10月30-31日，2024汽车技术与装备发展论坛在苏州召开，政府领导，院士专家，装备、汽车及产业链企业高层齐聚，围绕“共筑汽车产业新质生产力”年度主题，聚焦新技术、新装备、新生态展开深入研讨，探索装备制造与汽车产业的融合发展路径。论坛由1场闭门会、1场开幕大会、2场特色活动和4场分论坛构成，搭建起国内首个聚焦“汽车技术与装备发展”领域的高端对接平台。其中，在2024汽车技术与装备发展论坛之IVISTA智能网联汽车论坛上，中汽院智能网联科技有限公司副总经理潘登发表了演讲。以下内容为现场发言实录：
我是来自中国汽研中心智能网络科技有限公司的潘登。
下面，我大概用20分钟给各位专家还有我们的行业同仁汇报一下，我们这一年在智能驾驶与主动安全领域的创新成果。
首先，简单回顾一下，今年以来的行业发展的态势。其实也不光是今年以来，我们看到欧美日不同的国家，在早期已经比较加速推进自动驾驶的落地，大家知道像日本交通比较早推动第一款面向L3量产车的落地，奔驰早期在德国也做了限定ODD运行范围的L3的量产车落地。
那么中国是在稳步推进自动驾驶的试点，所以我们大家从去年甚至从前年以来，我们陆续关注智能网联汽车，上路通行准入的相关的通知，今年已经发布了相应的智能网联汽车准入和上路通行联合体的基本信息。
同时，前不久工信部和公安部等五部委也发布了《关于智能网联汽车“车路云”一体化应用试点工作的通知》，整个中国的步态非常稳步，同时，我们推动的规模应该相对欧美日要更大一些，不是单一的车型，单个车型也是一个比较全面的铺开。
那么在这样的一个发展态势下面，同时我们也看到技术发展迎来了新的趋势，我相信大家做智能驾驶、智能网联，不绝于耳的就是人工智能、AI、大模型、端到端、车路云一体化，这样一些新的技术不断在与我们的智能驾驶技术做加速的融合，我们大概梳理了几个方向的新的趋势。
包括我们原来基于规则的，到基于智能的端到端的发展。包括车路云一体化融合的系统的加快的部署，包括我们的驾驶舱的融合，特别是随着英伟达国内芯片厂商更强算力的芯片上市，准备量产，驾驶舱融合也是一个很大的趋势。
包括我们的智能网联汽车的场景的数据池的构建的完善以及操作系统，我们也在不断打破国外的垄断，所以有很大的趋势在加速的融合，这个行业变化真的是日新月异。
那么在这个趋势的背后，今年1月也正式在苏州，我们在依托中国汽研华东总部，我们联合全产业链，成立了智能驾驶与主动安全测评技术创新中心，我们也想通过这样一个创新中心的成立，赋能我们的整个产业的发展。
当时我们跟不同的企业有揭牌，包括我们有一个比较大的联合创新研究院，还有创新联合实验室，工作组的成立。
我们在年初制定了五个方向：
1、面向复杂极端环境的测评技术。
2、面向高阶智能驾驶的测评技术。
3、面向智能驾驶交通场景库。
4、虚实融合的仿真技术。
5、国产化检测的大装备。
那么给各位专家和同仁汇报一下我们几个工作的重点。
在今年的3月份，我们发布全国首个L2 导航智能驾驶面向城市道路的CNP、NOA等等。
但是都是面向基于导航智能驾驶面向城市应用的，城区运用的这样一个测评规程今年3月份发布。
那么同时在7月份，我们也发布了中国汽研的指数极北寒测，通过这个发布指数评测的专项，我们预期来讲在马上进入冬季11月份，其实10月份我们陆续大概已经收到20多家车企在主动联系我们，陆陆续续准备开展面向冬季的极北寒测的这样一些工况的测试和一些交流，我们会在11月份陆续开展相应的测试和评价，也希望大家能够持续地关注。
因为这个是和年终和之前已经发布的，那么今天非常荣幸借用这样一个场合，那么我会重点发布三个新的应用成果：
1、面向智能领域交通的场景。我们计划发布马上AI鲁棒性的场景库。
2、两个全新的仿真实验室，虚实融合仿真的测试技术研究。
3、整个实测测试的全工具链、国产化的实时检测装备。
