2024

Coral-Data(珊瑚数据)开源计划着眼当下智能驾驶行业对算法训练及仿真测试应用的迫切数据需求，将陆续发布系列仿真测试场景集和训练数据集。本期发布的SimScenario-AEB 仿真测试场景数据集约50组，包含Car-to-Car和Car-to-VRU两部分，覆盖法规场景和自定义场景。

仿真工程师视角：浅谈AEB算法开发和测试验证

如今，装配自动驾驶系统的车辆在道路上越来越常见。AD/ADAS功能的受众群体逐年增加。AD/ADAS功能的推出无疑为驾驶员带来更加便捷、舒适和安全的驾驶体验。据全球综合数据资料库statista网站⁽¹⁾中的数据显示，“2019年，全球范围内，约有3100万车辆具有一定程度的自动驾驶功能”，预计“到2025年，L2级自动驾驶车辆全球市场渗透率约为60%。到2030年，L2级自动驾驶车辆有望实现市场全覆盖”。

随着AD/ADAS 功能的升级，其与车辆内部的功能关联耦合的复杂程度随之上升，这对车辆功能研发及V&V(Verification & Validation)流程都是更大的挑战。目前系统化的解决思路是通过持续的测试、评价、验证来确保其功能符合ODD要求，该过程在各环节重复、耗时。如果算法更新迭代通过实车测试的方式进行验证，将面临测试验证周期长、成本高、安全风险高等问题。

那么，在确保安全的前提下，是否存在能够帮助大幅提升功能研发及测试验证效率的其他更优解决方案？

科学有效的仿真测试技术是目前该问题的最优解。在虚拟环境中搭建仿真所需各类场景，即全方位、全覆盖式复构真实世界各类形态、行为及物理属性，为AD/ADAS的开发、测试、验证提供一个安全可控的虚拟环境。

美国仿真测试服务商Applied Intuition进行了一项研究，旨在对仿真中行驶10,000英里与在现实世界中驾驶10,000英里进行测试的成本进行比较（如图1），其研究结果显示，相较于真实的里程测试，仿真测试每英里的成本约为真实里程测试的1/40。

图1：行驶10,000英里时，每英里真实驾驶里程与仿真里程成本对比

IAE从满足行业共性需求出发，通过在产品研发及测试验证阶段为用户提供安全、高效的仿真测试场景及服务助力行业发展。

为帮助大家更直观地了解仿真测试的角色及重要作用，IAE基于自研AEB算法展示在虚拟环境下进行仿真测试的真实过程。

IAE借助开源算法库搭建、调试了实例所需的AEB算法。随后利用X-IN-LOOP^?仿真测试工具链，在仿真环境中构建测试所需的模型和环境，包括：

• 摄像头传感器模型
• 车辆模型
• 仿真环境与算法数据交互通讯接口

得益于行业领先的仿真环境部署及场景搭建能力，IAE快速完成算法闭环测试的开发，并结合“水木灵镜”场景工场的C-NCAP等AEB场景，为算法的开发测试和验证搭建仿真环境（如图2）。

图2: AEB 算法开发和测试闭环

借助上述仿真闭环系统的运行，仅需几周时间，我们已经能够在算法逻辑和校准方面对AEB功能进行优化，以满足其ODD定义要求。针对仿真测试和仿真场景数据在整个开发验证过程中起到的作用，这里选取了几个具体的实例与大家分享。

AEB算法的工作逻辑（见图3），主要涵盖四部分：

• Target filter：目标物过滤
• TTC calculation：碰撞时间计算
• StopTime calculation：不同制动状态下的刹停时间计算
• AEB logic：基于碰撞时间和停止时间的比较判断

图3: AEB 逻辑示意图

实例一：横向警戒距离的调教

图4为AEB算法有效目标感知范围示意图，只有位于主车路径上的目标物且其与主车横向距离小于设定安全阈值时，才会被AEB算法纳入警戒列表。合理的阈值能够有效减少AEB的误触发。在开发阶段如果缺少仿真的测试验证手段，仅凭在现实世界中的测量校准获取合理阈值的难度将大大增加。实例中通过大量、多组不同场景的仿真测试，迅速了解并调教出合理的横向警戒距离 。

