自動駕駛仿真軟件性能一致性驗證與優化

中圖分類號：U467.13 文獻標志碼：A DOI：10.20104/j.cnki.1674-6546.20240280

【Abstract】Inorder toensure therepeatabilityof simulation testsandreliabilityof testresults，a simulation testing platformisbuiltusing UnityandUnrealEnginebasedonasystematicanalysisofthedefinitionandpotentialcausesof performance consistencyisues in autonomous driving simulation software，and staticanddynamic scenarios arebuilt atthe sametime.Thestudyalsoinvolves thedesignof testcases，data procesingscripts，automatedtestingscriptsandtheoverall experimental process.Testresults basedonUnityand UnrealEnginesimulation testplatformarequantified through the inconsistencydeviation.Influencedbyvarious factorsrelated tothesimulationsystem’ssoftwareandhardware，expermental results reveal significant inconsistencies in multiple tests，with the maximum deviation reaching 1 5 % .Toaddress the identified deviation，thispaperproposesseveraloptimization strategies，including processoptimizationandpowermodeoptimization， which are validated to reduce the deviationbymore than 40 % ，thereby enhancing the reliabilityand consistency of simulation tests.

Key words： Autonomous Driving Technology，Simulation Testing，Performance Consistency 【引用格式】李紀偉，魏亞格，張夢蝶，等.自動駕駛仿真軟件性能一致性驗證與優化[J].汽車工程師，2025（5）：1-12. LI JW，WEIYG，ZHANG MD，et al.Verification andOptimization of Performance ConsistencyinAutonomous Driving Simulation Software[J]. Automotive Engineer，2025（5）：1-12.

1前言

自動駕駛汽車代表了現代汽車技術的發展方向，其在提高駕駛安全性和效率方面具有廣泛應用前景。同時，自動駕駛系統的研發也越來越依賴于仿真測試，這種方法能夠在虛擬環境中模擬各種道路場景，從而在降低成本的同時進行大規模測試]。仿真測試不僅可以評估自動駕駛系統的性能，還能進行成本效益分析，為決策提供重要數據。當前，自動駕駛技術的發展離不開仿真測試的支持，其重要性日益突出。

自動駕駛仿真測試軟件是開展上述測試的核心工具。它能夠模擬多種道路場景，評估自動駕駛系統在不同情況下的表現2。然而，即使在相同的測試條件下，仿真測試軟件的測試結果也可能存在差異，即出現測試結果的不一致，直接影響測試結果的有效性和可靠性。因此，驗證和優化仿真測試軟件的性能一致性是亟待解決的問題。

目前，國內外對自動駕駛仿真測試軟件性能一致性的研究較少，尤其是針對不同類型仿真軟件的一致性研究更為稀缺。自動駕駛仿真測試軟件的性能一致性驗證成為提高系統性能評估準確性和安全性的關鍵環節。現有的研究主要集中在以下幾種驗證方法3-4：基于隨機策略的測試方法通過隨機選擇測試用例進行性能測試，可以獲得較高的覆蓋率，但耗時較長；基于模型的測試方法利用模型擬合技術進行測試，能夠提高測試效率，但對模型準確性有較高要求；基于優化的測試方法通過優化算法對軟件進行測試，能有效提高測試效率，但實施較為復雜。這些方法在自動駕駛仿真測試軟件中應用廣泛，但仍面臨挑戰，如仿真環境的復雜性和測試用例的增加。特別是基于游戲引擎的仿真軟件，雖然應用廣泛，但在自動駕駛仿真測試中常出現性能不一致的問題，這影響了試驗的可重復性和整體可靠性。

本文旨在探索一種科學的自動駕駛仿真測試軟件性能一致性驗證方法，并針對常見的一致性偏差進行定量評估與優化，基于Unity和虛幻引擎（UnrealEngine）平臺進行試驗，通過詳細的數據分析對仿真過程中的非一致性偏差進行量化，并提出相應的優化方案，以期提升測試軟件的性能一致性，為自動駕駛系統的性能評估提供可靠支持。

