自动驾驶技术无疑是当今世界数字化发展的重要领域之一，但与此同时，自动驾驶所需的海量测试与验证也面临着严峻的挑战。汽车设计与交通环境的复杂性意味着，在现实中，人们永远无法测试所有可能发生的事故场景。为了开发更安全、更智能的车辆，需要通过仿真来测试车辆的性能和安全性，这也正是Siemens和TASS，以及Mentor的组合可以解决的领域。
自动驾驶汽车测试面临的挑战
自动驾驶汽车在从1级迈向5级自动化的发展进程中，测试场景从几百个增加到了数百万个，如果在路上采集这些数据，比如按照特斯拉目前的收集速度，可能需要几十年的时间。更重要的是，这不仅是收集一次数据，还要将收集到的数据适应车辆开发的系统，并使用相同的数据重新测试，这在现实世界中是难以实现的，因为再也无法重新行驶数十亿公里，无法控制所有的环境参数（例如天气状况）进入相同的场景，所以必须将这些代入到虚拟世界中，由此易见，仿真技术在自动驾驶车辆测试与验证中是必不可缺的关键所在。仿真不仅仅是创建一个虚拟世界，还涉及到传感器建模和仿真，并确保在雷达、激光雷达、超声波、GPS等不同物理领域中都尽可能准确。
值得注意的是，在测试和验证任何系统时，不仅要收集常规的驾驶数据，还需要收集有关危险情况的数据，可以说，为了确保安全，真正需要找到的就是“corner cases”。所谓“corner cases”类似于，已知系统能在房间的大部分空间运行，但系统在空间边缘的运行更值得探究，即遇到问题的地方。人们会因为这些难以琢磨的“corner cases”而陷入麻烦，例如，阳光直接照入汽车的传感器或摄像头，恶劣天气，骑自行车者穿过昏暗的街道，都可能会导致致命的车祸。因此，进行海量测试的最佳解决方案就是将场景引入虚拟世界进行仿真，在模拟过程中更改场景，从而寻找极端情况。
如何寻找corner cases?
寻找corner cases类似于路径优化技术，只是随机种子可以来自于事故数据库。例如德国深入研究事故的GIDAS3D数据库，就将数千个事故映射到数据库中，将事故的时间和空间做了参数化描述，可以下载到虚拟环境中进行重演。由此，可以通过更改不同参数，比如改变本车或他车车速，更改天气条件或控制器使用的算法，将一个事故案例分解为数千个案例，这就是构建场景数据库的方式。
然后，利用诸如Monte Carlo之类的测试方法来搜索系统对特定参数响应的薄弱环节。如果有很多响应，那么此参数就值得进一步探索，反之，没有响应时，则无需进一步搜索，这一过程中由标准化的数学方法来寻找corner cases。
自动驾驶技术的光明前景
ARK投资管理公司的一项研究表明，如果自动驾驶汽车能减少驾驶员失误，那么机动车事故率将降低83%，从每行驶1亿英里的1.1例死亡降至0.2例。然而，实现这一目标并非易事，需要各方面共同努力，真正实现“从芯片到城市”。未来，政府将无法像今天这样通过要求进行碰撞测试来证明汽车的安全性，而是需要法规对用于验证未来汽车核心自动控制系统性能的仿真进行认证。这些法规不仅有助于确保安全，还将释放出未来汽车的全部潜力，以提供人们都期盼并享受的全新，令人兴奋的旅行体验。而汽车厂商本身则需要反思整个车辆开发流程，考虑性能应当如何在安全性，舒适性以及效率间求得平衡，改变自己，改变组织结构，改变软件开发方式，改变与车辆互联的方式。
为此，西门子提供了一系列范围广泛的功能支持，能够推动从如今的私家车出行向以“出行即服务”为常态的自动驾驶世界进行过渡。
