本文經自動駕駛之心公眾號授權轉載，轉載請聯(lián)系出處。

今天將由我來為大家浮光掠影地介紹一下自動駕駛仿真這個行當。

首先說為什么自動駕駛需要仿真。幾年前看非誠勿擾，嘉賓黃瀾表示要有2/3的人接受自動駕駛她才會接受，體現(xiàn)了普通群眾對于自動駕駛安全性的關注。而為了要保證安全性，自動駕駛算法在真正大規(guī)模應用之前，就需要經歷大量的道路測試。但自動駕駛系統(tǒng)的測試非?！百F”：時間和資金成本巨大，所以人們就希望將盡量多的測試搬到計算機系統(tǒng)中去做，用仿真暴露自動駕駛系統(tǒng)中的大部分問題，減少實地路測的需求，因此，我們的飯碗就出現(xiàn)了。

一、仿真場景

仿真場景即自動駕駛系統(tǒng)的test case。根據(jù)中國汽車技術研究中心的分類，自動駕駛測試場景可分為【自然駕駛場景】【危險工況場景】【標準法規(guī)場景】【參數(shù)重組場景】等四大類：自然駕駛場景來源于汽車真實的自然駕駛狀態(tài)，是構建自動駕駛測試場景中最基礎的數(shù)據(jù)來源；危險工況場景主要包含大量惡劣天氣環(huán)境、復雜道路交通以及典型交通事故等場景，如CIDAS數(shù)據(jù)庫；標準法規(guī)場景是驗證自動駕駛有效性的一種基礎測試場景，是通過現(xiàn)有的標準、評價規(guī)程構建測試場景，目的是對自動駕駛汽車應該具備的基本能力進行測試；參數(shù)重組場景是將已有仿真場景進行參數(shù)化設置并完成仿真場景的隨機生成或自動重組，具有無限性、擴展性、 批量化、自動化等特點。

場景庫搭建流程大致可以分為【收集數(shù)據(jù)】：即實際道路數(shù)據(jù)和法規(guī)數(shù)據(jù)等、【處理數(shù)據(jù)】：即從數(shù)據(jù)中提取特征并組合形成場景和【應用數(shù)據(jù)】：場景庫測試并反饋。

目前，自然駕駛場景的生成已經基本可以實現(xiàn)自動化：采集車按照一定的格式采集數(shù)據(jù)，算法篩選可能會有用的關鍵片段的數(shù)據(jù)，算法計算片段數(shù)據(jù)中本車和周圍其他車輛的軌跡，再把軌跡寫入場景描述文件，例如OpenScenario格式的場景文件，現(xiàn)有的很多仿真軟件都可以直接利用這樣獲得的場景文件進行仿真。需要注意的是，在這種情況下，仿真軟件中還原出來的只是實采場景的“邏輯”，場景中的參與者披著仿真軟件三維模型庫中的車輛模型“馬甲”上演著一幕幕真實行為片段。換句話說，這樣還原出來的場景當然可以滿足規(guī)控算法的測試，但這樣無法還原當時的傳感器感知信息，因為畢竟還是由仿真軟件的三維模型來扮演的前景車輛和背景。現(xiàn)在如果想要還原傳感器感知信息，可以應用NeRF。

那么，究竟什么樣的仿真場景才是有價值的呢？路測車輛采集的自然駕駛數(shù)據(jù)還原場景被認為是最能接近真實路況且隨機性強的，但我們不是說目前路測花費的時間長趕不上趟兒嗎？這就需要我們對路測數(shù)據(jù)進行處理，將交通參與者識別提取出來后再重新排列組合，形成基于真實數(shù)據(jù)的隨機場景。

比如百度19年大火的論文介紹了他們的AADS仿真系統(tǒng)：在該系統(tǒng)中，使用一臺安裝了激光雷達和雙目相機的汽車掃描街道，便可獲得自動駕駛仿真的全部素材，然后自動將輸入素材分解為背景、場景照明和前景對象。通過視圖合成技術，可以在靜態(tài)背景上改變視點，生成任意視角的真實圖像，進而模仿車在不同環(huán)境里面行走的動作。那么如何證明這些重組場景的有效性呢？論文中提到了一種通過對比虛擬場景和實際場景中感知算法的識別效果來評價的方法，用被測對象的表現(xiàn)來評價測量工具，也很有意思。后來的一些應用于自動駕駛的NeRF研究中，也使用的是這樣的一套思路，比如UniSim。

