- 综合排序
- 最热优先
- 最新优先
- 来自专栏C++开发学习交流
【Prescan学习】Prescan环境配置（介绍+安装+学习资源）
仿真技术作为一种多学科的综合性技术，它将技术数据与游戏引擎相结合，通过仿真软件或硬件进行MiL、SiL、HiL等在环仿真，以求达到反映某些系统行为或过程的模型仿真技术。 Prescan环境配置 1.智能辅助驾驶仿真系统介绍（以Prescan为例） 2.软件下载安装、配置 3.学习资源推荐 1.智能辅助驾驶仿真系统介绍（以Prescan为例） Prescan是一个多物理场模拟仿真平台 ，由西门子公司开发整合，目前主要应用于智能辅助驾驶领域，并且已占据领头羊位置。 (MIL) 到利用软件在环 (SIL) 和硬件在环 (HIL) 系统进行的实时在环测试等应用。 详细介绍参考一位博主：Prescan（一）：无人驾驶仿真软件简介 2.软件下载安装、配置 Prescan软件安装指导 安装有很多教程，请支持正版，请勿使用盗版软件用作商用。
1.7K10编辑于 2024-07-24 - 来自专栏GPUS开发者
读懂SIL与HIL的核心关联，才算真正入门NVIDIA机器人开发
复杂系统的开发与验证始终是核心挑战，从早期机械装置的试错调试，到现代自动驾驶、工业机器人、航空航天等领域的精密控制，如何在不依赖物理原型的前提下高效验证系统功能、降低研发风险？ 进入21世纪后，随着新能源汽车、智能驾驶、电力电子和机器人等领域的快速发展，HIL的应用范围进一步扩展，测试精度和实时性也不断提升，广泛应用于嵌入式控制系统开发与验证的实时仿真技术。 现代HIL平台不仅能模拟机械、电气、液压等多物理域系统，还能支持云端协同、自动化测试、大数据分析等智能化功能。 未来，随着人工智能、数字孪生和云仿真等技术的发展，SIL有望进一步融入智能化、分布式的开发与验证生态。 ，这是目前市场上类似方案中表现最极致的仿真平台； 高性能：依托 GPU 并行计算与 TensorRT 优化，支持超实时仿真与边缘 AI 实时推理； 高扩展：通过 Omniverse 支持多用户协作、大规模多智能体测试与跨平台资产复用
39510编辑于 2025-12-25 Autoware&PanoSim实现一场酣畅淋漓的联合仿真
浙江天行健智能科技有限公司 (PanoSim) 是国内最早从事汽车智能驾驶仿真技术与产品研发、并拥有完全自主知识产权的高科技企业。 联合无缝仿真，提供包括离线仿真、实时硬件在环仿真（MIL/SIL/HIL/VIL)和驾驶模拟器等在内的一体化解决方案；支持包括ADAS、V2X和自动驾驶环境感知、决策规划与控制执行等在内的算法研发与测试 基于Autoware做二次开发，需要搭建一套自动驾驶仿真测试系统，包括场景构建、主车构建、交通流设置、数据处理、传感器建模与感知、车辆动力学等重要环节，以支持算法的开发及调试。 ；l 支持SIL/HIL/VIL闭环测试Autoware自动驾驶框架已经在20多个国家、30多种车型、500多个公司使用。 当前各大自动驾驶公司几乎都进行了借鉴和使用。Autoware框架是理解自动驾驶系统知识最好的学习模板之一，PanoSim是目前国内主流自动驾驶仿真软件之一。
77210编辑于 2024-05-30- 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。 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。 TAD Sim可针对L2-L4不同层级、不同车型、不同算法模块构建高并发云仿真系统，在传感器仿真、交通流仿真、动力学仿真等方面都实现了高保真的仿真结果，满足MIL/SIL/HIL/VIL、全算法使用需求 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。 