L3及以上级别自动驾驶车辆的开发，在车辆系统复杂程度、使用环境复杂程度方面均急剧增加。算法测试、传感器测试、安全性测试已不能通过汽车领域的车辆动力学等仿真方法来解决。仿真平台成为自动驾驶企业的刚性需求。

Waymo、百度、腾讯将仿真系统研发作为头等大事；AutoX、Roadstar.ai、Pony.ai等诸多自动驾驶初创公司也在自主研发仿真环境；业内开始出现CARLA、AirSim等开源式自动驾驶仿真平台。

自动驾驶汽车在仿真场景中训练

自动驾驶仿真平台是集：静态场景还原、动态案例仿真、传感器仿真、车辆动力学仿真、并行加速剂算等功能于一体，可方便地接入自动驾驶感知和决策系统，还可根据企业的开发流程而定制开发的平台。

静态环境构建层面：即通过采集实际环境信息及已有的高精度地图构建静态场景，通过采集激光点云数据，建立高精度地图，构建环境模型，并通过自动化工具链完成厘米级道路还原。静态场景数据编辑和自动生成技术，可基于实体场景完成真实道路自动化还原。也可以对道路周围树木及信号灯等标识根据不同拓扑结构进行自动的排布组合，生成更多的衍生虚拟场景。

动态场景编辑层面：自动驾驶仿真平台核心在于数据，这里的数据非采集数据，而是对多元类型数据的整合与加工。多数据来源智能体行为模型工具，可实现差异化动态场景的快速搭建。

行业现阶段的情况是，一个实际交通案例数据转换到仿真平台，且非高质量数据，可能需要花费数天，缩减周期是目前整个行业正在努力的方向。

对自动驾驶的测试场景进行编辑

车辆建模方面：目前有部分初创企业传出声音：传感器仿真模拟在自动驾驶开发中没有太大的必要，使用处理好的目标结果同样可以进行算法训练。而在张帆博士看来，传感器仿真是非常重要的一环。未来从国家产品认可及召回角度考虑，检测机构必须对产品进行逐级分拆，识别判定是硬件问题、软件问题、融合算法问题还是决策算法问题，保证产品安全。自动驾驶仿真平台需做到每个层级的仿真，而非简单的动态场景还原。

在自动驾驶仿真产业链上，仿真平台有三大类型客户：

车厂占比最大：其对于仿真方案的要求最为严格，涉及部件，系统与整车各级别的算法训练及在环测试；

检测机构，包括国家级实验室，测试场，示范区等：检测机构多从安全层面出发，希冀制定出全面、系统、公平的检测标准；

科技算法公司：其诉求仍然是不断迭代算法，并提供软硬件结合的系统解决方案。

想要让一辆自动驾驶汽车变得越来越聪明，需要源源不断的数据喂养。这离不开成千上万的边缘案例，且还要保证数据的真实性及多样性。

从数据采集到数据处理，再到算法回归测试，需要构建一个完整的动态数据闭环。数据来源的多样性、转换效率及边缘案例是自动驾驶仿真行业的关注重点。