- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯自动驾驶
腾讯自动驾驶仿真测试平台，助力智能驾驶从研发到运营价值链拓展
腾讯数字孪生仿真技术总监孙驰天，重点分享了数字孪生仿真技术在自动驾驶中的创新应用。数字孪生与仿真的融合，将加速自动驾驶算法训练和测试验证，提高训练和测试效率，降低研发成本。 腾讯数字孪生仿真技术总监 孙驰天 自2016年起，腾讯重点投入自动驾驶研发，并发布了自动驾驶仿真测试平台TAD Sim，以游戏科技+数据驱动的模式，打造了具备“数据采集、场景建模、场景自动生成、模型在环 在TAD Sim 深入应用到国内自动驾驶测试、智能汽车研发领域同时，腾讯也不断整合云计算、游戏科技、数字孪生等技术，提升自动驾驶仿真测试平台的服务能力。 虚实结合的自动驾驶仿真测试 目前，汽车行业智能驾驶业务正逐步从建设期转入运营期，针对这一趋势，TAD Sim 还打造了面向地图更新回归测试的应用能力，帮助车企以更低成本进行地图更新数据的回归测试验证，保证智驾算法在新的地图更新数据之上不会出现运行问题或者功能降级 截至目前，TAD Sim合作企业包括国内外多个头部品牌车企，并助力自动驾驶量产项目落地。同时，TAD Sim已在多个智能网联国家测试场、国家智能交通测试基地、智能网联示范区中投入应用。
1.2K20编辑于 2023-11-13 - 来自专栏企鹅号快讯
为什么仿真测试能让自动驾驶变得更安全？
这意味着，在一些时候我们要在实际道路上对其进行测试。然而同样重要的，是在虚拟道路上的仿真测试，虚拟测试也是积累无人驾驶汽车测试里程的重要手段之一。 其次，一些有可能使人类测试员处于危险当中的场景，我们也可以让其在虚拟测试中再现，例如仿真出一条布满薄冰的高速公路。 仿真测试还有另一个优势，那就是在短时间内对多种路况进行再现。 按照这个速度，仅仅两天之内，可完成全美所有道路的测试。 要想让数字仿真技术在自动驾驶汽车的训练和测试中发挥高效发挥，我们得保证虚拟世界要和真实世界无限接近。 各家公司给出的解决方案 DRIVE PX是一个人工智能车载计算平台，它负责将多个传感器获取的数据进行融合，运行自动驾驶所需的复杂软件算法，然后将决策指令发送给车辆执行。 而就在最近，TASS开始使用 PreScan数据对自动驾驶深度学习算法进行训练和验证。 TASS与德国人工智能研究中心以及西门子共同合作了一个项目，该项目展示了模拟数据对深度学习算法的训练价值。
1.3K100发布于 2018-01-08 - 来自专栏企鹅号快讯
为什么仿真测试能让自动驾驶变得更安全？
这意味着，在一些时候我们要在实际道路上对其进行测试。然而同样重要的，是在虚拟道路上的仿真测试，虚拟测试也是积累无人驾驶汽车测试里程的重要手段之一。 其次，一些有可能使人类测试员处于危险当中的场景，我们也可以让其在虚拟测试中再现，例如仿真出一条布满薄冰的高速公路。 仿真测试还有另一个优势，那就是在短时间内对多种路况进行再现。 按照这个速度，仅仅两天之内，可完成全美所有道路的测试。 要想让数字仿真技术在自动驾驶汽车的训练和测试中发挥高效发挥，我们得保证虚拟世界要和真实世界无限接近。 各家公司给出的解决方案 DRIVE PX是一个人工智能车载计算平台，它负责将多个传感器获取的数据进行融合，运行自动驾驶所需的复杂软件算法，然后将决策指令发送给车辆执行。 而就在最近，TASS开始使用 PreScan数据对自动驾驶深度学习算法进行训练和验证。 TASS与德国人工智能研究中心以及西门子共同合作了一个项目，该项目展示了模拟数据对深度学习算法的训练价值。
1.1K100发布于 2018-01-02 - 来自专栏CreateAMind
ros小车和驾驶仿真环境视频
深度学习的自动驾驶训练模型测试： https://github.com/parilo/steering-a-car-behavioral-cloning ros物理小车。
38740发布于 2018-07-24 - 来自专栏人人都是极客
自动驾驶车辆仿真模拟软件盘点
