安宏伟：软件定义汽车背景下的仿真测试工具链体系构建及实践

一、软件定义汽车的含义

现在是软件定义汽车的时代，关于软件定义汽车的含义前面各位专家已经做了很多介绍，这里不再赘述。从软件测试的角度来看，软件定义汽车带来的是整个产品开发价值链、价值流的重构。在这个过程中，我们既需要有新的开发工具和开发平台，在验证体系层面也需要做出相应的技术创新，我们需要有新的方法、新的工具链体系，有新的技术架构来支撑新的发展趋势。既要满足功能安全“V”字型开发流程的要求，同时又要满足开发过程中，各个环节上快速迭代上的需求。

软件定义汽车时代，同时也是电动化和智能化的新时代，对于软件开发来说新的挑战有很多，比方说代码数量从原来的千万级增加到亿行，很快会到若干亿行代码的级别。这个过程中对仿真测试手段，对我们如何去验证、确认它的质量，也提出了新的挑战。

这既有技术上的挑战，从市场角度也是一个很好的机遇，根据不同口径的统计数据，在2020年围绕软件相关的测试已经达到了百亿美元的市场规模，并且以后每年还会以很高的复合增长比在增长。这对新技术、新方法有很高的要求，根据不同口径统计，软件在整个新的智能化、电动化汽车开发中的成本比重，正在从10%增加到50%。测试验证确认工作的成本比重也会占到三分之一以上，这就要求我们在新的趋势下研发、打造一套科学有效的技术体系，来支撑这一进程。

二、仿真测试工具链体系构建

在这里和大家分享我们的探索和思考。从软件测试的角度来讲，我们面临从代码到单元，从单元到系统，还包括从系统到整车，软件的测试是覆盖产品的全生命周期，甚至包括OTA升级之前很多关键功能的验证、很多场景的测试也需要覆盖到。这过程中需要考虑功能安全、信息安全、预期功能安全，需要什么样的体系支撑测试验证和确认的过程，这是我们要考虑的。

我们从两个层面开展相应的工作，一个是从端到端的软件测试，从基础层需要有一套完整闭环的工具链体系，针对静态的代码检查、动态代码测试、模型测试，以及基于嵌入式开发所需要的故障注入模拟、资源占用测试等一系列，我们需要有先进的自动化的工具手段来提升整个验证过程的生产力。这里我们需要开发一系列的工具，通过自动化的手段来提升生产研发的效率。在智能化和电动化新的趋势下，我们仅做基础层的测试是不够的，因为和传统的汽车开发，和传统的电子电器开发相比，我们所要测试的测试用例的数量会面临从百和千的量级，到百万和千万，甚至更高比例的跃迁。

在这个新的形势下，前面有其他专家也提到过，我们面对智能驾驶，面对各种不同层级智能化的需求，我们需要的测试用例数量已经不再是以往做控制器级别测试的时候几百几千的概念了，而是面临自然驾驶环境下看起来甚至是无穷无尽的自然驾驶的场景。我们的测试用例将会以仿真测试的场景来体现，这个过程将覆盖整个研发的全流程，从需求提出到最后实车的验证，是一个连续测试的过程，我们对于算法、软件、质量的检查是从代码到软件到模型到控制器到实车是连续的，并且以海量的场景、数据来驱动的一个过程。

我们需要研究的是发掘在新的场景、新的背景下，我们要构建一个什么样的技术体系来持续支持在产品力上的提升，在软件质量上的保障和创新。对比传统的软件开发和传统的电子电器开发，我们会发现，围绕一个大的“V”字型的框架，我们在研发的不同阶段，和传统的汽车软件、控制器开发将会新的变化，这里主要列举了四点。

第一，当前的测试不管是针对软件本身，还是针对嵌入式芯片、控制器，还是整车，我们面临的测试用例，在数量上会有万，甚至更高量级的提升。我们需要有合适的路径构建足以支撑测试覆盖性和多样性所需要的海量场景，这是一个巨大的变化。

第二，也是因为有海量的测试用例和测试场景的需求，传统的基于线下、单机，或者基于实际道路的测试，效率或者说加速性远不足以满足我们当前的需要，我们需要AI技术、海量的算力支持在云端有百千万甚至更多的并行测试，来完成场景的覆盖和验证。

第三，不论是基于域控还是中央计算平台架构，我们对芯片的功能需求，对芯片的算力，包括嵌入式开发提出了新的需求，这是我们传统电子电器测试的时候，针对控制器测试时候没有的，针对芯片、处理器在环，也是新的场景下软硬一体测试的新需求。

