赛目科技：智能网联汽车安全验证策略和仿真工具链

2025年7月22日，赛目在第八届智能辅助驾驶大会上，科技北京赛目科技股份有限公司首席技术官杨强指出，智能真工随着智能辅助驾驶汽车向L3及以上级别迈进
，网联安全验证的汽车复杂性与重要性急剧上升。-传统实车测试方法难以应对发散空间中的安全使命召唤公益直装下载安全性判定难题
，且受限于测试成本与系统复杂度，验证行业迫切需要创新智能辅助驾驶系统的策略安全验证策略 。

杨强表示 ，和仿针对连续空间测试  ，具链赛目科技形成了“安全分析-DOE实验设计-仿真测试-可靠性分析”的赛目闭环方法论。通过SOTIF安全分析框架生成高维逻辑场景，科技利用DOE方法实现高覆盖率场景泛化 ，智能真工结合云仿真平台快速迭代测试结果 ，网联对高维测试空间进行参数敏感性分析 ，汽车剔除低影响力变量以降低测试复杂度，使用可靠性分析算法对被测系统进行失效概率的计算。在离散空间测试，赛目科技采用数据驱动的基于时空图神经网络的宏观交通流模型与基于BEV+Transformer架构的微观交通流模型，实现高拟真度的随机交通流仿真测试，结合云仿真平台每日千万公里级的高并发仿真能力  。

杨强｜北京赛目科技股份有限公司首席技术官

文章来源：盖世汽车

杨强｜北京赛目科技股份有限公司首席技术官

以下为演讲内容整理
：

随着智能辅助驾驶汽车自动驾驶等级的提升，当达到L3级别及以上时 ，车辆行驶事故责任将主要由汽车制造商承担。此时，智能辅助驾驶汽车测试验证工作面临巨大挑战 ，原因在于测试工况无法全面枚举。使命召唤挂 锁头 透视 锁血对于智能辅助驾驶汽车的安全性测试验证
，其面临的是在一个发散空间中寻找确定解以判定安全性的问题。此外，考虑到测试成本和系统复杂度，很难通过单一方法对安全性进行全面评估
。

SOTIF的安全分析，关键在于如何识别未知危险场景
，通过优化被测系统逐步缩小未知危险场景范围，本尊科技以及如何评估智能辅助驾驶系统的残余风险。目前，基于场景的仿真测试作为智能辅助驾驶系统有效的测试评价方法已成为行业共识 。然而，问题随之而来 ，如何获取全面有效的测试场景文件实现智能辅助驾驶系统的安全评价？对于L2级别的智能辅助驾驶系统，可通过专家经验及历史场景库来构建测试场景 。

针对L3及以上高等级的ADS系统仿真测试 ，测试场景构建尤为关键。我们考虑结合数学统计分析和机器学习算法，将ADS系统的测试场景建模为一个高维测试空间。在该测试空间内通过两种方法获取有效测试场景，一是正向分析，使用SOTIF安全分析生成边界确定的逻辑场景；二是随机测试 
，针对无法通过安全分析构建测试边界的未知场景 ，通过大规模随机测试搜索获取危险场景
。因此，基于测试空间分析理论，使命召唤:战区我们将整个测试划分为连续空间测试与离散空间测试两类。

对于连续测试空间，通过SOTIF安全分析生成逻辑场景 ，该逻辑场景可视为一个高维空间。例如，场景参数构建为包含前车距离、天气状况、车道属性等要素的集合，这些要素共同界定了测试空间的边界 ，此即为连续空间的概念 。离散空间对应难以通过分析方法有效识别的“黑天鹅”事件（边缘场景），对此类测试场景通过构建高拟真度的大规模随机交通流来进行测试 
。

关于面向连续测试空间的测试策略 ，我们先进行SOTIF安全分析，借助SOTIF分析框架 
 ，可生成逻辑场景集。无论逻辑场景是基于ASAM OpenX标准还是企业私有标准构建，均可形成一个抽象的逻辑场景。基于每个逻辑场景，实施DOE采样，使用DOE方法可以实现较好的场景泛化，场景覆盖度表现优异 。在场景泛化领域中，如何科学设计DOE采样算法显得尤为关键
。