相关链接： https://tass.plm.automation.siemens.com/prescan http://www.cheyun.com/content/16897 （基于模型的智能驾驶性能开发和测试方法 、汽车电子控制系统、智能辅助驾驶与主动安全系统、环境传感与感知、自动驾驶等技术和产品的研发、测试和验证。 应用：龚建伟等人在《无人驾驶车辆模型预测控制》一书中，利用Simulink/CarSim联合仿真平台，构建了车辆模拟进行测试。 Pro-SiVIC ? 两公司合作构建了逼真的3D仿真环境，再现了拉斯维加斯的部分城市街景，包括实际道路布局、路标和行人等，对驾驶辅助系统和自动驾驶系统进行虚拟测试。 结论：除了上述这么软件外，还有很多采集真实场景，基于真实交通场景多传感数据来做离线测试。从训练到测试，虚拟环境正在让自动驾驶变得越来越完善。
5.7K70发布于 2018-03-16 - 来自专栏啄木鸟软件测试
智能体测试实战：从ChatOps到自动驾驶Agent
这里暴露了智能体测试最易被忽视的维度——时序敏感性与弹性边界。 其特殊性在于：测试不仅涉及算法逻辑，更需覆盖传感器噪声、电机响应延迟、光照变化等物理扰动。传统仿真环境（如Gazebo）无法复现真实产线中的微振动与反光干扰。 解决方案是‘虚实混合测试金字塔’： - 底层：在真实设备上部署轻量级探针（如相机帧率监控、关节角度日志），采集200小时产线运行数据构建物理扰动特征库； - 中层：基于真实数据训练‘扰动仿真器’（Diffusion 6周测试共捕获17类仿真环境遗漏的失效模式，包括‘冷凝水膜导致红外成像伪影被误判为裂纹’等关键问题。 结语：智能体测试不是新工具的堆砌，而是测试哲学的升维 智能体测试的本质，是应对‘涌现性失效’——那些仅在复杂交互、长程依赖、环境反馈中才会浮现的问题。
24310编辑于 2026-03-04 一场极端测试，揭开了智能驾驶的真相
而到了夜间测试，情况更惨烈，十三台车里只剩三台成功。这三台无一例外都搭载了激光雷达。再到弯曲的雪地S形道路测试，通过率干脆跌到一半以下。换句话说，当环境复杂起来，大部分车的智能驾驶系统就开始掉链子。 这些测试结果有几个重要的启示。 第一，智能驾驶远没有广告里描述的那样可靠。它不是万能驾驶员，而是一个在好条件下能帮你分担一些任务的助手。 第二，不同技术路线的差距在极端情况下会被放大。 如果智能驾驶被快速普及，而监管和测试没有跟上，风险会被转嫁给每一个普通消费者。就像外卖大战让夫妻店倒闭一样，智能驾驶大战一旦陷入资本竞赛，可能把未成熟的功能强行推向市场，让消费者成为风险的试验品。 今天的测试数据告诉我们，绝大多数车辆在极端场景下还过不了关。要是把这些车直接放到全国的道路上，那些信任智能驾驶的司机就是最大的牺牲者。 智能驾驶的未来当然令人期待，但我们必须冷静。 真正的安全，不是来自营销话术里的“自动驾驶已实现”，而是来自透明严谨的测试、不断积累的数据、还有对风险的诚实面对。 当下我们看到的智能驾驶，就像一个少年，潜力无限，却仍然稚嫩。
15810编辑于 2026-03-17- 来自专栏机器人网
自动驾驶汽车也装“飞行”仿真器？
但随着半自动驾驶汽车中越来越多的驾驶功能实现了自动化，今天的OEM厂商都不知道驾驶人是否还要保持全神贯注的留意路况，还是可以将驾驶工作留给汽车来完成而让自己可开始做一些其他事情。 设计半自动驾驶汽车平台的汽车制造商必须关注“驾驶人的疲劳状态以及注意力情况，同时检查他们的驾驶风格，”飞思卡尔公司的Santo表示。 在今后几年中，汽车OEM厂商将“收集、评估和分析有关半自动驾驶汽车中驾驶行为的大量资料。” Santo进一步解释，有些OEM厂商和一线供货商甚至可能执行类似于飞行仿真器的半自动驾驶汽车仿真器，以便观察在遇到复杂的路况时汽车和驾驶人会出现什么情况。 Santo表示，自动驾驶汽车中的驾驶人就像是开着一架自动驾驶飞机的飞行员，但“汽车比飞机要危险得多了。”首先，道路上会出现更多无法预期的危险。但更重要的是，一般驾驶人并不像专业飞行员受过训练。
74870发布于 2018-04-12 - 来自专栏FPGA开源工作室