第四，当前智能化、电动化车辆及软件开发流程里，智能化车辆在上路之前，我们在传统的测试环节里缺失实车在环或者说实车闭环测试的环节。针对智能化算法和软件开发的海量测试用例和场景，我们通过对可能危险场景的覆盖和筛选，类似于AI从深度学习到强化学习的过程。在实车测试环节我们需要搭建闭环测试能力，来对感知、控制决策，包括针对各种非理想天气、恶劣天气，对算法和软件功能设计，对是否有bug完成相应的测试验证。

从海量数据驱动到云算力仿真，到芯片处理器在环，到实车在环这样一个闭环测试的流程，共同构建了面向智能化、电动化车辆新时代，为保障软件质量，一个闭环的仿真测试体系，这里我们把它称之为“X-in-loop”。

进一步，在智能化的时代，我们也在做一些研究，目标是什么呢？希望打通从基础层到刚才介绍的功能层测试之间的壁垒，我们希望在软件测试，在软件质量检查过程中，能够全面覆盖从代码本身到应用层、功能层所做的工作，把它们链路给打通。这里我们做的探索，是把软件的故障注入模拟，资源占用检测等工作，和面向场景的仿试结合在一起，这块后面我们有一个具体的案例和大家分享。

三、行业应用实践

构建从基础层到功能层闭环测试体系，这里有五个具体的例子。

第一，我们基于ISO26262功能安全测试体系，针对车辆不同的控制器，对软件代码、控制器所做的测试实践汇总。这是大家比较熟悉的，服务于新能源智能化汽车，围绕电池、电控、电机，包括围绕智能化，对各类控制器的测试。

第二，从功能安全到预期功能安全，很大的区别，就是测试用例所需覆盖的场景是海量的，基于此我们构建了服务于预期功能安全测试的海量场景数据库，这个场景库涵盖了自然驾驶、法规、标准，同时数据既来源于逻辑的构建，来自于车端的采集，也来自于上海汽车城、苏州高铁新城路侧端设备采集的车路协同数据，所共同构建的仿真场景库，目前整个场景库已经涵盖了围绕辅助驾驶到自动驾驶所需的各类不同场景，目前最新的数据量大概有超过2万组不同的仿真场景可以实际服务于仿真测试和训练。

第三，通过云算力仿真测试的手段，服务于自动驾驶算法和软件安全验证。右边展示的是实践案例，在苏州针对高级别无人驾驶的算法安全验证，打造了一个基于云算力仿真的无人车驾校，我们通过云算力仿真的高效率和海量的场景，完成自动驾驶在上路测试和示范应用之前的安全验证。通过无人车驾考我们可以发现可能存在的安全隐患。为了进一步找到到底是功能设计上还是软件质量上的问题，还需要相应闭环测试和软件测试的手段，最终找到问题的症结所在。

第四，我们在致力打造从芯片处理器在环到实车在环、软硬结合的仿真测试手段，来做算法、软件质量的检查和确认。这里需要一提的是，围绕实车在环技术，我们今年也做出了重大突破。原有的实车在环测试的高级实现方式是基于实验室和单车，即高级整车在环实验室，我们今年开发出了称之为“协同式高级整车在环”的仿真测试技术，把位于不同实验室，不同城市，甚至不同国家的车辆在环仿真测试平台，在共同的仿真场景下进行协同仿真，实现高复杂度、高真实度的对抗测试。这也是智能驾驶算法和软件在商用落地之前真实参与对抗测试最有效的支撑手段。目前以高级整车在环为代表的IAE仿真测试产品已在一汽、上汽、招商车研等客户投入使用，招商车研的实验室正服务于赛力斯等企业，做了很多的实际的测试验证工作。

第五，我们把软件故障模拟和硬件在环、处理器在环、实车在环结合在一起，针对ECU，针对自动驾驶或者辅助驾驶软件所开展的测试。传统做软件故障注入模拟的时候，很多时候仍然需要实车在道路上跑，这对于安全性依然是挑战。我们推动在实验室里，在台架上，把软件的故障注入模拟和基于场景的仿真结合在，能够让安全测试更加安全。

以上就是此次和大家的分享。IAE智行众维通过打造X-in-Loop仿真测试技术体系，水木灵境仿真场景数据工场，通过技术闭环和数据驱动，服务于软件定义汽车。同时，我们公司位于苏州高铁新城和上海汽车城的创新港，尤其软件测试板块的总部就在汽车城创新港，也希望后续和大家有更多的互动和交流。

非常感谢大家的时间，谢谢。

（注：本文根据现场速记整理，未经演讲嘉宾审阅）