我们做以上的科技成果，既是回应我们年初的设定，行业的技术趋势，同时也是希望能够更好地保证企业的产品安全，人民的用车安全以及国家战略安全。
下面我逐一做成果的发布。
第一个是AI鲁棒性的场景库。这个名字我特意跟我们的技术团队反复确认，是不是首个技术团队反复跟我确认这就是首个，所以我今天非常荣幸在这个会场给大家做一个重大发布，这是全行业首个AI鲁棒性的场景库。
那么这里面的背景是什么？我们讲到端到端，我们讲到人工智能刹车，我们发现高覆盖度、高真实的场景库是实现智能驾驶功能开发以及测试的一个前提。
大家有些概念是之前已经了解到的，比如我们说通过虚幻引擎可以实现高保真的这样一些渲染。
但是，我们发现很多的极端的工况，特别是面对复杂的交通复杂的气象以及复杂的路面，我们有很多的比较难以遇到的一些边缘场景，特别面向复杂天气的情况下，所以我们想说能不能从这样的复杂工况下面，我们能够抓取到更多的高保真的原始数据。
同时我们再运用三维重建的技术，包括倾斜摄影的一些方式，不管是在水平的维度，我们能够在垂直的维度上，能够解决更多复杂路面可能会带来的一些场景的复杂的情况。
所以，我们构建面向智能驾驶的AI鲁棒性的场景库。
第一，以海量的传感器数据采集为驱动，我们构建基于AI的多元物理传感器模型，支持复杂临界场景的高精度数据生成。
我们讲摄像头模型构建或者其他传感器物理模型的构建比较早，大家都有在做，行业里面也一直在做，我们大概是2018年、2019年开始涉足这个领域，到现在大概有五六年的时间。
但我们发现说我们很多时候的模型都是偏理想模型，或者是来自供应商的物理模型和参数，这样的理想模型在我们面前，不管是刚才讲的复杂的气象还是复杂路面还是复杂交通的情况，这可能是不太够的。
在这种情况下，我们通过重新来做摄像头的建模，那么能实现更多的可以去做鲁棒性测试的一些干扰的因素，把他带入进去，所以我们大概提取出一些关键的新的指标，这是关于摄像头的建模。
同时，面向雷达有两类在里面用得比较多，不管马斯克怎么讲，激光雷达上车已经是我们头部的智能驾驶车企的选择，高阶用激光雷达，低阶用纯视觉。激光雷达模型和毫米波雷达模型，仍然是我们现在量产上车的主要的雷达的模型，所以在面向机械的激光雷达以及固态激光雷达领域，以及对特定的雷达建模里面，我们也在自主开发相应的模型。
为什么叫AI鲁棒性。针对AI刹车里面鲁棒性很难测试、很难验证的角度，让我们也不断地构建复杂的天气，对传感器的影响，所以我们抓了很多现场的测试数据，用这些测试数据，不断地来反复地在调校和迭代我们的理想的模型，或者是我们的一些物理模型。通过这样的一个测试，我们大概在不同的天气下的模型和传感器的探测距离，误差能做到10%以内。
行业内是多少？其实没有太多可比的数据，可能行业以前做的时候不太会把传感器的建模和真实的数据采集做反复的校正和修正，因为这个过程很累，第一个你需要复杂的场地的支持，同时你要模拟真实交通变化的情况，包括我们说的天气变化的情况，这个成本投入也很大，中国汽研做了这么多年的智能驾驶的测试，我们积累了海量的实测测试数据，所以我们用这个东西来喂我们的模型，不断的迭代我们的模型，能够把我们的进度提升。
我们大概评估了一下，如果不用这样的手段来做模型的细化和迭代，也许传统的方式，误差也许到50%甚至60%以上，所以我们通过把它误差控制到10%，我们能够有效将传统方式将这样的一个模型的保真度提高了5-6倍。
同时面向毫米波雷达也是如此，毫米波雷达也经历了很多的发展，早期是2T，两个发射四个接收，到现在我们说3D毫米波雷达、亿米级雷达、成像雷达的上车之后，慢慢陆续也会有毫米波雷达的成像，所以我们也提前做了一些毫米波雷达建模的部署，那么实现了点云的输出。
包括说电磁波扫描等等能够实现毫米波雷达点云的实现，我听说特斯拉下一代会上亿米级雷达。
