LGSVL 仿真器: A High Fidelity Simulator for Autonomous Driving

LG不再维护的LGSVL仿真器: 高保真度自动驾驶模拟器

摘要：在真实的自动驾驶汽车上测试自动驾驶算法的成本极高，许多研究者和开发者难以负担购买实体车辆和相关传感器。市面上虽有免费开源的自动驾驶栈，如Autoware和Apollo，但与之配套的开源模拟器选择有限。本文介绍了一款用于自动驾驶的高保真度模拟器——LGSVL Simulator。该仿真器引擎具备全栈模拟能力，可连接Autoware和Apollo，同时提供定制传感器、可控对象创建、核心模拟器模块替换及特定环境数字孪生的功能。

一、引言

自动驾驶汽车领域近年来取得显著进步。研究表明，自动驾驶汽车需行驶数十亿英里以证明其可靠性。仿真在自动驾驶堆栈开发和测试中扮演关键角色，它使开发者在无需驾驶实体车辆的情况下快速测试新算法。相比真实道路测试，仿真更安全，特别在处理危险场景（如行人乱穿马路）及极端天气情况时，可生成现实世界中罕见的极端状况。此外，仿真器能准确重现问题场景的所有因素，便于开发者调试和测试新补丁。

随着自动驾驶栈中越来越多的模块依赖深度神经网络（DNN）以提升性能，训练DNN模型需要大量标记数据。传统自动驾驶数据集如KITTI和Cityscapes，虽然提供了基础，但收集数据集的过程缓慢、成本高昂且存在误差。在云平台上，仿真器能轻松并行生成精确标记数据集，数量级远超现实世界数据集。

本文介绍LGSVL Simulator，核心模拟引擎基于Unity游戏引擎，开源且在GitHub上免费提供。该仿真器具备与Apollo（基于ROS）、Autoware.AI和Autoware.Auto的通信桥接功能，支持ROS、ROS2和Cyber RT消息传递。提供地图工具以导入和导出高清地图，包括Lanelet2、OpenDRIVE和Apollo HD Map格式。

本文剩余部分将介绍LGSVL仿真器的回顾、详细概述、应用示例、总结和未来工作方向。

二、相关工作

仿真在汽车行业广泛应用，尤其在车辆动力学领域。著名的例子包括carMaker、CarSim和ADAMS。自动驾驶不仅涉及车辆动力学，还需考虑复杂环境设置、不同传感器配置和模拟车辆与行人的交通等因素。早期的模拟器在虚拟环境中运行自动驾驶汽车，但缺乏支持不同传感器和模拟行人的关键功能。

Gazebo是机器人研究领域的流行仿真平台之一，其模块化设计允许添加传感器模型和物理引擎，但创建大型复杂环境难度大，且缺乏Unity等现代游戏引擎的最新渲染技术。

AirSim、CARLA和Deepdrive是其他流行的开源自动驾驶模拟器，主要用于支持机器学习和合成数据生成研究，集成用户AD堆栈和通信桥可能需要额外努力。

商业汽车模拟器如ANSYS、dSPACE、PreScan、rFpro、Cognata和Metamoto等，尽管提供高级功能，但并非开源，用户难以自定义以满足特定研究需求或目标。

用于驾驶的游戏如Grand Theft Auto V的商业视频游戏，能生成合成数据集，但通常涉及访问游戏资源的黑客技巧，可能违反用户许可协议，并难以支持除摄像头外的传感器，以及确定性控制车辆和非玩家角色。

三、LGSVL模拟器概述

LGSVL仿真工作流程包括用户AD栈、仿真引擎、传感器和车辆模型、3D环境和高清地图、测试场景等部分。下面详细解析各组件。

1. 用户AD栈：LGSVL支持与Apollo、Autoware.AI和Autoware.Auto集成，用户AD栈通过通信桥与LGSVL进行消息传递。

2. 仿真引擎：基于Unity游戏引擎，使用HDRP技术实现逼真的虚拟环境，包括环境仿真、传感器仿真、车辆动力学和自我车辆控制仿真。

3. 传感器和车辆模型：传感器布置完全可定制，支持物理和虚拟传感器模型。用户可以构建自定义传感器并将其添加到模拟器中。

4. 3D环境和高清地图：提供创建、编辑和导出3D环境及高清地图的功能，支持创建真实世界场景的数字孪生。

5. 测试场景：支持创建和控制模拟环境中的测试场景，包括各种变量，如时间、天气、道路状况和移动代理。

四、应用

1. SIL和HIL测试：支持AD堆栈的端到端测试，以及单模块测试。

2. 机器学习和合成数据生成：提供Python API，用于收集、存储和生成用于感知训练的标记数据。

3. V2X系统：支持V2V、V2P和V2I通信，用于测试和生成训练合成数据。

4. 智慧城市应用：适用于监控交通流量、评估交通状况等智慧城市系统。

五、结论

LGSVL仿真器提供高保真度的自动驾驶模拟环境，与Autoware和Apollo集成，具备多种应用潜力，支持不同自动驾驶系统的测试、机器学习、合成数据生成、V2X系统测试和智慧城市应用。其开源特性使用户能扩展其功能，用于不同领域，并为生态系统贡献自己的贡献。