自动驾驶及智能驾驶的快速发展，主机厂、Tier1、科研院校、智能网联测试区等用户对自动驾驶仿真需求快速上升，国内也涌现出一大批自动驾驶仿真测试公司，成立于2018年12月的IAE智行众维®便是其中之一。
2023年5月16日-18日，IAE智行众维®参加第十届国际智能网联汽车技术年会（CICV 2023）的展览，IAE智行众维®场景事业部总监林雨琦接受了佐思汽研的专访。IAE智行众维®在CICV2023的展位及采访现场左：IAE智行众维®场景事业部总监 林雨琦
以下为采访实录：
佐思汽研：对于不太了解IAE智行众维®的朋友，通过我们身后的宣传材料，可以大概知道IAE智行众维®是一家面向智能驾驶以及自动驾驶的仿真测试公司。请林总为我们介绍一下IAE智行众维®。林总：IAE智行众维®是智能驾驶仿真测试领域的专业服务商，公司在国内和欧洲都设有技术研发中心，核心团队由国内外资深专家来自清华等高校、主机厂、互联网领域的专业技术和管理人才组成，致力于打造专业的仿真测试技术体系和全栈式解决方案。公司从行业需求、个性需求出发，打造和完善从海量场景仿真到极限场景测试的技术闭环和数据闭环体系，研发的以数字孪生仿真场景工场，云算力海量仿真SaaS平台和整车在环技术为代表的IAE X-in-Loop®技术体系，已广泛服务于国内外主机厂、第三方检测机构、各地智能网联测试示范区等客户。
IAE X-in-Loop®技术体系
佐思汽研：面向智能驾驶、自动驾驶，IAE智行众维®都提供哪些仿真测试服务？林总：公司首发Robo-X 4City场景城市认证平台，在行业内率先发布云算力海量仿真SaaS平台，以及完整的整车在环技术体系，打造并持续提升智能网联汽车、数据采集、训练、仿真、测试的全栈式工具链和技术服务能力。“水木灵境”场景工场就是以IAE X-in-Loop®技术体系服务的，提供满足每一环节仿真测试需要的场景。目前场景工场已累计搭建七大类上万组测试场景，同时还推出了国内最大的中国交通事故复现场景库，和国内首家基于路侧数据还原的场景库。以这些技术为代表的IAE X-in-Loop®仿真测试验证技术闭环和数据闭环体系，已广泛服务于国内外主机厂、零部件企业、科技创新企业、研究院所、第三方检测机构和各地智能网联测试示范区等近百家客户。佐思汽研：您刚才提到，公司服务的客户有国内外主机厂、Tier1，也有一些科创企业，他们对测试场景的需求，可能也是多种多样的，面对不同的需求，公司是如何服务这些客户的？他们最大的需求都集中在哪些方面？林总：目前阶段，我们收到来自于主机厂和第三方检测机构最多的需求主要还是集中在软件在环、硬件在环和车辆在环方面。基于此，公司打造了IAE X-in-Loop®技术闭环和数据闭环体系，包括云算力海量仿真SaaS平台和海量仿真场景库，以满足用户对于加速仿真和场景覆盖测试的需求。同时构建了完整的硬件在环解决方案，以满足ADAS解决方案应用落地的需求，构建了以场地车辆在环、高级整车在环和车辆环境交通在环为代表的完整车辆在环技术体系，以响应客户对真实性的需求。
IAE X-in-Loop®技术闭环和数据闭环体系
