3. 自动驾驶仿真技术栈

自动驾驶仿真不是单一软件，而是一条由多类仿真器、模型库、数据服务和算力平台共同构成的技术栈。理解这条栈的分层关系，比记住某个工具的名字更重要：场景仿真决定“测什么”，传感器仿真决定“看到什么”，车辆动力学仿真决定“车怎么动”，交通流仿真决定“别人怎么动”，云端仿真平台决定“如何大规模并行地跑完并管理结果”。五者缺一不可，且存在明确的数据与控制依赖。

3.1 五层技术栈的职责与依赖关系

从下往上，车辆动力学与传感器模型构成“被控对象与感知输入”的物理基础；场景仿真在其上编排静态地图、动态障碍物与触发条件；交通流仿真为场景注入具有行为合理性的背景车流；云端平台则把上述能力封装为可调度、可复现、可追溯的服务。下图给出五层之间的信号与数据流向。

3.2 各层核心原理与关键参数

场景仿真是栈的“剧本层”。它用 OpenDRIVE 描述道路几何与车道拓扑，用 OpenSCENARIO 描述实体、动作与触发条件。关键能力是参数泛化：把“前车急刹”抽象为初始距离、相对速度、减速度、反应时延等参数，再通过采样生成成千上万个变体。场景库必须版本化，否则回归结果无法追溯。

传感器仿真是栈的“眼睛”。相机仿真关注成像模型、曝光、运动模糊与天气退化；激光雷达仿真关注光束发射、反射率、多回波与雨雾衰减；毫米波关注 RCS 与多径。工程上最容易被低估的是时延与标定误差：仿真若给出零延迟的完美点云，规划算法会过度乐观。

车辆动力学仿真是栈的“身体”。它把控制指令转为真实位姿响应，核心是轮胎模型（如 Pacejka、MF 简化版）、悬架与转向传动、制动压力建立时间。若动力学过于理想，横纵向控制器的超调与迟滞问题会被掩盖。

交通流仿真是栈的“社会背景”。它用跟驰模型（IDM）与换道模型（MOBIL）生成具有统计合理性的背景车流，使被测车辆面对的不是孤立障碍物，而是会博弈、会加塞、会犹豫的真实交通参与者。

云端仿真平台是栈的“工厂”。它负责镜像与版本管理、任务切分、并行调度、失败重试、指标聚合与看板呈现，是仿真从“单机跑通”走向“每日万公里回归”的关键。

3.3 典型配置示例

以下是一段简化的仿真任务配置，体现五层栈如何被一次任务串联起来：

sim_task:
  scenario: "cut_in_highway_v3.2"
  map: "shanghai_ring_expressway.xodr"
  sensor_suite:
    camera: {fov: 60, fps: 30, latency_ms: 45}
    lidar:  {channels: 128, range_m: 200, noise_sigma: 0.02}
    radar:  {rcs_model: "extended", max_range_m: 180}
  dynamics:
    tire_model: "pacejka_5_2"
    steering_delay_ms: 80
    brake_build_up_ms: 150
  traffic:
    car_following: "IDM"
    lane_change: "MOBIL"
    background_density: 0.35
  cloud:
    workers: 64
    retry: 2
    metrics: ["collision", "min_ttc", "comfort_jerk", "route_completion"]

3.4 五层栈的对比与常见误区