摘要
自动驾驶汽车测试仍是一个新兴且尚未成熟的过程，全球统一的测试流程尚需时日。实车测试对资源要求极高，因此开发并提升基于虚拟环境的测试方法的效率至关重要。有鉴于此，本文提出一种新颖的 X-in-the-Loop（XIL，X 代表任意对象，如物体、算法、软件、硬件）框架，以充分利用信息通信技术、车辆自动化以及测试验证需求领域的最新进展。该方法能将物理测试与虚拟测试实时、高关联性地连接起来，同时彻底模糊二者之间的明确界限。实测结果表明，5G 通信链路在实现现实世界与其虚拟表征之间稳定、实时的连接方面，展现出卓越性能。在新建的匈牙利自动驾驶试验场进行的现场演示，验证了所提出的概念。此外，本研究还包含全面的基准测试，重点关注最新的汽车测试框架，并分析了全球汽车测试领域主要相关机构所采用的方法与技术。据此，结合汽车行业当前使用的先进方法，对新开发的测试框架进行了评估与验证。
1. 引言
统一的自动驾驶汽车测试与验证方法，对未来自动化出行的发展至关重要。目前，仅针对自动化等级较低的先进驾驶辅助系统（ADAS）功能，存在标准化的测试流程。数十年前便已起步的建模与仿真技术，在验证过程中无疑将发挥越来越重要的作用。在如今的仿真流程中，最多仅将被测车辆（VUT）或其部件作为物理实体使用，而周围环境则通过生成的传感器信号或投影视觉效果进行完全仿真。实车环境下的测试通常是一个独立的过程。然而，在车辆在环（ViL）仿真中，车辆常在相对单一的测试场地内进行测试，车辆可自由行驶，并能结合真实的车辆动力学特性开展测试，但所有干扰、交互作用及事件均在仿真平台中以虚拟形式呈现。在这类测试中，不仅可研究车辆与驾驶员之间的交互关系，还可利用虚拟障碍物测试先进驾驶辅助系统。这类测试需要真正的多学科融合方法，因为除汽车工程、交通工程和电气工程外，在研发过程中还需考虑计算机科学与通信领域的相关问题。
本文提出一种新颖的 X-in-the-Loop（XiL）框架（其中 X 代表任意对象，如物体、算法、软件、硬件），该框架充分利用了信息通信技术、车辆自动化以及测试验证需求领域的最新进展。
新开发的 XiL 概念与汽车测试验证领域现有的先进方法进行了对比。然而，考虑到该领域参与机构数量众多，本研究并非旨在详尽罗列开发测试验证解决方案的主要机构。
相反，本研究旨在全面分析汽车行业偏好、开发及使用的测试验证框架。因此，评估的目的既不是对市场上的解决方案进行排名，也不是对其进行批评。此外，作者在评估过程中力求避免发表任何主观或可能带有偏见的言论。为此，本文采用匿名编码（SYS1……SYSN）的方式介绍不同的市场解决方案。
评估对象包括 AB Dynamics、Applus+ IDIADA、HORIBA-MIRA、现代摩比斯（Hyundai MOBIS）、i-MAR、IPG ViL、K-city、M-City以及扎拉区（ZalaZONE）的XiL系统。需要强调的是，上述机构的具体详细信息获取渠道有限。
本文结构如下：第2节阐述汽车测试与验证的相关背景；第3节探讨相关研究工作，介绍不同的方法并引入 X-in-the-Loop 方法；第4节介绍八种当前先进的 XiL 系统实施方案；第5节详细论述扎拉区（ZalaZONE）提出的基于场景在环（Scenario-in-the-Loop）的方法，包括其架构、所需的系统组件、实现过程中采用的技术以及结合实测结果的概念验证演示；第6节基于选定的标准对不同的 XiL 解决方案进行对比；最后，第7节对全文进行总结。
2. 汽车测试与验证背景
汽车行业的测试与验证工作与法规背景密切相关，主要在三个不同领域开展，且这些领域与汽车的产品生命周期紧密相连。
在产品生命周期的第一阶段，制造商负责开发安全且性能良好的车辆。在此阶段，研发人员严格遵循行业特定标准，以最大限度降低与特定产品相关的安全风险和质量差距。产品评估与质量检测需持续依据行业标准进行，这一过程对产品的最终质量起着至关重要的作用。在该领域，不得不提及国际标准化组织（ISO），它是全球最知名的行业标准制定机构之一。
在产品生命周期的第二阶段，车辆投放市场。在欧洲，汽车制造商若想将产品投放市场，其产品需在所谓的型式批准（或 homologation）流程中满足联合国欧洲经济委员会（UNECE）的要求。这一流程还涵盖生产一致性要求，即制造商需 “证明投放市场的每一辆车辆、设备或零部件，其生产标准均与已批准产品一致”。因此，所有与已批准产品型号相同的车辆，无论在安全性还是质量方面，都必须与经过测试和验证的车辆保持一致，只有这样才能在成员国（缔约方）市场上销售。在型式批准过程中，车辆检测由独立的第三方机构（如德国技术监督协会（TÜV）、德国机动车监督协会（Dekra））监督执行，批准文件则由政府机构颁发。与此不同的是，美国等国家采用自我认证流程，由汽车制造商自行进行车辆检测并出具符合性证书，证明其产品符合目标市场的要求。未来的挑战主要在于如何将新的考量因素成功融入这些流程，例如无需人类驾驶员参与控制的安全驾驶、汽车网络安全以及基于人工智能的系统控制等。
在产品生命周期的第三阶段，即产品投放市场后，消费者保护组织需对产品质量进行监管，以保护消费者免受不公平商业行为的侵害。在汽车行业，新车评价规程（NCAP）是最著名的消费者保护组织之一。然而，近年来的经验表明，即便对于规模最大、信誉最良好的制造商，在验证过程中存在不当操作的情况也并非不可想象。这一问题引发了对法规解读的争议，尤其是社会对制造商的期望究竟是什么 —— 是严格遵守法规条文，还是践行法规的初衷？
3. 相关研究
汽车行业测试与验证的方法学背景呈现出逐步演进的特点。在车辆自动化程度较低的时期，安全性主要由零部件的可靠性决定，因此对软硬件的测试与验证便可确保达到所需的安全水平。然而，高度自动化车辆的普及使得研究和建模整车动力学或完整车辆系统成为必要，同时也需为其在公共道路上的运行做好准备，例如采用实地运行自动化虚拟评估（VAAFO）方法。