图4 : AEB目标探测逻辑

实例二：状态切换阈值的调教

AEB算法判断逻辑基于碰撞时间和停止时间的比较实现，如图5所示。

AEB策略中可以分为6个阶段：

• AEB_Exit：AEB算法未启用
• AEB_prepared：AEB算法启用但未激活，尚未进入任何制动状态
• AEB_PB1：制动状态1(如果条件TTC<PB1停止时间为真)
• AEB_PB2：制动状态2(如果条件TTC<PB2停止时间为真)
• AEB_PB3：制动状态3(如果条件TTC<PB3停止时间为真)
• AEB_waiting：车辆进入制动状态并刹停后，AEB进入AEB_waiting状态。该状态需要等待重置指令以返回到AEB_Prepared。

不同的停止时间定义如下：

• PB1StopTime：PB1StopTime=egoVelocity/PB1Accel/2+timeMargin
• PB2StopTime：PB2StopTime=egoVelocity/PB2Accel/2+timeMargin
• PB3StopTime：PB3StopTime=egoVelocity/PB3Accel/ 2+timeMargin

其中，egoVelocity是待测车辆的纵向速度，timeMargin是一个时间补偿系数，用于增加停止时间阈值。

对于每个PBiStopTime，定义了不同的期望减速度。PBiStopTime中的“i”越大，PBiAccel的值就越大。因此，根据不同的AEB制动状态，算法将请求不同的期望减速度。

图 5: AEB状态转移逻辑

为了获得合理的状态切换阈值，需要在可重复的环境下进行迭代测试。实例中在虚拟环境搭建以下各种类型AEB场景并做泛化，调试出合理、有效且安全的PBiAccel数值：

• 静态目标在主车前方
• 主车前方的动态目标突然制动
• 主车前方的动态目标横穿
• 不同目标类型(汽车、行人等)
• 不同的主车和目标速度
• …

实例三：结合传感器仿真和视频注入的场景闭环测试在第二个开发阶段，使用视频注入方式将仿真图像注入到真实的摄像头模组中，如图6所示。IAE在闭环系统中采用大量AEB场景并进行泛化，从而测试、评估和验证AEB算法的工作性能。

图6 :AEB算法开发和基于视频注入的闭环测试

考虑真实感知模组的引入，首先需要对摄像头仿真模型进行标定，以确保仿真图像尽可能接近真实摄像头图像。实例中通过构建与真实条件相同的仿真场景，调整模型参数标定传感器模型，从而获得与真实图像相同水准的感知精度。

图7：真实与仿真摄像头下的图像及感知结果对比

借助于摄像头传感器模型、视频注入设备、AEB场景库及泛化能力、Starfish自动化测试工具以及Jellyfish云算力海量仿真平台等Deep Ocean系列自动化工具（如图8），完成感知算法和AEB算法的整体闭环和批量场景的高效测试，帮助进一步验证算法的逻辑和参数的设定、实现性能的优化。

图8：基于Deep Ocean系列自动化工具进行批量场景的高效测试

通过对AEB算法在仿真环境中进行系列闭环测试和调试，算法在仿真端得到验证和优化。随后与合作客户将算法部署在真实车辆上进行试验场测试验证。在实车测试过程中，AEB算法始终运行正常并向主车发出正确的指令，其间未与测试场景的各类目标物发生任何事故或碰撞。?

在本项目实例中，我们通过科学有效的仿真测试技术，基于大量的仿真测试场景从多维度、多角度对AEB算法进行测试验证，希望能够借此更加直观地为大家展示仿真测试在AD/ADAS开发中的作用和意义。?

除本项目使用的AEB仿真场景外，“水木灵镜”场景工场的场景数据已覆盖各类评价标准及法规要求，如：C-NCAP、Euro-NCAP、ISO、ECE、IIHS等；丰富的仿真场景库可用于对各种AD/ADAS 功能（如BSD、FCW、ACC等）进行测试验证；同时，“水木灵镜”场景工场还深度覆盖SOTIF、V2X、交通事故复现、自然驾驶、车路云等场景资源，也可根据客户具体需求提供定制场景，作为AD/ADAS开发测试的重要支撑。?

