近年来，自动驾驶、网联技术、新能源、共享出行是汽车工业的发展方向，尤其是自动驾驶，在全球和中国获得了非常多的技术关注和资本支持。为了应对这个趋势，西门子工业软件在过去十年累计投入超过100亿美元，做了很多技术研发的努力，包括并购一些公司，包括TASS International。基于这些工作，Siemens能够提供智能网联新能源车的整体解决方案。其中，TASS的主要技术领域包括两个方面，一个是仿真技术，一个是测试和工程咨询服务。
本文与大家交流的主题是基于模型的ADAS和自动驾驶系统开发和测试方法论。要配合自动驾驶汽车的性能开发，我们必须遵循从纯模型的仿真、到半实物的仿真、到场地和道路测试这一正向开发流程。这一开发流程和方法价值何在呢？要对自动驾驶车辆进行充分的测试验证，需要多达142亿英里的路试，这显然与有限的产品开发时间和生命周期是相悖的。这带来一个经典的问题：究竟需要多少测试，才能证明自动驾驶产品是成熟可靠、可以上市的呢？
把这一问题细化，可以提出五个具体问题：
1.测试历程和工况场景几乎是无限的
2.严苛工况和全面工况在道路测试中可遇不可求
3.即使能遇到严苛工况，也不可重现，无法重复验证
4.在道路上，缺乏真值数据来对比检验系统性能
5.部分测试工况具有危险性和复杂性
为了应对这些挑战，我们提出了基于模型的设计和测试验证方法。本文将通过一系列的实际工程案例，来具体阐发这一方法论。这一方法论的核心，是以PreScan为核心的仿真技术。基于这一仿真技术，可以进行MiL-模型在环，SiL软件在环，HiL硬件在环，ViL车辆在环，直到场地测试和道路测试，从而构成完整的开发测试流程。
自动驾驶系统可以划分为四个功能模块，第一是测试工况，第二是环境感知的传感器，第三是控制决策规划的算法，最后是底盘执行器。PreScan仿真技术，可以对这四个功能模块进行建模仿真，构成完整的自动驾驶系统的模型。
接下来为大家介绍几个案例，来说明我们的方法论。
第一个案例是为北欧某OEM做的测试项目。我们知道，测试工况的种类、数量、覆盖度对系统的测试至关重要，测试工况的来源有多种。本项目中，我们使用了德国GIDAS交通事故数据，PreScan可以自动的把GIDAS事故数据转换成测试场景模型。有了场景工况的模型，再结合环境感知、控制算法、底盘动力学的模型，就会构成非常完整的系统仿真方案。GIDAS数据库的场景非常多，所以我们提供了基于集群计算机服务器的计算方法，使得我们可以进行高效的大规模的工况计算。当然，今天PreScan也支持中国的交通事故数据库CIDAS，这都是非常有价值的测试工况来源之一。
第二个案例是ACC的性能标定案例。ACC的测试，有一个典型工况，即所谓的Cut-In目标车突然变道到主车车道上的工况。构成这一工况有很多的元素，比如车速、切入的时机、切入之后目标车的状态等等，如果各个元素的多种取值做排列组合，会发现这个单一工况可以轻易地衍生出几十万种组合。
有了这么多的工况，怎么样进行ACC的性能分析呢？ACC系统有一个重要的性能参数就是加速度的变化率，即所谓的jerk，影响它的有很多参数，包括雷达传感器的检测延时、ACC控制算法包括PID参数的标定、执行机构对加减速的响应延迟和上升特性、底盘动力学的特性等，我们要想定量的分析决定优化的参数，靠路试的主观评价是远远不够的，必须通过模型和参数的分析来决定最优的参数组合。
