11月10日-12日，由中国汽车工业协会和武汉市人民政府共同主办的“2023中国汽车供应链大会暨第二届中国新能源智能网联汽车生态大会”在武汉经开区举办。其中，在11月11日下午举办的“主题论坛三：智能网联——跨界协作、软硬融合,构建智能网联汽车产业新生态”上，苏州智行众维智能科技有限公司总经理安宏伟发表精彩演讲。

苏州智行众维智能科技有限公司总经理安宏伟

以下内容为现场发言实录：

大家好，我是苏州智行众维的安宏伟，很高兴今天能够有机会来和各位专家、各位嘉宾作主题分享。今天这个介绍分为三个部分，一软件定义汽车SDV介绍，二仿真测试工具链体系构建，三行业应用实践。

首先给大家简要介绍一下软件定义汽车。什么是软件定义汽车？就是在新的发展时代下，以软件开发和新的电子电气架构为主导的开发趋势，软件定义汽车的话，会带来整个价值链，整个技术方法路线上整个的重构和技术的分配，这既是巨大的挑战，同时也是很好的机遇。

在软件定义汽车时代我们说是要有相应的开发平台，刚才东软睿驰的专家已经介绍过了东软相应的解决方案。我们说既要有一个完整的开发平台，有一个标准的开发平台支撑在软件定义汽车这个大背景下，完成快速敏捷的开发和快速的迭代，同时这个过程中尤其是在智能化、电动化的新时代下，也会带来很多新的挑战，比如以最基础的软件代码，它的行数、代码数量来说，在十年前可能一个汽车整个代码行数是千万级的，甚至更低，但是到现在已经是过亿了，而且在未来若干年的时间内，还会有一个量级的发展。在这个过程中，软件质量本身的问题，以及软件设计上所存在的不足或缺陷，可能带来大量的安全隐患，直接的体现可能是安全事故，或者召回。从国内到国外，一直以来，这样的问题都是持续不断的。

这个过程中解决的手段就是要完善围绕软件本身，围绕软件开发我们整个测试手段要不断地完善和提升，但是在新能源和电动化这个趋势下，我们说整个技术方法，在这些技术路线上，其实是需要一些创新和突破的，这个事情虽然是有挑战，也如一开始所说，对行业来说也是巨大的商机。比如根据麦肯锡相关统计，在2020的时候围绕软件相关的测试市场体量已经达到了百亿美元，而且后续每年有10%的复合增长，持续的发展。其实从行业实践来讲，围绕软件相关的测试的增长率，行业的需求，可能还远不止这些。

下面就是我给大家分享一下智行众维在软件定义汽车大的背景，在这个新时代下我们所做的一些探索。围绕软件相关的测试和质量的确认，我们要面临着从软件代码到单元，单元到系统，系统到整车，一系列这样的从局部到整体的测试、确认和认证，而且我们面临功能安全、信息安全还有预期功能安全，一系列复合测试场景的需要，针对这样的情况我们从两个层面开展软件相关测试的研究。

第一层面是从软件的本身，从代码和软件的质量角度，我们也可以说是从它的基础层开展相应的测试，工具链体系的研究，这里面要覆盖一系列从静态代码到动态代码检查，然后到模型测试，然后到故障注入模拟，到过桥模糊测试，还有一系列的工具，这块我们是希望通过一系列的工具链提升整个测试验证的效率，提升生产率。

这里就是整个工具的自动化程度，包括工具本身的能力水平还是非常重要的，我们说以传统的代码和检测为例，一个工程师一个月在适当工具链的支持下，大概能完成7000行左右代码的检查，但是按照我们现在以亿为单位的代码量级来说，这块所需要的效率，对于我们生产力的提升或者是限制，这是至关重要的。

我们说在智能化的时代，所面临的软件从软件自身到软件功能相关的测试，只针对代码，只针对软件本身做测试，其实是不够的。对于智能驾驶或者智能驾驶的汽车而言，我们要复现在智能驾驶交通环境下，可能会遇到的各种交通情况。这里要覆盖或要验证，要测试的场景是千千万万的，甚至可能看起来是无尽的，这和传统的汽车开发，或者和传统的电子电气开发，以测试用例为代表，以控制器半实物仿真测试为代表的，以百和千为单位的测试场景相比，我们要测试，要覆盖整个场景，从数量上有到千万，到亿很多数量级的跃升，在这个大的环境下，我们需要构建一套科学有效的，能够面向场景的一个仿真测试验证体系，能够帮助我们以场景数据为驱动，实现连续仿真测试的过程，覆盖整个产品开发，从模型到代码，到软件，到控制器，甚至到实车，以至于到未来上路实际运营之后，软件整个在OTA之前所需要覆盖的一些关键场景、危险场景和复合测试，和它的质量确认。

