第2章仿真测试基础

仿真测试基础：仿真测试在SOTIF中的作用、仿真环境搭建、传感器模型仿真与场景建模

各位工程师朋友，今天我们来聊聊仿真测试。说实话，我在做SOTIF之前，一直觉得仿真就是个“锦上添花”的东西。直到有一次，我在真实道路上测试一个自动紧急制动系统，差点撞上了一个突然冲出来的三轮车——嗯，从那以后，我再也不敢轻视仿真了。

仿真测试在SOTIF里，说白了就是帮我们在虚拟世界里“预演”各种危险场景。你想想看，真实路测一年可能都碰不到几个极端场景，但仿真里一天就能跑上千个。我个人的习惯是，把仿真当作“安全网”——先让算法在虚拟环境里摔跟头，再放到实车上验证。

仿真测试在SOTIF中的作用

SOTIF的核心是处理“已知不安全场景”和“未知不安全场景”。仿真测试在这两个领域都有大用：

覆盖已知危险场景：比如行人鬼探头、大车遮挡、隧道出口强光。这些场景在真实道路中很难复现，但仿真里可以精确控制。
探索未知危险场景：通过参数随机化、场景变异，仿真能生成你根本想不到的“奇葩”情况。我在项目中就遇到过，一个简单的十字路口，因为阳光角度和路面反光组合，导致摄像头把白色卡车误识别成天空——这种组合在仿真里跑了5000次才出现一次。
回归测试：每次算法更新后，跑一遍仿真场景库，确保没引入新问题。这就像写代码时的单元测试，只不过测试对象是自动驾驶系统。

核心观点：仿真测试不是替代真实路测，而是把真实路测的风险和成本降到最低。我见过太多团队，仿真没跑透就急着上路，结果出了问题还得回头补仿真——绕了一大圈。

仿真环境搭建：CARLA与SUMO

搭建仿真环境，我个人最常用的组合是CARLA+SUMO。CARLA负责高保真视觉渲染，SUMO负责交通流逻辑。为什么要分开？因为CARLA的交通流模型太“傻”了，跑出来的车流跟幼儿园排队似的，一点都不真实。

CARLA安装与配置

CARLA的安装其实不复杂，但有几个坑要注意：

# 推荐使用0.9.13以上版本，对传感器支持更好
pip install carla

# 下载CARLA模拟器本体（约8GB）
wget https://carla-releases.s3.eu-west-3.amazonaws.com/Linux/CARLA_0.9.13.tar.gz
tar -xzf CARLA_0.9.13.tar.gz

# 启动服务端
./CarlaUE4.sh -quality-level=Low  # 低画质模式，开发调试用

注意：我曾经在Ubuntu 20.04上折腾了两天，才发现是NVIDIA驱动版本不匹配。建议先跑一下./CarlaUE4.sh -vulkan测试兼容性。

SUMO交通流集成

SUMO的安装更轻量，但配置交通流需要点耐心：

# 安装SUMO
sudo apt install sumo sumo-tools sumo-doc

# 生成随机交通流
python /usr/share/sumo/tools/randomTrips.py -n road.net.xml -r routes.rou.xml -e 3600 -p 0.5

CARLA和SUMO的通信通过carla-sumo-bridge实现。我建议用Python的traci库直接控制SUMO，这样更灵活：

import traci
import carla

# 启动SUMO
traci.start(["sumo", "-c", "my_scenario.sumocfg"])

# 连接CARLA
client = carla.Client('localhost', 2000)
world = client.get_world()

# 每步同步
while True:
    traci.simulationStep()
    world.tick()

小技巧：同步模式（synchronous mode）下，CARLA和SUMO的时钟必须对齐。我习惯把fixed_delta_seconds设为0.05秒，这样每步20帧，视觉和逻辑都流畅。

传感器模型仿真

传感器仿真这块，水很深。我刚开始做的时候，以为给摄像头加个高斯噪声就完事了——结果实车一测，完全对不上。后来才明白，传感器仿真要分三个层次：

传感器类型	仿真层次	关键参数	我的踩坑经验
摄像头	光学+ISP+噪声	焦距、光圈、CMOS尺寸、信噪比	曾经忽略了镜头畸变，导致车道线检测偏差3个像素
毫米波雷达	电磁波+多径+杂波	发射功率、波束宽度、多普勒分辨率	隧道内多径反射导致虚警，仿真里没建模这个场景
激光雷达	几何+反射率+点云稀疏化	线束数、视场角、扫描频率	雨雾天气下点云衰减，仿真里用简单高斯模型不够

