新闻动态

7月5日，自主智能交通产教融合创新创业联盟（以下简称“联盟”）秘书长荣文伟一行到访IAE智行众维，此次拜访双方围绕产教融合、数据共享机制、创新课题研究以及国际化合作等多个层面进行交流。

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SimTerrain-Highway1 for SCANeR【高速公路（1）】仿真静态场景数据集，依托真实高速公路道路情况制作而成，可用于测试和验证高速公路领航辅助系统等运行设计域在高速公路上的ADAS/ADS系统的性能和可靠性。

SimTerrain-Highway1 for SCANeR【高速公路（1）】仿真静态场景数据集具体包括了高速公路中常见的道路路况，如直道、弯道、坡道、立交、匝道、收费站、服务区等涵盖双向可行驶里程68km, 其中南北走向道路直线里程为22km，与立交、匝道相连的东西走向道路有2段，直线里程约为6km。场景集由3个真实高速公路地形拼接而成：

A段以小曲率弯道为主，包含一个双向可互通服务区。服务区内设置有多个停车区域，覆盖斜列、垂直、平行车位及全封闭、半封闭和开口的车位线类型。该服务区以该段高速上的真实服务区为搭建依据，路段为服务区前后延伸的高速路段。

B段以坡道、立交枢纽、匝道为主，包含一个四方向立交枢纽、一块大小曲率匝道区域、一个收费站，每个方向多为两个行车道和一个应急车道，中间设有树木隔离。该四方向立交枢纽以该段高速上的某典型枢纽为搭建依据。

C段以大曲率弯道为主，范围内每个行驶方向多为两个行车道和一个应急车道，高程起伏较小，以缓坡为主。该路段以某高速路段入口至某大桥路段为搭建依据。

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

当前，智能网联汽车已从小范围测试验证转入技术快速演进、规模化应用发展的新阶段。随着示范应用不断扩面，“车路云一体化”建设逐步推进，数据的重要性愈发凸显，如何进行数据价值挖掘、共建生态体系需要进一步探索。在此背景下，2024年5月31日，IAE GROUP成立五周年暨“西部水木灵境”公司开业庆典在重庆隆重举行，并在活动同期举办了“车路云一体化数据资产化研讨会”。

中国汽车技术研究中心原主任赵航、中国汽车工业协会副总工程师王耀、德国汽车工业协会中国首席代表兼总经理张琳，重庆高新开发建设投资集团有限公司党委书记、董事长杜国平，原苏州高铁新城党工委委员、管委会副主任丁盛义，重庆科学城科技产业发展有限公司董事长毛希桥，中国信通院于润东博士、潍坊商会会长徐熙明等相关领导、专家及生态伙伴出席活动，与会嘉宾共叙佳谊，共谋发展。

自2019年正式开业，IAE智行众维已从科技初创公司成长为智能网联仿真测试领域的领先企业，并得到了客户、行业、生态伙伴和地方政府的广泛认可和大力支持。

“西部水木灵境”的成立标志着IAE智行众维正式启动车路云数据生态战略，致力于打造智能网联数据生态和资产化体系，进一步推动数据协同、共建共享与数据要素流通。 

五年筑梦，离不开客户、生态伙伴、行业协会学会、地方政府等的陪伴和鼎力支持，活动现场，IAE智行众维创始人&CEO安宏伟为众链科技、苏州市智能网联汽车产业联合会、中国汽车工业协会智能网联汽车分会分别赠送锦旗并致以由衷感谢。后续各方将继续携手，积极推动智能网联汽车数据价值产业链完善、全力打造高质量发展新引擎。

让未来加速到来！

本届峰会是国家数据工作体系优化调整后首次举办的数字中国建设峰会，会议聚焦数据作为新型生产要素，充分发挥数据要素的放大、叠加、倍增作用；聚焦夯实数字基础设施和数据资源体系“两大基础”，强化高水平数字化支撑；聚焦新一代数字技术，推动赋能经济社会发展。

在本届峰会的中国电信2024智算云生态大会的数据要素论坛上，苏州智行众维智能科技有限公司（以下简称“IAE智行众维”）受邀参会并成为中国电信数据要素产业联盟生态合作伙伴，聚力以数据要素赋能新质生产力，助力产业高质量发展。

预期功能安全(SOTIF — Safety of the Intended Functionality)是智能驾驶汽车领域的关键概念，旨在补充ISO 26262功能安全标准，专门针对系统性失效和随机硬件失效之外的风险。SOTIF的核心在于确保自动驾驶系统在正常运行条件下安全有效地执行其设计功能，包括对复杂交通场景的准确解读、决策系统的稳健性以及对潜在高风险情境的妥善处理等。其实施，对于提升自动驾驶技术的可靠性和安全性至关重要，是推动自动驾驶汽车商业化的关键因素。

近日，中路慧能检测认证科技有限公司（以下简称“中路慧能”）总经理聂秋海一行、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”）智能事业部总经理徐月云一行到访IAE智行众维，各方就车路云一体化数据应用、关键技术研究、测试认证、生态建设、示范应用等领域的合作进行了深入的交流。

中路慧能和国汽智联一行领导参观了苏州高铁新城智能网联示范区建设和产业运营情况，深入了解了车路云一体化中国方案在苏州的实践成果，随后与IAE智行众维及先导产投进行了座谈交流。

聂秋海总经理表示，烟台市已将智能网联汽车作为支柱产业打造，中路慧能车路云一体化联合试验场及测试示范基地将构建集仿真测试、封闭试验场测试和开放道路测试于一体的车路云综合测试、检测和认证体系，服务于国内外智能网联汽车产业，同时将牵头打造烟台长岛智慧岛屿特色场景。

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等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三方合作的主要目标。中路慧能、国汽智联和IAE智行众维将发挥三方各自的优势，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。

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。