车辆系统的复杂性日益提升，这使得测试与验证工作的范围远超车辆本身，需全面反映整个交通系统的复杂性。
根据汽车行业当前的方法学，开发过程依据 V 模型展开。该流程在整个开发过程（包括软件开发阶段、硬件开发阶段以及相应的测试活动，尤其是各类 X-in-the-Loop 测试解决方案的应用）中，同步确定系统需求并进行验证。
如今，与自动驾驶和联网车辆相关的最重要创新主要由软件开发推动。车辆系统中的软件组件负责执行日益复杂的控制过程，如制动、超车或车辆稳定性控制 [42]。因此，车辆系统软件若做出错误决策，可能引发安全关键事件。由此可见，确保汽车软件组件具备良好的安全特性至关重要。依据汽车领域的基本安全标准 ——ISO 26262，需通过全面的测试方法验证需求的符合性。根据 ISO 26262 标准，安全关键车辆功能的软件需在真实的系统环境中进行测试。然而，在汽车开发过程的最终阶段发现并修正软件错误，其成本效益远低于在开发早期阶段进行修正。出于成本效益考量，为在开发早期发现并修正软件错误，也可在简化的测试环境中对车辆软件进行评估。因此，必须重点关注为所开发的汽车功能模块（如软件、硬件或组件）确定并搭建合适的测试环境。
传统测试方法（尤其是 ISO 26262 标准）建议在最终的硬件环境中评估安全关键系统。但这种方法会导致测试过程耗费大量的时间和资源。因此，仅对车辆的部分模块进行测试具有合理性，因为修正被测车辆模块中的故障成本效益更高。这种思路催生了硬件在环（HiL）测试方法。应用 HiL 方法需要搭建全面的环境框架，该外部系统一方面需为被测组件提供基于模型的输入信号，另一方面还需能够整合不同组件以及与模型无关的外部信号，并将其提供给被测组件。此类环境还可支持与故障注入相关的测试。
在车辆在环（ViL）测试方法的应用中，被测车辆的复杂系统被嵌入到人工控制的虚拟测试环境中，即对所研究车辆系统的真实软硬件框架进行测试。根据当前先进的测试方法，自动驾驶车辆的环境通过全面的软件框架进行仿真，该框架涵盖最关键的决策因素和传感器类型，如交通仿真、图形显示或点云生成。此类系统能够将被测车辆与其他仿真模块进行实时连接，甚至部分仿真车辆可替换为真实车辆。通过这种方式，周边交通状况的影响可直接反馈至自动驾驶车辆的决策模块。采用这种方法，在传统的转鼓试验台或合适的测试场地中，应用 ViL 模型可轻松实现开环或闭环测试。
通用的 X-in-the-Loop 模型包含一个高效且极具真实性的自动驾驶汽车仿真框架，该框架需考虑以下因素：
· 仿真中不同传感器的表征方法
· 车辆动力学及其与不同执行器的关联
· 广泛的场景库，尤其需涵盖仿真中的各类交通状况
· 自动驾驶车辆系统的控制模型
在 X-in-the-Loop 解决方案中，所研究的系统元素（模型、软件、硬件或完整车辆）需与仿真环境持续交互。因此，必须实现虚拟因素与真实因素的同步，以构建连贯且可靠的评估方法。综上，X-in-the-Loop 概念可视为一个通用框架，包含了模型在环（MiL）、软件在环（SiL）、硬件在环（HiL）或车辆在环（ViL）等多种模型。
4. XiL 系统实施方案
车辆在环（ViL）测试是当前自动驾驶车辆系统领域最先进、最具应用前景的测试与验证技术。该技术目前尚未发展成熟，在多个领域仍需进一步研究；不过，市场上已出现复杂的解决方案，并开始被汽车企业采用。本节将介绍八种不同的实施方案，以全面呈现该领域的最新技术水平。为便于后续参考，所介绍的系统将以匿名编号 SYS1 至 SYS8 表示，并将在第六节基于表 2 中列出的功能特性对其进行评估和对比。
4.1 SYS1
SYS1 开发的基于 dSPACE 的实时 ViL 系统，包含被测车辆（VUT）、其他车辆、弱势道路使用者（VRU）、交通标志、路面标识、道路参数、道路类别以及交通规则。该系统采用虚拟现实技术为自动驾驶车辆的控制系统提供输入信号，而非依赖车辆的实际传感器。为实现这一目标，需构建被测车辆的虚拟模型，并将其集成到所搭建的混合现实环境中。被测车辆及其虚拟模型配备相同的传感器（雷达、激光雷达和摄像头）。在测试场景中，该系统可实现任意车辆、任意交通流以及来自任意方向的弱势道路使用者的模拟。通过文献调研可知，SYS1 开发了一套相当复杂的测试系统。据开发者介绍，该系统对整合真实（如软碰撞目标（SCT）、引导式软目标（GST））与虚拟环境的不同场景组件的协同综合仿真控制方面，关注度相对较低。
4.2 SYS2
SYS2 同样提供车辆在环（ViL）模型。该系统实现了 HiL 方法与实车测试技术之间的有效衔接，使得被测车辆可在开放式测试跑道上行驶，同时其输入信号由虚拟环境提供。该系统还支持将真实组件嵌入虚拟环境，从而能够开展具有良好可重复性的真实测试。SYS2 强调，其 ViL 平台非常适用于支持各类欧洲新车评价规程（Euro NCAP）测试。通过对相关研究文献的分析可得出结论：SYS2 更侧重于系统的车辆仿真特性（如车辆动力学或通信），而对将真实组件整合到测试过程中的关注较少（例如，对空间定位（SPT）或实时性（RT，指现实与虚拟环境的时间同步）的关注不足）。
4.3 SYS3
SYS3 为汽车行业相关机构提供复杂的测试与验证框架。该公司针对从简单物理组件分析到复杂控制系统（包括先进驾驶辅助系统和完全自动驾驶车辆系统）评估验证等大量测试问题，提供相应的解决方案。其解决方案涵盖多种测试方法，既包括完全虚拟的测试环境，也包括实车测试应用。
SYS3 开发了一套全面的系统测试方法，支持基于试验场的开发流程。该测试系统以一个中央软件模块为基础，该模块能够简单高效地控制测试过程（涵盖从组件控制到总体场景协调的各项任务）。测试功能主要包括以下模块：