完成DOE采样后 ，我们将据此生成具体测试场景，codm开挂辅助器(免费)并将这些场景输入至云仿真平台进行计算。基于每个场景文件的测试结果进行逻辑场景参数的敏感性分析
。

敏感性分析核心目的在于实现高维测试空间降维处理。对于一个高维空间的测试，即便拥有高并发的云仿真平台 ，若无法有效控制测试量级 ，云端仿真测试仍难以实施  。因此，敏感性分析成为降低测试复杂度、实现高效测试的关键手段。敏感性分析的关键技术在于 ，采用空间填充度高的DOE采样算法，结合统计与机器学习算法，识别并剔除对因变量影响不显著的自变量，从而在更优化的空间范围内进行DOE设计 ，生成有效的具体场景文件。

敏感性分析完成后，将再次进行基于逻辑场景的场景泛化 ，并对被测系统的失败概率进行分析 ，旨在寻求一种可量化的方式来度量被测系统安全性。设计可靠性分析算法来实现对被测系统的失败概率计算。可靠性分析的难点在于，被测系统处于未知测试空间中 ，如何探寻潜在的未知危险场景。因此  ，关键在于采用高效场景泛化算法，使命召唤开挂辅助软件下载以较少的样本点实现对整个空间的有效覆盖
。

对于评价系统的可靠性 ，如航天以及智能辅助驾驶系统等，从系统失效概率角度衡量其安全性，例如
：当被测系统失败概率为10−5时，被测系统被视为不可靠；而当被测系统失败概率降至10−7甚至更低时，被测系统方被认定为可靠。假设某被测系统要求达到10−7的可靠度，若采用均匀蒙特卡洛采样方法进行验证，所需样本量需超过 107 级别 。然而，即便对于每日可处理千万公里仿真的平台而言 ，如此庞大的样本量也难以实现有效验证。因此，我们需要采用少量样本点实现对测试空间的有效覆盖 ，可运用自适应采样、方向采样等算法 ，并根据不同算法进行迭代，构建多样化的分析算法体系。

在可靠性分析中
，其核心目标是通过实验设计识别整个测试空间中可能存在的失效临界区域 。进一步地 ，可针对这些临界区域开展鲁棒性分析 ，评估被测系统安全极限是否能够达到3 Sigma或6 Sigma。若被测系统安全极限满足上述要求，则可认定被测系统具有较高的使命召唤手游透视辅助网站鲁棒性。

基于上述理论分析，我们构建了完整的安全分析和仿真工具链产品线。其中，SOTIF安全分析采用自主研发的Safety Pro工具 ，该工具不仅支持FuSa和SOTIF安全分析功能，还能自动生成逻辑场景 。生成的逻辑场景传输至云仿真平台，进入测试空间分析工具SGO Pro进行场景泛化处理 。泛化后的具体场景输入云仿真平台Cloud Pro测试验证，其测试结果反馈至测试空间分析，用于进一步估算被测算法的失败概率。整个平台基于SOTIF分析框架生成逻辑场景，通过测试空间分析的场景泛化算法转化为具体场景 ，最终结合仿真计算得出被测算法的失败概率。

此外，仿真置信度是关键考量因素，需评估传感器模型置信度、车辆动力学模型置信度等核心指标，而仿真引擎的置信度尤为关键  。在功能安全领域，ISO 26262标准第八章明确要求，需要对智能辅助驾驶系统开发过程中使用的所有工具进行工具自信度（TCL）评估。这强调了仿真测试工具链各环节必须具备高等级置信度的必要性。

基于这一思路，我们的核心产品仿真工具Sim Pro与安全分析工具Safety Pro ，都获得了第三方公司（SGS）颁发的使命召唤开挂器软件功能安全产品认证，这充分表明我们仿真引擎的置信度具备高度可信性。

关于下一代传感器建模问题，我们认为
，要实现端到端的验证，关键在于提升传感器的整体置信度。需解决以下关键问题：基于3D高斯建模时产生的伪影问题；在车道偏离场景下如何保持高质量的图像输出；以及在视角变换后  ，针对二维图像无法呈现三维信息的情况，如何对被遮挡区域进行有效重建。此外
，结合3D高斯闭环仿真测试，我们还需要重点解决交通参与物中目标轨迹的精准控制和场景覆盖问题。

