简介
未来的汽车将会带动众多技术的融合。电气化、传感器、连接性、云计算、大数据和 AI，它们在自动驾驶汽车、车辆与万物 （V2X） 通信以及信息娱乐电子设备的功能安全及其驾驶辅助功能方面都有着紧密的联系。
此外，这些车辆是终极的系统体系之体系。在最低层，我们拥有单独的传感器和集成电路。它们在车辆的各个子系统中交互，而这些子系统则构成了车辆本身。但整个体系并未止步于此：车辆不过是总体车载环境的一部分，该环境还包括其他车辆、行人、基础设施，甚至云。
图 1． 车辆是系统体系之系统体系。
这使得汽车系统的验证成为一项艰巨的任务。毫不夸张地说，需要检验的场景数量多达数百万个，而且每个场景都有不同的变型。例如，在一个场景中，可能有汽车正在接近人行横道上的行人。但这可能发生在一天中的不同时间，具有不同的天气、不同的行人服装和不同的种族类型。实际上，所有这些因素共同构成了一个凭借手动物理方法绝对无法完成的验证项目。
在 2016 年巴黎车展上，丰田首席执行官 Akio Toyoda 曾提醒人们，“汽车验证需要 142 亿英里的测试”。在 2014 年的一篇文章《自主驾驶》（Autonomous Driving） 中，Roland Berger 指出，“设计验证即便不是成本最高的部分，也是一个非常重要的部分”。麦肯锡报告《机器人何时上路》（When Will the Robots Hit the Road） 中则告诫人们，尽管硬件创新将会成果卓著，但软件仍会是一个关键的瓶颈”。任何人如果不能充分认识到汽车设计的艰难卓绝，危险随时可能一触即发。在这个行业里，只有做好充分准备，才不会让一些艰苦繁重的工作弄得措手不及。
汽车设计的复杂性本来已经足够高了，安全和保障问题则让它变得更加复杂，因为这是一个生命攸关的问题。随着 ISO 26262 等标准以及即将出台的旨在定义测试场景的 SOTIF（预期功能的安全性）标准的日趋成熟，各种认证层出不穷。在安全方面，供应商绝对不能敷衍塞责；他们必须证明安全性。
除了上述所有需求之外，尽快将具备成本竞争力的产品推向市场，是另一项常见的挑战。这一问题迫切需要能够改善此流程的可管理性的验证工具。要让一辆新车能够快速、高效地上路，必须综合运用现实场景建模、硬件加速仿真和机电验证。
三个汽车组件
要让自动驾驶汽车行之有效，其系统必须执行三项任务：
感知：车辆必须能够感知其周边环境。此外，为保证正确的操作，还必须感知许多内部条件。
计算：必须评估这些传感器的输出，以便做出决策。
执行：这些决策必须控制车辆的某个部分或其操作的某个方面。
任何综合验证过程都需要包含上述所有三个元素。由于没有时间使用试错法，通过物理样机研究来查找问题，因此上述要求构成了一项严峻的挑战。而且，我们肯定无法在真实的物理车辆中进行完备的安全和保障测试。要执行全面的验证作业，我们唯一的途径是对整个系统，包括环境和车辆进行虚拟化。
这意味着我们需要工具来执行以下任务：
验证真实的环境条件和响应这些条件的传感器输出。
考虑到传感器输入，验证执行决策计算的电路。
做出经过计算的决策，并将其应用于这些决策所控制的机械系统的虚拟化版本。
为驱动环境建模
Siemens Tass 部门的 PreScan 工具可执行第一项任务。它能广泛地对车辆基础设施（例如道路或路段、桥梁和十字路口等）、实体对象（例如树木、建筑物和交通标志等）、其他车辆和行人以及天气条件进行建模。它还拥有一个综合的已建模传感器库，其中包括摄像头、雷达、激光雷达、超声波传感器、红外传感器、V2X 通信和 GPS。
这些元素协同工作，以允许对现实道路条件进行建模，并针对一天中的时间、天气、车辆或行人服装的颜色、行人特征及其他多种可用来测试这些场景的方法提供模型变型。这些虚拟场景共同产生各种车辆传感器在对场景做出反应时所生成的信号。然后可使用这些信号来测试负责响应传感器的集成电路。
图 2． Siemens Tass 小组的 PreScan 工具能够对广泛的真实场景进行建模。