自动驾驶的快速发展，在过去几年催生了大量新蓝海赛道，仿真测试便是其中之一。
业界普遍认为，自动驾驶汽车要想大规模上路，前期必须进行充分的测试验证。这个工程量有多大呢？兰德公司曾指出，要证明自动驾驶系统比人类驾驶员更可靠，至少需要进行110亿英里(177亿公里)的里程测试。
如果这些测试完全通过道路实测来完成，显然不现实，因为真实路测不仅效率低、周期长、成本高，而且在场景方面还存在诸多限制。比较之下，仿真测试通过构建虚拟场景库，把自动驾驶汽车测试放到接近真实世界的虚拟环境中进行，可以大幅提升测试效率，缩短开发周期，降低研发成本。
不难发现在自动驾驶研发过程中，目前业界基本都是采用“仿真测试+实际路测”相结合的技术路线。其中核心的自动驾驶算法测试，甚至高达95%是通过仿真平台完成，重要性可见一斑。
正因为如此，过去一段时间里大批企业争相涌入该赛道，凭借各自不同的技术基因和战略理念，开展仿真测试探索。其中IAE智行众维®，作为本土智能驾驶仿真测试领域的技术引领者和重要参与者之一，构建了从SIL到HIL再到DIL和VIL的IAE X-in-Loop®完整技术闭环体系，助力行业开展自动驾驶在各类应用场景中的安全验证。
发展至今，IAE智行众维®已经先后和众多整车厂、Tier1、第三方检测机构、科技公司以及各地智能网联测试示范区等达成了深度合作，俨然成了本土自动驾驶产业发展的重要推动力量。
海量场景，仿真测试的硬性刚需
相较于实际路测，仿真测试带来的好处是显而易见的。
从应用环节来看，仿真测试可以贯穿车辆开发全流程。这也是为什么IAE智行众维®自成立以来，就针对智能驾驶“V字型”开发流程所贯穿的各个测试验证环节，构建了全栈式的X-In-Loop®技术闭环体系。
其中，“水木灵境”场景工场（海量仿真场景库）是该闭环体系的关键基础。仿真测试需要通过构建虚拟场景库来进行算法、软件和系统的测试和功能验证，这意味着场景库对驾驶场景的覆盖度以及场景数据质量将直接决定了仿真测试的效果。
具体来看，“水木灵境”场景工场具有三大突出特点：
“有法可依”，即场景是围绕法规和标准来构建的，比如Euro-NCAP、C-NCAP、ISO、GB等行业标准，以及V2X、交通规则等相关的标准法规。
“有迹可循”，即来源于真实驾驶场景，包括自然驾驶场景采集，比如苏州、上海、长春、广州、重庆等城市典型道路的数字孪生，和中国交通事故（CIDAS）场景等。
“有需可取”，这类场景主要是结合所测试对象的功能来进行正向拆解，比如针对HWP功能分析构建的HWP场景，或者结合SOTIF预期功能安全分析功能的局限性。
“因为从我们服务过的客户来看，大家更多关注的是场景的真实性。”谈及这样分类的原因，IAE智行众维®研发副总经理高彪近日接受盖世汽车采访时表示。而在真实用车场景中，自动驾驶汽车会面临怎样的驾驶工况、要遵循哪些交通规则都有据可依。
从规模来看，“水木灵境”场景工场累计构建的场景库超过了8000组，其中的CIDAS中国交通事故场景和ADAS法规场景等都是目前客户需求比较集中的。
这并不难理解，交通事故由于常常伴随着风险产生，包括人员伤亡，很多几乎无法在现实世界中快速、安全、广泛地复现测试。比如行人在十字路口违规闯红灯，这个场景在现实中虽然时有发生，但又有谁愿意以生命冒险去做测试对象，必须依赖仿真测试还原。
类似的场景还有很多，典型如各种“鬼探头”工况，而这些Corner Case恰恰是保障高级别自动驾驶安全性和可靠性的关键，由此也决定了仿真测试正在成为自动驾驶演进的硬性刚需。
值得一提的是，除了提供标准化场景，“水木灵境”场景工场还可以针对不同客户的测试需求定制，提供个性化订阅服务，场景数据支持按年订阅、按用户数量订阅等多种灵活的服务模式，并支持跨仿真平台应用。
“比如企业需要测试NOP功能，但是这个功能是客户自己定义的，没有现成的法规和标准参考，这就需要‘水木灵境’场景工场根据客户提供的功能说明来具体设计构建针对性的测试场景。” 高彪表示。
火爆背后，统一标准仍是难题
毋庸置疑，“水木灵境”场景工场的场景库覆盖范围在业内已经达到了领先水平。这背后，市场需求的差异化和多样化是关键驱动力。
“虽然现阶段不同客户对仿真场景库的需求各有侧重，但大家普遍的需求就是有海量有效的测试场景。” 高彪表示。更何况从自动驾驶的发展趋势来看，其演进路径也决定了必须有海量的场景赋能测试验证：一方面，自动驾驶汽车不同研发阶段，对场景库的需求各不相同；另一方面，越高级别的自动驾驶，对于场景数据的数量、覆盖度、多样性和复杂度的要求也愈高。