· 车辆子系统：悬架、底盘、转向系统
· 试验场车辆动力学研究
· 自动驾驶车辆系统评估（使用特殊目标物体，如遥控假人、遥控车辆）
· 虚拟测试（仿真与模型环境）
4.4 SYS4
SYS4 由地方政府打造，是一个人工构建的城市环境，旨在支持联网和高度自动化车辆的测试与验证流程。作为一条测试跑道，SYS4 主要用于支持自动驾驶车辆的开发过程。SYS4 包含多种真实的道路环境，如公交专用道、自行车道、高速公路、密集城区以及停车场。由于与国内电信解决方案全球供应商的紧密合作，测试跑道周边将部署 5G 网络，以具备开发基于蜂窝通信的车与万物（V2X）应用的能力。此外，试验场还将部署 4G LTE 和专用短程通信（DSRC）系统。综上，SYS4 在车辆通信测试领域拥有雄厚的基础设施背景。
4.5 SYS5
通过文献调研可知，SYS5 是自动驾驶车辆测试流程开发领域的主要机构之一。SYS5 为高度自动化车辆提供城市测试环境。然而，可得出结论：该机构对全面的场景仿真与控制（尤其是在测试场景中纳入真实引导对象）的关注较少，同时对基于蜂窝通信的测试解决方案的重视程度也不足。
该集成系统的总体框架包含被测车辆、路侧单元、检测器、相关控制器单元以及交通信号控制器。被测车辆与系统其他组件之间的通信过程通过 DSRC 通信信道实现。控制系统会参考仿真系统的输出结果，且被测车辆的数字孪生模型能够根据实车行驶情况，在数字化虚拟道路网络中实时跟踪行驶路径。
4.6 SYS6
SYS6 在高度自动化车辆开发领域提供多种测试解决方案，其测试过程可采用基于 DSRC 和蜂窝网络（甚至 5G）的无线通信信道。该试验场通过应用基于 dSPACE 和 NI 的控制模块，能够覆盖从模型在环（MiL）到车辆在环（ViL）的完整开发周期。
SYS6 在虚拟测试方面也拥有特殊的解决方案。然而，现有文档中并未详细阐述虚拟环境与真实环境的集成控制方式，同时对真实环境与虚拟环境之间的连接和同步过程的关注也较少。
4.7 SYS7
SYS7 试验场的解决方案开发了一款自主接口应用程序，该程序能够为整合市场上现有的各类工业解决方案提供互操作环境。该试验场特别注重基于集成交通仿真技术和车辆建模工具，实现交通系统的真实仿真。同时，其还为整个车辆开发过程提供有力支持，包括从模型在环（MiL）到车辆在环（ViL）解决方案的各类测试系统。但另一方面，SYS7 对基于复杂场景的多智能体测试用例的整体控制关注较少。
通过文献调研总结可知，SYS7 特别关注仿真与可视化方面，但在开发过程中对复杂场景的整体控制相关方法的关注不足。
4.8 SYS8
SYS8 通过整合多种测试与仿真系统，开发了一套全面的框架，该框架特别强调实时定位与通信功能，并提供了一套极具效率的场景控制框架。不过，其对真实交通仿真解决方案的应用关注较少。
根据现有背景资料，SYS8 的系统概念在可重复控制复杂交通场景，以及测试所研究自动驾驶功能的通信和定位相关特性方面，表现尤为突出。
5. 基于场景在环的混合现实验证
在扎拉区（ZalaZONE）试验场开发、测试并演示了一套超越当前技术水平的 X-in-the-Loop 验证系统，本节将对其进行详细介绍。场景在环（Scenario-in-the-Loop，SciL）测试与验证概念的目标是为前沿研究提供有力支持，并有望很快成为扎拉区试验场的一项标准服务。扎拉区作为汽车试验场，不仅具备传统测试跑道所侧重的耐久性和行驶稳定性测试功能，还能满足未来出行需求，为自动驾驶车辆的测试与验证提供支持。
由于场景在环框架融合了物理环境与虚拟环境，因此有必要明确汽车测试中虚拟现实与混合现实的区别。基于虚拟现实的系统可提供完全人工模拟的环境，该环境独立于物理现实（而非仅在虚拟空间中重现真实场景）；而基于混合现实的系统则能够将模拟组件和对象整合到真实测试环境中。简而言之，虚拟现实是对现实的 “替代”，而混合现实是对现实的 “补充”。
5.1 模型介绍
除了实现完整的交通场景外，与车辆在环（ViL）概念相比，场景在环（SciL）方法对测试领域的重要贡献之一，在于其能够将模拟数据与实车数据相结合，并以集成化的方式将这些数据输入到复杂车辆系统中嵌入式车辆控制的不同层级（图 1）。从实际应用角度而言，这意味着部分输入信号可直接从真实环境中获取，而其他信号则可通过所应用的综合软件框架进行并行模拟，并接入感知和通信架构的底层。
图1:循环场景（SciL）验证方法的架构。与多个汽车仿真工具实时接口，实现物理测试环境的毫米级精度数字表示，并通过超可靠的低延迟通信将所有元素与VUT连接。开发的SciL架构可以在混合现实中再现完整的交通场景，用于自动驾驶汽车的高级测试和验证
此外，场景在环（SciL）还能够体现车辆在环（ViL）与实车测试之间所有类型的过渡概念。对比这两种概念可得出结论：在车辆在环（ViL）方法中，模型仅为车辆提供输入信号；而在场景在环（SciL）模型中，该框架会为完整的交通场景提供输入。
场景在环（SciL）概念的主要区别特征或附加价值在于，它真正打破了现实与虚拟之间以往明确的界限。
在场景在环（SciL）框架内，测试人员可灵活决定测试中哪些部分在现实环境中执行，哪些部分通过仿真实现。采用场景在环（SciL）概念构建测试场景时，在设定现实与虚拟的边界方面不存在任何限制。该方法能将物理测试与虚拟测试以高关联性实时连接起来，同时彻底打破二者之间的明确界限。
按照预期，基于场景的测试（即场景在环方法）将成为汽车行业开发过程中下一代仿真与 X-in-the-Loop 测试方法。除了能实现可行的测试覆盖范围外，这种新颖技术还有助于实现以下优势特性：
· 可重复性
· 灵活性
· 可扩展性
· 成本效益
· 真实呈现