我個人認為，再有效的自然駕駛數(shù)據(jù)仿真場景也只適合部分算法的測試：這種方法不管怎樣，周圍物體的軌跡都是錄制好的，是沒辦法根據(jù)本車行為改變的。這就像是電影和游戲的區(qū)別，電影中的場景只能播放，而游戲是可以根據(jù)交互改變場景的。

也許在不久的將來，結合交通流模擬和真實數(shù)據(jù)，隨機場景生成可以批量建立既符合真實交通狀況，也能夠隨本車行為變化的仿真場景。

二、仿真開發(fā)

我們之前談到的場景庫，可以說是在為自動駕駛仿真測試準備數(shù)據(jù)，那么仿真開發(fā)工作就是在創(chuàng)建或者完善工具了。

仿真開發(fā)大概包含以下幾個方面：

1. 【場景庫】：之前說過很多了，會包括數(shù)據(jù)處理、深度學習、數(shù)據(jù)庫等技術內容
2. 【感知】：有了仿真環(huán)境，需要將環(huán)境信息傳遞給算法，因此需要建立各種傳感器模型，如相機、激光雷達、毫米波雷達、超聲波雷達等，根據(jù)需要建立物理原理級模型和理想模型。傳感器建模想要做得好，需要傳感器工作原理的理論研究、物理過程的計算機建模和工程落地能力，以及大量實驗數(shù)據(jù)支撐。
3. 【車輛動力學】：算法輸出的控制命令需要有控制對象，因此需要車輛動力學模型，這幾乎是另外一個學科，會有專門的工程師研究動力學模型，在自動駕駛仿真中需要能夠接入專業(yè)動力學模型或進行簡化。
4. 【中間件】：算法與仿真平臺間，不同功能的仿真平臺間都需要信息交流，因此需要大量接口開發(fā)。自動駕駛研究階段較常用的中間件如ROS，在應用階段常用的如基于AUTOSAR的中間件。
5. 【仿真引擎】：有企業(yè)喜歡自研仿真平臺，那么管運動、碰撞的是物理引擎，常用開源的如ODE、Bullet、DART等，管三維顯示的是渲染引擎，開源的如OGRE、OpenGL。Unreal和Unity是常用來制作游戲的既有物理也有渲染的兩套引擎。
6. 【仿真加速】：會涉及到并行計算云計算等，自動化測試也可以算在這里吧。
7. 【前端】：我看有很多仿真開發(fā)的職位其實都是在招前端，因為仿真的動態(tài)可能需要顯示交互等。

最后我覺得可能還有更高進階要求的第8點：“哪里不會點哪里”的能力，比如如果你的被測對象只是自動駕駛功能框架中的一部分呢？你能不能通過開源算法把剩下的補齊，讓“閉環(huán)”跑起來？

三、仿真測試

有了自動駕駛仿真測試所需的數(shù)據(jù)和工具，接下來就是仿真測試了。今天主要介紹幾個常見仿真測試鏈路。

1. 【MIL模型在環(huán)】：說實話我不是很知道模型在環(huán)和軟件在環(huán)的區(qū)別（也許和MBSE方法論興起有關）。狹義上來講，模型在環(huán)是在編寫編譯實際代碼之前使用比如MATLAB等工具驗證算法邏輯功能的測試。說白了就是用simulink模型實現(xiàn)算法，進行仿真。
2. 【SIL軟件在環(huán)】：使用實際編譯后的代碼軟件進行測試，按理說模型在環(huán)測試通過了，SIL只是檢測代碼生產上是否有問題。和HIL一樣，SIL需要為被測對象提供一系列的運行環(huán)境、其他與待測功能無關的前置虛擬信號等。
3. 【HIL硬件在環(huán)】：廣義地講，只要是一個硬件在回路中受到測試的方法都可以叫做HIL，所以針對某個傳感器做的測試也可以叫HIL測試。狹義地講，我們一般指控制器硬件在環(huán)，是以實時計算機運行仿真模型來模擬受控對象的運行狀態(tài)，通過I/O接口與被測的ECU連接，對被測ECU進行全方面的、系統(tǒng)的測試。從HIL開始，要求仿真測試具有強實時性。
4. 【VIL車輛在環(huán)】：我了解一般有兩種車輛在環(huán)的方式：一種是搭載自動駕駛系統(tǒng)的車輛安裝在試驗臺上，車輪卸掉替換為模擬負載的拖動電機，地形路面給車輛的激勵都通過試驗臺來模擬，在這種方式中如果加上了很好的顯示系統(tǒng)，也能夠作為駕駛員在環(huán)仿真系統(tǒng)使用；另一種是車輛可以在一個空曠場地內行駛，由仿真系統(tǒng)提供傳感器輸入，讓車輛雖在空場地中，但算法也會認為周圍有各種不同的場景，一般可用車載GPS提供位姿反饋給仿真系統(tǒng)。

