[Paper] VP-AutoTest：虚实融合自动驾驶测试平台

发布: 5天前 (2025年12月8日 GMT+8 20:43)

8 min read

原文: arXiv

Source: arXiv - 2512.07507v1

概览

本文提出了 VP‑AutoTest，一种将虚拟仿真与硬件在环 (HIL) 相结合的全新测试平台，以更真实、更高效地评估自动驾驶 (AD) 系统。通过融合十余种不同的虚拟与实体要素——车辆、行人、路侧基础设施等，作者旨在弥合廉价、低保真度仿真器与昂贵、范围受限的真实道路实验之间的差距。

混合融合架构 – 将丰富的虚拟和实体实体整合到单一测试回路中，支持单车和多车协同场景。
对抗与并行推理测试 – 自动生成具有挑战性的极端案例，并行运行多个测试实例，以加速故障发现。
V2V/V2I 通信栈 – 实现车载单元 (OBU) 与基于 Redis 的消息传递，支持在所有协同自动化层级下的车车 (V2V) 与车路 (V2I) 无缝交互。
多维评估框架 – 提供安全、舒适、效率、合规等综合指标，并配备 AI 驱动的专家诊断，实现自动缺陷分类。
可信度自评估 – 将融合测试结果与真实实验进行对比，量化保真度，为每个测试任务提供内置置信分数。
开放公共服务平台 (OnSite) – 通过网页门户公开全部测试功能，鼓励社区采用与可复现性。

要素库构建 – 作者构建了包含 >10 种虚拟/实体参与者的目录（如不同车型、行人化身、红绿灯、路标），每个要素既可实例化为高保真度仿真对象，也可作为实体测试平台组件（如机器人控制的车辆）。
混合执行引擎 – 中央编排器使用确定性时钟同步仿真内核与实体 HIL 设备的时间步。数据通过 ROS 2 话题和 Redis 消息中间件交换，确保低延迟的 V2V/V2I 通信。
对抗场景生成 – 基于梯度和强化学习的智能体扰动环境参数（如行人速度、传感器噪声），最大化安全风险损失，自动挖掘角落案例。
并行推理 – 在计算集群上启动多个独立测试实例，每个实例探索场景空间的不同区域。结果实时聚合，以识别共性故障模式。
评估与诊断 – 收集的日志输入 AI 专家系统，系统将观察到的异常映射到可能的根因（如感知误分类、规划视野违规）。
可信度回环 – 在封闭赛道上复现选定场景，量化虚实融合与真实世界结果之间的差异，以调节仿真保真度参数。

故障检测加速 – 并行推理将发现安全关键缺陷的平均时间从 12 小时（纯仿真）缩短至 1.8 小时，加速 6.7 倍。
优于纯仿真的保真度 – 在 30 个基准场景中，融合平台的轨迹偏差相对于真实运行 ≤ 0.12 m，而领先的纯仿真基线为 0.35 m。
协同场景覆盖 – VP‑AutoTest 成功执行了 1,200 次多车 V2V/V2I 协同机动，发现了 18 起单车测试未捕获的全新协同失效。
AI 诊断准确率 – 专家系统在 92 % 的记录事件中正确识别主要失效原因，将人工调试工作量削减约 70 %。
可信度评分 – 自评模块在所有测试场景中给出平均保真度分数 0.87（满分 1），表明与真实行为高度一致。

总体而言，VP‑AutoTest 在可扩展、高保真自动驾驶验证方面迈出了重要一步，为开发者提供了在廉价仿真与昂贵真实实验之间的实用桥梁。