L3及以上級別自動駕駛車輛的開發，在車輛系統復雜程度、使用環境復雜程度方面均急劇增加。算法測試、傳感器測試、安全性測試已不能通過汽車領域的車輛動力學等仿真方法來解決。仿真平臺成為自動駕駛企業的剛性需求。

Waymo、百度、騰訊將仿真系統研發作為頭等大事；AutoX、Roadstar.ai、Pony.ai等諸多自動駕駛初創公司也在自主研發仿真環境；業內開始出現CARLA、AirSim等開源式自動駕駛仿真平臺。

*自動駕駛汽車在仿真場景中訓練

自動駕駛仿真平臺是集：靜態場景還原、動態案例仿真、傳感器仿真、車輛動力學仿真、并行加速計算等功能于一體，可方便地接入自動駕駛感知和決策系統，還可根據企業的開發流程而定制開發的平臺。

靜態環境構建層面：即通過采集實際環境信息及已有的高精度地圖構建靜態場景，通過采集激光點云數據，建立高精度地圖，構建環境模型，并通過自動化工具鏈完成厘米級道路還原。靜態場景數據編輯和自動生成技術，可基于實體場景完成真實道路自動化還原。也可以對道路周圍樹木及信號燈等標識根據不同拓撲結構進行自動的排布組合，生成更多的衍生虛擬場景。

動態場景編輯層面：自動駕駛仿真平臺核心在于數據，這里的數據非采集數據，而是對多元類型數據的整合與加工。多數據來源智能體行為模型工具，可實現差異化動態場景的快速搭建。

李熠提到，行業現階段的情況是，一個實際交通案例數據轉換到仿真平臺，且非高質量數據，可能需要花費數天，縮減周期是目前整個行業正在努力的方向。

*對自動駕駛的測試場景進行編輯

車輛建模方面：目前有部分初創企業傳出聲音：傳感器仿真模擬在自動駕駛開發中沒有太大的必要，使用處理好的目標結果同樣可以進行算法訓練。而在張帆博士看來，傳感器仿真是非常重要的一環。未來從國家產品認可及召回角度考慮，檢測機構必須對產品進行逐級分拆，識別判定是硬件問題、軟件問題、融合算法問題還是決策算法問題，保證產品安全。自動駕駛仿真平臺需做到每個層級的仿真，而非簡單的動態場景還原。

在自動駕駛仿真產業鏈上，仿真平臺有三大類型客戶：

車廠占比最大：其對于仿真方案的要求最為嚴格，涉及部件，系統與整車各級別的算法訓練及在環測試；

檢測機構，包括國家級實驗室，測試場，示范區等：檢測機構多從安全層面出發，希冀制定出全面、系統、公平的檢測標準；

科技算法公司：其訴求仍然是不斷迭代算法，并提供軟硬件結合的系統解決方案。

李熠提到，想要讓一輛自動駕駛汽車變得越來越聰明，需要源源不斷的數據喂養。這離不開成千上萬的邊緣案例，且還要保證數據的真實性及多樣性。

從數據采集到數據處理，再到算法回歸測試，需要構建一個完整的動態數據閉環。數據來源的多樣性、轉換效率及邊緣案例是自動駕駛仿真行業的關注重點。

現階段，各個玩家對數據的理解存在差異，與之而來的是協同問題。在提高場景轉換、數據處理能力的前提下，形成統一的數據格式與轉換標準，以此解決協同性問題。