自动驾驶仿真测试技术驱动汽车产业智能跃迁

doi:10.16182/j.issn1004731x.joss.25-0511

系统仿真学报 ›› 2025, Vol. 37 ›› Issue (7): 1649-1664.doi: 10.16182/j.issn1004731x.joss.25-0511

• 特约综述 • 上一篇

自动驾驶仿真测试技术驱动汽车产业智能跃迁

吴建平¹^,²^,³, 李冠洲¹, 赵帅⁴, 黄玲⁵

^1.清华大学土木工程系，北京 100084
^2.深圳清华大学研究院无人驾驶与智能交通技术研发中心，广东深圳 518000
^3.天府永兴实验室零碳交通研究中心，四川成都 610213
^4.中汽智联技术有限公司，天津 300300
^5.华南理工大学土木与交通学院，广东广州 510640

收稿日期:2025-06-04 修回日期:2025-06-11 出版日期:2025-07-18 发布日期:2025-07-30
通讯作者: 李冠洲
第一作者简介:吴建平 1957年生，清华大学教授，清华大学-剑桥大学-麻省理工学院“未来交通”研究中心主任，深圳清华大学研究院无人驾驶与智能交通研发中心主任，四川天府永兴实验室零碳交通中心主任，俄罗斯工程院外籍院士，国家特聘专家，教育部“长江学者”特聘教授。主要研究领域：1) 自动驾驶与智能交通，2) 交通建模与交通仿真，3) 智慧城市与智慧交通。获国际国内省部级以上科研成果奖20余项，拥有国际国内发明专利20余项，在国际学术期刊上发表论文350多篇，在牛津大学、剑桥大学、麻省理工学院、加州大学等著名高校以及重要国际会议上做过30多场特邀演讲。吴教授是中国科协第十届全国委员会委员，世界工程组织(WFEO)工程环境委员会委员，英国工程技术学会会士(FIET)，中国仿真学会首届会士，中国仿真学会常务理事，中国仿真学会自动驾驶与仿真测试专委会主任，中国智能交通协会道路车辆专委会副主任，北京、杭州、南宁、海口等城市顾问。
吴建平(1957-)，男，教授，博士，研究方向为交通行为、交通模型与交通仿真；智能驾驶与未来交通；数字孪生、城市计算与城市仿真；智慧生态城市与绿色交通等。
基金资助:
重庆市自然科学基金创新发展联合基金(长安汽车)(CSTB2024NSCQ-LZX0159);智能汽车安全技术全国重点实验室开放基金(IVSTSKL-202432)

Intelligent Transition of Automotive Industry Driven by Autonomous Driving Simulation Testing Technology

Wu Jianping¹^,²^,³, Li Guanzhou¹, Zhao Shuai⁴, Huang Ling⁵

^1.School of Civil Engineering, Tsinghua University, Beijing 100084, China
^2.Research Center for Autonomous Driving and Intelligent Transport Systems, Research Institute of Tsinghua University in Shenzhen, Shenzhen 518000, China
^3.Zero Carbon Transportation Research Center, Tianfu Yongxing Laboratory, Chengdu 610213, China
^4.CATARC Intelligent and Connected Technology Co. , Ltd. , Tianjin 300300, China
^5.School of Civil Engineering & Transportation, South China University of Technology, Guangzhou 510640, China

Received:2025-06-04 Revised:2025-06-11 Online:2025-07-18 Published:2025-07-30
Contact: Li Guanzhou

摘要/Abstract

摘要：

自动驾驶仿真测试技术作为支撑智能驾驶系统安全验证与商业落地的核心手段，在技术方法与应用场景上取得了显著进展。传统真实道路测试因成本高昂、极端场景覆盖率低及效率瓶颈等问题，难以满足当前日益迫切的高等级自动驾驶(L4级及以上)的安全验证需求。仿真测试技术应包含数学建模、虚拟场景、硬件在环(HIL)、混合现实与云仿真集群等多层次的验证体系。数学建模可加速算法开发，虚拟场景仿真提升了感知系统的鲁棒性，HIL测试保障了控制器可靠性，而云仿真集群通过大规模并行计算实现了场景覆盖的指数级扩展。FLOWSIM平台基于模糊数学理论，在真实人类驾驶行为数据的基础上建立了“基因级”人类驾驶行为模型，保障了仿真测试场景中交通流环境的精确性。FLOWSIM-MR基于数字孪生实现了一种自动驾驶虚实结合的测试范式。未来随着自动驾驶技术及相应的测试技术发展成熟，新技术如生成式AI与数字孪生技术将推动仿真测试向更高精度与智能化演进，而国际标准(如ISO 34502)的制定与政产学研协同生态的构建，将成为突破“安全-成本-效率”三角困境的关键。