佐思汽研：公司基于海量的场景数据库，推出“水木灵境”场景工场。那水木灵境有什么样的特点？林总：“水木灵境”场景工场，目前已具备了跨平台生产能力，目前生产的场景支持在SCANeR、VTD、CARLA 等主流仿真软件中进行测试。同时大家可以看到，2023年第一季度中国已经成为了汽车出口最大国。在我们场景建设上，除了已经积累的国内场景，我们也已经积累了大量的欧洲场景，同时也逐步扩展全球化场景，助力中国汽车企业的出口之旅。除了数据建设上，我们从场景构建的技术上来看，随着场景数据的海量化，场景工场这方面，对于场景的构建上更加注重场景的多元化、多样性、高覆盖度、高标准化。我们通过扩展多元数据，比如说车端采集的数据，路端设备采集的数据，来保证场景的多样性和真实性。通过AIGC等人工智能技术来提高海量场景生产的效率，通过增加自动化场景生产工具，来保证我们生产的海量场景的高标准化。通过规范三级质检制度，来保证我们交付的场景的高质量标准。基于这些高质量标准体系下构建的海量场景库，已经应用于我们的仿真测试中了。
佐思汽研：贵司在一次访谈中提到，目标障碍物的反射率、材质，很难通过传感器的建模去识别去弄清楚。公司在这一块有没有怎样的解决方案？林总：目标物的核心建模，从技术上最大的难度不在于传感器本身的物理建模，更在于目标物的环境场景物理特性建模的质量要求。复杂物理模型对于单机高算力的要求和并行仿真加速的矛盾，从非技术层面来说，需要传感器供应厂商积极和深度的配合，难度甚至还要高于技术层面上的。这是更适合传感器供应厂商，在传感器开发和验证阶段做的工作，而非主机厂或算法企业做的工作。IAE目前在仿真场景工场里，已经通过基于UnrealEngine的渲染引擎，加上基于PBR材质的目标物建模，使整个场景的真实度较之前有了比较大的提升。这套方案也已经获得了仿真测试用户的认可，并广泛使用于仿真测试验证环节中。未来我们也将考虑如何结合新技术去实现我们场景建模的真实度，以及海量场景的工作力和算力需求这方面的平衡，达到一个平衡，这样才能可持续化的发展海量场景仿真。佐思汽研：公司从2018年进入行业到现在大概有6年左右的一个研发时间，在这6年的时间里，认为自动驾驶仿真行业存在什么样的难点和障碍呢？
林总：其实我们要从认识层面上来明确仿真训练和仿真测试的区别。像我们提到的仿真，其实都指的是仿真测试，那在仿真测试，我们就要解决“加速”和“真实”的问题。从“加速”上来说，我们可以通过云算力仿真和海量场景去解决。“真实”会需要一套科学有效的测试技术体系来支持，不只是软件、硬件和系统的问题。从场景数据的角度，我们要解决“真”和“全”的问题，这也是我们本次参会的重点。从真实度上来说，我们要在场景数据的研发、生产和质量控制环节去保证。从“全”的方面来说，我们希望保证实践场景覆盖度的同时，尤其更可能多地覆盖corner case，同时我们要保证复现后衍生出来场景的真实性和有效性，仿真测试系统的高适性度。corner case来源于现实生活中的事故场景，或者是一些恶劣的天气，还有一些不可预测的交通参与者的行为。基于这些行为，我们可以分析得出造成事故的原因，并且提取出来，再放入到场景构建中。比如说像特斯拉撞上一辆白色卡车的事故，白色卡车就是这个事故的关键因素，我们就会基于此搭建一个白色卡车模型，放入到我们的场景测试中作为一个衍生参数，实现corner case的覆盖。除此之外，我们还拥有全国最大的CIDAS事故库，里面涵盖2000例真实事故还原的场景。我们还有一个基于中国道路特色搭建的3D交通参与者模型库，还有一些交通标牌库。包括各种各样中国会遇到的可以遇到但是不常遇到的模型，比如说打伞的行人，喝醉酒躺倒在地上的行人等等。同时包括像标牌的磨损、遮挡，老旧状态，我们也会在库里面也会有所体现。
此外，仿真软件有很好的天气仿真能力，可以实现雪天、雨天、阴天等等的天气仿真。这些都影响感知和操控能力，恶劣天气可以很好地衍生成场景，实现场景的覆盖。另外我们对在仿真测试过程中出错的场景也是比较重点关注的，这就比较像一个错题集，我们会反复去进行错题集的测试，而不断地扩充边缘场景。