前夜，轻舟智航无人车挑战Drive-through

轻舟智航所追求的，是建立自动化规模生产的工厂，相比原本的“造梯子”，他们更希望“造火箭”，为此，就要建立大量的工具链以及仿真测试环境。

文丨AutoR智驾明阳

相比传统自动驾驶公司的“造梯子”路径，轻舟智航是在“造火箭”，3月21日无人驾驶公司轻舟智航CEO于骞在其举办的线上分享会上说道。

作为一家成立不到一年的无人驾驶初创公司，这次线上分享会轻舟智航首次公开分享了其基于大规模智能仿真系统及可自主学习决策规划框架的技术路径，并介绍了大规模智能仿真系统的具体应用。

其目标是打造适应城市复杂交通环境的“老司机”，其业务模式是为合作伙伴提供可量产的无人驾驶解决方案。

对此，轻舟智航决定从两个方面来解决自动驾驶实际落地问题：

一方面，基于大规模仿真技术应用来解决规划决策问题是当前无人驾驶技术领域的关键课题，以Waymo为代表的无人驾驶公司正在通过大规模的仿真测试改进规划决策技术。

另一方面，通过建立大量的工具链以及仿真测试环境，可以实现技术迭代的自动化，以更快的速度、更高效的方式应对自动驾驶的边界化难题，应对自动驾驶行业存在的长尾效应。

相比原本的“造梯子”，轻舟智航更希望“造火箭”

我们知道，自动驾驶关键因素包括感知、决策和规划，其中，感知是一个比较确定性的问题，如何测试和评价是非常明确的，整体的方法论也是比较清楚，所以业内开始把注意力集中在规划决策技术上，把规划决策视为目前最具挑战性的问题。

规划决策的挑战性可以从两点来看：第一，不确定性难以衡量，现有判断规划决策做得好坏的指标是舒适度和安全性，但这两项指标都是比较偏主观。

一方面，不同人开车有不同的行为喜好，有人激进一些，有人保守一些，舒适程度本身是很主观的一个判断。

另一方面，在安全性上，简单的安全性指标是不碰撞，但即使是不碰撞，要是你的车总是离旁边车就差1厘米，你也会觉得不安全。

第二，从方法论的角度来说，行业里占主流位置的规划决策方法论，整体上看与20年前相比并没有大的突破，模仿学习或强化学习的方法，在大规模实际应用时也仍然存在众多问题。

于骞认为，“仿真技术的出现，其出现很大程度上是为了帮助规划决策进行更好的测试——毕竟不能每修改一次算法就部署到车上进行测试。随着仿真技术的采用，行业又进入一个快速的发展轨道。”

与大部分自动驾驶从无到有的技术构建过程——先做好建图和定位，再做好感知，最后再开始做规划决策和仿真不同，对于轻舟智航而言，从一开始便把仿真测试平台作为关键核心能力，与其他模块一同建设起来，使开发达到了十分高效的状态。

除此之外，自动驾驶技术存在突出的长尾效应，技术上已经解决了90%的问题，但剩下的10%却可能要花费同样多甚至更多的精力，这10%包括很多边界化难题。

于骞对无人驾驶为何迟迟未落地进行分析，他说，“边界化难题的发现和解决除了需要收集大量的数据，更重要的是建立自动化生产的工厂，将源源不断收集来的有效数据，通过自动化的工具，加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。”

上图便是一个典型的边界化难题，在你遇上野鸭子之前，你甚至不知道会有野鸭子的问题，所以边界化难题是需要去发现，并且解决的。

那么边界化难题怎样去发现并解决呢？

除了收集大量的数据，更重要的是建立自动化生产的工厂，将源源不断收集来的有效数据，通过自动化的工具，加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。

以上面野鸭子的场景为例，如果需要专门针对这些场景去开发特殊的模型，那会有无穷无尽的场景需要处理。

但借助自动化的办法，只要数据标注好了，下次系统更新时便可以更好处理这种情况，省下大量工程师的时间。

以感知举例是比较容易理解的，但其实规划技术也一样，要想让车做出准确的规划，最原始的方法是工程师写规则——大量的工程师写出大量的规则，但这种方式维护性很差还不能满足需求。

再进一步便是设计奖励函数——设计奖励函数比写规则要简单的多；再往后则是利用数据自动学习奖励函数。

这个过程便是往自动化方向发展的过程。

于骞说，“轻舟智航所追求的，是建立自动化规模生产的工厂，相比原本的“造梯子”，我们更希望“造火箭”，为此，就要建立大量的工具链以及仿真测试环境。”