摄像头仿真

CARLA的摄像头仿真已经做得不错了，但默认参数偏理想化。我建议手动调整：

# 创建摄像头
camera_bp = blueprint_library.find('sensor.camera.rgb')
camera_bp.set_attribute('image_size_x', '1920')
camera_bp.set_attribute('image_size_y', '1080')
camera_bp.set_attribute('fov', '90')
camera_bp.set_attribute('lens_circle_falloff', '0.3')  # 镜头边缘衰减
camera_bp.set_attribute('lens_circle_multiplier', '0.8')
camera_bp.set_attribute('lens_k', '-0.15')  # 径向畸变系数

为什么要调这些？因为真实摄像头的边缘画质会下降，畸变会导致远处物体位置偏移。如果你不做这些处理，算法在仿真里表现很好，一上路就露馅。

激光雷达仿真

激光雷达仿真，我推荐用CARLA自带的sensor.lidar.ray_cast。但要注意，默认的点云密度太高了，真实激光雷达没这么密：

lidar_bp = blueprint_library.find('sensor.lidar.ray_cast')
lidar_bp.set_attribute('channels', '64')
lidar_bp.set_attribute('range', '100')
lidar_bp.set_attribute('points_per_second', '1000000')  # 降低到真实水平
lidar_bp.set_attribute('rotation_frequency', '10')
lidar_bp.set_attribute('upper_fov', '15')
lidar_bp.set_attribute('lower_fov', '-25')

关键点：激光雷达的反射率建模很重要。不同材质（沥青、金属、玻璃）的反射率差异，直接影响点云分割效果。我曾在仿真里用统一反射率，结果算法把黑色车辆和路面混为一谈——实车上也是这个问题。

场景建模基础

场景建模，说白了就是“编故事”。你要给自动驾驶系统设计各种“剧情”，看它怎么应对。我习惯把场景分为三类：

逻辑场景：用参数描述场景要素，比如“行人速度3-5km/h，与自车距离10-20m”。
具体场景：参数取具体值，比如“行人速度4km/h，距离15m”。
测试用例：加上预期结果，比如“自车应在碰撞前2秒触发制动”。

举个例子，一个典型的“鬼探头”场景：

# 使用OpenSCENARIO格式描述
<Scenario>
  <Actors>
    <Vehicle name="ego" model="vehicle.tesla.model3"/>
    <Pedestrian name="ped" model="walker.pedestrian.0001"/>
  </Actors>
  <Story>
    <Maneuver>
      <Event name="ped_cross">
        <Action>
          <PrivateAction>
            <LongitudinalAction>
              <SpeedAction>
                <Speed>1.5</Speed>  <!-- 1.5m/s 约5.4km/h -->
              </SpeedAction>
            </LongitudinalAction>
          </PrivateAction>
        </Action>
        <StartCondition>
          <Condition>
            <ByEntityCondition>
              <TriggeringEntities>
                <EntityRef entityRef="ego"/>
              </TriggeringEntities>
              <EntityCondition>
                <DistanceCondition>
                  <Distance>20</Distance>  <!-- 距离自车20米时触发 -->
                </DistanceCondition>
              </EntityCondition>
            </ByEntityCondition>
          </Condition>
        </StartCondition>
      </Event>
    </Maneuver>
  </Story>
</Scenario>

我的习惯：场景参数不要用固定值，用范围+步长。比如行人速度从1m/s到3m/s，步长0.5m/s。这样一次能跑出5个场景，效率高很多。

场景建模还有个容易忽略的点——环境条件。光照、天气、路面状态，这些都会影响传感器性能。我建议至少覆盖以下组合：

晴天+干燥路面（基准场景）
阴天+潮湿路面（低对比度）
黄昏+逆光（摄像头过曝）
夜间+无路灯（激光雷达优势场景）
雨雾天气（所有传感器性能下降）

嗯，说到这我想起来，有一次我在仿真里跑夜间场景，发现激光雷达点云稀疏得可怜——后来一查，是忘了设置lidar_attenuation_mode。这种小细节，往往就是仿真和实车差距的来源。

好了，以上就是仿真测试基础的核心内容。记住，仿真不是万能的，但没有仿真万万不能。我见过太多团队，仿真跑得漂漂亮亮，一上路就原形毕露——问题往往出在传感器模型不够细、场景覆盖不够全。所以，别偷懒，把基础打扎实了。

📚 课程目录

仿真测试基础：仿真测试在SOTIF中的作用、仿真环境搭建、传感器模型仿真与场景建模

仿真测试在SOTIF中的作用

仿真环境搭建：CARLA与SUMO

CARLA安装与配置

SUMO交通流集成

传感器模型仿真

摄像头仿真

激光雷达仿真

场景建模基础