针对AEB算法的仿真测试，是IAE X-IN-LOOP^?仿真测试技术体系和“水木灵镜”场景工场的一个具体应用。面向更多、更复杂的L2、L2+、L3以至L4级别自动驾驶算法，如Robo-X城市场景的仿真测评，IAE持续提供全栈式仿真测试验证解决方案、数据产品服务和安全技术服务，来支持智能网联汽车的研发训练、测试验证和商业落地。

我们非常高兴能够与大家分享IAE在自动驾驶仿真领域的实践经验，同时借Coral-data（珊瑚数据）开源计划本期的发布，与大家分享AEB相关的仿真测试场景数据集SimScenario-AEB，同时本文提到的AEB算法的编译版本也在其中。

期待与大家共同探讨仿真技术和数据在自动驾驶领域的深度应用。

下载方式：https://gitee.com/iae-icv/coral-data

本文引用内容：

1. Martin Palek, Statista, “Autonomous vehicles worldwide – statistics & facts”, 18th of December 2023, https://www.statista.com/topics/3573/autonomous-vehicle-technology/#topicOverview
2. Applied Intuition, “Cost-Efficient Simulation in the Cloud: Paving the Way for Scalable Autonomy”, 5th of April 2024, https://www.appliedintuition.com/blog/cost-efficient-simulation-in-the-cloud

如需了解更多VDBP平台及Coral-Data开源数据集的相关信息，请联系IAE智行众维?0512-66836566或众链科技 021-59990939，也可以关注官方微信公众号：IAE智行众维、众链科技公司。

近日，苏州智行众维智能科技有限公司（以下简称“IAE智行众维”）联合常熟理工学院汽车工程学院申报的元宇宙校企合作仿真实训基地成功入选2024年苏州市元宇宙重大应用场景需求项目，该场景是教育领域唯一的服务于智能驾驶教学方向的项目。

项目依托IAE智行众维建立的江苏省智能网联仿真测试与验证工程技术研究中心，与高等院校开展产学研合作，利用元宇宙技术搭建无限接近真实的虚拟驾驶环境，模拟各类交通场景，开展智能驾驶前沿技术的研究与验证，为高校提供安全高效的学习、实训和实践环境，加速智能网联高层次专业人才的培养和技能的提升。

5月9日，中国汽车工业协会发布了关于2024年第三批团体标准立项通知的函，苏州智行众维智能科技有限公司（以下简称“IAE智行众维”）牵头的《智能网联汽车 场景原始数据 采集规范》成功获批立项。此外，IAE智行众维也将深度参与立项标准《智能网联汽车 基于仿真场景库的场景测试 方法与评价》和《智能网联汽车 仿真测试场景库 场景分类》的研发和起草。

《智能网联汽车 场景原始数据 采集规范》规定了智能网联汽车场景原始数据采集的设备和操作要求，旨在完善场景原始数据采集流程，保障数据的准确性和完整性，保证场景库构建的多元性和完备性。

2024年5月3日，第11届韩国国际电动汽车博览会在韩国济州国际会议中心圆满落幕。本次博览会汇聚了全球智能电动汽车行业精英，来自全球的超过200家企业参与并展示了电动汽车、空中城市交通（UAM）、自动驾驶、机器人等多个领域的创新技术，IAE智行众维受邀参展，共同探索智能新能源汽车高质量发展路径。

此次博览会，IAE智行众维展示了最前沿的自动驾驶仿真测试技术与解决方案，并在“中韩电动汽车产业商务论坛”中发表主题演讲，分享了中国自动驾驶仿真测试技术的创新发展和实践经验。

博览会期间，中华人民共和国驻济州总领事王鲁新先生、IAE战略合作伙伴韩国DNV以及韩国政府和自动驾驶领域相关企业机构代表莅临IAE智行众维展位进行亲切交流，详细了解IAE智行众维自动驾驶数据采集-场景生产-算法训练-仿真测试全栈式技术体系和工具链产品，深入交流“水木灵境”场景工场、“水母”云算力海量仿真平台、高级整车在环（VaHIL）等创新成果，共同探讨了行业技术及发展趋势。

据贝哲斯咨询预测，全球自动驾驶仿真解决方案市场容量至2028年将达到300.46亿元，IAE智行众维在该领域正加速发挥更加重要的作用。我们秉持创新驱动、开放共赢的发展理念，推动自动驾驶仿真测试技术中国方案的全球化拓展，为实现更加智能和可持续的未来交通贡献力量。

感谢所有新老伙伴的支持，期待下次展会我们再会！

近日，苏州智行众维智能科技有限公司（以下简称“IAE智行众维”）在上海数据交易所完成“水木灵境场景工场”系列共3款数据产品的挂牌。该系列数据产品基于中国及国际自动驾驶的相关标准、真实道路和交通行为，利用人工智能和数字孪生技术，开发和形成场景数据的采集、挖掘、治理、分析和批量生产的全栈式闭环流程及自动化工具链，实现海量场景数据的大规模、高质量生产，构建大规模仿真训练、测试和评价所需的核心支撑体系，以具高精度、高置信度、高覆盖、高通用性的海量仿真场景数据库，提供仿真场景数据及SaaS服务，支持自动驾驶实现数据闭环和数据驱动。

