近年來，自動駕駛、網聯技術、新能源、共享出行是汽車工業的發展方向，尤其是自動駕駛，在全球和中國獲得了非常多的技術關注和資本支持。為了應對這個趨勢，西門子工業軟件在過去十年累計投入超過100億美元，做了很多技術研發的努力，包括并購一些公司，包括TASS International?；谶@些工作，Siemens能夠提供智能網聯新能源車的整體解決方案。其中，TASS的主要技術領域包括兩個方面，一個是仿真技術，一個是測試和工程咨詢服務。
本文與大家交流的主題是基于模型的ADAS和自動駕駛系統開發和測試方法論。要配合自動駕駛汽車的性能開發，我們必須遵循從純模型的仿真、到半實物的仿真、到場地和道路測試這一正向開發流程。這一開發流程和方法價值何在呢？要對自動駕駛車輛進行充分的測試驗證，需要多達142億英里的路試，這顯然與有限的產品開發時間和生命周期是相悖的。這帶來一個經典的問題：究竟需要多少測試，才能證明自動駕駛產品是成熟可靠、可以上市的呢？
把這一問題細化，可以提出五個具體問題：
1.測試歷程和工況場景幾乎是無限的
2.嚴苛工況和全面工況在道路測試中可遇不可求
3.即使能遇到嚴苛工況，也不可重現，無法重復驗證
4.在道路上，缺乏真值數據來對比檢驗系統性能
5.部分測試工況具有危險性和復雜性
為了應對這些挑戰，我們提出了基于模型的設計和測試驗證方法。本文將通過一系列的實際工程案例，來具體闡發這一方法論。這一方法論的核心，是以PreScan為核心的仿真技術?；谶@一仿真技術，可以進行MiL-模型在環，SiL軟件在環，HiL硬件在環，ViL車輛在環，直到場地測試和道路測試，從而構成完整的開發測試流程。
自動駕駛系統可以劃分為四個功能模塊，第一是測試工況，第二是環境感知的傳感器，第三是控制決策規劃的算法，最后是底盤執行器。PreScan仿真技術，可以對這四個功能模塊進行建模仿真，構成完整的自動駕駛系統的模型。
接下來為大家介紹幾個案例，來說明我們的方法論。
第一個案例是為北歐某OEM做的測試項目。我們知道，測試工況的種類、數量、覆蓋度對系統的測試至關重要，測試工況的來源有多種。本項目中，我們使用了德國GIDAS交通事故數據，PreScan可以自動的把GIDAS事故數據轉換成測試場景模型。有了場景工況的模型，再結合環境感知、控制算法、底盤動力學的模型，就會構成非常完整的系統仿真方案。GIDAS數據庫的場景非常多，所以我們提供了基于集群計算機服務器的計算方法，使得我們可以進行高效的大規模的工況計算。當然，今天PreScan也支持中國的交通事故數據庫CIDAS，這都是非常有價值的測試工況來源之一。
第二個案例是ACC的性能標定案例。ACC的測試，有一個典型工況，即所謂的Cut-In目標車突然變道到主車車道上的工況。構成這一工況有很多的元素，比如車速、切入的時機、切入之后目標車的狀態等等，如果各個元素的多種取值做排列組合，會發現這個單一工況可以輕易地衍生出幾十萬種組合。
有了這么多的工況，怎么樣進行ACC的性能分析呢？ACC系統有一個重要的性能參數就是加速度的變化率，即所謂的jerk，影響它的有很多參數，包括雷達傳感器的檢測延時、ACC控制算法包括PID參數的標定、執行機構對加減速的響應延遲和上升特性、底盤動力學的特性等，我們要想定量的分析決定優化的參數，靠路試的主觀評價是遠遠不夠的，必須通過模型和參數的分析來決定最優的參數組合。
