无人驾驶汽车真实上路后所要面临的外部环境是复杂多变的。通过利用仿真模拟软件可以检查算法，也可以训练无人车面对不同场景下的感知、决策等算法。模拟平台有很多种，如果分类的话，可以分为两种：开源和收费的。从技术上分，也主要有两种：第一种是基于合成数据对环境、感知以及车辆进行模拟，这种模拟器主要用于控制与规划算法的初步开发上；第二种是基于真实数据的回放以测试无人驾驶不同部件的功能及性能。                                                                                   

Unity

自动驾驶汽车需要自动驾驶软件来驱动，而在线教育公司Udacity（优达学城）推出了面向自动驾驶开发的纳米学位，来满足目前汽车行业对自动驾驶软件工程师旺盛的需求。近日，Udacity通过开源协议授权公开了它的自动驾驶汽车模拟器，有 Unity 技术背景的任何人都可以利用此模拟器的资源，载入软件内置场景或创建自己的虚拟测试路线。

该模拟器是为优达自动驾驶，旨在教学生如何使用深度学习驾驶汽车，支持Linux、Mac、Windows环境，只需将数据库复制到本地目录，确保使用Git LFS 带动大量的纹理和模型资源。

相关链接：https://github.com/udacity/self-driving-car-sim

 Gazebo

Gazebo平台可以提供在复杂的室内和室外环境中准确有效地模拟训练机器人的能力。它拥有一个强大的物理引擎，高品质的图形，方便的编程和图形界面。最重要的是，Gazebo是一个充满活力的社区免费。三维机器人模拟器Gazebo一般结合机器人操作系统ROS来测试。

优点：

1.动力学仿真
可以连接多个高性能物理引擎，包括ODE，Bullet，Simbody和DART。

 
2.先进的3D图形
Gazebo利用OGRE提供逼真的渲染环境，包括高质量的照明，阴影和纹理。
 
3.传感器和噪音
从激光测距仪，2D / 3D摄像机，Kinect风格的传感器，接触式传感器，力矩等等生成传感器数据，可选的噪音。
 
4.插件
可开发机器人，传感器和环境控制的自定义插件。插件可直接访问Gazebo的API。
 
5.机器人模型

提供了许多机器人，包括PR2，Pioneer2 DX，iRobotCreate和TurtleBot。 或者使用SDF构建你自己的。
 
6.命令行工具
广泛的命令行工具有利于模拟内省和控制。
 
7.云模拟
通过运用Gazebo的功能来整合现有的模型和传感器。
 

应用：
在无人驾驶车辆测试方面，github上有人用ROS动能和Gazebo 8做过一个Car Demo，车辆的油门、刹车、转向和传动都是通过一个ROS系统去控制。所有传感器数据都是通过ROS发布，并且可以用RVIZ可视化。利用Gazebo功能整合现有的模型和传感器，构建城市模型和一个高速公路交互场景，垃圾箱、交通锥和加油站等都来自Gazebo模型库。在车顶处搭载一个16线激光雷达，8个超声波传感器，4个摄像头和2个平面激光雷达。代码可以从Github 网址得到。通过Nvidia-docker并从Docker Hub中提取osrt/car_demo进行尝试。该平台基于C++开发，系统要求ROS+Ubuntu环境。

相关链接：https://github.com/osrf/car_demo

EuroTruck Simulator 2

Euro Truck Simulator 2 本身是一个卡车模拟经营类游戏，可以通过代码训练和运行自动驾驶汽车，。通过AI输出的结果实现自动转向、加速和刹车，可以用来强化学习训练车辆算法。它的缺点是只能控制上下左右四个方向键，不能设置方向盘的角度。除了Euro Truck Simulator 2，还有The Open Racing Car Simulator游戏也可以被用来进行自动驾驶汽车的训练。应用：gibbgub上有人做了Self-driving-truck项目，基本训练方法遵循接近原始的 Atri 论文中的强化学习标准，此外该模型还试图未来的状态和奖励。训练中还使用了一些手工创建的模型和自动生成的模型。

应用：

Gibbgub上有人做了Self-driving-truck项目，基本训练方法遵循接近原始的 Atri 论文中的强化学习标准，此外该模型还试图未来的状态和奖励。训练中还使用了一些手工创建的模型和自动生成的模型。

配置要求：
CPU： Core 2 Duo 2.2 GHz, 
内存：1 GB RAM (2 GB RAM - Vista/7) 
显卡：512 MB (GeForce 6800 or better) 
硬盘：1.2 GB HDD 
系统：Windows、Mac OS X、SteamOS + Linux
编程：基于Python。

相关链接：http://pan.baidu.com/s/1qXCb6o8 密码：219x

Prescan

PreScan是一个基于物理的仿真平台，用于汽车行业开发基于雷达，激光/激光雷达，摄像头和GPS等传感器技术的先进驾驶辅助系统（ADAS）。 PreScan还可用于设计和评估车辆到车辆（V2V）和车辆到基础设施（V2I）的通信应用以及自动驾驶应用。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。

场景搭建

专用预处理器（GUI）允许用户使用路段，基础设施组件（树木，建筑物，交通标志），演员（汽车，卡车，自行车和行人），天气条件（如雨，雪和雾）以及光源（如太阳光，大灯和路灯）。通过从OpenStreetMap，Google Earth，Google 3D Warehouse和/或GPS导航设备读取信息，可以快速表示真实道路。

模型传感器

车辆模型可以配备不同的传感器类型，包括雷达，激光，摄像头，超声波，红外线，GPS和车辆到X（V2X）通信的天线。通过简单的交换和修改传感器类型和传感器特性，便于传感器设计和基准测试。

添加控制系统

Matlab / Simulink接口使用户能够设计和验证数据处理，传感器融合，决策制定和控制的算法以及现有的Simulink模型（如CarSim，Dyna4或ASM的车辆动力学模型）的重复使用。

运行实验

3D可视化查看器允许用户分析实验的结果。它提供了多个视点，直观的导航控件以及图片和电影生成功能。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）

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。在训练过程中，它能够帮我们节省时间，提高效率，并且帮我们规避在真实世界中进行测试时的风险。