仿真平台服务按照仿真场景类型可分为场景型仿真、回放型仿真，并具备云端虚拟城市型仿真的扩展能力，按照使用场景可覆盖车辆验证V字流程，包括模型在环、软件在环、硬件在环、车辆在环及驾驶员在环。 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。 涵盖MIL、SIL、HIL、VIL、DIL的车辆验证V字全流程，具备完整测评体系建设能力。 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。 项目地址 Github地址：https://github.com/Tencent/TAD_Sim
2.8K10编辑于 2024-08-30 - 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 自动驾驶 HIL 测试：构建“以假乱真”的实时数据注入系统
01 引言在端到端自动驾驶的研发竞赛中，算法的迭代速度远超物理世界的测试能力。单纯依赖路测不仅成本高昂、周期漫长，更无法穷尽决定系统安全性的关键边缘场景（Corner Cases）。 因此，硬件在环（HIL）仿真测试成为唯一的出路。 然而，将仿真数据闭环注入域控制器流程中存在诸多技术难度，特别是高像素相机原始数据，如何无损、无延迟地将数据灌入对时序和信号要求极为苛刻的域控制器中成为了当前调试HiL系统的主要挑战！ 通过将DMA/RDMA的零拷贝能力、GMSL2 的高带宽物理层以及 I2C 的精确控制能力有机结合，可以有效攻克传统HIL测试中存在的带宽、延迟和保真度瓶颈，从而在实验室环境中构建起连接虚拟仿真与物理ECU 这套技术栈，是加速自动驾驶算法迭代和保障其功能安全的关键赋能技术。
39810编辑于 2025-08-12技术分享|Apollo&PanoSim联合仿真
Apollo是一个开源的自动驾驶平台，它基于百度积累10年的深厚自动驾驶研发技术、丰富的测绘数据处理经验、领先的AI云基础设施，打造行业领先的自动驾驶引擎，为开发者提供了一个高度可扩展的开发和测试平台， 它的开发环境包括仿真工具，如 Cyber RT、Apollo仿真器等，可以帮助开发者在没有实际车辆的情况下进行自动驾驶软件的开发和测试。 PanoSim是一款面向汽车自动驾驶技术与产品研发的一体化仿真与测试平台，集高精度车辆动力学模型、高逼真汽车行驶环境与交通模型、车载环境传感器模型和丰富的测试场景于一体，支持与Matlab/Simulink 联合无缝仿真，提供包括离线仿真、实时硬件在环仿真（MIL/SIL/HIL/VIL)和驾驶模拟器等在内的一体化解决方案；支持包括ADAS、V2X和自动驾驶环境感知、决策规划与控制执行等在内的算法研发与测试 基于Apollo做二次开发，需要搭建一套自动驾驶仿真测试系统，包括场地及道路导入/构建、场景建模、主车构建（3D模型、动力学模型、传感器模型及配置）、交通流建模、数据处理、等重要环节，以支持算法的高效开发及调试
36600编辑于 2024-06-07- 来自专栏人人都是极客
自动驾驶车辆仿真模拟软件盘点
PreScan可以从基于模型的控制器设计（MIL）用于软件在环（SIL）和硬件在环（HIL）系统的实时测试。 ? 主要分为四个步骤，搭建场景、添加传感器、添加控制系统、运行仿真。 此外，使用ControlDesk和LabView的界面可以用来自动运行实验批次的场景以及运行硬件在环（HIL）模拟。 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。 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。
5.7K70发布于 2018-03-16 - 来自专栏人工智能
分布式技术在无人驾驶汽车中的应用
