做仿真为什么会觉得痛苦呢？
仿真非常重要，但一定要嵌入到研发的正规流程中，才能不断迭代成熟，鸟枪变大炮。
来自粉丝的疑问
大家好，我是李慢慢。
公众 号收到小伙伴的留言，应该是worldsim-hil的测试手段，对pnc模块进行测试，测试结果和实车结果有些出入，感觉比较迷茫。原问题如下：
关于仿真的分类
此前尝试解释过什么是自动驾驶仿真：《关于自动驾驶仿真的定义》，也解释过一些常见手段的分类：《自动驾驶测试的4大“显眼包”：LogSim/WorldSim/SIL/HIL，终于分清了》，但貌似还是不全面，因为时代进步太快了，又冒出来了些新技术，所以如今的仿真，我想把它分为以下几个方向：
1、worldsim：人工构建虚拟场景的仿真，纯虚拟仿真，这种目前一般用于规控的测试，代表软件CARLA，搭建小镇3D地图，然后模拟传感器数据，给到自动驾驶算法，根据算法结果再控制车辆行驶，一般是闭环的。
2、logsim：回放真实路测数据的仿真，把路采数据灌给自动驾驶的算法模型，这种一般用于感知的测试，代表软件ROS，通过ROS把数据包以消息的方式播报出来，算法来接收。由于采集的数据是固定的，算法接收后输出的控制指令很难控制原始数据进行变化，所以这种仿真一般是开环的。
3、世界模型：生成式AI的仿真，以图像为主，根据输入的视频或者图像能生成新的视频或者图像，代表软件英伟达的COSMOS，能根据当前的传感器状态，直接预测接下来的世界状态，从而可以用来仿真（甚至做智驾逻辑）的测试或者训练。这种仿真目前落地应用比较有限，比如多模态数据很难做到一致，比如涉及到自车转向类的视角大变动，新生成的世界有点跟不上，比如它也非常依赖显卡。虽然缺点很多，但它能闭环，是目前一段式端到端智驾的热门解决方案，是具身智能物理AI叙事的底层技术。
4、3DGS：三维重建式的仿真（早先还有Nerf这类三维重建技术不过因为重建效率太低而渐渐不再热门），它是通过实车采集数据进行3D模型重建，从而可以进行场景编辑，再进行渲染，理论上能重新模拟出来任意角度的传感器数据，也能闭环控制，所以也是一段式端到端智驾的热门解决方案。但也是缺点很多的，废卡、三维重建效率低、伪影、画面模糊、遮挡区易出错等。
上面4个技术并不孤立，4个技术之间可以互相配合，扩大仿真的能力边界。
哎，仿真技术这么多，慢慢学吧，心累。
但不管怎么说，仿真很重要，仿真测试作为智驾测试的三支柱之一，是写到国标中的，是车企和Tier1们的重要竞争壁垒。
仿真怎么发挥出价值
所以留言的那位小伙伴为什么会觉得痛苦呢？
就像我现在要写这么多字来解释这个解释那个一样，要讲清楚这个仿真，我也觉得很痛苦。仿真总是在不断自我证明中，证明自己仿的足够真，证明自己发现的问题是开发认可的，这一方面需要仿真本身做的好，另一方面也需要跨部门进行反复的沟通，对内容易自我怀疑，对外又需要不断争取，确实很痛苦呀。
如果算上我研究生阶段的CAE仿真经历，到目前也是有十多年的仿真经验了，不断在这种内外博弈中走到今天，要把仿真做好，就要不断学习更新仿真技术，要对仿真结果时刻保持谨慎，要对外讲清楚能力边界，要争取更多的资源，要把仿真嵌入研发流程。
从解释概念，到说服上层，到培训团队，到调试工具链，到说服其它部门，到嵌入研发流程，到成为刚需，这是每个使用仿真的公司都要经历的吧，好在，自动驾驶仿真，已经是被证实是一条对的路，后来人少了方向上的迷茫，剩下的就是打磨技术，产生价值，掌握话语权。痛苦已经少了很多了。
能参与到产品落地交付的仿真，才是真仿真。
工程能力很重要，工具链很重要。
如果说仿真方法决定了能力上限，那么工程能力决定了能力的下限。没有哪种仿真是完美的，实车测试也不完美。你已经拿到了一手仿真的牌，能否打好，还是得看工程能力。
在这个“降本增效”的内卷行业，仿真能力只会越来越重要。
以上，本文完。