对此，轻舟智航将有效数据、智能仿真系统以及决策规划框架这三点视为推动技术向前转动的齿轮。

借助大规模智能仿真系统和可自主学习决策规划框架，轻舟智航可做到最大化地利用有效数据，大幅降低测试成本，提升开发效率，保证解决方案的可拓展性。

于骞表示，“过去的一年，轻舟智航不希望通过见招拆招的方式进入到某个具体的小应用场景，变成一家靠堆人来解决问题、无法规模化的工程公司，而是专注于修炼内功，在做到主线够深入、横向可扩展之后，再以轻、快的方式实现真正的无人驾驶。”

拒绝“华而不实”，轻舟智航仿真系统架构首次揭秘

当前，市面上有许多仿真软件，最流行的是基于游戏引擎开发的仿真软件，这种仿真软件从界面的角度来说是比较好看的，像一个模拟城市，场景很真实。

与这种主流的仿真软件不同，轻舟智航的仿真软件界面很简单的，抛弃了复杂的渲染工作，仅保留了感知结果，包括3D Box和雷达点的叠加。

轻舟智航为什么不利用游戏引擎，造一个好看的模拟城市呢？

轻舟智航的联合创始人汪堃总结了基于游戏引擎开发的仿真系统的三大特点：

第一，在使用游戏引擎的情况下，其本身的图像渲染工作对感知的提升是很有限的，因为其中的渲染效果和真实物体是有一定差别的。

第二，在自动驾驶领域，这种Re-build软件（基于第三方软件开发）是缺乏测试确定性的。仿真软件在自动驾驶领域的重要应用，就是复现某一次的路测效果。但由于这种第三方软件的开发与自动驾驶软件的开发是相互独立的，很难保证其中各个模块的确定性，导致整个仿真软件存在不确定性，最终影响可用性。

第三，基于游戏引擎开发的仿真器会消耗大量额外计算资源做图像渲染，不利于大规模应用，这也影响到本身的实用性。

基于以上考虑，轻舟智航制定了独特的仿真系统。

轻舟智航仿真系统的系统架构可以分为5层：最底层的是轻舟智航自研的Car OS，借助底层的通讯系统来保证模块之间的高效通讯。

Car OS与仿真器是高度整合的系统，核心仿真器及评估器，是基于底层的Car OS接口开发的，能保证仿真系统的确定性。

再往上一层是仿真周边工具链和基础架构，可保证整个数据闭环的有效性，将全部数据高效利用起来；第四层是大规模场景库构建。

最顶层则是分布式系统仿真平台，支持快速、大规模的仿真应用，在短时间内得出正确评估。

轻舟智航的仿真评估器也可以分为5类：第一类是安全性评估器（Safety Evaluator），包含是否碰撞、是否压到路边、是否撞到行人等评估。

第二类是真值评估器（Ground Truth Evaluator），可通过人工标注或自动标注的方式对仿真结果进行检测对比，及时反馈给工程师。

第三类是法规评估（Law Evaluator），指的是根据交通规则进行评估，例如是否闯红灯、是否逆行等；

第四类是舒适度评估（Comfort Evaluator），指是否有急刹等带来不舒适感的等行为。

第五类是状况评估（Stats Evaluator），相对比较底层一些，指根据模块生成的中间结果，进行纵向比较得到评估的结果。

汪堃表示，“我们认为仿真是达到规模化无人驾驶技术的唯一路径。首先，借助仿真及相关工具链，能形成高效的数据测试闭环，支持算法的测试和高效迭代，取代堆人或堆车的方式；其次，只有经过大规模智能仿真验证过的软件，才能够保证安全性和可用性。以一个比喻作为结尾，如果无人驾驶是个赛跑，那么仿真便是助推器，助推完全无人驾驶的实现。”

一镜到底，轻舟智航硅谷“封城”前夜展示无人车真实力

加州“在家隔离”强制执行令发布后的3个小时，对轻舟智航来说是难忘的3个小时。

硅谷时间3月16日下午4点23分，轻舟智航收到加州相关政府发布的正式强制性命令，所有居民必须在家隔离，除非采购食物，就医或者其他紧急情况才允许离开住所，强制性命令于当天午夜12点生效。

这一天，轻舟智航要进行试乘直播活动。

于骞表示，“收到这个通知时，离生效只剩下8个小时，我们没有放弃，而是在第一时间联系了硅谷风险投资BoomingStar Ventures管理合伙人Alex Ren作为第三方见证者，在当天晚上7点多紧急录制了路测视频。”