关键词: 自动驾驶仿真测试, 虚实结合仿真, 测试场景库构建, 自动驾驶安全验证, 驾驶行为建模

Abstract:

As a pivotal approach supporting the safety verification and commercial implementation of intelligent driving systems, autonomous driving simulation testing has achieved remarkable progress in technical methodologies and application scenarios. Conventional real-world road testing faces critical limitations including prohibitive costs, inadequate coverage of corner case scenarios, and efficiency bottlenecks, rendering it insufficient for safety validation of high-level autonomous driving systems (L4 and above). To address these challenges, simulation testing frameworks have evolved into a multi-layered verification system encompassing mathematical modeling, virtual scenarios, hardware-in-the-loop (HIL), mixed reality, and cloud-based simulation clusters. Specifically, mathematical modeling accelerates algorithm development; virtual scenario simulation enhances the robustness of perception systems, and HIL testing ensures controller reliability. Meanwhile, cloud-based simulation clusters achieve exponential expansion in scenario coverage through large-scale parallel computing. Notably, the FLOWSIM platform leverages fuzzy logic to establish a "genetic-level" human driving behavior model based on real-world driving data, ensuring the accuracy of traffic flow environments in simulated test scenarios. Furthermore, FLOWSIM-MR introduces a virtual-real testing paradigm for autonomous driving based on digital twins. Looking ahead, the maturation of autonomous driving technologies and their testing technologies will be propelled by emerging innovations like generative AI and digital twin systems, driving simulation testing toward higher precision and intelligence. Concurrently, the establishment of international standards (e.g., ISO 34502) and collaborative ecosystems involving governments, academia, and industry will be critical to overcoming the "safety-cost-efficiency" trilemma.

Key words: autonomous driving simulation testing, virtual-real simulation, testing scenario database construction, safety validation of autonomous driving, driving behavior modeling

中图分类号:

TP.391.9

吴建平,李冠洲,赵帅等 . 自动驾驶仿真测试技术驱动汽车产业智能跃迁[J]. 系统仿真学报, 2025, 37(7): 1649-1664.

Wu Jianping,Li Guanzhou,Zhao Shuai,et al . Intelligent Transition of Automotive Industry Driven by Autonomous Driving Simulation Testing Technology[J]. Journal of System Simulation, 2025, 37(7): 1649-1664.

图/表 5

图1

表1

图2

表2

现有自动驾驶仿真器对比

仿真类别	仿真器名称	开发者	功能特色	是否支持LLM
车辆动力学仿真	CarSim	密歇根大学交通研究所	提供高精度的车辆动力学模型	否
车辆动力学仿真	CarMaker	IPG Automotive	提供丰富的车辆动力学模型，支持HIL测试	否
场景环境仿真	AirSim	微软	最初为无人机设计，基于虚幻引擎，可为自动驾驶等智能化系统提供高度的多传感器仿真；提供ROS集成	否
	PreScan	西门子	提供高度真实且可定制的场景搭建，支持丰富的传感器类别，支持HIL测试	否
	LGSVL	LG	基于Unity引擎，支持多传感器融合和与Apollo/Autoware等开源自动驾驶系统实现高效衔接	否
	rFpro	英国rFpro	毫米级路面扫描建模，支持摄像头与激光雷达仿真，可与SUMO/VISSIM等交通流仿真衔接	否
	MetaDrive	香港中文大学&UCLA	允许通过程序生成的方式快速生成大量仿真路网	否
	RoadRunner	MathWorks	可用于高精地图和3D场景建模，与MATLAB/Simulink高度集成	否
交通流仿真	SUMO	德国宇航中心	轻量化交通流仿真，支持OSM地图输入，提供丰富的Python API接口：TraCI	否
	VISSIM	PTV Group	使用人类行为特征模型，能反映人类交通参与者多类行为特质
	Highway-Env	开源社区	轻量级驾驶场景模拟，支持简单交通规则	否
	LimSim	上海AI Lab	支持大语言模型接入，可实现长时间闭环交通流仿真，并与自动驾驶车辆实现具有真实性的互动，可与SUMO/CARLA联合仿真	是
数据驱动类仿真	SimNet	Lyft	基于超1 000+小时真实数据训练，首个神经网络驱动的自动驾驶可互动回放式仿真	否
	Waymax	Waymo	基于Waymo Open Motion Dataset，包含大量真实场景的可微闭环仿真器	否
	UniSim	Waabi	构建一套神经传感模拟器，能基于真实世界获取的感知数据生成新视角下的感知数据	否
	MARS	清华大学	基于NeRF技术构建的多传感器仿真，能对自动驾驶进行在极端与特殊情况下高真实性的测试	否