四、日常工作

前面幾節(jié)說了那么多，都是在總體介紹我們這個行當，都是我這個盲人摸出來的大象，本節(jié)就來說說大體上我們每天都在干什么。這些日常工作當然是包含在第二、三節(jié)的內容當中的：

1. 【感知】：搭建傳感器模型必不可少，需要關注到每種傳感器的一系列參數(shù)，如探測距離、探測角度范圍、分辨率、畸變參數(shù)、噪聲參數(shù)、安裝位置等，還有硬件的通訊協(xié)議等。接下來視所用的仿真軟件工具不同，看看是“配置”已有類型的傳感器，還是要自己基于仿真軟件開發(fā)新類型的傳感器。為了算法模型的訓練或評價，仿真往往還需要提供真值，如2D/3D包圍框、車道線等地圖信息、2D/3D占用柵格等等，如果仿真軟件既有功能不能滿足，就也需要工程師做二次開發(fā)。
2. 【車輛動力學】：需要根據(jù)車輛參數(shù)在專業(yè)的動力學仿真軟件中配置車輛模型，也需要能夠根據(jù)簡化公式直接編寫簡化的運動學、動力學模型。
3. 【中間件】：接口的開發(fā)是重要的工作內容，要負責當好被測對象和仿真軟件間的“翻譯”；另外就是使用軟件的api接口實現(xiàn)不同層級仿真平臺間的聯(lián)合仿真，例如場景仿真聯(lián)合車輛動力學仿真，再加上交通流仿真，再統(tǒng)一放進自動化測試管理軟件的調度中去。
4. 【仿真加速】：我把自動化測試也放到了仿真加速里，因為要是能夠實現(xiàn)7x24小時不間斷測試也是一種提高效率的途徑吧！這就涉及了自動化調用仿真平臺、自動化腳本編寫、錄制數(shù)據(jù)、根據(jù)用例要求評價數(shù)據(jù)等內容。
5. 【軟件開發(fā)】：有自研仿真軟件需求的企業(yè)主要就是這方面業(yè)務。

另外還有一點6.【需求分析】：作為仿真開發(fā)工程師，你理應是最了解你所用工具的那個人，所以一旦客戶（內部外部都算）有了新需求，仿真開發(fā)工程師應該能夠根據(jù)需求和被測對象的具體情況設計技術方案、提出軟硬件需求和項目計劃。所以有的時候，產品和項目管理的活都要干。

五、技術棧

“技術?！边@詞兒聽著挺洋氣，但其實就是這個崗位應該都會點啥。很久以前我看過一個電視劇，里邊一個急診科的大夫自嘲：我們是萬金油，人家外科大夫才是金不換。我一直認為仿真工程師就像醫(yī)院里的急診科大夫，什么都得知道點：測試什么算法，那么除了這個算法之外的所有東西都要準備好，導航定位、控制規(guī)劃、數(shù)據(jù)處理、參數(shù)標定、天文地理、醫(yī)卜星象、金批彩掛、評團調柳……可以不求甚解，快速滿足算法測試需求是最重要的。

這種所謂的“全局觀”是仿真工程師的優(yōu)勢，但只有對算法有真正的了解，才能做出能夠真正幫助算法改進的仿真工作，也才能走得更遠。扯遠了，拉回來：

1. 【代碼】：主要是C++/Python，但如果涉及到前端顯示的部分我就不了解了。一般來講要求肯定沒有算法開發(fā)那么高，不過如果是專做仿真軟件開發(fā)的另當別論。
2. 【ROS】：單拎出來是因為目前ROS仍是自動駕駛和機器人算法研究領域繞不開的一部分，且ROS社區(qū)中提供了很多現(xiàn)成的很多可用工具。
3. 【車輛動力學】：可能不需要像真正的車輛工程師了解得那么多，但基本原理是要知道的。另外就是各種坐標轉換需要熟練（這條可能不算車輛的，算數(shù)學）。
4. 【傳感器原理】：自動駕駛車輛上的相機、激光雷達、毫米波雷達等各種傳感器是如何工作的，輸出的信號長什么樣子，有哪些關鍵的參數(shù)。
5. 【地圖】：仿真測試場景使用的文件格式如opendrive、openscenario需要了解，因為有時候需要從其中提取信息作為傳感器仿真的輸入。