本期挂牌企业：苏州智行众维智能科技有限公司

我国智能驾驶行业数据领域正面临着数据体量不足、数据孤岛现象严重等诸多挑战，开放、统一的数据生态尚未形成。为助力行业解决这一痛点问题，中汽协会下属公司众链科技携手技术合作方IAE智行众维重磅发布Coral-Data(珊瑚数据)开源计划！该开源计划将陆续发布系列仿真测试场景集和训练数据集，着眼当下智能驾驶行业对算法训练及仿真测试应用的迫切数据需求，欢迎持续关注…

本期发布的Sim-KITTI for 3D数据集是在上期Sim-KITTI的基础上，增加仿真点云数据和3D目标物标注，以适应更广泛的算法训练需求。

在自动驾驶技术的研发过程中，高质量、海量的训练数据至关重要。随着技术的不断进步和量产的实现，智驾车辆对于提升感知识别和判断能力的需求日益增长。为了进一步提升系统性能，除了常规数据，对于极限和边缘场景数据需求也变得尤为关键。然而，这类场景数据在现实世界中的发生概率低、采集难度大，且生产成本高，这成为了行业亟待解决的问题。

仿真合成训练数据具有高度自动化、数据准确度高和通用性（可跨车型及平台应用）等特点，如能有效应用于自动驾驶算法训练，将成为解决上述挑战的有效途径——这种数据能够有效地降低自动驾驶算法训练的成本，并解决边缘场景数据短缺的问题。

尽管如此，仿真训练数据的广泛应用仍受限于缺乏科学且成熟的验证体系和经过验证的数据生产平台。行业内对于仿真数据应用于算法训练仍然持有疑虑，关键问题在于如何定义可用且好用的仿真数据，以及如何进行有效的验证。

为了解决这些问题，中汽协会-众链科技携手IAE智行众维推出了Coral-data（珊瑚数据）开源计划。该计划基于自研DEEP OCEAN仿真软件工具平台（深海.AI）和科学有效的X-In-Loop仿真测试验证体系，致力于持续量产、验证和发布仿真数据集。开源计划首批发布了Sim-KITTI系列仿真数据集并验证了其在感知识别算法训练中的作用和有效性。

Sim-KITTI系列仿真数据集基于KITTI数据集*中的真实图像数据集，利用DEEP OCEAN仿真平台还原其道路环境及目标轨迹行为，再借助DEEP OCEAN仿真平台的摄像头传感器模型和专门的自动化数据生成及校核工具，输出用于2D/3D Object Detection算法训练的仿真图像及标注结果。

为了对Sim-KITTI数据集的质量进行验证，我们选取了YOLO v5图像识别算法进行训练和测试。验证中采用Sim-KITTI和KITTI数据集分别对图像感知算法进行训练，并对训练后算法的图像识别能力进行对比测试，来验证该仿真数据集的在训练层面的可用性。

A 数据集：KITTI真实图像数据集，4987张，其中CAR类型目标标签总数18512，占比超过55%。

B 数据集：Sim-KITTI仿真数据集，4794张，其中CAR类型目标标签总数17570，占比超过55%。

C 数据集：KITTI真实图像数据集（验证集），1500张，其中CAR类型目标标签总数6426。

图像感知算法对同类型的目标标签数有一定要求，该组数据集中CAR类型目标占比较高，这里以针对CAR类型目标的测试结果进行对比说明。

注释：

Precision：该类别的预测精确度(precision)，即正确预测的物体数量占所有预测的物体数量的比例。

Recall：该类别的找回率(recall)，即正确预测的物体数量占所有真实物体数量的比例。

mAP_0.5：平均精度均值(mean average precision)的值，即在IOU阈值为0.5时的平均精度。

mAP_0.5:0.95：在IOU阈值从0.5到0.95的范围内，所有阈值的平均精度的均值。

通过测试结果对比可以看到，采用DEEP OCEAN仿真平台生成的Sim-KITTI数据集对算法进行训练后，对真实图片中目标检测的结果与经过KITTI真实数据集训练后进行目标检测的结果精度相当，满足算法训练的基本要求。研究表明，通过对仿真平台参数指标进行设计，对仿真数据集在图像风格、渲染等方面调整优化，可以有效提升仿真数据算法训练的质量。同时，通过X-In-Loop仿真测试体系对Corner Case等场景进行闭环测试验证，可以有效保证仿真场景数据的质量。在自动驾驶技术的量产应用中，将一定比例的高质量仿真数据集融入到整体训练数据中，不仅能有效降低算法训练的成本，还能补充目前训练数据中缺少的Corner Case等关键数据，降本增效的同时提升算法可靠性。