要使场景在环（SciL）测试成为极具影响力的工具，它需要与其他工业仿真和测试工具具备广泛的兼容性，不仅在输入侧，还需在输出侧提供多样化的接口。场景在环（SciL）的输入接口需能够嵌入行业标准仿真工具（如 CarMaker、VTD、CarSim、PreScan）以实现场景定义，而执行器侧的场景在环（SciL）接口则需支持使用不同供应商提供的目标物和对象，从而能够构建包含大量同时仿真或控制的道路使用者的极端复杂场景。
5.2 所需组件
为确保自动驾驶车辆技术达到所需的安全性和可靠性，需通过极为复杂的方式对其进行分析和评估。这些要求使得在测试过程中必须采用智能、经济、安全、可测量且精准的方法与系统。因此，只有通过在测试跑道上设计全面的场景，并应用真实和虚拟测试对象以及精确控制的测试系统，才能对当前先进的自动驾驶功能进行评估。
5.2.1 数字化测试环境
为实现自动驾驶车辆与现实并行同步的测试流程，还需构建测试环境的虚拟表征。具备先进可视化功能的虚拟环境，同样可用于先进驾驶辅助系统（ADAS）中基于人工智能的解决方案的训练、测试与验证。此外，包含天气影响、实时反射、阴影和光照条件等因素的高分辨率图形与物理模型，可能会大幅增加测试资源需求，但这些先进解决方案也能显著提升系统可靠性。
图 1 场景在环（SciL）验证方法的架构：与多个汽车仿真工具进行实时交互，实现物理测试环境的毫米级精度数字表征，并通过超高可靠低时延通信将所有元素与被测车辆（VUT）连接。所开发的场景在环（SciL）架构能够在混合现实中重现完整的交通场景，用于自动驾驶车辆的先进测试与验证。
因此，整个测试环境（即整个试验场）都必须为虚拟仿真环境进行数字化处理，其中建筑物、道路标线、交通标志、路侧物体和植被需与实际测试区域完全一致。
仅出于仿真目的，基于设计图纸生成试验场的数字模型已足够，这种模型仅能提供大致精度。但对于仿真后进行实车测试或实时混合现实测试的联合测试而言，这种分辨率可能无法满足需求。此类情况需要超高精度矢量化数字地图（高清（HD）或超高清（UHD）地图），该地图可能采用标准化格式，可通过高分辨率激光扫描点云测量获取。
为实现虚拟环境的高效可视化，可使用任何可用的跨平台 3D 图形引擎（如 Unity 或 Unreal）。因此，所选开发引擎应尽可能支持多种平台。鉴于未来的应用潜力，该引擎还可用于创建虚拟或混合现实应用，同时支持仿真和其他实验。扎拉区（ZalaZONE）的虚拟模型在 MIT 许可下以多种数据格式公开提供，可供进一步研究与评估。测试跑道的道路模型和矢量化格式的扩展超高清（UHD）地图会持续更新。
5.2.2 实时定位
参与特定测试场景的所有车辆和场景对象（如自车、被测车辆（VUT）、弱势道路使用者（VRU）、引导式软目标（GST）、软碰撞目标（SCT））都必须通过仿真和控制软件进行高精度实时定位与管理。作为当前先进的解决方案，这需要采用实时动态定位（RTK）辅助的差分全球导航卫星系统（GNSS），并结合惯性导航单元，从而实现实时定位精度小于 2 厘米。根据所提出的场景在环（SciL）概念，模型环境为场景在环（SciL）提供输入信号，而被测车辆则从场景层面获取所需输入信号。仿真与控制模块有两个主要输入：真实测试跑道的精确三维数字表征，以及参与测试场景的不同道路使用者的精准定位信息。
通过在实车上安装与差分全球导航卫星系统（DGNSS）连接的惯性测量单元（IMU），可实现实车在测试跑道上的高精度定位。惯性测量单元（IMU）与差分全球导航卫星系统（DGNSS）的组合通常被称为惯性导航传感器（INS）。遵循当前技术趋势，扎拉区（ZalaZONE）的场景在环（SciL）测试解决方案正准备具备结合基于智能基础设施的协同定位与导航，对自动驾驶车辆系统进行测试的能力。
5.2.3 超高可靠低时延通信
在车辆在环（ViL）测试中，车辆在试验场或试验台上行驶，外部环境通过仿真建模实现。除此之外，场景在环（SciL）测试涵盖了从完全虚拟环境测试到完全真实环境测试之间的所有过渡阶段。因此，在场景在环（SciL）测试中，部分测试对象可为真实物体，而其他对象则可为虚拟物体。
场景在环（SciL）概念的本质在于，能够在不同开发阶段对具有异构特性的组件进行测试（例如，在完全或部分仿真环境中对模型、软件或硬件进行测试，并应用真实或虚拟测试对象）。因此，场景在环（SciL）测试的前提条件是具备超高可靠低时延通信（URLLC）能力。
信息通信技术的最新发展为车对车（V2V）或车对基础设施（V2I）通信应用同时提供了两种不同的物理层。这两种物理层都能支持场景在环（SciL）测试，尤其是考虑到欧洲专用短程通信（ITS G5）和第五代蜂窝网络（5G）通信（也称为车载自组织网络（VANETs））。
基于此，如果测试采用场景在环（SciL）测试概念，那么测试设施强烈建议具备专用短程通信能力，例如 WAVE或 ITS G5。同样，蜂窝通信（尤其是 5G）的最新进展使其具备了独特特性，大幅提升了其在联网自动驾驶车辆（CAV）测试中的应用潜力，同时也使基于蜂窝通信的场景在环（SciL）测试得以实现（根据具体用例，4G LTE 也可能满足联网自动驾驶车辆（CAV）测试的要求）。覆盖区域内的 5G 无线设备不仅能够相互通信，还能通过本地基站以无线电波方式连接到基础设施，从而实现更大带宽、有保障的低时延以及安全的通信。
5.2.4 可控场景对象（干扰因素）
根据图 1 所示概念，场景在环（SciL）测试旨在人工构建包含所有参与者和周边环境模型的完整交通场景，该场景持续为测试提供所需数据。所生成的场景包括被测车辆系统的运动规划与控制（包括潜在危害场景），以及整个交通过程中其他交互组件（如弱势道路使用者、其他车辆或一般道路交通）。此外，场景在环（SciL）模型还可反映相关外部影响因素，如天气和光照条件、基础设施特征或道路环境属性。