由于时间紧张，轻舟智航只有一次机会，所以接下来的测试视频是一次性录制完成。

本次轻舟智航试乘路线首先将开到一个商业区周边的麦当劳，经过一个汽车穿梭窗口（Drive-through，不必下车即可得到服务的餐馆），随后穿过一个大超市和其停车场，回到公司。

Drive-through 是美国很常见的一种点餐方式，是典型的城市复杂交通环境之一，从技术上角度来看，Drive-through场景也是很有挑战性的。

首先，其车道比单车道更窄，对定位和控制的要求都比较高，如果横向定位和控制不精确，就会轧到路沿或蹭到建筑物，如果纵向不准，就会对不准点餐窗口。

其次，在出口处便是停车场，是非结构化道路，要应对人车混杂的情况，还要通过无保护右转进入道路主路。

最后，更有挑战性的是这里是正常营业的地方，不像开放道路般可以重复进行路测，据悉，轻舟智航通过大量的仿真测试，做到了第一次上路就非常安全可靠。

通过视频来看，Star Ventures管理合伙人Alex Ren乘坐轻舟智航无人车经过一个汽车穿梭餐厅，完成订餐、支付、取餐的全过程，随后，还在一间大型超市周围遇上了由于抢购物资引起的复杂道路场景，但无人车实现了很好的应对。

接下来我们再从仿真角度来看，在真实影像中，我们可看到前方是没有车辆的。

但借助仿真，我们在场景中产生了两辆绿色的虚拟车辆，测试车辆能否对虚拟车辆进行准确的避让。

同样，也产生了黄色框的行人来进行测试，视频中的白色边框则是当时的实际行驶轨迹。

汪堃称，“由于麦当劳这种场景是不允许多次实际测试的，这个视频只是众多例子中的一个，实际上生成了非常多个这种类似的场景，在仿真测试中评估器，都得到不错的结果后，才让车辆到实际场景中测试。”

此外，以上视频也展示了仿真场景库的自动生成的相关工作，视频中红色和绿色的两个点，分别代表两辆车的运动轨迹，这些轨迹的生成和变化，是在真实的交通数据集上，利用深度学习的方法进行训练，再使用训练好的深度神经网络合成大规模的互动车辆的轨迹。

大家可以看到互动车辆的运动轨迹在不断变化，这个变化是由于轻舟智航借助生成模型在互动车辆的运动行为空间进行随机抽样而产生的。

该生成模型支持在不同地图上合成不同的场景库，具有真实有效，多样丰富，以及规模扩展等诸多特性。

视频中的两个点或者两辆车，是具有交互性的，它们之间可以进行正确的互动，这种互动行为不是人工手动创制，而是从真实车与车之间的互动数据中通过深度学习的方法学习而来的。

关于轻舟智航：

作为一家年轻的初创公司，轻舟智航的的核心团队成员来自Waymo、特斯拉、Uber ATG、福特、英伟达、Facebook等世界顶级自动驾驶公司和科技公司。

目前在美国硅谷、中国北京、深圳、苏州等多个城市都设有办公室。其联合创始人、CEO于骞是顶尖核心感知算法和地图专家，曾任Waymo感知关键模块的机器学习算法研发负责人，在计算机视觉和机器学习领域拥有十多年经验。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

盘点知名自动驾驶仿真平台，Waymo、腾讯榜上有名

无人驾驶离我们还有多远？

在发出这个问题前，首先要知道，自动驾驶汽车想要真正上路，必须经历多重安全考验，而路测则是必不可少的重要环节。

据美国兰德智库的估算，一套自动驾驶的系统至少需要经过110英里（约170-180亿公里）的验证才能达到量产条件。这就意味着，即便是一支拥有100辆测试车的自动驾驶车队，以25英里(40公里)每小时的平均时速全天24小时一刻不停歇地测试，也需要花费大约500年的时间。

同时，一台成熟的自动驾驶汽车还需要在暴雪、暴雨、强太阳光照射等极端条件下灵敏地识别道路上的物体，正确、迅速地做出反应。但在自然环境中，这些极端条件不会经常发生，且很多极端情况都非常危险，在测试中必须要估计到。所以，仅仅依靠实地开展自动驾驶道路测试，效率低，成本巨大，且不够全面。在这样的情况下，能够提供完美的虚拟现实路测环境的仿真平台，就成为了自动驾驶汽车进行道路测试的高性价比选择。今天我们就来一起看看，那些国内外知名的自动驾驶仿真系统是如何进行虚拟道路测试的。