这种情况下需要构建一个闭环，基于场景的测试体系，这个测试体系我们和传统的以半实物仿真为代表的体系相比，有巨大的变化，或者有技术上的创新和补足。

这里有四个典型的例子，第一个刚才提到我们所要面临的测试用例，不再是百和先的量级，而是面向智能驾驶，随着我们现在围绕整个AI的研发部署，包括未来大模型具备上车的可能，大算力、大模型要支持整个AI的部署和研发，我们同样还需要大数据。那么这个大数据的话不止在训练这里需要，在测试验证，在整个质量检查的过程中也需要有一个海量的场景，需要有一套科学的体系，用尽可控有效的手段，结合生成式AI的技术，完成整个海量场景库的构建。

第二个也是源于我们要面临的测试用例也好，或者场景也好，它的数量实在太多，传统的基于单车，基于线下不管在实验室，还是台架上，还是道路上测试的效率，都满足不了对场景覆盖的需要，在这个大的背景下，要开发一个基于云端算力的，百千万更多的测量在虚拟环境下，在数字孪生环境下进行并行测试的手段。这里称之为云算力的海量仿真，这个平台下可以实现以最高的加速能力，完成这种海量场景的覆盖和筛选，从中选择出可能存在事故风险，存在隐患的这些边缘场景，或者长尾工况。而且对于L3和L4这种高级自动驾驶还有一个特点，同样一个危险场景，对于不同的车辆，不同的算法它的危险程度是不一样的，并且和天气因素和道路上的摩擦系数和方方面面的指标参数都有影响，这些参数我们以一个平行参数的形式排列组合的时候，同一个基础场景也会衍生出海量的变形，这种情况下我们不止在算法的训练端，对算力的需求是海量的。从测试，从验证的角度，也同样需要海量算力的支撑。

第三个在整个新的电子电气架构下，从域控往中间计算平台下发展，无论如何我们现在都是基于高算力，基于大算力的AI芯片做相关开发，这里跟传统做电子电气，做半实物的仿真相比，在方法上和整个测试环节上也有一些变化，以前我们针对更多的只是控制器和控制器单元进行检测，现在针对处理器，也提出了处理器在环的仿真测试手段，把研发和验证往前探，从实车到控制器硬件，到处理器芯片到软件，相当于是一个逆向的验证过程。最后一个环节也是在仿真测试或道路测试的中间，在传统汽车的开发和智能车的开发之间，一直是有一个缺失的环节，我们称之为实车在环。这里所说的所有的在环都是闭环测试，在针对传统电子电气控制器开发测试的时候，其实在控制器的测试验证之后，就是在道路上实车测试，但是针对自动驾驶而言，我们说控制器的测试，因为只有控制器是真实的，那么其他的车辆电子电气、制动转向、总线所有的这些都是虚拟的，在这个情况下，很多危险场景是无法做出有效的评判，那么我们在这里增加了实车在环的手段，通过实车在虚拟仿真的环境下，参与整个测评，把车辆相关的这些不确定因素降到最低。这种情况下我们可以最高限度地去逼近车辆在真实道路上测试所能遇到的各种情况，但是因为车辆本身去掉了它包括动力学，包括它的总线，包括所有这些的影响，能够达到最高限度和实际道路的拟合。而且由于在实验室复现这些场景，所以我们在道路上可能会发生的这些碰撞，这些极限场景，这些危险工况，我们并不会真正发生事故。所以这里我们也说在软件定义汽车，在整个智能化时代下，实车在环，实车闭环这个测试，是补足了我们从实验室，从虚拟仿真到道路测试上所缺失的最后一个环节。

我们说紧急场景的测试是在功能层和应用层开展相关的工作，而面向软件、面向代码本身的在技术层的测试，我们可以确认软件本身的质量，但是这两点在以往始终是两条平行线，但是在现在软件定义汽车大的时代下，我们也在探索，如何把针对基础层的测试和面向场景基于场景的这个仿真测试，把它两个各个融合在一起，这个其实和我们今天大会的跨界融合，软硬融合也是相契合的。我们通过把功能层和基础层的测试手段，打破它们之间的壁垒，融合在一起，我们也可以把传统的故障注入模拟和资源调用检查，和我们面向场景的测试结合在一起，后面我们会有一个很有趣的实际例子，给大家介绍一下突破壁垒、跨界融合的必要性。

第三部分给大家介绍一下，基于我们前面所做的探索，在行业里所开展实践的工作，第一个案例这个基于ISO26262，基于功能安全开发，针对智能化、电动化汽车不同的控制器，所开展的一系列测试的实践，这个也是大家最熟悉的环节，我们针对新能源汽车三电，针对ADAS不同的控制器，在国内和不同的主机厂，包括国家检测中心，这么多年来有很多具体的合作，和面向这些控制器的功能安全测试相比，更有挑战性的是什么呢？面向自动驾驶不确定性的场景测试，包括我们说的现在预期功能安全测试。

如何实现这个目标，那么这里就是我们说的面向智软件定义汽车这是一个以场景、数据驱动的一个连续的仿真测试，这里核心的支点是需要构建一个海量的仿真场景数据库，这个方面我们在过去的几年里和行业内的合作伙伴，包括和各个主机厂，包括和咱们协会也开展了很多的合作。目前为止我们构建了大概有超过2万组，在仿真环境下实际可用可以用于测试验证的场景数据，覆盖了包括预期功能安全，包括智能驾驶，包括V2X一系列不同的应用。