2自動駕駛仿真軟件性能一致性問題分析

2.1 自動駕駛仿真軟件

隨著高級自動駕駛輔助系統和自動駕駛技術的發展，自動駕駛仿真軟件也在不斷發展進步。為進一步提升自動駕駛仿真測試的真實性及有效性，新一代仿真測試軟件都具備了直接導入路網數據、高精度地圖及真實路測數據的功能，同時使用高仿真度的主流游戲引擎如Unity、UnrealEngine進行測試場景的構建和渲染。目前市面上的仿真軟件較為豐富，其中既有仿真軟件研發公司專門研發的商業化仿真軟件，也有各大科技公司為支持旗下自動駕駛技術發展而搭建的各類測試平臺，傳統汽車企業也在不斷尋求與軟件開發商及自動駕駛解決方案提供商的密切合作，開發自己的自動駕駛仿真測試軟件，以滿足自動駕駛車輛商業化所需的海量測試需求[8]

目前可供選擇的新一代自動駕駛仿真測試軟件有很多，且各具優點，共性在于它們大多基于主流游戲引擎開發。這些游戲引擎都經歷過游戲及電影行業的考驗，它們在物理仿真領域所提供的真實感可以滿足自動駕駛仿真測試的諸多有效性需求。極為真實的測試環境渲染，也便于試驗環境調整和試驗結果觀察。這些面向游戲開發的引擎同時也具備易上手、易編輯和易運行的特點，有效提升了仿真測試的效率。然而，游戲引擎往往只注重玩家的沉浸式體驗，在場景的一致性構建上有所疏忽。因此，本文基于兩款主流游戲引擎搭建仿真環境，開展一致性的相關驗證。

2.2仿真軟件性能一致性概述

本文討論的仿真測試軟件性能的一致性與仿真的一致性有所不同。仿真的一致性關注虛擬場景與現實道路場景之間的差異，雖然這種差異會影響仿真結果的適用性和試驗有效性，但隨著仿真技術和圖像建模技術的進步，這種差異正逐漸減小。而仿真測試軟件性能的一致性，盡管常被忽視，卻是影響仿真試驗有效性的重要因素。

在舒曼等人的描述下，一致性體現為一種類似因果的關系，即在滿足一致性條件下，所有參與者的狀態完全由上一時間點的狀態決定。在自動駕駛仿真中，這意味著所有參與者的狀態由先前狀態決定，如果仿真軟件性能在每次試驗中保持一致，那么每次試驗在相同時間點輸出的數據應當一致。自動駕駛仿真測試要求高可重復性和有效性：可重復性保證試驗可以在相同條件下反復進行，從而減少工作量和加速數據積累；有效性則確保試驗結果在實際道路情景中有意義。只有在滿足一致性條件的環境下進行的仿真測試，才能同時具備這兩個條件，從而確保測試的價值。

然而，以往的仿真常默認只要給定相同的初始條件和流程，就會產生一致的仿真輸出。但在實際模擬測試中，即使保持軟、硬件配置和試驗環境設置不變，游戲引擎渲染的試驗情景仍可能出現不一致，這種不一致性在試驗過程中最直觀的表現往往是各參與者在每次試驗中運動軌跡的差異。對于試驗中出現的軌跡偏差，如果偏差較小，通常在低精度的仿真測試中可以忽略，或在某些城市環境標準下被允許。但較大的偏差會嚴重影響試驗的可重復性和有效性，浪費測試時間和資源。基于上述分析，本文將重點驗證仿真測試軟件的性能一致性，以量化評估偏差對仿真結果的影響，并提出改進措施，以將不一致性縮小到可接受范圍，降低其對仿真測試的影響。

2.3性能一致性缺乏的原因分析

目前主流的自動駕駛仿真測試軟件如CARLA、AirSim（基于UnrealEngine）和PreScan（基于Unity），通常依賴于游戲引擎實現仿真功能。這些引擎最初是為提升游戲體驗而設計，但在自動駕駛仿真中需滿足一致性等額外需求。游戲引擎的工作過程分為數據輸入、數據計算和數據輸出3個部分，如圖1所示，時間以幀為單位積累。邏輯幀（游戲引擎循環的時間）通常固定，而圖像幀（圖形處理器渲染時間）則受平臺性能影響，可能導致超時[10]