场景在环（SciL）架构可区分五种不同类型的干扰场景元素（或称干扰因素）（见图 2），具体如下：
图 2: 场景在环（SciL）混合现实验证模型中使用的可控场景对象（干扰因素）的组件级分类
· 被测车辆（VUT）传感器欺骗：指能够向被测车辆感知系统的传感路径中注入任意传感器信号信息，导致被测车辆 “感知” 到其周边物理上并不存在的物体。该功能适用于多种类型的传感器。
· 车与万物（V2X）通信欺骗：指在没有其他车辆或基础设施元素物理存在的情况下，被测车辆仅通过通信就能 “识别” 到这些对象。
· 基础设施元素：在试验场内，所有基础设施元素（如交通信号灯、可变道路标志、道路照明）均由中央控制，因此将其整合到场景生成中，只需与场景在环（SciL）控制系统建立合适的接口即可。
· 可移动目标：指新车评价规程（NCAP）测试中或多或少标准化的测试元素，如移动平台、软质行人目标、自行车目标、软质车辆目标。这些元素可能具备特定或标准化的控制接口。
· 完全控制的实车：指通过场景在环（SciL）架构进行远程线控完全控制的实车，这些车辆在被测交通场景中可作为完全真实的移动目标车辆。
根据场景在环（SciL）概念的基本属性，该系统必须能够通过组合应用虚拟和真实系统组件，运行并实现特定场景。这种方法要求开发并使用测试环境以及交通过程中其他交互组件（如弱势道路使用者或其他车辆）的数字孪生模型，且该模型需与现实完全一致。通过这种方式，被测场景可包含任意比例的虚拟组件和真实组件，从而使开发人员能够根据开发阶段和项目所需的资源效率，优化测试场景的构建。模型组件可通过闭环控制（如车辆和其他道路使用者）或开环控制（如交通信号灯或交通流本身）实现控制。控制可采用无线通信信道（用于车辆和其他道路使用者）或有线通信信道（用于交通信号灯）。
将场景在环（SciL）框架与测试跑道的封闭受控生态系统相结合，一个明显优势在于场景在环（SciL）概念中的虚拟与真实交互可在同一测试环境中进行。这使得预先设计和预先仿真的场景能够在真实环境中以可重复的方式进行测试。该新概念为创建并行应用的测试场景提供了可能，这些场景由虚拟和真实障碍物混合生成。其主要优势在于，该概念可逐步应用：从完全仿真开始，逐步将虚拟元素替换为真实元素，直至达到最优水平，同时在同一环境中针对特定交通场景执行相同的测试序列。
5.3 协同仿真技术
5.3.1 仿真与协同仿真
汽车行业应用仿真技术的历史悠久。基于最初的目标，针对特定任务开发了不同的仿真工具。因此，某些工具在特定方面表现卓越（如可视化）；而另一些工具在某些领域（如交通仿真）表现出色，却完全无法处理车辆动力学问题。出于这一原因，大多数用户会采用所谓的协同仿真技术，即同时对接并使用两个或多个仿真工具来完成一项复杂任务。在本文提出的基于混合现实的场景在环（SciL）架构中，交通仿真、车辆仿真和高质量图形表征被整合到一个协同仿真框架中（图 3），以支持实时运行与控制。
图3:实现概念验证SciL验证模型的协同仿真框架。实时连接多个仿真工具，结合不同的无线通信并添加逼真的可视化，协同仿真技术为软件工具组合创造了前所未有的机会
图 3 已实现的场景在环（SciL）验证概念验证模型的协同仿真框架：与多个仿真工具进行实时交互，整合不同无线通信并添加真实可视化效果，协同仿真技术为软件工具组合创造了前所未有的可能性。
场景在环（SciL）的架构使其能够与不同的仿真和协同仿真工具对接。其目标是实现标准化接口，这些接口可与汽车行业中使用的所有当前先进仿真工具互联。这些接口将使测试人员能够在其偏好的仿真环境中执行和评估虚拟测试，随后在试验场的验证阶段使用相同的模型和仿真工具。
5.3.2 场景在环（SciL）接口结构
交通仿真框架作为自车决策层的外部环境，根据周边交通状况为自车提供输入。反过来，系统会根据车辆动力学仿真计算结果，依据车辆的决策为交通仿真组件生成信号。同时，所有与车辆运行相关的过程都必须在虚拟车载网络（IVN）中进行表征和仿真。基于仿真的车载网络（IVN）消息，系统可为实车车载网络（如 CAN 总线）提供所需信息。最后，图形模块需以直观的方式可视化场景在环（SciL）测试环境中所有已检测到的空间过程（见图 3）。
5.3.3 场景在环（SciL）控制
场景在环（SciL）框架的控制过程分为两个控制层级。第一层级负责处理单个场景组件的决策过程，如被测车辆、行人、骑行者或仿真 / 真实交通管理系统；更高层级的控制则负责交通场景的整体协调，同时考虑系统的关键状态、边缘情况和已实现的测试场景。此外，控制操作可采用闭环或开环模型，且无论针对虚拟对象还是真实对象（见图 2），都可通过有线或无线通信信道实现控制。
5.4 数字孪生架构
场景在环（SciL）概念在很大程度上依赖于数字孪生架构，该架构可实现现实世界中物理实体的数字复制品。数字孪生既可以指物理资产、过程、人员、场所，也可以指设备。数字孪生必须具备与原始物理对象相同或高度相似的图形表征（图 4）和特性。
图4：实现的混合现实SciL验证模型的数字孪生架构。它通过实时连接的物理世界（顶部）及其数字副本（底部）演示了同时进行的物理和虚拟测试
图 4 已实现的混合现实场景在环（SciL）验证模型的数字孪生架构：展示了通过实时连接的物理世界（上方）及其数字复制品（下方），实现并行的物理测试与虚拟测试。
该技术已在多个工业领域得到广泛应用，为测试环境的虚拟表征和场景在环（SciL）系统组件的实时可视化提供了坚实基础。此外，补充应用智能基础设施（配备摄像头、红外摄像机、激光雷达、雷达等传感器），可通过实时识别真实道路使用者，显著增强功能，甚至支持在虚拟环境中自动表征这些使用者。场景在环（SciL）概念的混合现实框架提供了一个实时运行环境，在该环境中，仿真可影响现实，现实也可影响仿真。实际上，在场景在环（SciL）框架内，现实与虚拟几乎可以无限制地相互实时影响。
