无人驾驶汽车在真正上路后所面临的外部环境是复杂多变的。使用模拟软件检查算法或训练无人驾驶汽车在不同场景下的感知和决策算法。
模拟平台有很多种，如果分类，可以分为开源和收费两种。
Gazebo该平台能够在复杂的室内外环境中准确有效地模拟和训练机器人。它具有强大的物理引擎、高质量的图形、方便的编程和图形界面。最重要的是，Gazebo一个充满活力的社区是免费的。三维机器人模拟器Gazebo一般结合机器人操作系统ROS来测试。
1.动力学仿真
多个高性能物理引擎可以连接，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
激光测距仪，2D / 3D摄像机，Kinect传感器数据、可选噪声、接触式传感器、扭矩等。
4.插件
可定义插件可以开发机器人、传感器和环境控制。插件可以直接访问Gazebo的API。
5.机器人模型
包括许多机器人在内的许多机器人PR2，Pioneer2 DX，iRobotCreate和TurtleBot。 或者使用SDF构建自己的。
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整合现有模型和传感器的功能。
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控制系统。所有的传感器数据都是通过的ROS并且可以使用RVIZ可视化。利用Gazebo功能整合现有模型和传感器，构建城市模型和高速公路交互场景。垃圾箱、交通锥和加油站都来自Gazebo模型库。车顶配有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
Euro Truck Simulator 2 它本身就是一款卡车模拟操作游戏，可以通过代码训练和操作自动驾驶汽车。AI输出结果实现自动转向、加速和制动，可用于加强车辆算法的学习和训练。其缺点是只能控制上、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游戏也可以用来训练自动驾驶汽车。
gibbgub上有人做了Self-driving-truck项目和基本训练方法遵循接近原始的方法 Atri 此外，该模型还试图在未来的状态和奖励中加强学习标准。一些手工制作的模型和自动生成的模型也。
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。
The Open Racing Car Simulator（TORCS）是一款开源3D赛车模拟游戏Linux在操作系统中广受欢迎的赛车游戏。有50辆车和20条赛道，视觉效果简单。C 写，释放GPL协议下。
有些人使用深度学习框架Keras深度加强学习算法DDPG去训练Torcs汽车。也有人用gym_torcs库，在python中直接调用torcs，接口类似于OpenAI的Gym。还有人做了基于DRL和TORCS自动驾驶仿真系统，
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)推出自动驾驶纳米学位，满足汽车行业对自动驾驶软件工程师的强劲需求。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 任何具有技术背景的人都可以利用该模拟器的资源，将其载入软件内置场景或创建自己的虚拟测试路线。
该模拟器旨在教学生如何使用深度学习驾驶汽车来支持优达自动驾驶Linux、Mac、Windows在环境中，只需将数据库复制到本地目录，以确保使用Git LFS 带动大量的纹理和模型资源。
英特尔实验室联合丰田研究院和巴塞罗那计算机视觉中心联合发布CALRA，用于城市自动驾驶系统开源模拟器支持各种传感模式和环境条件的灵活配置，对三种自动驾驶方法的性能进行了详细的评估和比较。
CARLA从最基本的开发到支持城市自动驾驶系统的开发、培训和验证。除开源代码和协议外，CARLA还为自动驾驶提供开源数字资源(包括城市布局、建筑和车辆)，可免费获取和使用。
该模拟平台可支持传感套件和环境条件的灵活配置。我们使用它CARLA研究三种自动驾驶方法的性能：这三种方法在难度越来越大的控制环境中进行了评估，并使用CARLA性能测试提供的指标表明CARLA可用于自动驾驶研究。
之前已经讲过百度关于百度的关于Apollo平台内容，《深度揭秘》Apollo自动驾驶和跟车方案的思路设计《Apollo 2.0发布 | 百度自动驾驶平台的深度揭示，这里就不多说了，优点是平台开源，Apollo特点主要是真实高精地图，丰富的真实场景。后续也会有动力学模型。