邏輯幀的幀率通常高于圖像幀，以確保游戲世界的平穩運行。但當計算資源負荷高時，圖像幀的渲染可能超時，導致渲染結果與邏輯時間推移產生偏差，這是游戲引擎性能不一致性的根本原因。盡管一些游戲為了流暢體驗犧牲了準確性，但自動駕駛仿真需要高精度，這種不一致性使得游戲引擎不完全適用于自動駕駛仿真。因此，圖像幀超時可視為引起仿真軟件性能不一致的關鍵因素，其可能受軟件配置（如浮點數運算、線程調度、引擎設置、算法隨機數）和硬件配置（如中央處理器、圖形處理器）影響。

此外，還有一些因素直接影響仿真一致性。測量誤差源于傳感器精度不足、環境干擾或標定不準確，導致輸入數據不準確，進而影響仿真結果的一致性。計算誤差可能因浮點運算精度限制、算法隨機性或計算資源不足而引入，這些誤差會逐漸積累并加劇數據偏差。數據傳輸延遲和網絡帶寬限制可能在網聯環境中導致數據不同步，從而影響仿真一致性。同時，初始化誤差、狀態同步誤差及模型不匹配也會引起仿真結果的偏差。本文將綜合考慮這些因素，通過控制和優化軟件、硬件及系統誤差，探究有效的優化方法，以降低圖像幀超時和其他因素對仿真一致性的影響，從而提升自動駕駛仿真軟件的整體性能一致性。

3仿真軟件性能一致性驗證試驗設計

3.1試驗場景搭建

3.1.1 靜態場景構建

本文基于當前流行的兩款游戲引擎——Unity和UnrealEngine，分別搭建自動駕駛仿真測試系統，探究主流框架下仿真測試軟件的性能一致性。選取典型的城市交通場景進行構建，涵蓋了真實城市交通場景中的建筑、街道、車輛、交通信號燈、行人、斑馬線等要素。

靜態場景的構建主要針對場景中不發生移動的元素進行建模0]。常用的建模方法包括基于高精度地圖的三維建模和利用增強現實技術完成場景建模。其中，基于高精度地圖的方法更為普遍，能夠快速生成精度較高的仿真測試場景，同時，高精度地圖中豐富的道路元素信息便于測試人員對場景進行細粒度調整[。為真實還原城市交通場景中的道路狀況，本文從開放街道地圖（OpenStreetMap）上截取了一塊現實中的城市交通道路區域，并將該區域的道路數據導出為路網文件用于道路建模。然后，將從OpenStreetMap獲得的道路數據文件導入CityEngine進行具體的靜態場景建模。導人后的路網如圖2所示。由于格式轉換過程中可能發生數據丟失，實際得到的道路模型可能與現實中的道路存在差異，需要在CityEngine中手動調整有問題的道路。在調整完成后，生成道路和建筑的三維模型，并對建筑模型的密度和高度進行調整，以保證測試程序的流暢性和穩定性，避免測試系統崩潰及試驗數據丟失。

在CityEngine中基本完成城市街道場景的建模后，將模型以FBX格式導入Unity，僅需調整模型貼圖及添加背景環境（如天空、地面、光照等）即可，最終在Unity中搭建的靜態場景如圖3所示。

相較于Unity的導入過程，UnrealEngine還支持將模型轉換為glft格式進行導人。導入城市模型后，依然需要對模型貼圖進行調整，并添加天空、地面和光照等背景環境。此外，根據UnrealEngine的設計經驗，還需關閉引擎默認開啟的動態模糊、曝光、抗鋸齒等畫面增強功能，以確保測試程序的流暢度和試驗數據的穩定性，最終搭建的場景如圖4所示。