基于DEEP OCEAN仿真平台和科学有效的测试验证体系，不仅可以生产高质量的摄像头图像训练数据，还可以同步获取毫米波雷达、激光雷达、姿态、定位等多种类型数据，为大模型、多模态算法训练提供重要支撑。在当前最热门的BEV算法开发训练中，许多企业面临训练数据标注难度大、效率低、缺乏Corner Case数据、数据覆盖性不足等问题，而基于DEEP OCEAN的仿真数据集则刚好可以帮助行业缓解甚至解决这些问题。随着Coral-data数据开源计划的推进，IAE智行众维将陆续推出更多仿真训练和测试场景数据集，期待与业界同仁共同探索仿真技术和数据在智能驾驶领域的深度应用，共同推动自动驾驶技术的发展，为未来的智能交通体系贡献力量。

下载方式：https://gitee.com/iae-icv/coral-data

KITTI数据集*

KITTI数据集是由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办的大型公开数据集，主要服务于自动驾驶和计算机视觉研究。该数据集包含丰富的传感器数据，如双目相机、64线激光雷达、GPS/IMU组合导航定位系统，以及大量的标定真值和开发工具。KITTI数据集的主要目的是评估计算机视觉技术在车载环境下的性能，涵盖立体图像、光流、视觉测距、3D物体检测和3D跟踪等多个方面。数据集覆盖了多种场景，如市区、乡村和高速公路，提供了真实场景下的多种情况，并且配有详细的标注信息。此外，KITTI数据集的传感器配置包括2个灰度摄像机、2个彩色摄像机、一个Velodyne 3D激光雷达、4个光学镜头以及1个GPS导航系统，这些配置保证了数据集提供高质量的图像和精确的定位数据。

2024年4月2日，苏州智行众维智能科技有限公司（以下简称“IAE智行众维”）与国汽（北京）智能网联汽车研究院有限公司（以下简称“国汽智联”）、中路慧能检测认证科技有限公司（以下简称”中路慧能”）在山东招远举行战略合作签约仪式，三方将联合共建智能网联汽车车路云一体化测试示范基地。

国家智能网联汽车创新中心常务副主任、国汽智联总经理郑继虎、国汽智联智能事业部总经理徐月云、智能事业部总师兼算法平台部部长高嵩、IAE智行众维董事长王耀东、CMO王亚锋等一行到访中路慧能。招远市工业和信息化局副局长肖庆成、玲珑集团有限公司副总裁曹志伟、中路慧能检测认证科技有限公司常务副总经理聂秋海等领导出席签约仪式。

签约仪式结束后，郑继虎和曹志伟共同为“国家智能网联汽车创新中心车路云一体化测试示范基地”揭牌，同时，与会领导就智能网联汽车行业发展趋势、三方技术优势等议题进行深入的交流与沟通。

玲珑集团有限公司副总裁曹志伟首先对国汽智联和IAE智行众维一行的到访表示欢迎，对三方达成战略合作表示祝贺。他指出，三方有着各自的优势所长，从技术能力、项目能力、服务能力、交付能力等角度，打造三足鼎立、优势叠加的有机生态，充分保障“国家智能网联汽车创新中心车路云一体化测试示范基地”的规划建设，打造世界一流，国内领先的智能网联汽车、智慧交通技术创新公共服务平台。

国汽智联总经理郑继虎表示，车路云一体化仿真测试与场地测试的有效结合是解决当前智能网联汽车网络安全和数据安全问题的关键措施之一，如何提升企业在智能网联汽车技术领域的研发效率，降低整体产业的研发成本是后续项目合作的主要目标，期望后续能够充分利用三方现有软硬件先进设备优势，共同构建面向虚实结合的车路云一体化联合试验场，形成面向行业应用的测试评价能力和测试生态，加速行业自主化认证。