以上僅僅是我個人的一點總結，歡迎廣大同行在此補充！

為了文章的完整性，我也將在這一節(jié)簡要介紹下市面上常用的一些仿真軟件（真的不是廣告！沒上榜的也不要氣餒）。

1. CarSim/CarMaker：這兩款軟件都是強大的動力學仿真軟件，被世界各國的主機廠和供應商所廣泛使用，也可以做一部分道路場景的模擬。
2. Vissim/SUMO：Vissim是德國PTV公司提供的一款世界領先的微觀交通流仿真軟件。Vissim 可以方便的構建各種復雜的交通環(huán)境，也可以在一個仿真場景中模擬包括機動車，卡車，有軌交通和行人的交互行為。SUMO是開源軟件，可以通過交互式編輯的方式添加道路，編輯車道的 連接關系，處理路口區(qū)域，編輯信號燈時序等。
3. PreScan：已被西門子收購，用于創(chuàng)建和測試算法的主要界面包括MATLAB和Simulink，可用于MIL、SIL和HIL。
4. VTD：作為商業(yè)軟件，VTD可靠性強，功能全面，覆蓋了道路環(huán)境建模、交通場景建模、天氣和環(huán)境模擬、簡單和物理真實的傳感器仿真、場景仿真管理以及高精度的實時畫面渲染等，說一句VTD是國內主機廠使用率最高的仿真軟件應該不為過。可以支持從 SIL 到 HIL 和 VIL 的全周期開發(fā)流程，開放式的模塊式框架可以方便的與第三方的工具和插件聯(lián)合仿真。
5. CARLA/AirSim：兩款開源仿真平臺，都依托UE開發(fā)，也推出了Unity版本。CARLA可以制作場景和配套的高精地圖，支持傳感器和環(huán)境的靈活配置，它支持多攝像頭，激光雷達，GPS 等傳感器，也可以調節(jié)環(huán)境的光照和天氣。微軟的AirSim有無人機和車輛兩種模式，車輛模式下的功能實在乏善可陳，沒法很方便地建立環(huán)境和車輛模型，社區(qū)也沒有CARLA活躍，建議以后招人寫JD別把AirSim算進去了，沒多大用。另外，國內的深信科創(chuàng)最近推出了基于CARLA開發(fā)的OASIS，目前可以看成是開源CARLA的加強版。
6. 51SimOne/PanoSim：這兩個都是國產的仿真軟件，場景仿真軟件該有的主要功能他們都能滿足。

最后再補充一個lgsvl：本來lgsvl的優(yōu)勢是和Apollo結合得較好，但是我聽說lgsvl的官方已經放棄了這個項目，所以我勸你棄掉這個坑。

六、學習路徑

相信通過我前五節(jié)的介紹，聰明的在校同學已經可以從中體會出成為一名自動駕駛仿真工程師的學習路徑，而通過批判我前五節(jié)的內容，年輕的同行也已可以從中得出進階之道。但本節(jié)我還是寫一些在這方面的粗淺理解。

我前邊說了那么多，想必大家也能看出來，自動駕駛的仿真是一個多學科交叉的領域，能夠接受來自很多專業(yè)的同學，包括但不限于：計算機/控制/機器人/機械/車輛/電力電子等等。