当3D高斯生成图像质量达到理想水平，下一个需要关注的问题便是，所生成的图像与点云数据能否充分支撑对被测系统进行安全覆盖的数据集构建。对此，我们的整体测试方案中 ，传感器仿真数据生成需部署下一代图像与点云生成引擎。闭环仿真测试方案主要解决了以下问题 ：通过高效的测试空间分析工具，结合仿真引擎生成高场景覆盖率的轨迹路线
，并将这些轨迹路线输入至3D高斯图像生成引擎 ，从而在保障图像质量的同时，实现了对场景覆盖度的动态优化。

关于3D高斯技术  ，需提及当前普遍关注的伪影问题。我们的解决方案采用动静复合模型架构，通过两阶段优化流程显著提升图像质量：在首阶段测试中发现存在明显伪影现象，嵌入了基于Diffusion的图像优化算法——该算法依托世界生成模型的底层扩散机制构建 。经此双层优化处理后，相较于单次3D高斯渲染结果，最终生成的图像质量得到显著提升 。

在仿真领域中，车辆动力学模型置信度是至关重要的考量因素。为此，我们自主研发了27自由度非线性动力学模型。然而
，在实际与客户合作过程中 ，我们常被问及如何高效标定动力学模型的问题，因为传统标定方法不仅耗时 ，而且经济成本高昂。

针对这一痛点 ，我们开发了基于大模型（LLM）的车辆动力学模型参数自动标定Agent工具。用户仅需输入基础参数，该工具即可通过仿真平台的持续测试分析，自动生成适配不同车辆的高精度车辆动力学模型参数
。通过对比测试验证，基于该大模型生成的动力学参数在横向和纵向性能指标上均能达到85%以上的精度水平。

我们开展了一项场景测试 ，测试场景设定了一个由七个参数构成的场景，首先进行敏感性分析，将参数维度从七维降至五维。随后 ，在此基础上开展可靠性分析，针对蒙特卡罗法和定步长法进行了对比测试。

相较于蒙特卡罗方法，我们的测试效率实现了近两个数量级的提升；而与定步长泛化方法相比 ，效率提升更达四个数量级 。在针对同一测试对象进行失败概率估算时 ，通过应用我们的可靠性分析算法 ，测试效率可提升2至4个数量级。

关于离散空间的测试方案 ，我们的思路是构建基于真实交通流数据驱动的高拟真度AI交通流模型 ，通过采集宏观与微观交通数据训练AI交通流模型 ，再将该模型生成的车辆数据导入云仿真平台与虚拟城市平台 ，实现高并发仿真测试。

关于宏观交通流模型，我们采用基于时空图神经网络的设计架构 。该模型主要利用训练数据，实现对未来特定路段宏观交通流参数的预测 ，包括车流量、车密度等关键指标。在完成宏观交通流建模后，我们进一步构建微观交通流生成模型 。该模型基于Transformer架构 ，通过将每辆车周边环境信息从三维空间映射为二维BEV视角图像，进而预测车辆可能轨迹。系统会从所有预测轨迹中选取概率最高的行为模式，作为交通车辆的控制策略
。

基于AI交通流模型 ，将其整合至云仿真平台后 
，结合虚拟城市环境与并行仿真集群架构，我们已实现每日千万公里级的测试验证能力，并成功部署于客户平台。该平台支持多任务并行处理，每个任务可同时模拟多组自车与交通车协同运行。在实时测试过程中，针对超万个节点的测试场景 ，系统能够动态识别并即时生成NG场景 ，使工程师可聚焦分析异常场景。同时
 ，平台提供关分析功能，辅助定位算法潜在缺陷 。

（以上内容来自北京赛目科技股份有限公司首席技术官杨强于2025年7月22日在第八届智能辅助驾驶大会发表的《智能网联汽车安全验证策略和仿真工具链》主题演讲。）

文章来源 ：盖世汽车返回搜狐
，查看更多

最新评论