IAE智行众维董事长王耀东对国汽智联和中路慧能一直以来的信任和支持表示感谢。他表示，在后续的合作中，IAE智行众维将充分发挥公司在智能网联仿真测试与验证领域的技术优势，为“国家智能网联汽车创新中心车路云一体化测试示范基地”的建设提供更多技术支撑，不遗余力地推动车路云一体化智能网联汽车中国方案的产业化发展。

此次战略合作协议的签订以及车路云一体化测试示范基地的成立是IAE智能众维与国汽智联、中路慧能强强联合、优势互补、合作共赢的重要举措，三方将在数据应用、关键技术研究、测试认证、生态建设、示范应用等领域进行项目合作，建立长期、紧密、共赢的战略合作伙伴关系，实现资源信息共享，共同推动合作领域技术研发与应用。

关于国汽智联

国汽智联聚集国内外高端专业人才，围绕建设国家智库、研发共性技术、搭建服务平台、营造创新生态、研发成果转化等开展核心工作，持续高效引领和支撑行业发展，提升中国智能网联汽车及相关产业在全球价值链中的地位。

关于中路慧能

中路慧能检测认证科技有限公司是一家独立的第三方检测机构，中亚试验场占地面积2232亩，拥有18条不同测试需求的专业道路，可以开展室外轮胎测试、ADAS测试及整车性能测试等项目。同时新增527亩场地，包括六个专业实验室，及国内首个具有立体交叉桥和实体隧道测试等148个测试场景的智能网联测试场，具有完备的道路测试硬件条件。

2024年3月26日-28日，由中国汽车工业协会主办的第二届中国商用车论坛在湖北省十堰市举办。本届论坛以“新步伐·新成效·新提高 助力商用车产业高质量发展”为主题，设置“1场闭门峰会、1个开幕式暨大会论坛、6场主题论坛”及同期技术成果展示和走进企业等活动，旨在联合相关产业和产业链上下游，明晰产业转型的重要方向，达成技术交流合作，深化产业链安全，引领行业新趋势，促进跨界融合的高质量合作，促成高层次的政企沟通。

苏州智行众维智能科技有限公司（简称：IAE智行众维）受邀参加，IAE智行众维技术总监 杨波在“论坛二——智能网联技术赋能，加速商用车行业发展”中进行主题为《助力商用车智能驾驶安全落地 IAE车辆在环体系及其应用》的技术分享。

杨波提到：为满足智能网联汽车大规模商业化应用的安全需要，如何从整车级对感知、决策和执行，对算法和软件等进行科学而高效的测试验证成为行业技术发展的关键要求。在X-In-Loop技术闭环体系中，以云算力海量场景仿真为代表的虚拟仿真，高级整车在环（VaHIL）为代表的车辆在环仿真测试，和场地及道路测试共同组成了服务于高级别自动驾驶安全验证的“新三支柱法”测评体系。

其中，IAE车辆在环体系有效的解决了智能网联汽车整车级测试验证的需要，填补了从部件、系统级测试到场地、道路测试之间的空白。其包含PGVIL场地车辆在环、VaHIL高级整车在环以及VTHILS车辆-环境-交通在环三项核心技术产品并互为协同，满足不同的测试验证目的和场景：

PGVIL场地车辆在环：适用于中低速，决策控制响应、系统标定等场景。

VaHIL高级整车在环：适用于全速度区间、Corner Case、SOTIF测试、制动“失效”检测等场景，并能确保测试的绝对安全。

2024年3月22日，江苏省工信厅物联网集群专题调研组莅临IAE智行众维调研智能网联汽车产业发展情况。专题调研组由省工信厅信息基础设施处赵峰副处长带队，四级主任科员秦仕昊、信通院江苏科技创新研究院总经理刘家东、物联网集群促进组织领导，以及苏州市、相城区工信局相关领导共同参加了调研。

在IAE智行众维政企事业部总经理刘伟喆和车联网创新中心负责人陈慧的陪同下，调研组领导一行参观了企业展示中心并进行交流座谈，充分考察调研了企业在智能网联汽车全栈式仿真测试技术体系研发、构建数据驱动体系及数据资产化建设、苏州智能网联汽车测试及示范应用准入仿真测评等方面的技术创新和实践。赵峰副处长给予积极评价并着重提出，为积极响应国家智能网联汽车准入和上路通行试点、车路云一体化应用试点工作要求，希望在江苏省开展技术和管理层面的先行先试，同时开展智能网联汽车行业人才联合培养及认证，加快推进江苏省智能网联汽车产业高速发展。