仿真测试的定义、重要性、在自动驾驶开发流程中的位置。
主流仿真平台（CARLA、SUMO、LGSVL、AirSim）对比与选型。
场景的定义、组成要素（道路、交通参与者、环境、天气、事件）。
XML结构、核心元素（Storyboard、Maneuver、Action）。
高精地图描述、道路拓扑、车道线、交叉口建模。
道路几何设计、车道配置、交通标志与标线设置。
主车（Ego Vehicle）轨迹规划、目标车辆行为定义。
行人、自行车、摩托车等弱势道路参与者的行为模拟。
光照条件、雨雪雾天气、路面附着系数对感知的影响。
摄像头、激光雷达、毫米波雷达、超声波雷达的仿真原理。
使用变量定义场景参数，实现场景的泛化与复用。
逻辑场景与具体场景的区别，参数空间探索。
等价类划分、边界值分析、组合测试在仿真中的应用。
Python + Pytest 实现仿真测试的自动化执行。
使用Python脚本控制仿真平台启动、场景加载、数据采集。
基于规则的通过/失败判定（碰撞检测、偏离车道、超速）。
仿真过程中的传感器数据记录、日志存储与离线回放。
如何构建回归测试集，确保新代码不破坏已有功能。
场景覆盖率、行为覆盖率、参数覆盖率的度量。
仿真测试如何指导实车测试，虚实结合策略。
SOTIF标准对仿真测试的要求，危险场景识别。
使用遗传算法、强化学习生成边缘/危险场景。
从文本描述自动生成仿真场景。
使用Docker/Kubernetes进行仿真集群管理。
将仿真测试集成到持续集成/持续部署流水线。
自动化生成HTML/PDF测试报告，包含日志与可视化。
测试通过率、场景覆盖度、缺陷发现率等指标。
仿真崩溃、时序不同步、物理引擎异常处理。
Waymo、Cruise、百度Apollo的仿真测试实践。
数字孪生、大模型在仿真中的应用，法规与标准演进。