所以我们将两种雷达的特性，颗粒度以及它的逼真度做了一个大幅的提升。那么基于刚才讲的高精度的传感器模型，我们也在持续构建面向AI鲁棒性的场景库，特别是服务于企业的智能驾驶和端到端的训练，从2022年我们发布的场景为3.0，到我们今天的AI鲁棒性的场景库，大家可以看到实现的效果有了大幅度的提升。
同时AI鲁棒性的场景库，也带来了其他突破我们传统汽车领域的一些应用的示范。左边（如图）大家一看就能看得懂，这是一个野外的场景和工况，它的高层是有不同的差异的，不太像我们结构化的道路，相对比较平整。
所以通过倾斜摄影等一些其他的方式，我们去捕捉野外非结构化的场景数据，同时把它通过AI的方式来帮我们做建模，做数据的生成。
我们能够把结构化的场景，能够在同样一套架构里建立起来。同时，我们也模拟了包括很复杂的像前车会扬起一些水花、扬尘等等这样一些噪点和干扰的信号，构建的这个场景库，这个是会更加能够验证我们的鲁棒性。
而且刚好昨天我们还收到来自我们国家做野外比较多的运载车辆平台开发，两大集团，南方集团和北方集团，正好我们收到其中一家集团给我们发来了感谢信，说我们在非结构化的场景里面帮他解决了特种车辆、研制和测试验证中的一些问题，并且跟我们讲说2025年要跟我们加强合作。
第二，面向虚实融合的仿真实验室。刚才也提到说，我们现在智能化程度逐步提高。兰德公司讲我们要做一亿英里，不同的讲法都有做多少几百万上千万公里的测试里程，总体来讲是为了解决长尾的问题，但是，很多朱教授还有很多院士专家讲的时候，里程测试并不能完全覆盖长尾，因为你这个里程要跑很大的时间和人力的投入。
同时，里程测试里面长里程并不代表说你能够一定捕捉到你需要的边缘场景，包括能够提高你的测试覆盖度，面对这样的问题，仿真过去也有一些挑战，仿真的挑战就在于我们要想去建一个很好的模型，不管是道路模型、天气模型还是我们的车辆模型，可能这个建模做得非常复杂，但是模型的逼真度是比较难以做到的。
所以，我们也在想一个问题，我们过去在做实验室构建的时候，我们通常有各种各样的模型，但发现很多整车厂在整车试验阶段或者集成验证阶段比较多的是用Lobak的方式，但是我们过去Lobak解决的方法是通过把车上的电子电气通过实物化的方式，放在实验室里面，然后可以去做相应的模拟。
那么在智能驾驶领域里面我们发现今天的智能驾驶挺难是独一存在的，智能驾驶和我们的智能底盘和我们的智能座舱，甚至和我们的智能车灯是强相关强耦合的，所以在这种情况下，我们发现如果纯粹要用仿真做这么多的物理的设施把它模型化非常挑战。它的逼真度一直以来制约行业或者给大家带来难题的一个点。面向这样一个点，我们这么几年做了这么一些工作：
第一，我们将复杂的模型实物化。
第二，我们将泛化的场景尽量虚拟化，想找到一个折中点，能够有效解决仿真设施带来的高效测试的优势，同时能够降低低保真度的这样一些劣势。
那我们怎么做？
第一，面向多个领域的联合的测试验证。我们提供了一套跨域的功能交互的这样一套测试环境，实物我们还在搭，搭成之后也希望咱们行业的用户和伙伴能够参观。
我刚才讲智能驾驶，现在的智能传感器上车之后，不光是服务人与智能驾驶，很大程度上我们有些车企已经走得靠前，通过路面扫描的方式，能够识别路面上的故障，同时来调低底盘的软硬、悬架等等跟底盘已经强烈的耦合起来。同时有些车企走得更早，那我们说跟我们的大灯耦合起来，我智驾的原始数据进入大灯里面的域控，大灯里面根据大灯的规则，用这样一套方法来做光坦、模坦、信号远光灯的遮蔽还有投影，这个一定是有需求的，因为我们大概6/70的事故可能是在夜间，日间的事故量比夜间出事故的概率要小一些。所以关注到智能大灯也是行业发展的一个趋势。
