自動駕駛的快速發展，在過去幾年催生了大量新藍海賽道，仿真測試便是其中之一。
業界普遍認為，自動駕駛汽車要想大規模上路，前期必須進行充分的測試驗證。
這個工程量有多大呢？蘭德公司曾指出，要證明自動駕駛系統比人類駕駛員更可靠，至少需要進行110億英裡(177億公裡)的裡程測試。
如果這些測試完全通過道路實測來完成，顯然不現實，因為真實路測不僅效率低、周期長、成本高，而且在場景方面還存在諸多限制。
比較之下，仿真測試通過構建虛擬場景庫，把自動駕駛汽車測試放到接近真實世界的虛擬環境中進行，可以大幅提升測試效率，縮短開發周期，降低研發成本。
不難發現在自動駕駛研發過程中，目前業界基本都是采用『仿真測試+實際路測』相結合的技術路線。
其中核心的自動駕駛算法測試，甚至高達95%是通過仿真平臺完成，重要性可見一斑。
正因為如此，過去一段時間裡大批企業爭相湧入該賽道，憑借各自不同的技術基因和戰略理念，開展仿真測試探索。
其中IAE智行眾維®，作為本土智能駕駛仿真測試領域的技術引領者和重要參與者之一，構建了從SIL到HIL再到DIL和VIL的IAE X-in-Loop®完整技術閉環體系，助力行業開展自動駕駛在各類應用場景中的安全驗證。
發展至今，IAE智行眾維®已經先後和眾多整車廠、Tier1、第三方檢測機構、科技公司以及各地智能網聯測試示范區等達成了深度合作，儼然成了本土自動駕駛產業發展的重要推動力量。
海量場景，仿真測試的硬性剛需
相較於實際路測，仿真測試帶來的好處是顯而易見的。
從應用環節來看，仿真測試可以貫穿車輛開發全流程。
這也是為什麼IAE智行眾維®自成立以來，就針對智能駕駛『V字型』開發流程所貫穿的各個測試驗證環節，構建了全棧式的X-In-Loop®技術閉環體系。
圖片來源： IAE智行眾維®
其中，『水木靈境』場景工場《海量仿真場景庫》是該閉環體系的關鍵基礎。
仿真測試需要通過構建虛擬場景庫來進行算法、軟件和系統的測試和功能驗證，這意味著場景庫對駕駛場景的覆蓋度以及場景數據質量將直接決定了仿真測試的效果。
具體來看，『水木靈境』場景工場具有三大突出特點：
『有法可依』，即場景是圍繞法規和標準來構建的，比如Euro-NCAP、C-NCAP、ISO、GB等行業標準，以及V2X、交通規則等相關的標準法規。
『有跡可循』，即來源於真實駕駛場景，包括自然駕駛場景采集，比如蘇州、上海、長春、廣州、重慶等城市典型道路的數字孿生，和中國交通事故《CIDAS》場景等。
『有需可取』，這類場景主要是結合所測試對象的功能來進行正向拆解，比如針對HWP功能分析構建的HWP場景，或者結合SOTIF預期功能安全分析功能的局限性。
『因為從我們服務過的客戶來看，大家更多關注的是場景的真實性』談及這樣分類的原因，IAE智行眾維®研發副總經理高彪近日接受蓋世汽車采訪時表示。
而在真實用車場景中，自動駕駛汽車會面臨怎樣的駕駛工況、要遵循哪些交通規則都有據可依。
從規模來看，『水木靈境』場景工場累計構建的場景庫超過了8000組，其中的CIDAS中國交通事故場景和ADAS法規場景等都是目前客戶需求比較集中的。
圖片來源： IAE智行眾維 ®
這並不難理解，交通事故由於常常伴隨著風險產生，包括人員傷亡，很多幾乎無法在現實世界中快速、安全、廣泛地復現測試。
比如行人在十字路口違規闖紅燈，這個場景在現實中雖然時有發生，但又有誰願意以生命冒險去做測試對象，必須依賴仿真測試還原。
類似的場景還有很多，典型如各種『鬼探頭』工況，而這些Corner Case恰恰是保障高級別自動駕駛安全性和可靠性的關鍵，由此也決定了仿真測試正在成為自動駕駛演進的硬性剛需。
值得一提的是，除了提供標準化場景，『水木靈境』場景工場還可以針對不同客戶的測試需求定制，提供個性化訂閱服務，場景數據支持按年訂閱、按用戶數量訂閱等多種靈活的服務模式，並支持跨仿真平臺應用。
『比如企業需要測試NOP功能，但是這個功能是客戶自己定義的，沒有現成的法規和標準參考，這就需要‘水木靈境’場景工場根據客戶提供的功能說明來具體設計構建針對性的測試場景』 高彪表示。
火爆背後，統一標準仍是難題
毋庸置疑，『水木靈境』場景工場的場景庫覆蓋范圍在業內已經達到了領先水平。
這背後，市場需求的差異化和多樣化是關鍵驅動力。
『雖然現階段不同客戶對仿真場景庫的需求各有側重，但大家普遍的需求就是有海量有效的測試場景』 高彪表示。
更何況從自動駕駛的發展趨勢來看，其演進路徑也決定了必須有海量的場景賦能測試驗證：一方面，自動駕駛汽車不同研發階段，對場景庫的需求各不相同；另一方面，越高級別的自動駕駛，對於場景數據的數量、覆蓋度、多樣性和復雜度的要求也愈高。