3.1.2 動態場景構建

本文試驗中，設定背景車輛按照規定路徑行駛，過程中由腳本控制以實現前車避讓和交通信號燈等候，從而反映物理引擎對車輛行駛軌跡的影響。Unity資源商店提供了多款車輛模型，本文選用其中的部分模型進行車輛的靜態建模，并根據實際車輛的標準對模型的尺寸、質量和速度進行規范化調整。

車輛的邏輯行為主要由C#腳本控制，試驗中車輛搭載了物理仿真、車輛移動、避讓控制和軌跡記錄4類腳本。物理腳本用于模擬車輛動力學、協調車輪旋轉，可直接使用Unity示例中的車輛物理腳本。車輛移動腳本控制車輛按軌跡移動，需預先劃定行駛軌跡，并通過循環讀取控制點，控制車輛按路徑行駛，勻加速至最大速度后保持勻速。避讓控制腳本通過Unity中的射線（Ray）類發射射線，獲取前車間距，當距離小于設定的門限值時，車輛勻減速以避免碰撞，當距離大于門限值后，車輛重新進入勻加速狀態并繼續沿路徑行駛，算法流程如圖5所示。軌跡記錄腳本在每一幀中獲取車輛位置數據并記錄在數組中，試驗結束時將數據存儲至csv文件中。本文選擇了6輛不同路徑的背景車輛進行軌跡記錄，以分析其行駛軌跡的差異，驗證仿真測試軟件的性能一致性。

行人的建模同樣來源于Unity的資源庫，這些模型已附帶行走動畫，便于直接使用。行人移動腳本的編寫與車輛移動腳本相似，也按固定路徑移動。交通信號燈的引入提高了交通場景的真實性，交通信號燈建模擴展為路口交通環境建模，包含交通信號燈和控制交通流的邏輯長方體。交通信號燈控制紅、黃、綠光源按固定時間間隔亮起和熄滅。邏輯長方體控制區域內車輛或行人依據交通信號燈狀態移動和停止，以確保遵守交通規則。

UnrealEngine同樣提供了物理腳本，其他腳本的編寫思路與Unity基本一致。UnrealEngine中的軌跡記錄腳本需要通過根組件（RootComponent）獲取位置數據并進行向量拆分，以得到車輛在仿真環境中 x ， y 軸方向的具體位置數據。避讓控制腳本使用UnrealEngine提供的對象盒體檢測方法，與Unity的射線命中信息（RaycastHit）類似，沿線條掃描命中的第一個車輛對象的位置。兩個引擎在腳本編寫上的最大區別在于腳本形式不同。在UnrealEngine中，腳本主要以藍圖形式存在，例如軌跡記錄腳本中的記錄（Record）函數在藍圖中的實現如圖6所示。

3.2 試驗方案設計

本文的整體試驗流程如圖7所示。

3.2.1 測試用例

本文的測試用例設計主要基于前文的測試場景設計，并由動態場景的運行邏輯決定。在自動駕駛仿真測試的背景下，車輛作為測試用例的主體，每輪重復試驗中選定背景車輛的行駛軌跡即為一個測試用例。

在動態場景搭建過程中，背景車輛沿預定路徑行駛。為確保測試數據的多樣性和全面性，這些路徑包括直行和轉彎，同時設計了前車避讓和交通信號燈穿越等場景。不同背景車輛在試驗中遇到交互事件的頻率有所不同。各背景車輛在每輪重復試驗中都具有相同的初始條件，并在固定路徑上經歷相同的交互事件，從而保證其行駛軌跡在理論上具有可重復性。

3.2.2 數據處理

通過為仿真車輛掛載軌跡記錄腳本，記錄被測車輛在每輪測試中的行駛軌跡。采集的數據包括仿真運行時間、車輛ID、車輛的 x 坐標和 y 坐標。這些數據通過腳本獲取，用于標識車輛、確定相同時間點的軌跡，并計算軌跡偏差。

軌跡記錄腳本在每輪試驗結束后，將車輛軌跡數據輸出為csv文件。雖然記錄時間間隔理論上為2 0 m s ，但受系統資源利用率的影響，實際記錄間隔可能有所偏差。每輛車的軌跡數據分別存儲，最終形成軌跡數據集。