数据驱动类仿真	DriveArena	上海AI Lab	结合交通流管理器和世界生成模型实现了一种能在任意地图上生成逼真车流的交通模拟器	否
数据驱动类仿真	HUGSim	浙江大学&华为	基于3D高斯渲染技术实现全闭环自动驾驶仿真；在外推视图上实现了更高精度的仿真	否
全栈仿真	CARLA	巴塞罗那自治大学计算机视觉中心	开源平台，基于虚幻引擎的高保真3D场景，支持多天气条件、传感器仿真(摄像头、激光雷达)，提供Python API和大量基准测试	否
	VTD	VIRES(MSC Software)	模块化工具链，支持OpenX自动驾驶场景标准，物理级传感器仿真和实时渲染	否
	TAD Sim	腾讯	基于游戏引擎和数字孪生技术，支持AI交通流	否
	FLOWSIM	清华大学	基于“基因级”人类驾驶员模型实现高拟真的自动驾驶与人类驾驶的交互场景；具有虚实结合的仿真测试功能，可方便地应用于整车测试	是

表2

图 3

参考文献 61

[1]	International SAE. Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-road Motor Vehicles: J3016_202104 [S]. Warrendale, PA, USA: SAE International, 2021: 1-41.
[2]	Statista. Autonomous Vehicle Market Size Worldwide 2021-2030[R/OL].(2024-12-25)[2025-05-21].
[3]	中商情报网. 2025年全球及中国自动驾驶市场规模预测分析[EB/OL]. (2025-01-10) [2025-04-19]. .
[4]	McKinsey & Company. What's next for autonomous vehicles?[R/OL]. (2021-12-22) [2025-04-19]. .
[5]	Feng Shuo, Sun Haowei, Yan Xintao, et al. Dense Reinforcement Learning for Safety Validation of Autonomous Vehicles[J]. Nature, 2023, 615(7953): 620-627.
[6]	Kalra N, Paddock S M. Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability?[J]. Transportation Research Part A: Policy and Practice, 2016, 94: 182-193.
[7]	Anon. Tesla FSD Beta Already Provides High Level of Safety: Only 0. 31 Accidents Per Million Miles[EB/OL]. (2023-04-25)[2025-04-21]. .
[8]	北京水清木华研究中心. 2022年自动驾驶仿真产业链研究报告(中国篇)[EB/OL]. (2023-01) [2025-04-25]. .
[9]	California DMV. 2023 Disengagement Reports[EB/OL]. [2025-04-26]. .
[10]	盖世汽车. 自动驾驶仿真测试风起[EB/OL]. (2020-03-17) [2025-04-27]. .
[11]	中国电动汽车百人会, 腾讯自动驾驶, 中汽数据有限公司. 2020中国自动驾驶仿真蓝皮书[EB/OL]. (2020-10-12) [2025-04-27].
[12]	谢俊, 郭晨海, 刘军, 等. 非线性悬架动力学数值模拟和性能评价[J]. 江苏大学学报(自然科学版), 2004, 25(3): 216-219.
	Xie Jun, Guo Chenhai, Liu Jun, et al. Performance Evaluation and Numerical Simulation for Non-linear Dynamic Suspension System of Vehicles[J]. Journal of Jiangsu University(Natural Science Edition), 2004, 25(3): 216-219.
[13]	Manivasagam Sivabalan, Wang Shenlong, Wong Kelvin, et al. LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE, 2020: 11164-11173.
[14]	Kazi Iftekhar Ahmed. Modeling Freeway Lane Changing Behavior[M]. Cambridge: Massachusetts Institute of Technology, 1996.
[15]	工业和信息化部, 国家标准化管理委员会. 关于印发«国家车联网产业标准体系建设指南(智能网联汽车)(2023版)»的通知: 工信部联科〔2023〕109号[EB/OL]. (2023-07-26)[2025-05-28]. .
[16]	Fortune Business Insights. 仿真软件市场规模增长报告 [2032][EB/OL]. (2025-06-02) [2025-06-05]. .
[17]	MathWorks The, Inc. 车辆动力学建模仿真助力底盘控制开发[EB/OL]. (2022-08-10) [2025-05-13]. .
[18]	Zhao Ding, Peng H, Bao Shan, et al. Accelerated Evaluation of Automated Vehicles Using Extracted Naturalistic Driving Data[M]//Martin Rosenberger, Manfred Plöchl, Klaus Six, et al. The Dynamics of Vehicles on Roads and Tracks. London: CRC Press, 2015: 287-296.
[19]	Han Yu, Li Yan, Yu Shixuan, et al. Modeling Lane Changes Using Parallel Learning[J]. Transportation Research Part C: Emerging Technologies, 2024, 167: 104841.
[20]	Haider Arsalan, Pigniczki Marcell, Köhler Michael H, et al. Development of High-fidelity Automotive LiDAR Sensor Model with Standardized Interfaces[J]. Sensors, 2022, 22(19): 7556.
[21]	Hu Fuzhi, Zhang Zili, Hu Xing, et al. A Scene Flow Estimation Method Based on Fusion Segmentation and Redistribution for Autonomous Driving[J]. IET Control Theory & Applications, 2023, 17(13): 1779-1788.
[22]	Zang Shizhe, Ding Ming, Smith D, et al. The Impact of Adverse Weather Conditions on Autonomous Vehicles: How Rain, Snow, Fog, and Hail Affect the Performance of a Self-driving Car[J]. IEEE Vehicular Technology Magazine, 2019, 14(2): 103-111.
[23]	Li W, Pan C W, Zhang R, et al. AADS: Augmented Autonomous Driving Simulation Using Data-driven Algorithms[J]. Science Robotics, 2019, 4(28): eaaw0863.
[24]	Yang Zhenpei, Chai Yuning, Anguelov D, et al. SurfelGAN: Synthesizing Realistic Sensor Data for Autonomous Driving[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE, 2020: 11115-11124.
[25]	Hanselmann Niklas, Doll Simon, Cordts Marius, et al. EMPERROR: A Flexible Generative Perception Error Model for Probing Self-driving Planners[EB/OL]. (2025-05-13) [2025-05-26]. .
[26]	dSPACE. 用于验证传感器融合ECU的入门级回放系统[EB/OL]. [2025-05-17]. .
[27]	GmbH dSPACE. Achieving Safer Autonomy with ISO 26262 and Simulation-Based Testing[EB/OL]. (2018-09-19) [2025-04-17]. .
[28]	佐思汽研. 2025年智能驾驶仿真与世界模型研究报告[EB/OL]. (2025-06-12) [2025-06-03]. .
[29]	IT业界. 自动驾驶应用加速模拟仿真技术是关键之一[EB/OL]. (2020-03-24) [2025-04-18]. .
[30]	前瞻产业研究院. 2025-2030年全球及中国自动驾驶行业技术发展和商业化落地现状分析报告[EB/OL]. [2025-05-22]. .
[31]	亿欧智库. 云服务新引擎,高效驱动自动驾驶数据闭环发展白皮书[EB/OL]. (2023-09-21) [2025-04-21]. .
[32]	佐思汽研. 2024年自动驾驶仿真产业研究报告[EB/OL]. (2024-05) [2025-04-21]. .