『比如面對行人橫穿馬路的工況，對低級別的輔助駕駛功能而言，算法考慮的隻是需不需要進行制動來減輕或避免傷害，但是對於高級別的輔助駕駛甚至自動駕駛功能來說，算法可能會考慮減速，也可能會考慮繞行，因此周圍車況也會影響算法對這一個工況的決策』 高彪表示。
圖片來源： IAE智行眾維 ®
這意味著，對於仿真場景庫而言，低級別自動駕駛的測試更多面向的是確定性的測試，而高級別自動駕駛的測試更多是面向不確定性的測試，這無疑對仿真場景設計的復雜度以及整體覆蓋率提出了更高的要求。
目前在場景庫構建方面的現狀，行業玩家仍然是各自為戰，不僅缺乏統一的標準，不同仿真平臺之間對場景的使用要求也各不相同。
由此導致的結果是，多數企業所用場景的覆蓋度都非常有限，特別是Corner Case難以窮盡，且資源重復性投入巨大。
針對這一情況，高彪認為，未來仍然很難形成行業統一的場景庫。
『原因有幾點：其一，場景庫作為一項重要的數據資產，未來必定是數據多者得天下，行業玩家都會希望自家主導的場景庫在行業內有更大的話語權；其二，不同仿真平臺和應用背景對場景的要求也不同， 而行業內正在開發的標準，如ASAM OpenX標準，要走的路還非常漫長』
在仿真測試的真實性方面，目前行業同樣缺乏統一的評判標準。
仿真測試所謂的『真』，包括傳感器模型和真實一致、仿真測試場景和真實世界一致、車輛動力學模型和真實車輛一致，最終得到『真』的模擬結果，這中間任何一個環節的偏差都會直接影響到最終仿真測試的效果。
在這個關鍵的評價維度上，行業的標準仍然缺失。
『客戶作為最終使用者，經過客戶實踐的驗證才是符合要求的產品』談及現狀，高彪指出。
實際上，這也是很多新技術在發展初期都會面臨的問題。
為了構建出滿足客戶測試要求且能幫助探索安全邊界的仿真測試場景及仿真測試體系，IAE智行眾維®依托在仿真技術、流程方法、場景數據、法規標準等方面的堅實基礎，構建了一套有效鏈接仿真平臺、客戶算法以至實車的X-In-Loop®技術產品體系，並組建了一支更側重於數據分析、處理、仿真測評、模型優化的專業技術團隊，將X-in-Loop®技術體系中對數據的需求與場景工場相關資源無縫銜接，從而保證構建的仿真場景能夠真實有效地服務於仿真測試。
這一體系和相關工作均得到了客戶的一致好評。
持續迭代，賦能自動駕駛研發
不斷擴大的客戶規模，折射出IAE智行眾維®在海量場景庫構建方面所做的努力已經得到業界的廣泛認可。
事實上，這隻是一個開始。
產業確定的趨勢是，隨著智能駕駛不斷從ADAS向高階自動駕駛演進，對於測試規模及復雜性要求大幅提升，仿真測試的重要性必將進一步凸顯。
『當前自動駕駛的發展已經進入新階段：算法研發穩定發展，開始重點尋找商業落地場景，主機廠希望通過自動駕駛增強產品力，政府在監管上需要實際可行的方案，形成積極的引導和準入，這些都推動自動駕駛產業逐步從研發端轉向測試驗證端』高彪表示。
圖片來源： IAE智行眾維 ®
在此過程中，如何進一步提升場景的覆蓋度，讓算法覆蓋盡可能多的Corner Case，並且提升測試驗證的效率，將是行業持續關注的重點。
IAE智行眾維®在打造『水木靈境』場景工場的同時，還打造了一套以海量算力為基礎的雲算力仿真平臺，將海量仿真場景和自動化仿真測試充分結合，以快速發掘邊緣場景、有效界定安全邊界。
據悉，該雲算力仿真平臺可以支持每天千萬公裡以上有效虛擬裡程快速積累。
『場景覆蓋度和測試效率是分不開的，當場景數量少時，是否有自動化測試並沒有對測試效率有多大的影響，但當場景覆蓋足夠多時，如何自動化進行海量測試則是面臨的主要挑戰』 高彪指出。
隨著高階自動駕駛的演進對仿真場景的需求持續大幅提升，高彪透露，『水木靈境』場景工場將繼續圍繞海量場景數據和雲算力仿真平臺，從規模量產和實際服務於產業的測評體系兩個方面不斷迭代升級。
在構建海量場景數據方面，IAE智行眾維®將立足X-in-Loop®技術體系，從行業實際需求出發，繼續提升技術閉環和數據閉環體系。
圖片來源： IAE智行眾維 ®
『比如構建一套從簡單到復雜、從單一到組合的場景測評體系，引導企業通過基於場景的全面測試來探索安全的邊界。
同時，不斷拓展新的可構建場景的數據來源，將盡可能多的真實世界搬到仿真測試場景中』 高彪表示。
而在雲算力仿真方面，基於海量場景的合理分類、高效測試和有效評價，才能切實支持客戶不斷迭代和改進算法，IAE智行眾維®的重點投入方向之一正是在場景的分類和評價上，比如如何進行仿真場景數據量產和測評，如何對不同分類的場景做普適性和特殊性評價。
『未來，必須在確定的工況中探索不確定的變量，在不確定的變量組合中拓展確定安全的邊界』 談及對未來的趨勢預判，高彪指出。
不難預見，這些趨勢將對 『水木靈境』場景工場不斷提出新的挑戰，但這又何嘗不是IAE智行眾維®引領行業前行的巨大機會。
放眼未來，IAE智行眾維®更出色的表現值得期待。