图3.3 大型系统集成 自动驾驶汽车与许多智能的大型系统一样，都需要整合多家的独立开发团队。 个团队开发的超过1000个软件模块；（3）GE（美国通用）的智能医疗系统集成了数百种不同类别的医疗设备。 在系统配置发生变化的过程中，使用DDS可以确保无缝连接全仿真、半仿真、全物理模块。 2.6 简单的安全认证 DDS已经在许多安全关键系统被证明是可靠的商业化网络中间件产品。 DDS协议连接着所有必需的组件，用来创建出满足驾驶员辅助特征以及一体化安全特征的独立、智能的机器。 在实现全自动驾驶汽车的道路上，大众公司已经利用RTI DDS技术达到了某些重要的里程碑。 3.2 奥迪HIL测试平台 奥迪公司推出了基于DDS通信平台的HIL测试平台。RTI DDS给予公司以一个灵活的方式来连接多个仿真设备供应商的系统，并将多个组件和供应商集成到HIL平台中。
2.1K20发布于 2017-12-27 - 来自专栏康谋
端到端智驾模拟软件推荐——为什么选择Keymotek的aiSim？
随着自动驾驶技术的快速发展，车企和科技公司对于模拟测试平台的需求越来越强。从L2/ADAS到L4/L5等级的自动驾驶，虚拟模拟已经成为其中的关键一环。 开放接口 & 测试塔集成aiSim提供C++/Python API和开放的SDK，方便用户将模拟平台嵌入自己的测试（CI/CD），实现软件在环（SiL）和硬件在环（HiL）的无缝对接。 最终自动驾驶仿真测试解决方案除了aiSim本身，Keymotek还构建了完整的端到端智驾模拟测试方案，涵盖从软件验证到硬件闭环、从场景重建到神经渲染的全流程。 XIL架构（软件在环 + 硬件在环）方案核心基于aiSim，采用XIL架构，支持SiL（软件在环）、HiL（硬件在环）等模式。 在HiL模式下，通过中间件将模拟平台与实际算法、域控制器（Domain Controller）等硬件连接，实现真实系统的闭环测试。
37910编辑于 2025-11-18 - 来自专栏量子位
行家来信 | 300辆无人车200万公里路测零事故，首次揭秘背后整套安全保障方案
这个阶段包含了模型在环测试（MIL）、软件在环测试（SIL）、硬件在环测试（HIL）。 软件在环测试（SIL） 对自动驾驶来说，虚拟仿真器是最有效的软件在环测试工具。百度目前每天能够进行百万公里级别仿真测试，仿真场景到达四百万个，实现对三百多种判断规则的自动化检验。 硬件在环测试（HIL） 硬件在环测试阶段，百度会把软件和硬件集成到一起，以测试软硬件系统的兼容性和可靠性。 △国家智能汽车与智慧交通（京冀）示范区亦庄基地 开放道路测试是道路在环测试的最终环节，也是自动驾驶车辆完成测试评估所必须经过的重要环节。 通过部署规模化自动驾驶车辆不断在实际道路上进行测试和验证，形成实际路上场景和自动驾驶能力不断闭环，使自动驾驶车辆在智能度、安全性等方面持续提升，从而逐渐接近具备自动驾驶车辆走进千家万户的能力。
57930发布于 2019-09-29 - 来自专栏点云PCL
强化学习赋能视觉-语言-动作模型：进展、机制与前景综述
摘要 视觉-语言-动作（Vision-Language-Action, VLA）模型作为具身智能的核心范式，正推动机器人及自动驾驶向通用决策系统演进。 世界模型作为训练场：小鹏、理想等布局世界模型，模拟环境状态与智能体响应，为VLA提供安全的闭环训练环境，支持在线强化学习和持续进化。 自动驾驶： 理想汽车VLA司机模型结合RLHF与世界模型仿真，计划2026年落地城市道路。 小鹏汽车基于云端大模型蒸馏+车端VLA，实现“后装算力控车”。 方向：世界模型仿真、可信安全约束策略、人机协作探索（如ConRFT的HIL）。 3. 异构数据协同：如何高效融合离线演示、在线交互、偏好数据及多任务数据仍需探索。 4. 未来研究需着力解决奖励普适性、安全保障、系统整合与计算效率等核心挑战，以实现VLA驱动的通用具身智能体的终极愿景。 参考文献 1.