[33]	Mo Elshenawy. Building Continuous Integration & Continuous Delivery for Autonomous Vehicles on Google Cloud[EB/OL]. (2022-03-10) [2025-05-18]. .
[34]	Krauß S. Microscopic Modeling of Traffic Flow: Investigation of Collision Free Vehicle Dynamics[EB/OL]. (1998-01-01) [2024-12-13]. .
[35]	Fellendorf Martin, Vortisch Peter. Microscopic Traffic Flow Simulator VISSIM[M]//Jaume Barceló. Fundamentals of Traffic Simulation. New York: Springer New York, 2010: 63-93.
[36]	Treiber Martin, Hennecke Ansgar, Helbing Dirk. Congested Traffic States in Empirical Observations and Microscopic Simulations[J]. Physical Review E, 2000, 62(2): 1805-1824.
[37]	Bergamini Luca, Ye Yawei, Scheel Oliver, et al. SimNet: Learning Reactive Self-driving Simulations from Real-world Observations[C]//2021 IEEE International Conference on Robotics and Automation (ICRA). Piscataway: IEEE, 2021: 5119-5125.
[38]	Suo Simon, Regalado Sebastian, Casas Sergio, et al. TrafficSim: Learning to Simulate Realistic Multi-agent Behaviors[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE, 2021: 10395-10404.
[39]	Yan Xintao, Zou Zhengxia, Feng Shuo, et al. Learning Naturalistic Driving Environment with Statistical Realism[J]. Nature Communications, 2023, 14(1): 2037.
[40]	Wu Jianping, Brackstone M, McDonald M. Fuzzy sets and Systems for a Motorway Microscopic Simulation Model[J]. Fuzzy Sets and Systems, 2000, 116(1): 65-76.
[41]	Wu J, Brackstone M, McDonald M. The Validation of a Microscopic Simulation Model: A Methodological Case Study[J]. Transportation Research Part C: Emerging Technologies, 2003, 11(6): 463-479.
[42]	Qi Geqi, Wu Jianping, Zhou Yang, et al. Recognizing Driving Styles Based on Topic Models[J]. Transportation Research Part D: Transport and Environment, 2019, 66: 13-22.
[43]	Rasouli Amir. Pedestrian Simulation: A Review[EB/OL]. (2021-02-05)[2022-05-29]. .
[44]	A H Algadhi Saad, Mahmassani Hani S. Simulation of Crowd Behavior and Movement: Fundamental Relations and Application[J]. Transportation Research Record Journal of the Transportation Research Board, 1991, 1320: 260-268.
[45]	Blue V J, Adler J L. Cellular Automata Microsimulation for Modeling Bi-directional Pedestrian Walkways[J]. Transportation Research Part B: Methodological, 2001, 35(3): 293-312.
[46]	Lämmel Gregor, Flötteröd Gunnar. A CA Model for Bidirectional Pedestrian Streams[J]. Procedia Computer Science, 2015, 52: 950-955.
[47]	Banarjee Soumya, Grosan C, Abraham A. Emotional Ant Based Modeling of Crowd Dynamics[C]//Seventh International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC'05). Piscataway: IEEE, 2005: 8.
[48]	Gupta A, Johnson J, Li Feifei, et al. Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2018: 2255-2264.
[49]	Ling Huang, Wu Jianping. A Study on Cyclist Behavior at Signalized Intersections[J]. IEEE Transactions on Intelligent Transportation Systems, 2004, 5(4): 293-299.
[50]	Lipson H, Pollack J B. Automatic Design and Manufacture of Robotic Lifeforms[J]. Nature, 2000, 406(6799): 974-978.
[51]	Mechanical Simulation Corporation. CarSim User Manual. 2023[EB/OL]. [2025-04-23]. .
[52]	Automotive IPG. CarMaker Product Documentation. 2023[EB/OL]. [2025-04-22]. .
[53]	Siemens Digital Industries Software. PreScan Functional Overview. 2022[EB/OL]. [2025-04-22]. .
[54]	Group PTV. VISSIM 2023 User Guide. 2023[EB/OL]. [2025-04-22]. .
[55]	VIRES Simulationstechnologie GmbH. VTD 2.3 Technical Specifications. 2023[EB/OL]. [2025-04-25]. .
[56]	Ohl Sebastian, Maurer Markus. A Contour Classifying Kalman Filter Based on Evidence Theory[C]//2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC). Piscataway: IEEE, 2011: 1392-1397.
[57]	Dosovitskiy Alexey, Ros German, Codevilla Felipe, et al. CARLA: An Open Urban Driving Simulator[C]//Proceedings of the 1st Annual Conference on Robot Learning. Chia Laguna Resort: PMLR, 2017: 1-16.
[58]	Menzel Till, Bagschik Gerrit, Maurer Markus. Scenarios for Development, Test and Validation of Automated Vehicles[C]//2018 IEEE Intelligent Vehicles Symposium (IV). Piscataway: IEEE, 2018: 1821-1827.
[59]	Wickramarachchi R, Henson C, Sheth A. An Evaluation of Knowledge Graph Embeddings for Autonomous Driving Data: Experience and Practice[EB/OL]. (2020-02-29) [2025-04-25]. .
[60]	Palnitkar A, Kapu R, Lin Xiaomin, et al. ChatSim: Underwater Simulation with Natural Language Prompting[C]//OCEANS 2023 - MTS/IEEE U.S. Gulf Coast. Piscataway: IEEE, 2023: 1-7.
[61]	Zhang Jiawei, Xu Chejian, Li Bo. ChatScene: Knowledge-enabled Safety-critical Scenario Generation for Autonomous Vehicles[C]//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE, 2024: 15459-15469.

