随着自动驾驶技术的快速发展，仿真软件在开发过程中扮演着越来越重要的角色。仿真传感器与环境不仅能够加速算法验证，还能在安全可控的条件下进行复杂场景的重复测试。

本文将分享如何利用自动驾驶仿真软件配置仿真传感器与搭建仿真环境，并对脚本进行修改，优化和验证4个鱼眼相机生成AVM（Around View Monitor）合成数据的流程。通过这一过程，一同深入体验仿真软件的应用潜力！

一、流程概述

AVM是一种通过多相机实现车辆周围环境的实时监控和显示的系统，广泛应用于自动驾驶和高级驾驶辅助系统（ADAS）的环境感知中。本文基于仿真软件与脚本生成AVM图像的流程如下所示：

图1：基于aiSim构建AVM图像流程

首先，在Unreal Engine中配置标定投影参数所需的地图，并在仿真器中为车辆部署4个方向的鱼眼相机；

其次，基于相机内参进行去畸变，并记录求解投影矩阵所需的关键参考值，例如AVM画幅尺寸、参考点的相对坐标、参考区域的大小与位置、车辆与参考区域的距离等；

随后，在完成了角点提取预处理的标定图像中快速选取参考点，生成单方向的BEV视图，重复4次完成标定去畸变；

后文将对每个流程进行具体描述。

二、仿真传感器与环境配置

对于AVM功能而言，通常需要配备4个及以上的大FOV相机以拍摄车辆周围的图像，在此基础上还可配备雷达以更好地获取车辆周围的障碍物信息。

图2：aiSim相机传感器障碍物真值输出

由于本文所使用仿真软件的相机传感器可以直接输出识别对象（车辆、行人等）的2D、3D边界框真值，所以只需配置4个方向的鱼眼相机即可满足整体需求：

（1）前置鱼眼相机：安装在前方车标附近，约15°俯视角；

（2）后置鱼眼相机：安装在后备箱附近，约25°俯视角；

（3）左、右侧鱼眼相机：分别安装在左右后视镜下方，约40°俯视角与相对车纵轴约100°的偏航角。

图3：环视OpenCV鱼眼相机传感器配置

除了传感器的配置，考虑到脚本是通过选取地面点，求解相机到地面的投影矩阵，并转换生成BEV视图进行组合，所以还需要构建一张特征明显、易于辨认标定效果的地图。

本文所使用的仿真软件支持在Unreal Engine中进行地图编辑与导出，并带有一定数量的3D资产库，因此可以基于一张基础室内地图，布置一定数量的正方形黑白标定板，根据需要搭建一个标定地图：

图4：基于aiSim插件的Unreal Engine地图编辑

首先，在Unreal Engine中打开项目，并进入室内合成地图；

然后，从3D资产库中选择100cm×100cm×5cm的标定板静态网格体，拖放到地图中；

随后，通过直接拖动模型上的变换工具或者修改侧边栏中的变换属性框调整标定板的位置与姿态；

进而，配置标定板的材质，以黑色、白色的交替顺序铺展标定板；

最终形成一个长方形的标定区域。

图5：编辑完成后的地图效果参考

批量铺展的过程可以拆分为对2×2的标定板组合实施横向与纵向阵列，完成后的地图如图所示，整体是一个6m×11m的矩形区域，车辆放置在中间2m×5m的矩形区域中。

三、图像处理与AVM合成验证集

如前文所述，本文使用的AVM脚本是基于车辆四周，位于相邻两个相机重叠视野的标定物，通过选取参考投影区域实现鱼眼相机到BEV的转化，以前视鱼眼相机为例：

图6：投影区域及BEV转化示意图

首先，由于是仿真传感器的标准OpenCV鱼眼相机模型，焦距、中心像素位置、畸变参数等内参均已知，可直接使用OpenCV的去畸变函数实现去畸变，如图6的(c)到(d)所示；

其次，设定图6(a)与(b)所示关键参数，确定图像上的点对应的真实世界位置，进而计算尺度：

（1）AVM视野总宽total_width = 2 × shift_width + 6 × board_size；

（2）AVM视野总长total_height = 2 × shift_height + 11 × board_size；

（3）board_size为标定板边长，此处为100，单位cm；

（4）shift_width与shift_height为视野延伸距离，单位cm；

（5）左上角投影点projection_point_0：(shift_width + 100, shift_height)，以此类推右上角、左下角、右下角投影点坐标，形成投影区域；

（6）inner_height与inner_width为投影区域相对车辆的横向、纵向距离，单位cm，由此可以推算出自车所处区域；

而后，对去畸变相机图像追加Shi-Tomasi角点提取处理，并增加半自动采点的模式切换，自动选取鼠标点击像素位置周围欧式距离最小的角点，保障准确度的同时提升效率；

最后，如图6(d)选取4个角点，形成与(b)对应的参考投影区域，输出的BEV视图如图6(e)所示。

图7：环视BEV合成AVM示例

以此类推可以得到4个方向的BEV视图及对应的投影参数，结合车辆图层作为覆盖，即可生成对应传感器布置下的二维AVM合成图像，如图7所示，其中每个像素分辨率为1cm²。

图8：传感器外参优化示例

通过仿真软件，一方面可以在控制算法不变的情况下寻找出更优的传感器外参布局，另一方面也可以在控制传感器不变的情况下在多种不同场景验证，进而迭代优化AVM算法的表现。结合相机传感器自带的标注信息，后续也可以进行包括障碍物识别在内的更多功能验证。

图9：不同场景下的AVM合成数据

四、总结与展望

本文介绍了基于aiSim仿真软件生成AVM合成数据的完整流程，包括传感器与地图的配置、图像处理与BEV视图生成以及最终的AVM合成验证。

不难看出，仿真软件的高效性与灵活性保障了在安全可控的环境中快速验证算法性能的可行性，并可以通过多场景测试与参数优化改进算法，最终提升其综合表现。

---

我是分享自动驾驶技术的康谋

欢迎关注互动

期待与您的进一步交流