那么这么多的域耦合在一起，我们是非常有必要构建一个跨域、多域协同的仿真的系统。所以，我们面向整车的开发周期的压缩和电器架构集成不断提升，那我们构建了一套面向智驾、底盘还有其他域的这样一套仿真系统，证明要解决关键问题就是不同域的信号的时间同步是很难做的。
同时不同域的吞吐量也不一样，智驾域的数据吞吐量一定非常大，但是可能到底盘控制域数据量小很多，它的实质性和反应速度也是不一样的，这里面其实有很多的工程问题需要解决，好在我们的团队特别是联合我们很多的主机厂用户，我们已经在里面积累了相当多的经验，今天是可以做一个很好的发布，我们能够实现更多的复杂工况和跨域的测试的重复。
如果跨域不给实，那就上整车。所以我们通过整车级的这样一个测试验证平台，这也是我们构建的实物，真实能够还原整车的纵向和横向的动力学，最高时速可以达到300公里，包括转向角度。
那么这样的整车级的实验室，也是今天可以很荣幸给各位专家汇报的是我们在华北、华东以及在华南都已经构建了三大的整车级的验证实验室，所以有相应的测试服务的需求，大家可以联系到我们，我们根据您的地域需求可以帮你做相应的推荐。
整车仿真的实验室，能够最大程度上保真，因为它是一台整车，它能取下的肯定就是轮胎，你要建模就是轮胎模型和地面道路模型，所以这样的话，你在保真度上损耗是最小的。
但同时大家看到我这边有一张动图，就是我们在做整车实验室的，我们依托中国汽研强大的场地资源，我们对实验车和场地的特性也做了很多的对比实验，我们大概也能够把动力学的误差基于轮胎和路面的误差大概降低10%以内，这个从仿真来讲是非常难达到的，但从我们的测试效率和覆盖率是可以达到非常好的测试效率，所以这不是建一个模型靠脑袋想，我们要有实际的测试来反复迭代验证和修正的。
第三，国产检测大装备的成果发布。我们传统的传感器方案从雷达视觉到加激光雷达，包括我们的场景从高速的检测场景到我们的城区复杂场景的拓展，我们发现实测测试需要构建更加复杂的测试场景，测试现在卷得很厉害。
特斯拉说我上端到端一个大屏搞定。理想说一个大模型不行，一个大模型的背后端到端的模型我要加VOM，我要加高精度的视觉感知。华为说两个网络也不行，我要三张网，我从BEV到GUD在到感知神经网络，再到一个预检测神经网络，我再加一个行业里面独有的本能安全的网络。通过本能安全在一些极端情况下，号称能够提到200毫秒的反应时间，决策的计算时间。
那么相对友商能够提高3-4倍，200毫秒的决策计算时间可以提高到3-4倍的安全，做安全的兜底。
所以大家会发现端到端上车之后，你还不能抛弃规则，端到端拟人化方面还没有走得很好，你如果放弃规则，放弃安全底线，可能在主动安全方面面临很大的挑战。
针对这样一些全新的需求和全新的要求，我们持续做研究，刚才讲1月份我们成立了中国化的目标物的联合研究中心跟很多的车企和行业伙伴，我们也跟企业成立相应的实验室。
第一，室内高精度定位测量系统。
第二新型中国化的目标物。
首先看第一个成果，我们从年初开始，其实我们做这个事情大概有两年的市场调研和一些摸索，我们自主开发基于车路的融合定位的室内高精度系统，实现在雨雾光复杂的气象场景的车辆运动高精度测量。
系统简要的构成大概是路侧端我们会构建高精度的，这里面其实还漏掉一个关键词，高速高精度高效捕捉单元，而且不是一个单元是一个集群。
第二，我们在车载端通过信标的方式，加上高精度的惯性的测量单元，在车载端我们能够复制这样的两个机构。
那么能够覆盖到特别像隧道里面的雨、雾和光这样的情况下，包括我们丢失GNSS信号和其他的信号里面强干扰无信号的测试环境，我们构建了一套复杂的测量系统，为什么要这么做？
很多人也在想，我不是很多时候要上隧道的，但是我们从试验厂的建设来讲，或者从建设条件来讲，如果你要模拟雨天没问题，你可以在露天模拟雨天，我甚至看到有咱们自媒体拉几个拉车，消防车喷水也是雨天，虽然这个量不一定能控。