本文使用歐氏距離定義某兩次測試軌跡數據間的偏差，計算參與者 在 時刻的第 n 次和第 次行駛軌跡的偏差：

式中： 分別為被測車輛第 n 次、第 m 次試驗中 時刻的 x 坐標 分別為被測車輛第 n 次、第 m 次試驗中 時刻的 y 坐標。

在整體評價指標的獲取上，先分別計算6輛被測背景車輛在全部10輪重復測試中每個時間點的平均軌跡偏差，定義為被測車輛的平均偏差。假設每次重復的仿真測試中，以 2 0 m s 的固定時間間隔進行軌跡記錄，到仿真結束為止共產生 s 條位置記錄，則被測車輛 的平均偏差為：

式中： 為測試車輛1在所有測試中每兩次測試之間軌跡偏差的總和。

再對6輛背景車各自的平均偏差求平均數來獲得評價仿真軟件一致性表現的最終評價指標，即觀察到的所有被測車輛的整體軌跡偏離情況，將其定義為仿真軟件整體的平均偏差：

最后將測試數據繪制為軌跡圖和箱式圖，以直觀展示測試過程中軌跡的偏差和分布特征，從而幫助分析軟件一致性及其影響因素。

4一致性驗證與優化

4.1一致性驗證

以在Unity平臺上的仿真試驗為例，其運行情況如圖8所示。

將試驗所得的首批行駛軌跡數據通過Python程序進行可視化處理，生成了測試車輛的行駛軌跡如圖9、圖10所示。從圖9、圖10中可以看出，大部分測試車輛在各次測試中表現出的軌跡偏差較小，整體上各車輛的10次測試軌跡幾乎重合，其中在Unity和UnrealEngine平臺試驗中獲得的整體平均誤差分別為 0 . 3 2 m 和 0 . 6 7 m 。然而，部分車輛表現出較為明顯的異常，如基于UnrealEngine的測試中車輛1的軌跡整體差異顯著，該車自身的平均偏差達到 1 . 1 m。

進一步放大觀察區域并對局部軌跡進行詳細分析，可以發現所有測試車輛在每輪重復測試中都存在一定程度的行駛軌跡偏離。這一現象表明，仿真軟件在測試過程中并未始終保持性能的一致性，在每次重復測試中均出現了非一致性現象。

圖11所示為Unity平臺測試的箱式圖。本文對多個被測車輛在多輪重復測試中的軌跡數據進行了偏差計算，生成了大量數據（如在UnrealEngine測試中共產生178500條偏差數據），其中包含較多異常值。盡管異常值較多，但其在偏差數據中的占比并不高，例如UnrealEngine測試中的異常偏差數據占總偏差數據的 5 . 1 5 % 。這些異常值表明，仿真軟件在運行過程中存在極不穩定的仿真狀態，導致場景參與者出現較大的狀態差異，嚴重影響了仿真測試的穩定性和有效性，進一步證實了基于游戲引擎的仿真過程缺乏一致性保障。

圖12所示為UnrealEngine平臺測試的箱式圖。觀察各被測參與者的極值數據，可以發現車輛間的軌跡偏差極值差異顯著，同平臺的測試參與者間偏差極值最大差異可達 1 1 . 0 7 m ，表明偏差受參與者不同行為的影響較大。進一步分析各測試車輛的偏差四分位值，發現部分車輛的偏差箱型較長，反映了偏差數據的波動較大。結合前述評價指標，出現較大偏差波動的車輛通常表現出較大的平均軌跡偏差。這一現象表明，仿真過程中參與者狀態的不穩定性與其表現出的不一致性偏差呈正相關。

結合測試平臺中動態場景的設計可以發現，表現出不穩定性的被測車輛在行駛過程中比其他車輛更頻繁地進行了前車避讓和穿越交通信號燈行為，即進行了更多次的渲染狀態更新。這種密集的參與者交互行為瞬間加重了游戲引擎的運算和渲染負擔。結合前文的非一致性原因分析，可以推測正是這些密集的交互行為導致了渲染幀的超時，最終造成被測車輛在虛擬世界中的渲染位置和邏輯位置產生差異。