經歷和技術上，我嘗試列舉一些任職要求：

1. 代碼能力：做仿真的云計算、云服務器等相關開發(fā)的同學可能會需要熟練使用C++/Go/Java任何一門語言的開發(fā)，有良好的編程習慣，掌握常見的設計模式、數(shù)據(jù)結構和算法，熟悉Linux系統(tǒng)、Docker技術及Kubernetes的相關知識，有云端服務開發(fā)經驗，這些是奔著高并行高復用高自動化的自研仿真測試平臺去的。另外，自研仿真軟件的崗位除扎實的計算機基礎外，可能會需要游戲引擎的開發(fā)經驗，所以做游戲開發(fā)的同學也可以轉行到自動駕駛仿真上（包括技術美術）。目標是應用已有的仿真軟件進行二次開發(fā)和集成的同學可能會需要熟練使用C/C++和Python，熟悉Linux/ROS的開發(fā)，如果能夠有AUTOSAR等車規(guī)級中間件的開發(fā)經驗更好。
2. 軟件經驗：任何的自動駕駛仿真軟件的實際使用經驗當然都是加分項，但是由于商業(yè)軟件大多非常貴，因此在這點上很依賴學校實驗室或者公司的實力。在沒有商業(yè)軟件支持的情況下，我認為現(xiàn)在CARLA是開源軟件的最優(yōu)解。
3. 領域知識：我個人認為，作為自動駕駛仿真工程師，對于自動駕駛算法怎么深入了解都不為過，包括算法的原理實現(xiàn)的方方面面，只有更好地了解算法，才能更好地做好仿真。另外，如果是非計算機專業(yè)出身的同學，學好本門兒的專業(yè)課也十分重要，比如機械、車輛、力學、電子等等等等，守正才能出奇，總會用到。

當前自動駕駛行業(yè)正經歷很大波動，但總結起來能用到仿真工程師的主要有以下幾類企業(yè)：主機廠，以集成應用成型仿真軟件為主，但新勢力基本上都要做自研；自動駕駛解決方案供應商，也就是算法的Tier1，可能也是自研仿真的居多；仿真軟件企業(yè)，這方面國內剛剛起步，基本上都是初創(chuàng)企業(yè)。

在本節(jié)的最后我再談一點從傳統(tǒng)機械“轉行”來的體會。我碩士畢業(yè)的一個學校具有濃厚的轉碼風氣，我那屆入學機械研究生院的中國學生里，大概有十之七八畢業(yè)后都從事了計算機行業(yè)。有賴于相對寬松的選課制度，同學們的操作是盡量多修計算機學院的課程。于是在那兩年，焚膏油以繼晷，恒兀兀以窮年是常態(tài)。但我不記得當年找工作需不需要刷題了?？傊痪湓?，機械如何轉型計算機：去讀半個計算機學位。其實當時也不單是機械，各個專業(yè)都在轉，也不單是中國學生，全世界人民都這樣。

不過后知后覺的我并不在當年的這十之七八里邊，所以我錯失了轉型最好的機會。等到靠自學的時候，就難多了：最主要沒有時間，這就更要求學習資料和方法要高效。因此相對來講，還是上網課效率較高，畢竟有老師指導。Coursera的課不錯，好像比較貴。最近幾年開源的網絡資源越來越多了，不過上的課在精不在多，畢竟計算機最注重實踐也最容易實踐。計算機經典的著作也很多，比如數(shù)據(jù)結構與算法、c++ primer……我是一本沒看過，有些事真的一旦錯過就不再。

其實我覺得，一個最容易的轉型方式就是，直接從事計算機相關的工作，有了需求提高是最快的，解決了我上面說的學習方向問題和時間問題。不過要是因此產生了績效不達標的問題，您當我沒說。

七、關于NeRF

NeRF正伴隨著“數(shù)據(jù)閉環(huán)”、“大模型”、“端到端”這些新興熱門詞匯一起在自動駕駛領域“興風作浪”。僅僅幾年的時間，NeRF已經再也不是出道時單純的MLP+體渲染，儲存空間信息的載體五花八門：哈希表、體素網格、多維高斯函數(shù)……新的成像方式也層出不窮：U-net、CNN、光柵化……自動駕駛方向只是NeRF一個很小的應用分支。

NERF應用到自動駕駛仿真方向，主要會面臨以下這些問題：

自動駕駛數(shù)據(jù)采集的方式導致場景的范圍“不閉合”：室外的場景會包含大量遠景，這對NeRF的空間信息儲存是很大挑戰(zhàn)；自動駕駛場景包含大量的動態(tài)物體，NeRF需要能夠處理動靜態(tài)物體（或曰前景背景）的分離；NeRF模型普遍不具有遷移能力，可能每個場景都需要訓練單獨的NeRF模型，而NERF的訓練又仍然比較慢，所以NERF在自動駕駛數(shù)據(jù)上的大規(guī)模應用仍然會存在問題。

不過我仍然期待著，同時也相信，NeRF會給自動駕駛仿真帶來顛覆性的發(fā)展，最終消除仿真在感知算法上的domain gap，甚至做的更多。從我了解到的信息來看，NeRF至少會帶來以下這些突破：