Aurora IP建立仿真及测试
开发工具 设计工程 作者 win10 Vivado2018.1 Aurora 仿真上板测试 莫烦 由于项目需要，小编使用Aurora核对数据进行光纤传输，这篇文章主要介绍如何生成Aurora核、仿真上板测 试。 二、仿真测试 在Vivado软件中，我们生成好IP后可以可以打开带有例子的工程，进行仿真查看LANE_UP和CHANNEL_UP信号拉高后，即可认为光纤通道初始化成功，在对其数据接口进行查看，官方给的例程主要分为三大块 三、上板测试（光纤初始化） 我们需要对INIT_CLK_P、INIT_CLK_N、DRP_CLK、GT_RESET_IN、RESET四个信号进行修改。
2.3K10发布于 2019-10-29 - 来自专栏CreateAMind
CAT Vehicle Testbed 自动驾驶仿真 gps 视觉 雷达
https://cps-vo.org/group/CATVehicleTestbed/wiki
58030发布于 2018-07-24 - 来自专栏CNNer
【自动驾驶】开源 | 仿真中自动驾驶感知模型训练的优化策略研究
Optimal Strategies for Training Self-Driving Perception Models in Simulation 原文作者：David Acuna 内容提要 自动驾驶依赖于大量真实数据来进行高精度的标注 替代解决方案试图利用驾驶模拟器生成大量带有变化内容的标签数据。然而，合成数据和真实数据之间的领域差距仍然存在，这就提出了以下重要的问题：利用自动驾驶模拟器进行感知任务的最佳方式是什么？ 最后，我们展示了在使用驾驶模拟器进行训练时，哪些类型的变化(如天气条件、资产数量、地图设计和颜色多样性)会对感知网络产生影响，以及哪些变化可以用我们的领域适应技术进行补偿。 主要框架及实验结果 声明：文章来自于网络，仅用于学习分享，版权归原作者所有 分享最新的CVPR、ECCV、ICCV、IROS等人工智能论文，关注深度学习、自动驾驶领域。
55220编辑于 2021-12-14 - 来自专栏腾讯自动驾驶
开源公告｜自动驾驶仿真软件 TAD Sim 发布
项目简介 TAD Sim是腾讯以建立更加安全和高效的自动驾驶测试工具为目标，为智能驾驶系统研发和验证而量身定做的跨平台分布式仿真系统。 （城市交通流仿真） 05、提供高效测试工具，助力日行百万公里 TAD Sim可借助云端的强大算力，助力自动驾驶轻松实现日行百万公里。 07、 确保仿真一致性 各阶段仿真测试（模型在环、软件在环、硬件在环、车辆在环、驾驶员在环等）都可使用统一的仿真引擎，并且数据相互兼容，数据格式统一。 且支持自定义控制随机因素，确保同一测试用例在多环境多次运行结果一致。 应用场景 TAD Sim面向自动驾驶仿真测试与评价的应用场景。 支持与CICD、数据管理服务、数据采集标注服务、算法训练服务等自动驾驶云工具链全流程打通。随着产品的逐步发展，也可逐步扩展到智能网联仿真测试、合成数据生成、虚拟试驾等应用场景。
2.8K10编辑于 2024-08-30 - 来自专栏Python编程爱好者
CVPR 2024 | DrivingGaussian：环视动态自动驾驶场景重建仿真
同时在单目驾驶场景的重建任务上DrivingGaussian也表现出了优异的性能，并且能够支持自动驾驶场景的Corner Case仿真生成。 同时，对驾驶场景进行重建和可控仿真还能够合成驾驶过程中可能遇到的极端情况（例如corner case），有助于以较低成本验证和增强自动驾驶系统的安全性。 我们还测试了DrivingGaussian在单目自动驾驶数据集KITTI-360上的性能和现有方法的比较，结果如下表所示： 实验结果表明DrivingGaussian在单目驾驶场景的重建任务上仍然保持了出色的竞争力 下图展示了DrivingGaussian能够支持自动驾驶场景的Corner Case仿真模拟，合成现实场景中的突发事件和极端案例，从而生成更具价值的Corner Case数据集用于测试自动驾驶系统的安全性和可靠性 结论： 本文提出了DrivingGaussian，一种基于3D高斯的动态环视驾驶场景三维重建与仿真框架，在大规模环视驾驶场景重建与仿真任务上表现出色，同时展现了在更多自动驾驶下游任务中的应用潜力。