4.2一致性優化

4.2.1 進程調度優化

通過為仿真測試進程設置更高的優先級，理論上可以提升中央處理器（CentralProcessingUnit，CPU）的利用率，分配更多資源給仿真進程，以提高渲染性能并減小非一致性偏差。本文在每輪測試開始時自動為Unity和UnrealEngine程序設置最高優先級。優化后的測試結果顯示，仿真程序的非一致性偏差顯著降低，特別是在UnrealEngine上，平均軌跡偏差減小了 0 . 2 3 m ，如圖13所示。

4.2.2 電源模式優化

4.2.3 圖形處理器驅動程序優化

通過調整NVIDIA驅動程序設置提升圖形處理器（GraphicsProcessingUnit，GPU）性能，減小測試中的渲染誤差。本文對NVIDIA驅動程序內的圖像渲染選項進行了以下優化性的調整：在圖像設置中將優先選擇項從“質量\"調整為“性能”；在3D設置中開啟“CUDA-GPUs\"和“OPenGL渲染GPU\"并選擇平臺所用的獨立顯卡，關閉“DSR-因數”“各向異性過濾”\"平滑處理”“垂直同步”和“三重緩沖\"選項；在“電源管理模式”中選擇最高性能優先，開啟“著色緩存器”和“紋理過濾”選項。優化后的測試結果表明，該方法有效降低了Unity和UnrealEngine的軌跡偏差，特別是在Unity平臺上，平均軌跡偏差減小了0 . 1 5 m ，如圖15所示。

4.2.4 硬件優化

通過更換更高性能的CPU和GPU顯著提高游戲引擎的渲染性能。本文首次試驗所使用的測試平臺的配置為i7-8700處理器搭配GTX730顯卡。對平臺的CPU和GPU配置進行優化，在系統環境不變的條件下將硬件配置更換為i9-10900X處理器搭配QuadroRTX6000顯卡，二者在硬件性能上均明顯優于首次試驗中所使用的硬件。測試結果顯示，UnrealEngine的平均軌跡偏差減小了 0 . 5 8 m ，如圖16所示。然而，硬件優化成本高，效果可能不確定，特別是Unity平臺上軌跡優化效果不明顯，如圖17所示。在硬件條件有限的情況下，前述的3種優化方法更易實施且具備參考價值。

4.2.5 浮點數優化

通過精確調整計算精度和改進算法，減小仿真平臺中因計算誤差導致的偏差。本文具體優化策略為放棄所有模擬環境屬性值的小數部分，并保持每個屬性值的固定精度。例如，計算前將“40.12340\"轉換為“4012340”。經算法計算后，再將數字恢復到原始精度，用于可視化和分析。同時，在本文試驗的所有算法中盡量避免浮點數加入運算的可能性。優化后測試結果表明，該方法有效降低了Unity和UnrealEngine平臺上計算誤差對仿真效果一致性的影響，其對于Unity平臺的優化效果如圖18所示，整體平均軌跡偏差下降了 0 . 0 3 m 。

綜上，本文針對仿真軟件性能的非一致性表現設計了5種優化方法，均有效減小了仿真過程中表現出的軌跡偏差，提升了一致性。

5 結束語

本文圍繞自動駕駛仿真測試軟件性能一致性進行了研究。測試結果表明，仿真測試軟件在多次測試中存在性能非一致性偏差，證明了在仿真過程中進行一致性驗證的必要性。

針對測試中發現的非一致性問題，本文提出了5種優化方案，即進程調度優化、電源模式優化、圖形處理器驅動程序優化、硬件優化和浮點數優化，減小了計算誤差。驗證結果顯示，這些優化方案均可有效減小仿真偏差，顯著提升仿真測試軟件的性能一致性。