5.5 车与万物（V2X）通信
为确保智能交通系统的连通性，开发车与万物（V2X 或 C-V2X）通信框架需要新的测试与验证方法，以便在可靠、坚实的基础上评估相关通信系统。此外，基于场景的概念控制复杂测试过程的需求，也使得必须在测试设施附近建立所有当前先进的通信基础设施，同时支持蜂窝 5G（图 5）和专用短程（ITS-G5）通信 [105]。尽管场景在环（SciL）架构不依赖于通信介质，但概念验证演示采用了 5G 新空口（NSA）蜂窝通信。
图 5: 已实现的场景在环（SciL）演示模型中的 5G（非独立架构）通信方案
5.6 概念验证演示
为验证场景在环（SciL）概念的可行性，在完整的数字孪生环境中选取并实现了两个不同场景。每个场景先使用虚拟对象执行用例，再使用真实对象执行，因此最终依次呈现了四个级联场景。
第一个场景为自动代客泊车。人类驾驶员站在停车场入口处，等待其车辆完全自主地从停车场驶出。该场景聚焦于突发行人横穿的情况，被测车辆（自车）需检测到横穿的行人并礼让。测试中，首先是一个注意力不集中的虚拟行人突然从停车场内一辆虚拟车辆后方走出；随后，一个真实的行人假人穿过自车在停车场入口处的行驶路径，自车再次自动停车。无论触发因素是虚拟的还是真实的，自车在两次测试中的反应完全一致。
第二个场景模拟简化的自适应巡航控制（ACC）功能，实现跟车场景：自车需识别前方车辆，并根据安全跟车距离调整自身车速。在该场景的第一部分，自车需跟随前方的虚拟车辆；第二部分则需跟随真实车辆。无论触发因素是虚拟的还是真实的，自车在两次测试中的行为完全一致。测试后期，自车还执行了自动超车操作，超越了前方车辆。
尽管实现此类复杂场景的实时测试面临诸多挑战，但本文建议重点研究这两个场景的数学模型和时序，因为它们在测试与验证层面具有特殊重要性。核心问题在于，自车的感知系统能否及时检测到目标对象，以便在安全距离内停车。然而，除了被测车辆功能外，针对该被测车辆功能还有另一项控制任务：场景中的对象需与中央控制系统交互，以测试自车先进驾驶辅助系统（ADAS）的运行情况。此外，场景控制过程的关键目标是，根据场景起始时刻t1，确保对象在时刻t2的绝对位置和相对位置准确无误。
5.6.1 行人横穿场景
行人横穿场景包含两个对象：自车和行人（图 6）。自车的任务是驶向人行横道，行人假人将在该区域横穿马路。
图 6：行人横穿场景建模
根据已确定的概念，所应用模型的一项基本要求是：场景需能作为影响因素的连续函数进行分析。因此，系统需实时感知并控制特定场景中各参与者的空间关系。
基于自车和行人在起始时刻t1的绝对位置与相对位置(XEGO0 = XEGO(t1), YEGO0 =YEGO(t1), ϕEGO0 = ϕEGO(t1), XPED0 = XPED(t1), YPED0 = YPED(t1), ϕPED0 = ϕPED(t1)),可得出两者在时刻t2的预期相对位置（距离）(DX , DY )，公式如下：
其中，XEGO(t2)和YEGO(t2)为自车在时刻t2的 X、Y 坐标；XPED(t2)和YPED(t2)为行人在时刻t2的 X、Y 坐标；ϕEGO(t1)为自车在时刻t1的行驶方向；σ为正态分布误差函数。
关于场景对象的行驶距离，计算公式如下：
据已确定的概念，所应用的模型可将被测场景作为场景组件空间关系的连续函数进行评估。因此，本文提出的方法使系统能够实时感知并控制各参与者的空间关系。
5.6.2 跟车场景
跟车场景同样包含两个对象：自车和前方车辆（图 7）。在该场景中，自车的任务是安全地接近前方匀速行驶的车辆。核心问题在于，自车的感知系统能否及时检测到前方车辆，以保持安全跟车距离。
图 7:跟车场景建模
基于本文提出的框架，系统应将场景作为影响因素的连续函数进行评估。因此，模型需实时检测并影响参与场景的各组件之间的空间关系。
基于自车和前方车辆（目标车辆）在起始时刻t1的绝对位置与相对位置t (XEGO0 = XEGO(t1), YEGO0 = YEGO(t1), ϕEGO0 = ϕEGO(t1), XTRG0 = XTRG(t1), YTRG0 = YTRG(t1), ϕTRG0 = ϕTRG(t1)),可得出两者在时刻t2的预期相对位置（距离）(DX , DY )，公式如下：
其中，XEGO(t2)和YEGO(t2)为自车在时刻t2的 X、Y 坐标；XTRG(t2)和YTRG(t2)为前方车辆在时刻t2的 X、Y 坐标；σ为正态分布误差函数。
采用本文提出的方法，系统可将特定场景作为参与场景的各参与者空间关系的连续函数进行分析。因此，已确定的模型能够实时检测并影响场景组件的空间关系。
5.6.3 基于详细传感器模型的场景控制
若将感知模块视为 “黑箱”，建议采用本文提出的场景控制模型。但如果掌握被测感知模块的详细信息，则建议对被测感知系统进行基于模型的表征 [57]。现通过感知模块视场（Field of View）的边界点(XFW1, YFW1 . . .XFWi, YFWi . . .XFWn, YFWn),来描述感知模块，其中i代表由n个点构成的边界区域中的任意中间点。可检测对象同样通过边界点表征，例如行人的边界区域(XBFP1, YBFP1 . . .XBFPj,YBFPj . . .XBFPk , YBFPk )其中j代表由k个点构成的边界区域中的任意中间点；前方车辆（目标车辆）的边界区域(XBFT 1, YBFT 1 . . .XBFTl, YBFTl . . .XBFTm, YBFTm)，其中l代表由m个点构成的边界区域中的任意中间点。