1.2K10编辑于 2025-08-08 Jetson Thor 对比 AGX Orin：算力7.5倍、能效3.5倍，NVIDIA新一代机器人“大脑”赢在哪？
Jetson Thor 开发者套件，凭借基于 Blackwell 架构的超强性能、灵活的部署设计及丰富的生态支持，被定位为 “当前最强大的机器人算力核心”，可轻松驱动整个人形机器人、移动机器人或自动驾驶设备 三、核心功能：从仿真到实战的全流程支持Jetson Thor 不仅是算力载体，更通过软件生态与功能设计，覆盖了机器人开发的 “仿真 - 调试 - 部署” 全流程，尤其在硬件在环（HIL）测试、AI 模型部署 硬件在环（HIL）：仿真与实战的 “桥梁”在机器人开发中，“软件在环（SIL）” 仅能验证算法逻辑，而 “硬件在环” 可模拟真实硬件运行环境，大幅降低实际部署风险。 Thor 的 HIL 方案流程清晰：仿真端：在工作站（PC）上运行 Isaac Sim（NVIDIA 机器人仿真平台），搭建机器人虚拟环境，生成相机图像、关节状态等传感器数据；算力端：Thor 通过本地 开发者可通过 HIL 测试优化算法（如调整 Groot 模型的动作精度），避免直接在真实机器人上调试导致的硬件损坏风险。
1.4K21编辑于 2025-10-10- 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。
74770发布于 2018-04-12 - 来自专栏GAIO
汽车软件公司采用WinAMS的综合性需求分析与效益研究
自动化测试流水线智能用例生成引擎：基于符号执行（Symbolic Execution）和约束求解技术，自动生成覆盖多边界条件的测试数据（如节气门开度0%-100%的65536种组合），使测试设计工时降低 硬件资源节约策略虚拟HIL（vHIL）技术：通过模拟ECU电气特性（如电源波动、EMC干扰），使早期测试对物理HIL设备的依赖度降低60%（单套HIL设备采购成本约50万美元）。 云端测试资源池化：支持AWS/GCP云环境部署，按需调用计算资源执行大规模并行测试，某自动驾驶公司借此将仿真算力成本从每年120万降至120万降至35万。2. 工具链协同生态模型在环（MIL）到硬件在环（HIL）的无缝衔接：支持Simulink C代码与AutoSAR组件的一键式测试迁移，某动力总成项目借此减少模型到代码的验证断层问题达90%。 对于志在领跑智能电动化浪潮的车企与供应商而言，WinAMS已成为不可或缺的战略性基础设施。
37510编辑于 2025-03-27 - 来自专栏智能制造预测性维护与大数据应用
电动汽车硬件在环HiL系统
HiL（Hardware-in-the-Loop）硬件在环仿真测试系统是以实时处理器运行仿真模型来模拟受控对象的运行状态，通过I/O接口与被测的ECU连接，对被测ECU进行全方面的、系统的测试。 HiL系统主要由三部分组成：硬件平台、实验管理软件和实时软件模型。 从安全性、可行性和合理的成本上考虑，HiL硬件在环仿真测试已经成为ECU开发流程中非常重要的一环，减少了实车路试的次数，缩短开发时间和降低成本的同时提高ECU的软件质量，降低汽车厂的风险。 在新能源汽车这个全新的领域中，HiL硬件在环仿真测试对于三大核心电控系统：整车控制系统、BMS电池管理系统、MCU电机控制器是非常重要的。 但其高精度的实时性要求、大电压大电流的安全性、信号接口的特殊属性、以及系统的可扩展性都使得传统汽车电控系统的HiL硬件在环仿真测试系统无法解决。
67920编辑于 2023-08-28 - 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GPUS开发者
【文末有福利】NVIDIA Isaac开发平台全方位解锁具身智能开发困局
）； 硬件在环（Hardware-in-the-Loop，简称HIL）测试； 集成ROS2 Bridge扩展：发布机器人关节状态、传感器数据，通过RViz2可视化接收数据，完成基础仿真通信 SimReady ，在面对未来空间智能的复杂问题就会显得捉襟见肘。 然而，随着机器人应用场景的日益复杂化，如何确保在虚拟环境中训练出的智能体能够无缝地迁移到现实世界，并且在真实环境下依然表现出色，成为了一个至关重要的议题。 通过SIL，我们能够在早期阶段就对控制逻辑进行有效验证；而HIL则更进一步，将真实的硬件集成到仿真环境中，实现对整个系统更加严格的测试和校验。 让我们一同期待，通过对SIL和HIL的深入探讨，揭开NVIDIA Isaac平台在实际应用中的无限潜力。
55410编辑于 2025-12-25
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