如何快速上手NAVSIM：7个步骤掌握数据驱动的自动驾驶模拟神器

在自动驾驶技术飞速发展的今天，评估和优化自动驾驶算法至关重要。NAVSIM 正是这样一款基于数据的非反应式自动驾驶车辆模拟器，它采用先进的技术和独特的方法，为业界提供了一种高效、透明的评估工具。无论是算法开发、性能评估还是挑战赛准备，NAVSIM都能满足您的需求，让自动驾驶模拟变得简单而强大！

🚗 什么是NAVSIM？核心功能大揭秘

NAVSIM（Data-Driven Non-Reactive Autonomous Vehicle Simulation）是一个轻量级但功能强大的自动驾驶模拟平台，源自nuPlan项目的思想和数据，并借鉴了nuScenes的易用性。它的核心优势在于通过简化的鸟瞰视图（BEV）抽象场景，对短期驾驶策略进行无回路模拟测试，计算如进步度和碰撞时间等关键指标。

图1：NAVSIM项目logo，展示了其专注于自动驾驶模拟的核心功能。

✨ NAVSIM的独特优势

• 效率与准确性：无回路仿真计算，快速获取接近真实环境的评估结果
• 标准化评价：公开排行榜，统一指标定义，消除评估混淆
• 易用性：简单的数据格式、小巧的下载包以及类似nuScenes的友好接口
• 持续更新：定期维护和更新的开发工具包（devkit），确保最佳用户体验

📊 PDM得分：全面评估驾驶性能的黄金标准

NAVSIM引入了PDM得分（Predictive Driver Model Score），这是一种综合了五个子指标的评估体系，提供对驾驶性能不同方面的全面分析。所有指标均在4秒非反应式仿真后计算，背景车辆遵循记录的未来轨迹， ego车辆基于LQR控制器移动。

PDM得分构成详情

指标	权重	范围	描述
无责任碰撞（NC）	乘数	{0, 1/2, 1}	评估是否发生责任在ego车辆的碰撞
可驾驶区域合规性（DAC）	乘数	{0, 1}	评估车辆是否保持在可驾驶区域内
碰撞时间（TTC）	5	{0, 1}	评估碰撞时间是否在安全范围内
Ego进度（EP）	5	[0, 1]	评估车辆沿路线的前进效率
舒适性（C）	2	{0, 1}	评估驾驶的平滑度和舒适性

PDMS计算公式：PDMS = NC * DAC * (5*TTC + 5*EP + 2*C) / 12

💡 小提示：要评估代理的PDM得分，可运行脚本：cd scripts/ && ./run_cv_pdm_score_evaluation.sh，默认将为简单的恒速规划基线生成评估CSV。

🚀 快速开始：7步安装与配置NAVSIM

1️⃣ 克隆代码仓库

git clone https://gitcode.com/gh_mirrors/na/navsim
cd navsim

2️⃣ 下载数据集

NAVSIM提供了方便的脚本下载所需地图和数据集分割：

cd download
# 下载地图
./download_maps
# 下载迷你数据集（用于快速测试）
./download_mini
# 根据需要下载其他数据集
# ./download_trainval
# ./download_test
# ./download_private_test_e2e

3️⃣ 推荐的目录结构

下载完成后，建议组织如下目录结构：

~/navsim_workspace
├── navsim (包含devkit)
├── exp (实验结果)
└── dataset
    ├── maps (地图数据)
    ├── navsim_logs (日志数据)
    │   ├── test, trainval, private_test_e2e, mini
    └── sensor_blobs (传感器数据)
        ├── test, trainval, private_test_e2e, mini

4️⃣ 设置环境变量

将以下内容添加到您的~/.bashrc文件中：

export NUPLAN_MAP_VERSION="nuplan-maps-v1.0"
export NUPLAN_MAPS_ROOT="$HOME/navsim_workspace/dataset/maps"
export NAVSIM_EXP_ROOT="$HOME/navsim_workspace/exp"
export NAVSIM_DEVKIT_ROOT="$HOME/navsim_workspace/navsim"
export OPENSCENE_DATA_ROOT="$HOME/navsim_workspace/dataset"

应用更改：source ~/.bashrc

5️⃣ 创建并激活conda环境

conda env create --name navsim -f environment.yml
conda activate navsim

6️⃣ 安装开发工具包

pip install -e .

7️⃣ 验证安装

安装完成后，您可以运行示例脚本验证是否安装成功：

# 运行恒速代理PDM得分评估
cd scripts/evaluation/
./run_cv_pdm_score_evaluation.sh

🤖 创建自定义代理：从基础到高级

定义代理的第一步是创建一个继承自navsim.agents.abstract_agent.AbstractAgent的新类。该类必须实现以下核心方法：

• __init__(): 代理的构造函数
• name(): 返回代理名称（用于定义评估CSV的文件名）
• initialize(): 在首次推断前调用，可用于加载状态字典等
• get_sensor_config(): 返回SensorConfig，定义每个帧应加载的传感器模态
• compute_trajectory(): 主函数，接收AgentInput并返回Trajectory对象

图2：NAVSIM支持的摄像头配置动画展示，帮助理解传感器布局。

🧠 基于学习的代理

对于涉及学习组件的代理，还需要实现额外功能。NAVSIM提供了轻量级且易于使用的训练接口。您可以参考navsim.agents.ego_status_mlp_agent.EgoStatusMLPAgent作为示例，实现以下方法：

• get_feature_builders(): 返回特征构建器列表
• get_target_builders(): 返回目标构建器列表
• forward(): 模型的前向传播
• compute_loss(): 计算训练损失
• get_optimizers(): 定义训练使用的优化器
• get_training_callbacks(): 返回训练过程的回调列表

📊 可用的基线代理

NAVSIM提供了几个基线代理，作为新端到端驾驶模型的比较或起点：

1. ConstantVelocityAgent：简单基线，保持恒定速度和航向角，输出直线轨迹
2. EgoStatusMLPAgent：盲基线，仅使用ego状态信息（速度、加速度和驾驶命令）
3. TransfuserAgent：利用摄像头和LiDAR输入的传感器代理，基于Transfuser架构

📚 官方文档与资源

要深入了解NAVSIM的更多细节，包括安装指南、代理创建、数据格式和排行榜提交方法，请查阅项目内的文档：

• 安装指南
• 代理理解与创建
• 数据格式和类的理解
• 数据集分割与过滤
• PDM得分理解
• 向排行榜提交

图3：NAVSIM排行榜界面展示，激励开发者不断优化算法性能。

🏁 总结

NAVSIM作为数据驱动的非反应式自动驾驶车辆模拟器，为自动驾驶算法的评估和优化提供了高效、透明的平台。通过本文介绍的7步安装指南，您可以快速开始使用NAVSIM，并利用其提供的PDM得分系统全面评估驾驶性能。无论您是自动驾驶领域的新手还是专业开发者，NAVSIM都能满足您的需求，帮助您构建更安全、更高效的自动驾驶系统。

立即加入NAVSIM，开启您的自动驾驶模拟之旅！

(返回顶部)