方法	测试效率	硬件成本	场景保真度	适用开发阶段	缺陷覆盖度
数学建模	纯模型计算，场景生成与迭代速度最快	仅需通用计算资源，无专用硬件需求	高度抽象简化模型，难以完全还原环境噪声及复杂互动行为	算法原型	主要覆盖算法逻辑和动力学模型缺陷
虚拟场景	基于仿真软件，场景生成与测试执行速度快，易于大规模并行	场景构建与渲染计算资源要求相对更高，无需实车或大部分硬件	可通过精细建模(车辆动力学、传感器模型、环境渲染)模拟复杂场景和物理效应	感知系统	能实现对车辆各功能的测试，但对硬件故障和整车执行方面的问题覆盖有限
硬件在环	需集成真实硬件与软件仿真，测试配置与执行速度较纯仿真慢	需使用真实被测件、专业硬件接口及配套设备等	在虚拟测试基础上，允许接入被测车辆组件的真实响应信号	控制器验证	能发现控制器软硬件集成缺陷和控制逻辑错误，但对整车级执行和真实环境交互覆盖不足
混合现实	需协调实车在真实场地运行与虚拟交通流注入，测试准备与执行复杂较耗时	需使用实车、高精度定位系统、低延时通讯系统等	车辆在真实场地中运行，融合高度逼真的虚拟交通流，最接近实车道路测试效果	HMI评估	结合真实车辆动态和虚拟场景，能对自动驾驶各类缺陷较实现较完整覆盖，是实路测试的重要补充

