数字孪生技术在自动驾驶测试领域的应用研究概述

图1 航天数字孪生模型示意

数字孪生技术在工业4.0体系中扮演着重要的角色，主要应用包括“产品数字化孪生”、“生产工艺流程数字化孪生”和“设备数字化孪生”。在数字孪生技术驱动下 ,将传统的预测性维护方法由被动响应转型为主动服务的转变过程,为中国制造业由“生产型制造”向“服务型制造”转变提供支撑。[3]

数字孪生技术的虚实结合特性在智能 联领域的应用日趋广泛，主要包括智能 联汽车开发制造、智能工厂平台等工业应用和数字孪生自动驾驶测试应用。其中，在开发制造领域，数字孪生技术应用形式主要是产品设计建模、智慧生产线设计运行等方面。

2.自动驾驶测试评价方法分析

自动驾驶汽车行业发展迅速，但其开发阶段的产品验证方法仍然与现有传统汽车保持很大程度的一致。其测试方法主要有：软/硬件在环测试、封闭场地测试、开放道路测试。三种方法各有优劣，任意一个部分并不能很好的保证测试效果。未来对自动驾驶汽车的检验检测将会是软硬件在环+封闭场地测试+实车路试验有机结合的模式。

现有测试方法的优劣对比分析如下表1。

表1 测试评价方法优劣分析

随着自动驾驶汽车技术不断发展、交通场景日益复杂，如上现有测试方法在自动驾驶测试实践中显现出不足，具体表现在如下几点：

1)测试场景碎片化不符合实际使用情况。汽车自动驾驶是一个连续行为，贴合实际使用的验证必须需要广阔的空间开展连续场景验证，若在真实物理空间中实现，花费的成本与时间不可接受；

2)复杂交通场景搭建的难度大、成本高、安全风险大，如隧道、多车冲突、预期功能安全场景等；

3)软硬件在环测试依赖车辆动力学模型，模型难以复现真实车辆动力学，其精度对测试有较大影响；

4)真实封闭场地建设成本高，且建成后不能适应自动驾驶技术快速变化的测试需求；

5)开放道路中的交通参与物、交通流等不易复现，不便开展大量的重复测试；

数字孪生技术在自动驾驶汽车测试领域具备其特殊的应用价值，可解决现有测试方法的不足，现就数字孪生技术如何在自动驾驶测试评价领域应用提出一种可行方案。

3.数字孪生自动驾

驶测试评价方法研究

基于数字孪生技术的自动驾驶测试评价方法，核心在于数字孪生技术，其关键特点是“虚实结合”，将真实车辆动力学和虚拟复杂交通场景紧密联系，并在测试过程中实时交互，即时生成评价结果。

此种方法相比上述现有测试方法，其优势在于：

1）场景设置连续且可定制，贴合实际使用的连续行驶场景；

2）可实现复杂场景的快速搭建和自动驾驶测试，节约场地建设成本；

3）不需要动力学模型，基于实际路面和车辆动态进行评价，测试结果更贴合实际；

4）所有测试基于数字试验场，可快速适应自动驾驶技术升级带来的新的测试需求；

5）测试效率高、场景可复现、可拓展性好，可平台上云实现海量仿真测试；

现从方案框架体系、硬件方案、关键难点、应用预期四个方面对此方案进行介绍。

3.1 方案体系框架

概念方案从数字孪生技术“虚实结合”的关键特点出发，主要包含数字孪生体、测试开展、评价等三个维度，构成数字孪生自动驾驶测试评价体系的主线，如下图2。

数字孪生落地应用的首要任务是创建应用对象的数字孪生模型[4],即形成数字孪生体。其构建及实时信息交互是本方案的关键，需要将现实世界中的试验场地、试验对象、测试场景等数字化，形成孪生的数字试验场、数字试验对象、数字测试场景，使两者成为互通的数字孪生体。

测试的工作机理：数字被测对象与真实被测对象孪生对应并受真实被测对象驱动→数字测试场景下发给真实被测对象→真实被测对象的决策执行动作回传给数字被测对象→数字被测对象在数字测试场内完成动作→在数字测试场中采集数据并完成测试评价。

图3 数字孪生测试评价体系构成图

以一台自动驾驶汽车为被测对象，陈述系统工作过程：仿真平台运行虚拟试验场、车辆传感器模型、测试场景，形成一个或多个自动驾驶测试场景（如十字路口通行场景），通过注入设备将场景信息下发至自动驾驶汽车的控制器，自动驾驶汽车根据自身算法对十字路口信息进行处理，发出决策信 （如减速通过），车辆执行决策（如制动减速，缓慢通过路口）；

该车辆的动作数据通过车端安装的动态测量设备实时采集并上传至仿真平台用于驱动虚拟的自动驾驶汽车模型，在仿真平台的场景中标注车辆动态数据；评价分析模块对车辆动态数据进行处理，基于评价维度和数据库进行车辆行为评价；车端、路端视频监控设备信息以及仿真平台画面传输至展示平台。通过多样的接口与用户交互，呈现测试过程和结果。

结合主、客观评价数据库，对自动驾驶车辆的功能表现进行多维度分析。评价指标基于国际、国内通用的标准、规范为基础，融合积累的大量实际测试数据，从安全性、智能度、舒适性、可靠性四个关键维度进行综合设定。

