2. 自动驾驶仿真测试基础
自动驾驶系统的开发与验证，本质上是在与“里程”和“场景”赛跑。实车路测虽然最接近真实，但受限于成本、周期、安全与场景复现难度，无法覆盖全部危险与长尾工况。仿真测试通过数字化的道路、交通参与者、传感器与车辆动力学模型，把测试从“路上碰运气”变成“在受控环境中可重复、可度量、可加速”的工程活动，因此成为自动驾驶研发流程中不可替代的基础设施。
2.1 仿真测试的意义
仿真测试的核心价值可以归纳为四点：安全、效率、覆盖与可复现。安全方面，极端危险场景（如鬼探头、前车急刹、施工区改道）可以在不伤害任何人的前提下反复演练；效率方面，仿真可以并行运行成千上万个场景，把原本需要数月路测才能积累的里程压缩到数天；覆盖方面，可以按参数空间系统化生成边界场景，而不是依赖随机路测；可复现方面，同一场景、同一初始条件、同一随机种子，可以稳定复现同一结果，便于定位回归问题。
从工程视角看，仿真测试还承担着“左移”职责：在代码尚未上车、硬件尚未到位时，就能对感知、预测、规划、控制算法进行早期验证，降低后期返工成本。它也是数据闭环的重要环节：路测发现的问题被抽象为场景，进入场景库，再通过仿真回归验证修复效果。
2.2 MIL / SIL / HIL / VIL 分类
按照被测对象与真实硬件的耦合程度，仿真测试通常分为 MIL、SIL、HIL、VIL 四类。它们不是互相替代，而是沿着“模型→软件→硬件→整车”逐步增加真实度的验证链条。
| 类型 | 被测对象 | 运行环境 | 典型目的 | 真实度 |
|---|---|---|---|---|
| MIL | 控制/规划算法模型 | 纯软件仿真（Simulink 等） | 算法逻辑与接口早期验证 | 低 |
| SIL | 编译后的目标代码 | PC 或服务器上的软件仿真 | 代码级功能与回归测试 | 中低 |
| HIL | 真实 ECU / 域控制器 | 实时仿真机 + IO 板卡 | 时序、总线、故障注入验证 | 中高 |
| VIL | 整车或整车级系统 | 台架/转鼓 + 场景仿真 | 系统集成与整车级功能验证 | 高 |
MIL 阶段关注“算法对不对”，SIL 阶段关注“代码跑起来对不对”，HIL 阶段关注“真实控制器在真实时序下对不对”，VIL 阶段关注“整车系统集成后对不对”。越往后，单次测试成本越高、运行速度越慢，因此场景筛选与优先级排序越重要。
2.3 场景测试在开发流程中的位置
在典型的自动驾驶 V 模型开发流程中，场景测试并不是最后才出现的“验收环节”，而是贯穿需求、设计、实现、集成、验证的全过程。需求阶段用场景描述功能边界；设计阶段用场景推导接口与状态机；实现阶段用场景做单元与集成测试；集成阶段用场景做回归；验证阶段用场景做统计评估与发布门禁。
以 ScenarioRunner 为代表的场景执行工具，通常位于“场景库”与“被测系统”之间：它读取 OpenSCENARIO / OpenDRIVE 等描述文件，驱动仿真器生成交通流与传感器数据，控制被测算法或控制器运行，并采集碰撞、舒适度、通行效率等指标。它既是测试执行器，也是数据采集器，为后续的失败回放与场景挖掘提供输入。
关键认识：仿真测试不是“替代路测”，而是“筛选路测”。它把海量低价值里程过滤掉，把有限的路测资源集中在仿真无法覆盖的感知长尾与真实交通交互上。
2.4 案例：一次 AEB 场景的跨层级验证
假设要验证 AEB（自动紧急制动）在前车静止场景下的表现。MIL 阶段，用 Simulink 搭建车辆纵向动力学与 AEB 控制模型，输入目标距离、相对速度，观察制动指令是否在 TTC 阈值前触发；SIL 阶段，把控制模型生成 C 代码，在 PC 上运行并注入传感器噪声，检查代码分支与边界条件；HIL 阶段，将真实 AEB 控制器接入实时仿真机，通过 CAN 注入轮速、雷达目标与制动反馈，验证总线时序与故障降级；VIL 阶段，在转鼓台架上接入整车制动系统，验证液压响应与整车减速度。
场景参数示例（AEB 前车静止）：
ego_speed: 50 km/h
lead_speed: 0 km/h
initial_gap: 40 m
TTC_threshold: 1.6 s
road_friction: 0.8
expected: 碰撞前停车，最大减速度 ≤ 6 m/s²同一组参数在四个层级中复用，但关注点不同：MIL 看算法逻辑，SIL 看代码实现，HIL 看硬件时序，VIL 看系统集成。若只在 VIL 阶段才发现问题，定位成本会成倍增加；反之，越早用仿真暴露问题，修复代价越低。
2.5 常见误区与复盘
- 误区一：仿真通过等于实车通过。仿真模型存在简化，传感器模型、轮胎模型、交通参与者行为都可能与真实存在偏差，必须用实车数据持续标定与校验。
- 误区二：只追求场景数量。大量重复的简单场景并不能提升验证置信度，关键是场景的覆盖度与边界性，例如参数组合的等价类划分与危险度排序。
- 误区三：忽略随机性与种子管理。仿真中的噪声、交通流、初始位置若不可复现，回归结果就不可信。必须固定随机种子并记录完整配置。
- 误区四：把仿真当一次性任务。仿真测试应纳入 CI/CD，每次代码提交触发场景回归，失败用例自动回放并生成报告。
实践建议：建立“场景—层级—指标—门禁”的映射表。每个场景明确在哪个层级执行、采集哪些指标、达到什么阈值才算通过。这样仿真结果才能直接支撑发布决策，而不是停留在“跑过了”的模糊结论。
综上，仿真测试的意义在于用可控、可复现、可加速的方式扩展验证边界；MIL/SIL/HIL/VIL 提供了从模型到整车的渐进式验证路径；场景测试则贯穿开发流程，把需求、实现与验证连接成闭环。理解这三者之间的关系，是后续使用 ScenarioRunner 构建自动场景测试工程的前提。