自动驾驶仿真测试技术驱动汽车产业智能跃迁

Intelligent Transition of Automotive Industry Driven by Autonomous Driving Simulation Testing Technology

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 61

相关文章 13

编辑推荐

Metrics

本文评价

[1]	孙昕, 邢立宁, 王锐, 王凌, 石建迈, 罗天羽. 基于多目标进化算法的防空导弹武器目标分配[J]. 系统仿真学报, 2024, 36(6): 1298-1308.
[2]	贾立山, 李昂. 基于改进欧拉角公式的飞行仿真建模方法[J]. 系统仿真学报, 2021, 33(2): 339-345.
[3]	张舵, 刘满国, 章校, 刘平安, 何宜轩. 基于半实物仿真环境的系统误差分析研究[J]. 系统仿真学报, 2019, 31(1): 53-59.
[4]	王华进, 万萌, 韩锐, 任玮, 张海明, 黎建辉. 构建自动演进的天文大数据负载模型[J]. 系统仿真学报, 2018, 30(9): 3293-3305.
[5]	王爱珍, 吕勋. 基于非完美调试和测试工作量的软件可靠性研究[J]. 系统仿真学报, 2018, 30(7): 2593-2599.
[6]	杨曦中, 艾剑良. 自主空战中无人机规避导弹机动策略研究[J]. 系统仿真学报, 2018, 30(5): 1957-1966.
[7]	陈坚. 船用发电柴油机调速器的数学建模和仿真研究[J]. 系统仿真学报, 2018, 30(3): 937-942.
[8]	王梅亮, 万华根, 顾键萍. 基于游戏模式的行人横穿道路技能辅助训练系统研究[J]. 系统仿真学报, 2016, 28(6): 1406-1412.
[9]	傅妍芳, 李路, 高祥, 程兵. 基于TDMA的卫星战术通信网路由协议仿真研究[J]. 系统仿真学报, 2016, 28(2): 467-475.
[10]	李春胜, 张雪. 一类具有双向时延的脑皮层电模型的分支研究[J]. 系统仿真学报, 2015, 27(12): 3063-3069.
[11]	严宗睿, 巫银花, 陈勇, 董建树. 装备作战需求探索性仿真实验方法研究[J]. 系统仿真学报, 2015, 27(8): 1888-1894.
[12]	贾立山, 王立文. 机场消防车消防泵系统实时仿真模型的构建[J]. 系统仿真学报, 2015, 27(6): 1209-1213.
[13]	张远, 蒋浩, 朱登明, 王兆其. 基于骨架匹配的人体轮廓线提取[J]. 系统仿真学报, 2017, 29(11): 2774-2781.