英伟达：Drive Constellation——基于两种不同服务器的计算平台

在可编程图形处理技术上处于世界领袖地位的英伟达，于去年3月正式宣布上市云自动驾驶仿真平台Drive Constellation。

Drive Constellation使用照片级真实感模拟，基于云的自动驾驶汽车测试系统，是一款基于两种不同服务器的计算平台。第一台服务器运行 NVIDIA DRIVE Sim 软件，用以模拟如摄像头、激光雷达和雷达等自动驾驶汽车的传感器。DRIVE Sim软件可生成照片级逼真的数据流，以创建大量不同的测试环境，例如，它能够模拟诸如暴雨和暴风雪等不同天气状况，一天中不同时间内的光线变化，以及所有不同类型的路面和地形。第二台服务器则搭载了 NVIDIA DRIVE Pegasus AI 汽车计算平台，可运行完整的自动驾驶汽车软件堆栈，并能够处理如同来自路面行驶汽车上的传感器的模拟数据。

英伟达Drive Constellation

腾讯：TAD Sim——如同大型RPG游戏的仿真平台

众所周知，目前很多自动驾驶主流的仿真系统都是根据游戏引擎开发的，而擅长游戏开发和经营的腾讯，也将专业的游戏引擎、工业级车辆动力学模型、虚实一体交通流等技术运用在了自动驾驶模拟仿真平台TAD Sim（Tencent Autonomous Driving Simulator）上，这也是腾讯做自动驾驶仿真平台得天独厚的优势。

在TAD Sim这个无限趋近真实世界的场景里，不仅可以满足自动驾驶汽车不断迭代的测试需求，还可以提高自动驾驶技术研发效率。TAD Sim内置的高精度地图，可以完成感知、决策、控制算法等实车上全部模块的闭环仿真验证，完成不同天气、光照条件等环境的几何模拟，以及测试车辆的感知能力、决策能力、和车辆控制仿真。结合采集的交通流数据以及极端交通场景的模拟，TAD Sim能够持各种激进驾驶、极端情况的自动驾驶测试，以更高效率、更安全的方式完成在现实世界中无法进行的各项测试。

去年，腾讯与宝马在自动驾驶领域达成战略合作，针对中国复杂多变的驾驶场景进行分析处理，助力宝马研发符合中国市场的自动驾驶技术和产品。此外，TAD Sim还可以为政策制定部门、交通管理部门提供交通调度管理、道路及交通规划、自动驾驶法规研究等方面的测试, 全方位助力自动驾驶的量产落地。

腾讯TAD Sim复杂路况仿真

Waymo：Carcraft——将现实变为虚拟的“开拓者”

从最初的“谷歌无人车”到后来的谷歌Waymo，谷歌可以说是自动驾驶研究领域的“老大哥”。前不久，谷歌宣布， Waymo自主研发的仿真测试软件Carcraft已模拟了100亿英里的道路场景，且支持Waymo车型进行大规模测试。

由于自动驾驶汽车需要利用网络神经与算法进行不断学习，所以Carcraft设置的各种各样的道路状况，可以让车辆从中学习到更多。Waymo 测试车在路上遇到的许多情况可以直接在模拟器中进行模糊化，同时程序员也可以将多种情况进行叠加，以创造出各种极端情况。Carcraft进行模拟后得到的数据又可以反馈给现实世界的测试车，这样循环往复，车辆就会变得越来越强大。对此前还在用“场景回放”进行测试的Waymo来说，Carcraft在自动驾驶研究中扮演着前所未有的重要角色，甚至对于世界的自动驾驶技术而言，Carcraft都意义非凡。

2019年年末， Waymo 宣布收购英国仿真技术公司Latent Logic，用于帮助Waymo实现更加贴近现实的仿真技术，更好地进行自动驾驶的预测和规划。

当前，国内的自动驾驶仿真系统还处于起步阶段。即使是国际上仿真模拟技术比较成熟的公司，在中国道路场景的开发与中国驾驶员行为模拟方面仍不够成熟。从另一个角度来看，这其实给中国本土研发自动驾驶仿真模拟技术的公司释放了良好的机会。期待越来越多的像腾讯这样的本土科技企业加入自动驾驶仿真系统的建设中来，搭建具有中国特色的仿真测试环境，助力成熟的无人驾驶技术早日实现。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

以上就是关于无人驾驶仿真软件相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。