PreScan汽车工业基于雷达、激光/激光雷达、摄像头和GPS先进的驾驶辅助系统等传感器技术（ADAS）。 PreScan也可用于车辆到车辆的设计和评估（V2V）车辆到基础设施（V2I）通信应用和自动驾驶应用。PreScan基于模型的控制器可以设计（MIL）在环中使用软件（SIL）和硬件在环（HIL）实时测试系统。
主要分为四个步骤，。
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读取导航设备的信息可以快速表达真实的道路。
车辆模型可配备雷达、激光、摄像头、超声波、红外线等不同类型的传感器，GPS和车辆到X（V2X）通信天线。通过简单的交换和修改传感器类型和特性，便于传感器设计和基准测试。
Matlab / imulink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。
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。
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）
PanoSim是一款集。它基于物理建模和精确与高效兼顾的数值仿真原则，利用先进的虚拟现实技术逼真地模拟汽车驾驶的各种环境和工况，基于几何模型与物理建模相结合的建模理念建立了高精度的像机、雷达和无线通信模型，以支持在高效、高精度的数字仿真环境下汽车动力学与性能、汽车电子控制系统、智能辅助驾驶与主动安全系统、环境传感与感知、自动驾驶等技术和产品的研发、测试和验证。
PanoSim不仅包括复杂的车辆动力学模型、底盘（制动、转向和悬架）、轮胎、驾驶员、动力总成（发动机和变速箱）等模型，还支持各种典型驱动型式和悬架形式的大、中、小型轿车的建模以及仿真分析。它提供了先进的三维数字虚拟试验场景建模与编辑功能，支持对道路及道路纹理、车道线、交通标识与设施、天气、夜景等汽车行驶环境的建模与编辑。
PanoSim仿真实验操作流程简单易懂，制作一个实验的三个步骤：
-
：新建实验工程，选择合适的道路场景，设置环境天气和光照；
-
：在道路上添加车辆，设置车辆横向或纵向驾驶参数，设置交通流和行人干扰，安装车载传感器（像机、雷达或V2X），配置交通元素（交通标志牌、信号灯、障碍物）；
-
：使用后处理工具对仿真后的数据进行报表分析，或回放仿真动。
CarSim 是 Mechanical Simulation Corporation 推出的一款整车仿真软件，主要从整车角度进行仿真。这个软件比较“傻瓜化”，其本质上是一个模型库+参数库+求解器+后处理工具+配置界面。也就是说，这个仿真软件自身已经自带了相当数量的模型，并且这些模型都有一些“比较靠谱”的参数，用户免去了繁杂建模和调参数的过程，只要将已有模型“拼”在一起，调整参数即可进行仿真。
CarSim是专门针对车辆动力学的仿真软件，CarSim模型在计算机上运行的速度比实时快3-6倍，可以仿真车辆对驾驶员，路面及空气动力学输入的响应，主要用来预测和仿真汽车整车的操纵稳定性、制动性、平顺性、动力性和经济性，同时被广泛地应用于现代汽车控制系统的开发。CarSim可以方便灵活的定义试验环境和试验过程，详细的定义整车各系统的特性参数和特性文件。CarSim软件的主要适用于以下车型的建模仿真：轿车、轻型货车、轻型多用途运输车及SUV。
图片：转自知乎 赵迪
因为CarSim做的全是整车仿真，为了提升仿真的速度，所以CarSim里的模型都比较简单，通常就是简单的公式或者基于特性（查表）的模型，参数也比较少，但是从整车层面来看，其精度还是可以接受的。
应用：龚建伟等人在《无人驾驶车辆模型预测控制》一书中，利用Simulink/CarSim联合仿真平台，构建了车辆模拟进行测试。
Pro-SiVIC™的使用者们可以快速并且精确地对各个嵌入系统在典型及极端操作环境下的性能进行仿真分析，它可以提供基于多种技术的传感器模型，例如：摄像机、雷达、激光雷达（激光扫描仪）、超声波传感器、GPS、里程表及通信设备等。
这就使得该解决方案可以在地面交通、航空航天以及船舶等有基于感知的控制系统的各种行业得到应用。同时传感器也可以集成到仿真的3D场景中，以汽车行业为例，Pro-SiVIC™提供了多个环境目录，提供具有代表性的不同道路（城市道路、高速以及乡村公路）、交通标识及车道线标记。
在2017年CES上，ESI集团与汽车供应商DURA联合展示了通过。两公司合作构建了逼真的3D仿真环境，再现了拉斯维加斯的部分城市街景，包括实际道路布局、路标和行人等，对驾驶辅助系统和自动驾驶系统进行虚拟测试。
除了上述这么软件外，还有很多采集真实场景，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。