1.5K10编辑于 2024-04-19 - 来自专栏WOLFRAM
Wolfram 语言构建 3D 自动驾驶汽车仿真
介绍 在本文中，我们将创建一个简单的驾驶模拟以训练分类器来自动驾驶虚拟汽车。我们的模拟将由用户或计算机组成的 3D 场景组成，该场景由多风的道路和单个汽车控制器组成。 建立模拟 仿真图形 我们将首先创建图形函数来组装和显示模拟。首先让我们为地面创建一个纹理。为简单起见，我们将栅格化一条包含道路左转和右转的内置曲线。 我们将在“前进”方向生成训练数据，然后在相反方向测试训练好的自动驾驶汽车。 让我们来看看一些训练示例： TableForm@RandomSample[sim["History"], 3 训练自动驾驶汽车 生成示例数据后，我们现在准备训练分类器来驾驶汽车！ 尽管如此，凭借我们少量的示例数据，自动驾驶汽车表现良好。 Information[selfDrivingCar] 为了预览我们的自动驾驶汽车，我们将使用我们的新分类器来驾驶汽车进行一百次模拟。
62820发布于 2021-10-11 - 来自专栏企鹅号快讯
智能驾驶加速：资本密集布局无人驾驶
智能驾驶加速，无人驾驶可期。 从广义上来看，无人驾驶属于智能驾驶的最高级阶段。智能驾驶已开始产业化进程，各大跨国车企亦制定了相应的智能汽车商业化计划。 传统车企或将完胜互联网企业 智能化是汽车行业的一大方向，所以几乎世界上所有的传统车企都在紧锣密鼓地通过自主研发或者并购，加紧布局无人驾驶。 从国内来看，比亚迪于2014年推出了针对燃油车的智能驾驶计划“智战略”，包括智能车联、智能驾驶、智能安全三个方面,已经应用于S7、G5、新M6等几款车型，比亚迪在智能驾驶方面已有相当的技术储备,未来2年将会有大量智能驾驶的技术应用于新能源汽车上 ；上汽集团推出智能互联SUV RX5、智能驾驶汽车MG iGS，计划在2020年推出能在结构化道路上行驶的无人驾驶汽车；北汽集团研发无人驾驶电动车，面向公众试乘，最快2017年实现商业化；长安汽车推出智能互联 类似于手机由功能机进入智能机时代，传统的汽车半导体供应商NXP和瑞萨汽车电子以及新进入者intel、英伟达等纷纷位于绸缪，推出了针对智能驾驶的集中式控制系统架构，对传统的光伏采取的分布式架构提起挑战。
93660发布于 2017-12-29 - 来自专栏企鹅号快讯
智能汽车的进化，从辅助驾驶到无人驾驶
随着智能网联技术的逐步发展，智能汽车也开始逐渐走进人们的视野。无论对汽车行业是否了解，大家都知道车辆自动化方面有三个名词：辅助驾驶、自动驾驶、无人驾驶。 辅助驾驶作为智能汽车进化的起点，其应用已经较为普遍，而作为重要发展节点的无人驾驶似乎迟迟不能推广应用。这其中的原因是什么?辅助驾驶、自动驾驶和无人驾驶之间有什么区别? 今天小编就带大家看看智能汽车的进化史。 辅助驾驶 辅助驾驶一般使用汽车驾驶辅助系统，顾名思义，它的存在就是为了给司机驾驶的过程中一个辅助支持，保证司机的驾驶安全。 自动驾驶系统不需要驾驶员关注驾驶情况，只需要在系统退出后接管车辆即可。自动驾驶过程中责任事故归主机厂。 自动驾驶除了实现辅助驾驶的大部分功能外，允许驾驶员不再关注交通和控制车辆，但仍需要驾驶员坐在车里。
70480发布于 2018-02-07 微软推出开源自动驾驶仿真平台 AirSim 教程
微软的AirSim开源自动驾驶仿真平台主要面向哪些用户群体？ AirSim平台支持哪些编程语言进行自动驾驶模拟？ 如何在AirSim平台上进行机器学习的自动驾驶模拟训练？ AirSim 是微软推出的开源项目，用于测试人工智能系统的安全性，该系统提供仿真的环境、车辆动力和感知能力，促进无人驾驶技术的发展。 近期，微软的工程师推出了一套 AirSim 官方教程，旨在让专家、研究者以及自动驾驶领域的新手们快速掌握开发自动驾驶的基本技能。 在这套教程里，你将会学到如何用从 AirSim 仿真环境搜集到的数据集来训练和测试用于自动驾驶的端对端深度学习模型。 你的训练模型将会在 AirSim 的仿真地形中学会如何驾驶汽车，输入的视觉数据只来自一个设置在车前的摄像头。这套课程常被当作自动驾驶的入门项目，不过学完整套课程后， 你会有能力实现你自己的想法。
