隨著自動駕駛技術(shù)的快速發(fā)展，仿真軟件在開發(fā)過程中扮演著越來越重要的角色。仿真?zhèn)鞲衅髋c環(huán)境不僅能夠加速算法驗證，還能在安全可控的條件下進行復(fù)雜場景的重復(fù)測試。

本文將分享如何利用自動駕駛仿真軟件配置仿真?zhèn)鞲衅髋c搭建仿真環(huán)境，并對腳本進行修改，優(yōu)化和驗證4個魚眼相機生成AVM（Around View Monitor）合成數(shù)據(jù)的流程。通過這一過程，一同深入體驗仿真軟件的應(yīng)用潛力！

一、流程概述

AVM是一種通過多相機實現(xiàn)車輛周圍環(huán)境的實時監(jiān)控和顯示的系統(tǒng)，廣泛應(yīng)用于自動駕駛和高級駕駛輔助系統(tǒng)（ADAS）的環(huán)境感知中。本文基于仿真軟件與腳本生成AVM圖像的流程如下所示：

圖1：基于aiSim構(gòu)建AVM圖像流程

首先，在Unreal Engine中配置標定投影參數(shù)所需的地圖，并在仿真器中為車輛部署4個方向的魚眼相機；

其次，基于相機內(nèi)參進行去畸變，并記錄求解投影矩陣所需的關(guān)鍵參考值，例如AVM畫幅尺寸、參考點的相對坐標、參考區(qū)域的大小與位置、車輛與參考區(qū)域的距離等；

隨后，在完成了角點提取預(yù)處理的標定圖像中快速選取參考點，生成單方向的BEV視圖，重復(fù)4次完成標定去畸變；

后文將對每個流程進行具體描述。

二、仿真?zhèn)鞲衅髋c環(huán)境配置

對于AVM功能而言，通常需要配備4個及以上的大FOV相機以拍攝車輛周圍的圖像，在此基礎(chǔ)上還可配備雷達以更好地獲取車輛周圍的障礙物信息。

圖2：aiSim相機傳感器障礙物真值輸出

由于本文所使用仿真軟件的相機傳感器可以直接輸出識別對象（車輛、行人等）的2D、3D邊界框真值，所以只需配置4個方向的魚眼相機即可滿足整體需求：

（1）前置魚眼相機：安裝在前方車標附近，約15°俯視角；

（2）后置魚眼相機：安裝在后備箱附近，約25°俯視角；

（3）左、右側(cè)魚眼相機：分別安裝在左右后視鏡下方，約40°俯視角與相對車縱軸約100°的偏航角。

圖3：環(huán)視OpenCV魚眼相機傳感器配置

除了傳感器的配置，考慮到腳本是通過選取地面點，求解相機到地面的投影矩陣，并轉(zhuǎn)換生成BEV視圖進行組合，所以還需要構(gòu)建一張特征明顯、易于辨認標定效果的地圖。

本文所使用的仿真軟件支持在Unreal Engine中進行地圖編輯與導(dǎo)出，并帶有一定數(shù)量的3D資產(chǎn)庫，因此可以基于一張基礎(chǔ)室內(nèi)地圖，布置一定數(shù)量的正方形黑白標定板，根據(jù)需要搭建一個標定地圖：

圖4：基于aiSim插件的Unreal Engine地圖編輯

首先，在Unreal Engine中打開項目，并進入室內(nèi)合成地圖；

然后，從3D資產(chǎn)庫中選擇100cm×100cm×5cm的標定板靜態(tài)網(wǎng)格體，拖放到地圖中；

隨后，通過直接拖動模型上的變換工具或者修改側(cè)邊欄中的變換屬性框調(diào)整標定板的位置與姿態(tài)；

進而，配置標定板的材質(zhì)，以黑色、白色的交替順序鋪展標定板；

結(jié)果形成一個長方形的標定區(qū)域。

圖5：編輯完成后的地圖效果參考

批量鋪展的過程可以拆分為對2×2的標定板組合實施橫向與縱向陣列，完成后的地圖如圖所示，整體是一個6m×11m的矩形區(qū)域，車輛放置在中間2m×5m的矩形區(qū)域中。

三、圖像處理與AVM合成驗證集

如前文所述，本文使用的AVM腳本是基于車輛四周，位于相鄰兩個相機重疊視野的標定物，通過選取參考投影區(qū)域實現(xiàn)魚眼相機到BEV的轉(zhuǎn)化，以前視魚眼相機為例：

圖6：投影區(qū)域及BEV轉(zhuǎn)化示意圖

首先，由于是仿真?zhèn)鞲衅鞯臉藴蔕penCV魚眼相機模型，焦距、中心像素位置、畸變參數(shù)等內(nèi)參均已知，可直接使用OpenCV的去畸變函數(shù)實現(xiàn)去畸變，如圖6的(c)到(d)所示；

其次，設(shè)定圖6(a)與(b)所示關(guān)鍵參數(shù)，確定圖像上的點對應(yīng)的真實世界位置，進而計算尺度：

（1）AVM視野總寬total_width = 2 × shift_width + 6 × board_size；

（2）AVM視野總長total_height = 2 × shift_height + 11 × board_size；

（3）board_size為標定板邊長，此處為100，單位cm；

（4）shift_width與shift_height為視野延伸距離，單位cm；

（5）左上角投影點projection_point_0：(shift_width + 100, shift_height)，以此類推右上角、左下角、右下角投影點坐標，形成投影區(qū)域；

（6）inner_height與inner_width為投影區(qū)域相對車輛的橫向、縱向距離，單位cm，由此可以推算出自車所處區(qū)域；

而后，對去畸變相機圖像追加Shi-Tomasi角點提取處理，并增加半自動采點的模式切換，自動選取鼠標點擊像素位置周圍歐式距離最小的角點，保障準確度的同時提升效率；

結(jié)果，如圖6(d)選取4個角點，形成與(b)對應(yīng)的參考投影區(qū)域，輸出的BEV視圖如圖6(e)所示。

圖7：環(huán)視BEV合成AVM示例

以此類推可以得到4個方向的BEV視圖及對應(yīng)的投影參數(shù)，結(jié)合車輛圖層作為覆蓋，即可生成對應(yīng)傳感器布置下的二維AVM合成圖像，如圖7所示，其中每個像素分辨率為1cm2。

圖8：傳感器外參優(yōu)化示例

通過仿真軟件，一方面可以在控制算法不變的情況下尋找出更優(yōu)的傳感器外參布局，另一方面也可以在控制傳感器不變的情況下在多種不同場景驗證，進而迭代優(yōu)化AVM算法的表現(xiàn)。結(jié)合相機傳感器自帶的標注信息，后續(xù)也可以進行包括障礙物識別在內(nèi)的更多功能驗證。

圖9：不同場景下的AVM合成數(shù)據(jù)

四、總結(jié)與展望

本文介紹了基于aiSim仿真軟件生成AVM合成數(shù)據(jù)的完整流程，包括傳感器與地圖的配置、圖像處理與BEV視圖生成以及結(jié)果的AVM合成驗證。

不難看出，仿真軟件的高效性與靈活性保障了在安全可控的環(huán)境中快速驗證算法性能的可行性，并可以通過多場景測試與參數(shù)優(yōu)化改進算法，結(jié)果提升其綜合表現(xiàn)。