“比如面对行人横穿马路的工况，对低级别的辅助驾驶功能而言，算法考虑的只是需不需要进行制动来减轻或避免伤害，但是对于高级别的辅助驾驶甚至自动驾驶功能来说，算法可能会考虑减速，也可能会考虑绕行，因此周围车况也会影响算法对这一个工况的决策。” 高彪表示。
这意味着，对于仿真场景库而言，低级别自动驾驶的测试更多面向的是确定性的测试，而高级别自动驾驶的测试更多是面向不确定性的测试，这无疑对仿真场景设计的复杂度以及整体覆盖率提出了更高的要求。
目前在场景库构建方面的现状，行业玩家仍然是各自为战，不仅缺乏统一的标准，不同仿真平台之间对场景的使用要求也各不相同。由此导致的结果是，多数企业所用场景的覆盖度都非常有限，特别是Corner Case难以穷尽，且资源重复性投入巨大。
针对这一情况，高彪认为，未来仍然很难形成行业统一的场景库。“原因有几点：其一，场景库作为一项重要的数据资产，未来必定是数据多者得天下，行业玩家都会希望自家主导的场景库在行业内有更大的话语权；其二，不同仿真平台和应用背景对场景的要求也不同， 而行业内正在开发的标准，如ASAM OpenX标准，要走的路还非常漫长。”
在仿真测试的真实性方面，目前行业同样缺乏统一的评判标准。仿真测试所谓的“真”，包括传感器模型和真实一致、仿真测试场景和真实世界一致、车辆动力学模型和真实车辆一致，最终得到“真”的模拟结果，这中间任何一个环节的偏差都会直接影响到最终仿真测试的效果。
在这个关键的评价维度上，行业的标准仍然缺失。“客户作为最终使用者，经过客户实践的验证才是符合要求的产品。”谈及现状，高彪指出。
实际上，这也是很多新技术在发展初期都会面临的问题。为了构建出满足客户测试要求且能帮助探索安全边界的仿真测试场景及仿真测试体系，IAE智行众维®依托在仿真技术、流程方法、场景数据、法规标准等方面的坚实基础，构建了一套有效链接仿真平台、客户算法以至实车的X-In-Loop®技术产品体系，并组建了一支更侧重于数据分析、处理、仿真测评、模型优化的专业技术团队，将X-in-Loop®技术体系中对数据的需求与场景工场相关资源无缝衔接，从而保证构建的仿真场景能够真实有效地服务于仿真测试。这一体系和相关工作均得到了客户的一致好评。
持续迭代，赋能自动驾驶研发
不断扩大的客户规模，折射出IAE智行众维®在海量场景库构建方面所做的努力已经得到业界的广泛认可。事实上，这只是一个开始。
产业确定的趋势是，随着智能驾驶不断从ADAS向高阶自动驾驶演进，对于测试规模及复杂性要求大幅提升，仿真测试的重要性必将进一步凸显。
“当前自动驾驶的发展已经进入新阶段：算法研发稳定发展，开始重点寻找商业落地场景，主机厂希望通过自动驾驶增强产品力，政府在监管上需要实际可行的方案，形成积极的引导和准入，这些都推动自动驾驶产业逐步从研发端转向测试验证端。”高彪表示。
在此过程中，如何进一步提升场景的覆盖度，让算法覆盖尽可能多的Corner Case，并且提升测试验证的效率，将是行业持续关注的重点。
IAE智行众维®在打造“水木灵境”场景工场的同时，还打造了一套以海量算力为基础的云算力仿真平台，将海量仿真场景和自动化仿真测试充分结合，以快速发掘边缘场景、有效界定安全边界。据悉，该云算力仿真平台可以支持每天千万公里以上有效虚拟里程快速积累。
“场景覆盖度和测试效率是分不开的，当场景数量少时，是否有自动化测试并没有对测试效率有多大的影响，但当场景覆盖足够多时，如何自动化进行海量测试则是面临的主要挑战。” 高彪指出。
随着高阶自动驾驶的演进对仿真场景的需求持续大幅提升，高彪透露，“水木灵境”场景工场将继续围绕海量场景数据和云算力仿真平台，从规模量产和实际服务于产业的测评体系两个方面不断迭代升级。
在构建海量场景数据方面，IAE智行众维®将立足X-in-Loop®技术体系，从行业实际需求出发，继续提升技术闭环和数据闭环体系。
“比如构建一套从简单到复杂、从单一到组合的场景测评体系，引导企业通过基于场景的全面测试来探索安全的边界。同时，不断拓展新的可构建场景的数据来源，将尽可能多的真实世界搬到仿真测试场景中。” 高彪表示。
而在云算力仿真方面，基于海量场景的合理分类、高效测试和有效评价，才能切实支持客户不断迭代和改进算法，IAE智行众维®的重点投入方向之一正是在场景的分类和评价上，比如如何进行仿真场景数据量产和测评，如何对不同分类的场景做普适性和特殊性评价。
“未来，必须在确定的工况中探索不确定的变量，在不确定的变量组合中拓展确定安全的边界。” 谈及对未来的趋势预判，高彪指出。
不难预见，这些趋势将对 “水木灵境”场景工场不断提出新的挑战，但这又何尝不是IAE智行众维®引领行业前行的巨大机会。放眼未来，IAE智行众维®更出色的表现值得期待。
免责声明：本文由用户上传，如有错误请指正，如有侵权，请联系删除！