75710编辑于 2025-09-20- 来自专栏从头开始学习测试开发
《AI 测试副驾驶：用 Skill 将测试经验注入 Cursor，实现用例的智能生成与审查》
通过这种方式，AI 从一个通用的代码补全工具，转变为每位测试工程师专属的“智能副驾驶”。 我们将详细阐述如何设计这份“测试知识蓝图”，并通过具体工作流展示其如何在日常开发中自动生成符合规范的测试用例草稿，并对人工编写的用例进行智能审查，从而系统性提升测试效率与质量。 有了这份结构化的“测试知识蓝图”，AI 就能无缝融入测试开发的日常工作流，扮演两种关键角色：智能生成者 与 智能审查者。 工作流二：智能审查 —— 为你的代码做“实时同行评审” 典型场景 你手写了一个复杂的测试函数，但不确定是否覆盖了所有边界条件，或是否遗漏了数据库断言。 AI 副驾驶方式 在 Cursor 编辑器中选中你刚写好的测试函数； 右键选择 “Ask AI” 或使用快捷键（如 Cmd+K）唤出聊天面板； 输入审查指令： “请根据我们的测试规范，审查以下用例：
83810编辑于 2026-03-04 - 来自专栏智能制造预测性维护与大数据应用
测试测量应用快览之军工仿真
带您三分钟快速浏览军工量测系统典型应用，包括基于VxWorks的火箭发射仿真系统，地面武器仿真训练系统，光电侦察装备测试系统，军舰电子装备测试系统，军用无人机风洞数据采集与控制系统，航天器碰撞检测系统， （一）基于VxWorks的火箭发射仿真系统 功能概述： 实时模拟火箭发射与操作 控制站采用VxWorks系统，操作站采用Windows 使用1553B通讯 AI/AO/DI/DO与通讯接口 解决方案： 功能概述： 模拟地面武器特性，进行战况仿真训练 为提高实时性，采用实时系统，达到微秒级同步控制 各种总线通讯，包括RS232/485，CAN2.0B等 高精度高密度数据采集，16位分辨率 16路模拟量输出 功能概述： 为光电侦查装备的研制提供自动测试 输出多路开关信号，测量侦察设备的实时相应 采用嵌入式一体化设计，便携调试系统 直观易操作的界面，数据存储与分析功能 解决方案： MIC-1816：数据采集一体机 Core™ i3，16-bit 1MS/s 16AI，24DIO Labview 驱动支持 （四）军舰电子装备测试系统 功能概述： 变参数、多种类、多功能、大信息量的测量、控制及复杂的数据分析处理 采用
73020编辑于 2022-05-30 - 来自专栏数据魔术师
产品|智能仓储AGV调度仿真优化平台
针对此问题，数据魔术师团队耗费将近一年的时间，开发了这款智能仓储AGV调度优化仿真平台，其可以对输入的仓库布局、AGV 数量与速度，结合实际生产的订单产生情况及调度策略，进行仓储管理系统运行过程的可视化仿真模拟 协助研究人员测试算法 同时，平台也解决了智能调度算法领域研究人员的测试痛点，为其开发、检验算法效率提供了可能。 基于平台搭建的可视化界面，研究人员可以调用不同类型的算法进行测试，改进存在的缺陷，并基于此进一步开发新的 AGV 调度算法，以更直观的方式将设计的模型呈现给涉众。 03 策略优化 可供选择和比较的优化策略 针对关键、复杂的 AGV 路径优化问题，平台采取了智能搜索技术、元启发式算法、动态优化算法、群体智能算法等对 AGV 派送策略进行组合优化。 多AGV防撞机制 由于仓储系统选用了 AGV 无人驾驶小车来实现货物的派送，在距离很近的情况下，全自动化的 AGV 行进可能会出现相互干扰或者造成死锁的情况。
3K33发布于 2020-05-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号