NeRF新視角圖像合成的能力可以增強感知算法訓練數(shù)據(jù)集：可以產生新傳感器內參（相當于改變了傳感器配置）、外參（修改了自車軌跡）下的圖片、激光雷達點云等數(shù)據(jù)，給感知算法更多訓練數(shù)據(jù)，這方面可以參考StreetSurf、UniSim等研究。在動態(tài)物體可編輯的情況下，將來NeRF可以產生有針對性的極端情況、隨機情況場景，補充單純路測和WorldSim的不足。如果NERF可以同時很好地解決城市級場景的訓練重建和實時渲染，那么NeRF就完全可以做為一個XIL在環(huán)仿真測試的平臺，而不會有感知數(shù)據(jù)domain gap的問題，也會推動端到端算法的發(fā)展。另外，NeRF的模型甚至也可以作為一個插件放入游戲引擎（如3d Gaussian Splatting的UE插件已經問世），這樣就可以把NeRF的街景重建納入到原有的WorldSim體系中去。如果考慮與AIGC方向的大模型結合，NeRF在新場景生成上就會有更多的可能性：將可以任意編輯光照、天氣、物體外觀和行為等等。

所以作為仿真工程師，我強烈建議廣大同行密切關注NeRF方向的進展，盡管NeRF的各研究項目還都只是初具雛形，但現(xiàn)在深度學習方向在硬件的加速下進展已經越來越快了。

八、寫在最后

雜七雜八寫了這么多，最后還有一些感想。

仿真開發(fā)有什么坑。技術上的坑不在此討論，在這里只說一點整體上的感想。那就是要警惕你是否在過多地陷入到毫無意義的工作中去：給不同人做類似的項目不算，完成好每個項目就是價值；不使用現(xiàn)成工具非要自研長期看也不算，脫離對特定工具的依賴是有價值的；研發(fā)上很多事后被證明不通的嘗試也不能算，研發(fā)的失敗也有價值的。那么具體什么是“毫無意義”的工作呢？這就見仁見智了，我總結不好。

還有從這個崗位出發(fā)能干嘛。如果你在工作中對被測對象有了深入的了解，那么也許可以嘗試轉向某個方向的算法開發(fā)崗；還有就是機器人、無人機的仿真開發(fā)也可以考慮。

移動機器人和自動駕駛的相通性自不必說，這里提一下無人機。無人機行業(yè)的體量肯定沒有汽車這么大，但是也已經有了落地點，比如巡檢、航拍、測繪等。無人機也需要自動操控算法來進行避障、路徑規(guī)劃等，無人機使用的傳感器也和無人駕駛車車輛類似，因此可以說仿真測試有相通之處：無人機也需要豐富的視覺圖像、雷達點云等感知輸入，需要更加精細的動力學模型等等。

有興趣了解機器人和無人機仿真的同學，可以從開源的仿真平臺Gazebo（https://classic.gazebosim.org/）入手，其對計算資源的需求不會像Nvidia的Isaac那么高。

今年是OSRF從柳樹車庫獨立出來的第十一年，而機器人操作系統(tǒng)ROS和Gazebo至今已經有了二十多年的發(fā)展歷史。Gazebo從最初一個研究生課題組的科研工具，逐步發(fā)展成了今天有11個發(fā)行版，以及二代ignition 7個發(fā)行版的獨立仿真軟件工具。

Gazebo支持ODE、Bullet等物理引擎，使用OGRE作為渲染引擎，可以創(chuàng)建三維環(huán)境，模擬相機、激光雷達等多種傳感器的信息，具有豐富的機器人模型：從機械臂到輪式機器人，再到人形機器人。更重要的是，Gazebo天然地對ROS平臺下的算法提供全面的支持：畢竟如果你下載安裝一個desktop full的ROS版本，Gazebo是自帶的。當然了，Gazebo作為一個開源軟件，只提供了一個起點，它的功能均衡，但是各方面都比較粗糙，不夠深入。不過就像太祖長拳，喬峰在聚賢莊使出來還是會不一樣的。

我上學的時候就接觸過Gazebo，后來工作做機器人仿真，一直在用Gazebo，直到改行做自動駕駛。這就好像，我和Gazebo是曾經的同學，那時年輕，大家都不懂事。工作后我和她再次遇見，決定再續(xù)前緣，如膠似漆兩年多，人也過了三十歲，我對她留下一句：我想有更好的發(fā)展，就離她而去……現(xiàn)在再見只會說一句：好久不見……

原文鏈接：https://mp.weixin.qq.com/s/ZmW5lmgSQDU7cwxv2C0Gpg