盡管本文在自動駕駛仿真測試軟件性能一致性研究方面取得了一定成果，但仍有諸多問題亟待進一步探討：本文對性能一致性的定義集中在渲染更新環節，未來研究可將一致性概念擴展至自動駕駛仿真測試的更多環節，進一步挖掘仿真過程中非一致性現象的多樣表現形式。當前試驗場景的仿真度有限，未來研究應基于現實數據構建更為真實的場景，從而提升試驗的真實性和可靠性。本文提出的優化方法雖已證明有效，但仍不足以涵蓋自動駕駛仿真測試中可能出現的所有非一致性問題，未來研究應進一步擴展和總結更多優化方法，并逐步形成完善的性能一致性優化體系。

參考文獻

[1]HARPER C，CHANCEG，GHOBRIAL A，et al.Safety Validation ofAutonomousVehiclesUsing Assertion Checking[EB/OL]. （2022-05-13） [2024-08-28]. https：// arxiv.org/abs/2111.04611.

[2]石豎，卓斌.自動駕駛汽車的仿真[J].汽車工程，2000（2）： 9 7 - 9 9 + 8 0 SHIJ，ZHUO B.Simulation of Automatic Driving Vehicle [J].Automotive Engineering，2000（2）： 97-99+80.

[3]周干，張嵩，羅悅齊.自動駕駛汽車仿真測試與評價方法 進展[J].汽車文摘，2019（4）：48-51. ZHOUG，ZHANG S，LUO YQ.Progress in Virtual Test and Evaluation of Autonomous Vehicle[J]. Automotive Digest，2019（4）： 48-51.

[4]馮洋，夏志龍，郭安，等.自動駕駛軟件測試技術研究綜 述[J].中國圖象圖形學報，2021，26（1）：13-27. FENG Y，XIA Z L，GUO A，et al.Survey of Testing Techniques of Autonomous Driving Software[J]. Journal of Image and Graphics，2021，26（1）： 13-27.

[5]WANG ZR，KIMBG，KOBAYASHIH，et al.AgentBasedModeling and Simulation'of Connectedand Automated Vehicles Using Game Engine：A Cooperative on-Ramp Merging Study[EB/OL]. （2018-10-23）[2024-08- 28].https：//arxiv.org/abs/1810.09952.

[6]CHANCE G，GHOBRIAL A，MCAREAVEY K，et al.On Determinism of Game Engines Used for Simulation-Based Autonomous Vehicle Verification[J].IEEE Transactions on Intelligent Transportation Systems，23（11）：20538-20552.

[7]聞龍.面向智能網聯汽車的高性能計算仿真平臺[D].成 都：電子科技大學，2020. WENL.High Performance ComputingSimulationPlatform for Intelligent Connected Vehicles[D]. Chengdu： University ofElectronic Science and Technology of China，2020.

[8]趙祥模國家重點研發計劃（2021YFB2501200）團隊.自 動駕駛測試與評價技術研究進展[J].交通運輸工程學 報，2023，23（6）：10-77. Zhao Xiangmo’s Team Supported by the National Key Research andDevelopmentProgramofChina（2021YFB250 1200）.Research Progress in Testing and Evaluation Technologies for Autonomous Driving[J]. Journal of Traffic and Transportation Engineering，2023，23（6）：10-77.

[9]GREGORY J.Game Engine Architecture[M].2nd Ed.Boca Raton，Florida，USA：CRCPress，2017.

[10]秦風.無人車硬件在環的虛擬測試系統研究[D].西安： 長安大學，2021. QINF.Research on Hardware-in-the-Loop Virtual Test System for Unmanned Vehicles[D].Xi’an：Chang’an University，2021.

[11]鄧偉文，李江坤，任秉韜，等.面向自動駕駛的仿真場景 自動生成方法綜述[J].中國公路學報，2022，35（1）：316- 333. DENG W W，LIJK，RENB T，et al.A Survey on Automatic Simulation Scenario Generation Methodsfor Autonomous Driving[J]. China Journal of Highway and Transp0rt，2022，35（1）：316-333.

（責任編輯斛畔）

修改稿收到日期為2024年8月28日。