结合当前技术成熟度，对数字孪生自动驾驶测试评价体系方案的开展分三阶段进行，如下表2所示。在5G 络覆盖度低、 络时延不稳定的情况下，开展车端下发方案建设，通过车载数字孪生测试设备与车辆控制器直连注入，保证单车测试能力；在5G 络成熟并稳定的情况下，开展 络下发方案建设，可减少车端设备数量、降低单车设备成本、提高测试规模和效率；前两个阶段研究成熟后，开展扩展应用，如数字孪生仿真平台上云、传感器动力学模型校准等应用。

表2 技术方案开展阶段规划

基于上述概念方案，设计可实现的硬件布局方案，如下图4、图5所示。硬件配置方案分车端下发和 络下发两种，对应表2所示的前两个阶段。

3.2 方案硬件布局

车载下发方案主机及相关设备均安装在被测车辆上，通过注入设备及硬线与被测车辆控制器相连接，实现信息的交互。

络下发方案的主机在试验室内或者云端，通过 络形式（5G/V2X）下发至车载设备，接收转换之后，完成注入和信息交互。

 图5 络下发方案

3.3 方案关键难点

在本方案中，信息交互技术是决定数字孪生能否真正实现虚实结合的关键难点，主要体现在下述几个方面：

3.3.1 场景注入多车型通用性的问题

自动驾驶汽车控制器接口协议、算法语言等百家争鸣，对一种场景格式的识别程度可能存在不同，场景注入在多种车型上的通用性是必须考虑的问题。本方案尝试采取两种方式进行解决：一是对外开放，即参考主流通信协议将场景注入格式标准化，并将关键的注入参数明确化，让被测对象主动进行适配接收。二是开发多个注入模板，即针对各大协议、厂商等，研究制定多个适用的场景注入格式模板，尽可能提升场景注入的快速适用性。

3.3.2 信息传输时延导致交互不实时的问题

自动驾驶车速越高，信息传输时延带来的影响越大，例如当被测车辆以60 km/h的车速通过A点时，触发虚拟测试场景下发动作，信息传输时延100 ms，虚拟测试场景到达被测车辆时车辆已经超过A点约1.7 m，这使得数字场景与真实场景在同一时刻存在较大的位置差异，这对自动驾驶安全性功能测试来讲误差不可接受。在数字孪生技术方案实施时，需要从两方面同时着手来解决此问题：一是尽可能降低传输时延，如采用硬线直连、采用5G通信等；二是在仿真平台采用同步技术弥补时延带来的误差。

3.3.3 测试效率提升的问题

随着自动驾驶行业蓬勃发展，自动驾驶汽车开发测试需求必将是大批量的、需要的测试场景更是海量的。若采用每台车辆匹配一套数字孪生测试系统的方式，为达到海量场景测试，需要使用多套系统并进行长时间累积测试。所以在选择数字孪生仿真平台时必须考虑未来拓展应用，具备布署云端的能力，实现一套系统支持多车同时测试、云端海量场景仿真等应用。

3.4 应用预期

虚拟仿真测试技术被列为测试方法三支柱之一，从敏捷开发、高适应性、批量测试方面具备独到的优势。数字孪生技术的突破性应用，可以解决现有仿真测试真实性欠缺的问题、降低对测试场地和交通参与者的依赖、提高对自动驾驶需求场景的响应速度，为自动驾驶汽车提供一种全新的高效、安全、可不断升级的测试方法。随着经验的积累和数据量的增加，数字孪生模型对物理实体的仿真预测准确度会越来越高[5]。例如对毫米波传感器模型精确度的提升，可以将某一真实目标物的毫米波雷达特性模型化，通过数字孪生测试的方式测试真实车辆控制器对此模型输入后的响应，再比对真实车辆面对此真实目标的测试数据，对毫米波雷达模型进行精确度的优化。

数字孪生技术还可以帮助实现自动驾驶逻辑策略的实时优化，此优化特指使自动驾驶行为更贴近人的驾驶行为。系统配备AR头显，引入驾驶员在环概念，可实时向驾驶员显示当前车辆正在经历的数字孪生测试场景，可实时对比自动驾驶控制行为与驾驶员意向控制行为的差异，输出分析数据，进而帮助优化自动驾驶逻辑策略。

预期数字孪生自动驾驶测试评价方案在自动驾驶汽车研发测试、认证检测、产品准入、竞品对标、综合评价、动力学模型校验、传感器模型校验等方面具备广阔的应用前景。

总 结

参考文献：

[1]田锋等．数字孪生体技术白皮书．安世亚太.2019年12月：1-1

[2]樊留群.智能制造中的数字孪生技术.设计与研究.2019年.第7期：62

[3]苏新瑞等.数字孪生技术关键应用及方法研究.中国仪器仪表.2019年第7期:47

[4]陶飞等.数字孪生五维模型及十大领域应用.计算机集成制造系统.2019年1月.第1期:1

[5]Henry Canaday.数字孪生技术的关键在于数据.航空维修与工程.2019(000)010

未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联 （城市）大脑研究计划，构建互联 （城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和 告。

文章知识点与官方知识档案匹配，可进一步学习相关知识OpenCV技能树首页概览11385 人正在系统学习中