但是你要模拟雾天，对不起你只能在封闭的环境，只有在封闭的环境，才能把雨散化成雾这种给他模拟出来，如果你要模拟光，对不起你也只能在封闭的环境，白天就是白天，晚上就是晚上，但是你在隧道里面或者在封闭环境里面才能模拟，不管是逆光、眩光还是我们的不同太阳光还是夜间白天，所以你可以做7天24小时不间断运行的这样一个实验场景，不间断的全气象的这样一个孵化率，但是你必须在封闭环境。
那么一旦封闭环境挑战就来了，信号丢失了，很多信号都没有，我们有很多通过无线射频的方式来做室内定位，但我们其实探索了几年，很遗憾地讲说，很多技术还是不太能够工程化，我们发现很多信号就是会丢失，所以值得我们反复探索，基于光学捕捉的矩阵，或者光学捕捉的集群，我们来实现在强干扰和无信号环境下，我们做了什么样的结果？
我们能够在室内无信号的环境定位精度达到1个厘米以下，这个也是通过国家权威的计量机构做过反复的计量和测试，并且最近他们的人员还在我们的试验厂里面应用这个环境来做一些其他的演示性的测试。
那么在强干扰的情况下，我们的定位精度可以做到一个厘米以下，同时相应的速度精度和加速度精度分别到0.1公里每小时以及0.01米每秒方的这样一个定位和良测的精度，保守来讲是国际领先，因为我们在做的时候很多国际的同仁，也跑过来现场观摩，说这个技术很好，能不能也联合一起为他们所用。
所以我们国际同仁都还蛮认可我们的结果，要一起来做联合的开发。那么我们不光是做了这样的DEMO系统，我们在阳澄湖的试验厂，在成都中德的实验室我们已经部署了相应的距离和范围的这样一个实测的测试环境，也在积极赋能我们新的指数的一些规程的测试和验证。
第二大成果是新型的中国化目标物。
新型中国化目标物也是积累交通事故数据，全面升级快递三轮车这是中国特有的，但其实东南亚很多国家也有很多两轮车和三轮车大量的使用。包括我们的轻型的卡车目标物以及我们的特殊运货车的目标物，那么这三种升级主要在哪方面？
第一，快递三轮车我们全面升级了一体化的驾驶舱，同时带主动式的尾灯。
第二，轻型卡车做了立体的尾板，主动式的尾灯和三段式的设计。
第三，在特殊的货运车辆也是响应一直以来有些事故的场景的还原，那么我们可以搭载一些超长的货物或者其他非规则的装载物，来评价咱们的智能驾驶的感知或者是没有进入白名单的通用的障碍物的感知能力，覆盖高保真的视觉特性，激光雷达特性以及毫米波雷达特性。
同时，能够最高承受90公里的碰撞，能够带来很好的维修和保养的成本和很短的碰撞的时间。
以上的目标全面应用在IVISTA、C-IASI两大指数的正式试验里面，我们也在依托工作组，不断联合我们的行业开展新型目标的研究，这里面很多数据导入和支撑，既来自我们的院士和专家团队，也来自我们行业给的一些反馈和数据，昨天下午我们还在一起开相应的会。
基于刚才讲的目标物驱动平台，还有我们正在开发的驾驶机器人以及高精度的定位系统，我们预期来讲在整个领域里面我们开始在实现多目标物集群的实测测试的验证，我待会儿会有一个简单的视频给大家做分享。
（视频）
今年2024年10月份以后，我们会全面切换到国产试验装备，这也是我们走了很长一段路，从2018年开始，从全部进口到部分到我们今年10月份全部的切换，非常欢迎我们行业的朋友还有我们的用户，到我们的试验厂来观摩来做相应的试验和对比。
未来的展望，我们会继续在车路云一体化的评价，AI大模型的评价以及高阶自动驾驶评价。包括面向主动安全一体化，以及主动安全测评技术和复杂场景的测评技术里面做更多的这样一些研究和探索，也特别希望能够进一步加强自主研发同时能够联合行业来开展多方面全面的测试验证的推进和迭代，帮助我们、帮助整个行业往前发展。
服务国家战略，服务汽车技术升级和服务消费者买车用车，不忘初心、牢记使命，继续为建设汽车强国发挥积极的作用。
谢谢大家！
（注：本文根据现场速记整理，未经演讲嘉宾审阅）