这个场景库我们给它起了一个名字叫“水木灵境”，这个场景库的底座是数字孪生以及AI，后续也将引入AIGC，基于生成式人工智能的技术，这里我们要解决整个仿真场景库数据构建的时候，最核心的问题是数据来自于哪儿。传统的数据构建体系，数据来自于逻辑、来自于法规、来自于我们在道路上车辆的采集，这里还是很感谢我们和天翼交通，还有和各地地方政府，包括和协会还有信通院的合作，我们从去年到今年做出了一个新的突破，我们可以把各个地方政府所建设的这些智能网联测试示范区，路测设备所采集的数据，通过时空的同步，通过相应的开发，用于自动驾驶算法的训练、测试和验证。

在这个新的体系加持下，从去年到今年我们也是完成了车路协同，路车设备所构建仿真场景，从质到量的飞跃，完成了整个技术闭环和商业闭环，后续我们也是和苏州，和上海国际汽车城，包括未来和武汉经开区各个示范区合作，也会拓展更广泛的数据来源，这些数据最终将会服务于我们软件定义汽车，服务于整个智能驾驶的安全验证。

第二个实践的案例，这个是我们构建了一个基于云算力的海量仿真SaaS平台，云仿真这个事情大家到现在已经不再陌生了，但是关键是怎么去完成由单机到上云，由单车到多车并行这样一个开发部署和实践，这里有一个具体的案例是什么呢？我们在苏州，支持苏州政府开展围绕高级别自动驾驶车辆，在上道路测试和示范应用之前，我们基于仿真测试的手段，来完成了一个安全性的确认。在传统骑车人开车的时候，车是车，人是人，驾驶员是需要考驾照的，现在自动驾驶，尤其是高级别的自动驾驶实际上是一个人车合一的过程，这个时候我们的智能化汽车，如何去考驾照，这个其实从国家到各个地方政府，到安全监管都将面临的共同问题。在苏州这边我们是相当于构建了一个服务于这样的人工智能驾驶员这样的驾考体系，通过仿真场景测评体系，云端的算力服务于整个安全监管，往上我们可以通过构建一个更大的驾考的场景库，实现类似于人类开车的时候，这个驾校的职能，往下游通过这种量化的评价，量化的这种测试，可以服务于它的监管，甚至包括保险的理赔和定责。

下一个应用的实践就是围绕我们所构建的从芯片处理器，到控制器、硬件在环，到实车在环这样的体系，在行业里的一些实践，这里要跟大家分享的一个是，我们在实车在环上今年也取得了新的突破，因为我们原来围绕单车在实验室内我们采用了一种称之为高级整车在环VAQ的技术，这个在一汽、上汽，包括几大国检中心已经在服务于整个产业安全性的验证。我们在今年通过这种协同式并行式仿真的共建，可以把位于不同实验室、不同城市，甚至未来不同国家车辆在环的仿真平台，在相同的场景下形成协同仿真，这样协同式的高精准的在环仿真平台，可以用于在最真实的情况下，对我们相同的算法、不同的算法，人及共驾的算法都耦合的情况下实现对抗测试。并且进一步地我们可以把信息安全，把V2X相关的这些模拟，相关的内容注入和我们这种对抗车企容威

这个也是我们说不管从算法验证，从软件测试，从研发，从预期功能安全的角度，包括前面说的服务于人工智能驾驶员，驾考的无人车驾校都可以发挥很关键的作用。

第五个就是我们前面提到的，我们在尝试把基于面向软件代码，软件本身基础层测试的工作和我们面向场景，基于场景的测试融合在一起我们在半实物仿真，或者车辆在环的场景下，我们可以把控制器内面向代码的这些故障注入模拟，甚至是包括资源占用，我们说做这类测试的时候，我们是只在控制器上，在HIL上做是不够的，很多时候还是需要试车，在道路上检验，在软件上，和在实车上是不一样的，很多故障，很多隐患，和一些Bug，实车下是最终评价的准则，但是如果实车在道路上行驶的时候，在控制器里修改一些代码，注入一些故障，这个对整个交通和测试是非常危险的，因为我们通过在半实物仿真台架上，在HIL，在车辆在环实验室里做这种故障注入的模拟，既能保证测试的有效性、真实性、覆盖性，同时不会发生真正的安全事故，这样可以帮助我们，让我们的安全测试更加安全。

以上是今天和大家要分享的内容，最后简单介绍一下我们公司的情况，IAE智行众维还是围绕智能驾驶和自动驾驶仿真测试验证，在于构建一个刚才提到的IAE X-in-Loop闭环的仿真测试体系，以及服务于这个仿真测试体系所需要的一个海量场景数据库，也是通过这样的技术闭环和数据闭环体系，让我们服务于现在智能化时代下，软件定义汽车大的行业生态，大的背景，后续希望跟大家有更多的分享，有更多的互动和交流，谢谢大家！

(注: 本文根据现场速记整理，未经演讲嘉宾审阅，仅作为参考资料，请勿转载!)