发布 | Coral-data开源计划第3期：SimScenario-AEB 仿真测试场景数据集
Coral-Data(珊瑚数据)开源计划着眼当下智能驾驶行业对算法训练及仿真测试应用的迫切数据需求，将陆续发布系列仿真测试场景集和训练数据集。本期发布的SimScenario-AEB 仿真测试场景数据集约50组，包含Car-to-Car和Car-to-VRU两部分，覆盖法规场景和自定义场景。
仿真工程师视角：浅谈AEB算法开发和测试验证
如今，装配自动驾驶系统的车辆在道路上越来越常见。AD/ADAS功能的受众群体逐年增加。AD/ADAS功能的推出无疑为驾驶员带来更加便捷、舒适和安全的驾驶体验。据全球综合数据资料库statista网站(1)中的数据显示，“2019年，全球范围内，约有3100万车辆具有一定程度的自动驾驶功能”，预计“到2025年，L2级自动驾驶车辆全球市场渗透率约为60%。到2030年，L2级自动驾驶车辆有望实现市场全覆盖”。
随着AD/ADAS 功能的升级，其与车辆内部的功能关联耦合的复杂程度随之上升，这对车辆功能研发及V&V(Verification & Validation)流程都是更大的挑战。目前系统化的解决思路是通过持续的测试、评价、验证来确保其功能符合ODD要求，该过程在各环节重复、耗时。如果算法更新迭代通过实车测试的方式进行验证，将面临测试验证周期长、成本高、安全风险高等问题。
那么，在确保安全的前提下，是否存在能够帮助大幅提升功能研发及测试验证效率的其他更优解决方案？
科学有效的仿真测试技术是目前该问题的最优解。在虚拟环境中搭建仿真所需各类场景，即全方位、全覆盖式复构真实世界各类形态、行为及物理属性，为AD/ADAS的开发、测试、验证提供一个安全可控的虚拟环境。
美国仿真测试服务商Applied Intuition进行了一项研究，旨在对仿真中行驶10,000英里与在现实世界中驾驶10,000英里进行测试的成本进行比较（如图1），其研究结果显示，相较于真实的里程测试，仿真测试每英里的成本约为真实里程测试的1/40。
图1：行驶10,000英里时，每英里真实驾驶里程与仿真里程成本对比
- 摄像头传感器模型
- 车辆模型
-
仿真环境与算法数据交互通讯接口
图2: AEB 算法开发和测试闭环
- Target filter：目标物过滤
- TTC calculation：碰撞时间计算
- StopTime calculation：不同制动状态下的刹停时间计算
- AEB logic：基于碰撞时间和停止时间的比较判断
图3: AEB 逻辑示意图
实例一：横向警戒距离的调教
图4为AEB算法有效目标感知范围示意图，只有位于主车路径上的目标物且其与主车横向距离小于设定安全阈值时，才会被AEB算法纳入警戒列表。合理的阈值能够有效减少AEB的误触发。在开发阶段如果缺少仿真的测试验证手段，仅凭在现实世界中的测量校准获取合理阈值的难度将大大增加。实例中通过大量、多组不同场景的仿真测试，迅速了解并调教出合理的横向警戒距离 。
图4 : AEB目标探测逻辑
实例二：状态切换阈值的调教
- AEB_Exit：AEB算法未启用
- AEB_prepared：AEB算法启用但未激活，尚未进入任何制动状态
- AEB_PB1：制动状态1(如果条件TTC<PB1停止时间为真)
- AEB_PB2：制动状态2(如果条件TTC<PB2停止时间为真)
- AEB_PB3：制动状态3(如果条件TTC<PB3停止时间为真)
-
AEB_waiting：车辆进入制动状态并刹停后，AEB进入AEB_waiting状态。该状态需要等待重置指令以返回到AEB_Prepared。
- PB1StopTime：PB1StopTime=egoVelocity/PB1Accel/2+timeMargin
- PB2StopTime：PB2StopTime=egoVelocity/PB2Accel/2+timeMargin
-
PB3StopTime：PB3StopTime=egoVelocity/PB3Accel/ 2+timeMargin
对于每个PBiStopTime，定义了不同的期望减速度。PBiStopTime中的“i”越大，PBiAccel的值就越大。因此，根据不同的AEB制动状态，算法将请求不同的期望减速度。
图 5: AEB状态转移逻辑
- 静态目标在主车前方
- 主车前方的动态目标突然制动
- 主车前方的动态目标横穿
- 不同目标类型(汽车、行人等)
- 不同的主车和目标速度
- …
图6 :AEB算法开发和基于视频注入的闭环测试
考虑真实感知模组的引入，首先需要对摄像头仿真模型进行标定，以确保仿真图像尽可能接近真实摄像头图像。实例中通过构建与真实条件相同的仿真场景，调整模型参数标定传感器模型，从而获得与真实图像相同水准的感知精度。
图7：真实与仿真摄像头下的图像及感知结果对比
借助于摄像头传感器模型、视频注入设备、AEB场景库及泛化能力、Starfish自动化测试工具以及Jellyfish云算力海量仿真平台等Deep Ocean系列自动化工具（如图8），完成感知算法和AEB算法的整体闭环和批量场景的高效测试，帮助进一步验证算法的逻辑和参数的设定、实现性能的优化。
图8：基于Deep Ocean系列自动化工具进行批量场景的高效测试
我们非常高兴能够与大家分享IAE在自动驾驶仿真领域的实践经验，同时借Coral-data（珊瑚数据）开源计划本期的发布，与大家分享AEB相关的仿真测试场景数据集SimScenario-AEB，同时本文提到的AEB算法的编译版本也在其中。
期待与大家共同探讨仿真技术和数据在自动驾驶领域的深度应用。
下载方式：https://gitee.com/iae-icv/coral-data
-
Martin Palek, Statista, “Autonomous vehicles worldwide – statistics & facts”, 18th of December 2023, https://www.statista.com/topics/3573/autonomous-vehicle-technology/#topicOverview - 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