在这种情况下，控制过程的目标是确定时刻t2传感器视场特定区域与可检测对象边界区域的预期相对位置。因此，公式（1）和（2）可替换为公式（13）和（14），公式（7）和（8）可替换为公式（15）和（16）。该优化问题的目标是最小化时刻t2传感器视场与对象边界区域重叠点之间的距离：
上述详细传感器模型已在场景在环（SciL）方法的概念验证演示中应用。
前文提及的场景均在数字孪生环境中实现，且通过混合现实技术，在测试过程中实现了真实对象与虚拟对象的同步融合（见图 8）。
图 8 ：2019 年 5 月 20 日在扎拉区（ZalaZONE）开展的基于混合现实的场景在环（SciL）概念验证演示。绿色的斯玛特汽车（被测车辆，VUT）在自动代客泊车场景中完全自主行驶；白色的斯柯达汽车仅用于停放。左侧的大屏幕显示着扎拉区（ZalaZONE）的数字孪生模型，以及被测车辆在该模型中的实时运动轨迹
图 8 2019 年 5 月 20 日在扎拉区（ZalaZONE）开展的基于混合现实的场景在环（SciL）概念验证演示：绿色智能汽车（被测车辆）在自动代客泊车场景中完全自主行驶；白色斯柯达汽车仅用于停放。左侧大屏幕显示扎拉区（ZalaZONE）的数字孪生模型及被测车辆在其中的实时运动轨迹。现实中的停车场为空置状态，而其数字孪生模型中则停放着虚拟车辆。一个虚拟行人正从某辆虚拟车辆后方走出，导致现实中的被测车辆同样停车。
2019 年 5 月 20 日举办的公开演示活动取得了成功，证明所开发的模型能够同时控制在现实和虚拟环境中实现的实时测试场景。
5.6.4 时序与通信时延
在扎拉区（ZalaZONE）试验场部署的 4G 和 5G（新空口，非独立架构）通信网络中，同样对场景在环（SciL）系统的实时运行情况进行了测试，并在概念验证演示期间采集了测量数据。场景在环（SciL）中央服务器与终端路由器之间的往返时间（ping）测量结果汇总于表 1。
表 1 ：在扎拉区（ZalaZONE）试验场使用 4G/5G 蜂窝网络测试场景在环（SciL）概念时测得的通信时延（时间延迟）
4G 网络之所以能取得优异的性能结果，部分原因在于尽管使用的是商用 4G 基站，但该基站的使用具有准独占性，无普通民用用户占用。关于通信时延的可接受水平，还需指出：场景中控制的对象（元素）数量越多，背后的计算过程耗时越长。
因此，可设定计算时延的可容忍阈值。图 9 展示了场景中对象数量与测得计算时间的关系，结果表明：周期时间与仿真中的虚拟对象数量呈正比，且结果的方差无显著变化。图中设定 25 毫秒为周期时间的可容忍阈值，超过该值时，时延可能过大，无法准确开展基于场景的测试。
图 9: 场景中对象数量与计算时间的关系
6. 解决方案对比
回顾第4节内容，本节将介绍当前先进的车辆在环（ViL）及超车辆在环（Beyond ViL）测试框架的核心系统特性。通过分析现有方法框架，阐释选定的评估因素，如环境组件的仿真、可视化、控制类型以及所实现混合现实的精度。
6.1 环境组件仿真
高质量的仿真能够实现环境组件的真实虚拟表征。在这一维度下，仿真负责呈现这些组件的特性与行为。因此，所应用组件模型的细节越丰富（越接近现实），仿真质量越高。
交通场景可能极为复杂。为确保测试结果的可靠性，需尽可能真实地仿真道路交通特征、行人与骑行者的决策行为、车辆动力学特性以及交通信号时序控制。在这一背景下，协同仿真问题也亟待研究。由于不同解决方案针对不同仿真任务（如车辆动力学仿真或微观交通建模）开发，因此针对特定过程选择合适的仿真工具具有合理性。由此，为协同仿真框架提供灵活、可互操作的接口环境变得至关重要。
所有这些因素都将在评估中体现，在对比表中以缩写 “SIM” 标识。
6.2 环境组件可视化
可视化模块负责实现对象的真实表征。因此，高质量的可视化模块应能够：要么将基于仿真模型可视化对象生成的输入信号注入车辆传感器底层；要么将输出信号直接传输至车辆中央控制系统的决策模块。
可视化越真实，生成的测试结果可靠性越高。因此，为确保测试过程的可靠性，需以现有最高质量对环境和系统组件进行可视化。与真实可视化相关的因素在评估表中以缩写 “VIS” 标识。
6.3 环境组件的全面协同控制
控制框架能够连接特定模型架构的外部组件。系统可从外部组件（如其他测试车辆或弱势道路使用者假人等真实对象，或无需物理实体即可生成信号和触发信息的仿真对象）获取信号（如位置、速度、加速度值），或直接使用其传感器信号。此外，基础设施组件还包括交通信号灯、可变信息标志以及其他智能信息通信解决方案。
对复杂汽车测试与验证环境的控制，远不止控制单一自动驾驶车辆这么简单；整个测试系统需同步调控。此外，控制方式可分为闭环或开环，通信物理层可采用有线或无线方式，且可聚焦于虚拟对象或真实对象。基于此，描述各测试环境控制相关方面的评估因素将参考上述特性，在评估表中以缩写 “CTRL” 标识。
6.4 混合现实精度
随着车辆在环（ViL）测试的出现，将被测车辆（VUT）嵌入虚拟环境的需求也随之产生。从将实车边界框插入仿真环境的简单解决方案，到直接通过仿真环境实现对现实世界元素实时控制的复杂解决方案，各类质量水平的实现方案不断涌现。其中部分方案采用数字孪生架构，可实现混合现实甚至增强现实应用。
在汽车行业的高端 X-in-the-Loop 系统中，混合现实通过应用各类传感器和支持系统，实现现实环境与计算机生成感知信息的精确整合。混合现实作为一种框架，需满足以下三项基本要求：融合现实与虚拟世界、实现实时运行、实现虚拟与真实对象的高精度空间定位与可视化。该因素在评估表中以缩写 “MR” 标识。
为精确整合现实与仿真环境，现实与虚拟对象在空间维度上的高度一致性至关重要 [109]。这要求采用基于实时动态定位（RTK）差分全球导航卫星系统（GNSS）且扩展惯性导航系统（INS）的高精度定位系统、高清地图（HD Mapping）技术，以及基于图像的传感器融合定位解决方案。
