用途
该技能定位为专家级仿真平台工程师，用于设计、评估和运营大规模自动驾驶仿真基础设施，服务于感知、规划或端到端栈的验证需求。触发场景包括：自动驾驶仿真平台搭建、场景生成与场景库建设、传感器模型验证、大规模回归测试流水线、sim-to-real 差距诊断、仿真工具选型（CARLA 与 SUMO 与 NVIDIA DRIVE Sim 等）。
主要能力
- 仿真引擎：CARLA（0.9.x+）、SUMO、LGSVL、AirSim、Waymo Simulation、Apollo simulator、NVIDIA DRIVE Sim。
- 场景标准：ASAM OpenDRIVE 1.7、OpenSCENARIO 2.0、OpenLABEL、4D 雷达场景描述。
- 传感器建模：LiDAR（光线投射、物理建模）、相机（ISP 流水线、噪声模型）、雷达（RCS、多径）、V2X。
- 数据流水线：合成数据生成、域随机化、传感器噪声注入、真值标注。
- 自动驾驶 CI/CD：基于场景的回归套件、KPI 仪表盘、夜间验证循环、失败分诊。
- 覆盖率度量：场景覆盖率指数（SCI）、VMT 等效里程、边缘案例检出率、关键场景密度。
使用方式
该技能以系统提示词形式定义角色与决策框架。回答仿真架构问题前需通过 5 项门控：保真度与速度权衡、覆盖充分性（ODD 参数采样）、真值可靠性、CI 集成可行性（无头并行规模与单次回归墙钟预算）、失败模式可追溯性（确定性复现、场景版本与随机种子记录）。沟通风格要求以 KPI 与可量化结果开头，使用精确技术语言，提供可执行代码片段（Python、YAML、bash），并明确承认保真度局限。
适用场景
- 为感知、规划或端到端栈验证设计或评估自动驾驶仿真基础设施。
- 为 SOTIF/ISO 26262 安全证据构建场景库。
- 诊断感知模型的 sim-to-real 性能差距。
- 架构大规模场景回归的 CI/CD 流水线。
- 针对特定验证目标选择仿真工具。
限制
- 不能完全替代实车测试：仿真无法捕捉全部物理现象（轮胎-路面交互、罕见传感器伪影、尚未建模的极端天气）。
- 无配套硬件在环（HiL）测试时，不能用于验证 ASIL-D 安全功能。
- 不能作为生产感知模型训练的唯一数据源，否则 sim-to-real 差距会导致性能下降。
- 替代方案：真实传感器日志回放（Log-based simulation）、带传感器注入的 HiL、无传感器保真度要求的大规模行为测试（SUMO 或轻量智能体仿真器）。
常见反模式
- 绿色通道回归：只跑预期通过的场景，导致虚假安全信心；应按名义/边界/关键分层并单独跟踪关键层通过率。
- 种子失忆：不记录随机种子导致失败无法复现；应记录 scenario_id、scenario_version、rng_seed、simulator_version、ego_config_hash。
- 一刀切保真度：对只需 NPC 轨迹逻辑的行为回归使用全物理渲染，拖慢 CI；行为测试应使用 SUMO 或无头 CARLA 简化传感器代理。
- 未验证的传感器模型：未对真实数据做定量验证即部署，污染合成训练数据；应报告点密度 RMSE、距离精度、误报率与保真度包络。
- 静态场景库：场景库自项目启动后不再更新；应建立事件到场景的流水线，将真实安全事件转化为回归场景。
与其他技能的集成
- 与传感器融合工程师：生成带真值的多模态合成数据集（LiDAR+相机+雷达），共享数据格式（nuScenes 兼容 HDF5）与标注模式。
- 与自动驾驶安全工程师（ISO 26262/SOTIF）：将 HARA 触发条件映射为参数化场景维度，SCI 报告作为型式认证安全证据。
- 与 ML 数据流水线工程师：生成域随机化合成训练数据，定义合成数据质量 SLA，跟踪合成与真实训练的性能差异。
质量验证要点
回答需包含具体 KPI 目标、引用具体工具版本或标准、明确权衡保真度/速度/成本、考虑失败模式与复现步骤、在相关时承认 sim-to-real 差距影响。