此外，需指出的是，5G 通信网络的快速发展将很快实现定位与通信的更稳健融合，因为 5G 网络可有效支持高精度定位。通过基于智能基础设施的定位技术（如使用路侧单元（RSUs）、摄像头、红外摄像机、激光雷达（LiDAR）或雷达（RADAR）传感器），可进一步提升定位精度。智能基础设施的额外优势在于，还能够对非智能、无传感器车辆进行定位。通过利用传感器丰富型车辆和基础设施中部署的道路传感器系统生成的信息，可有效支持非智能车辆的导航。该子因素在评估表中以缩写 “SPT” 标识。
为实现现实与虚拟环境的准确时间同步，需建立可靠的数据传输信道，该信道需具备极低（且至少有保障的低）时延通信能力。因此，需部署 5G 蜂窝网络或高密度专用短程通信（DSRC）网络，以满足实时过程控制需求。该因素在评估表中以缩写 “RT” 标识。
6.5 特定先进 XiL 系统对比
如表格 2 所示，被测系统的仿真模块存在显著差异。部分框架侧重高质量车辆动力学仿真，而其他系统则致力于构建全面的交通建模框架，并在仿真环境中考虑真实交通场景。所采用的可视化技术也各不相同：从细节较简略的 “仅满足功能” 应用，到融合专业工业级或开源解决方案（如 Unreal 或 Unity 引擎）的高保真 “拟真” 方案。从控制维度来看，差异体现在控制范围上：部分系统仅聚焦于被测车辆（VUT）的决策过程，而其他系统则能够覆盖包括场景对象在内的整个测试场景的协调。根据所查阅的文档可得出结论：所有框架均采用高精度定位系统，以支持混合现实环境的实现。对于许多 XiL 系统，其应用的通信信道（对支持实时过程，尤其是混合现实环境至关重要）缺乏详细信息。少数 XiL 框架仅提供专用短程通信（DSRC）网络用于测试；另一方面，部分 XiL 系统对通信领域高度重视，为联网自动驾驶车辆（CAV）测试过程同时提供 DSRC 和 5G 网络支持。
表 2: 所研究的 X-in-the-Loop（XiL）测试与验证框架的组件级对比
基于对上述核心系统特性（如 SIM、VIS、CTRL、SPT、RT）的评估可得出结论：可视化（VIS）和定位（SPT）是大多数系统开发者已取得显著成果的领域 —— 在这两个领域中，仅有一个系统的相关解决方案处于 “初级阶段”。此外，大多数系统开发者在仿真领域也拥有 “先进” 解决方案。相比之下，控制领域（尤其是场景级控制概念）和支持混合现实实现的实时通信领域仍有较大发展空间 —— 仅有不到一半的系统在这些领域拥有 “先进” 解决方案。
从整体来看，大多数系统有 2-3 个模块处于 “初级阶段”，而仅有 4 个系统（如 SYS6、SYS7、SYS8 和扎拉区（ZalaZONE））仅有 1 个或没有模块处于 “初级阶段”。基于对比结果，扎拉区（ZalaZONE）基于混合现实的场景在环（SciL）方法，属于基于场景的联网自动驾驶车辆（CAV）测试与验证领域中最先进的方法框架之一。
需要说明的是，在对当前先进 XiL 解决方案的分析过程中，本研究仅基于文献进行对比，未能参与不同被测系统的实验与测试过程。
7. 结论
本文第1节对汽车开发与测试的现状进行了评估。据此可知，自动驾驶车辆测试仍是一个关键且具有挑战性的问题。目前，针对完全自动驾驶道路车辆，尚未形成普遍认可的测试流程。然而，在高度自动化车辆的验证过程中，仿真无疑正发挥着越来越重要的作用。在当前先进的基于仿真的测试流程中，被测车辆或其组件为真实实体，而环境则通过生成的传感器信号（或例如投影视觉效果等方式）进行完全仿真。汽车行业的测试与验证工作主要在三个不同领域开展，且与汽车的产品生命周期紧密相关。
汽车系统测试以 V 模型方法为基础，采用通用的 X-in-the-Loop（XiL）方法。从模型在环（MiL）环境开始，每个开发阶段可根据其复杂度在更高层级单独测试。当前最先进的测试方式是车辆在环（ViL）测试 —— 在该测试中，整车在开环或闭环测试环境中接受研究。通过应用 X-in-the-Loop 测试解决方案，所研究的系统元素（软件、硬件或完整车辆）需与仿真环境持续交互。因此，需实现虚拟因素与真实因素的同步以确保正常功能，从而为构建连贯、可靠的评估方法提供可能。
本文详细介绍了新开发的基于混合现实的场景在环（Scenario-in-the-Loop，SciL）测试与验证方法。场景在环（SciL）概念能够实现仿真、物理测试环境与实时车辆控制的无缝整合，从而为功能测试提供了前所未有的框架支持。本研究以对当前先进联网自动驾驶车辆（CAV）测试 XiL 解决方案的分析为基础，开展了全面的基准对比。用于 XiL 系统表征的统一标准，以及对被测解决方案的组件级对比，有助于识别特定优势、劣势及研究趋势。该基准分析还表明，本文提出的基于混合现实的场景在环（SciL）测试方法具备超越当前技术水平的多种特性，是基于场景的测试与验证领域中最全面的方法框架之一。
实测结果表明，无线通信技术的最新发展已能够可靠满足此类复杂实时系统控制的时序要求。基于此，将场景在环（SciL）架构视为未来标准测试方法的潜在基础具有合理性。笔者认为，基于场景的测试以及基于混合现实的场景在环（SciL）方法，将成为自动驾驶车辆系统开发中的下一代 X-in-the-Loop 验证方法。
总结本研究的核心发现：基于场景的测试以及融合物理测试环境与虚拟模型表征的混合现实技术，有望在联网自动驾驶车辆（CAV）验证过程中发挥重要作用。这些技术通过减少物理测试和潜在危险的实车测试场景，可降低测试成本与风险。此外，新框架能够支持对现实中难以实现的极端场景进行研究，从而提升测试能力。
关于所介绍框架的未来展望，除地面交通外，还可将该模型扩展至无人机（UAV）测试与验证领域 —— 尤其是考虑到无人机运输相关设备、设施与车辆的审批流程即将成为必然需求。