“埃森哲的前CEO皮埃尔（Pierre Nanterme）先生讲过，如果持续地推进数字化转型，就能够把产品的设计复杂性这一挑战，转变成我们企业和产品的竞争优势。在当今的数字时代，我们的工业界，包括汽车业界，每家企业都面临着巨大的数字化转型压力，包括数字化研发、数字化制造、数字化管理，还有数字化服务，我相信这是每个管理者必须面临的转型课题。
西门子在近十年来，已累计投入超过百亿美元，坚持数字化转型，向业界包括汽车界，尤其是汽车自动驾驶行业，提供全方位的数字化解决方案，确保商业伙伴在数字化浪潮中笑到后、赢到后。
近十年来，西门子累计投资超百亿美元，通过持续的产品研发以及对全球各领域头部企业的收购，形成了从自动驾驶芯片和原型控制器设计、自动驾驶系统开发、车辆性能设计、电子电器架构设计和软件工程、测试与验证方案、城市智慧交通层面的设备和设计技术，提供了为完整和的自动驾驶开发测试验证的数字化解决方案。
黄汉知先生是西门子数字化工业软件自动驾驶产品线大中华区的总监，他在ADAS和自动驾驶系统的数字化仿真开发和测试、碰撞安全性能的仿真开发和测试等领域具有丰富的工程和市场经验。
黄汉知有近20年从业经验，曾在Delphi、Continental从事汽车驾驶辅助系统和主动安全系统的产品开发和应用；随后带领TASS International中国分公司从事驾驶辅助、自动驾驶系统、汽车碰撞安全性能的仿真开发和测试业务；随着TASS International并入西门子数字化工业软件，他继续向业界合作伙伴提供的技术和方案。他还拥有多项智能驾驶相关专利。
佐思汽研对黄汉知先生进行了专访。
被西门子收购后，主要实现了和哪些西门子仿真工具的打通？PreScan主要增强了哪些功能？
黄汉知：我先简单介绍一下PreScan的历史。PreScan是自动驾驶系统仿真的工具，早是由荷兰公司TASS International开发和商业化。在中国，PreScan商业化早从2011年开始，距今已经有10年的历史。2017年TASS International被西门子收购。
PreScan作为全球为成熟、商业化早、技术为的自动驾驶数字孪生工具，PreScan和西门子仿真工具的打通有以下几个方面：
，2017年西门子也实现了对Mentor的收购，Mentor既是EDA领域的全球巨头，也是软件生命周期管理ALM的数字化工具的者，是我们企业在面临软件定义汽车浪潮时，一个重要的数字化工具。
PreScan跟ALM软件生命周期管理工具的打通，直接把系统功能需求和软件需求，通过需求管理工具导出测试的用例，在PreScan仿真测试环境当中进行执行，PreScan测试优化改进的结果，也可以直接对应到软件的版本管理。
第二，车辆动力学的工具，西门子有AMESim系统仿真工具，也是全球为精细的底盘动力学工具，和PreScan实现了打通。
第三，自动驾驶需要海量的测试工况，西门子也有基于AI的场景创建、搜索、优化工具HEEDS，也和PreScan实现了打通。
第四，西门子有自动驾驶道路数据采集方案—SCAPTOR，可以进行道路数据采集，关键场景提取，模型化，然后导入到PreScan中，实现测试场景库的丰富。
第五，西门子的企业级平台和数据管理工具Teamcenter，在业界是数一数二的企业级数据管理工具，不管刚才说的海量测试用例，还是需求管理，还是软件版本优化，都可以和西门子Teamcenter数据管理平台实现打通。
第六，我们还提供咨询和配套服务。西门子有自动驾驶的封闭测试场，符合标准认证的试验场。服务车企方面，我们协助自动驾驶数字化研发流程的建立。
PreScan增强了哪些功能？这里主要涉及五点：
① 显著改善了场景视觉效果渲染；
② 提升了软件运行实时性，和全球主要实时硬件平台的兼容性；
③ 环境感知、传感器的物理模型，一直是PreScan在自动驾驶领域的优势；
④ 自动驾驶海量场景的自动创建、搜索和筛选；
⑤ PreScan的云部署，支持云计算。
合并到西门子工具链，对于争取客户订单带来哪些帮助？
黄汉知：自动驾驶系统和传统汽车电子系统大的不同，就是它的产品生命周期不是随着汽车SOP就结束。随着OTA技术普及，自动驾驶系统即使交付终端用户后，也会持续优化-迭代-升级-更新-下发。如果企业在内部保留了一个数字孪生的自动驾驶系统，就可以实现全生命周期的优化迭代。
自动驾驶系统的研发不是某一个研发部门所能完成的，也不是一个单独的研发体系。就像刚才讲到的，西门子PreScan虽然是自动驾驶的系统开发工具，但是跟功能需求的管理，软件版本的管理，包括海量测试场景的自动创建、搜索，跟自动驾驶道路数据模型化的打通，以及与企业数据管理平台等一起，构成一个全面解决方案。这样，客户就无需选择不同供应商的数字化工具，节省了开发成本又提升了效率。
我相信一体化解决方案，对于企业客户是极具吸引力的。
Q3西门子实现了自动驾驶全生命周期闭环的系统开发支持，会不会降低了PreScan的开放性？如果保持了开放性，那么这两年在开放性方面取得了哪些进展？
黄汉知：PreScan的开放性，这几年取得了巨大的进展。
首先，PreScan从商业化开始就是一个具有极大开放性的软件平台，特别是对PreScan数字仿真工具的合作伙伴和用户，用PreScan来测试他们的自动驾驶算法，对算法平台的兼容性一直是非常的开放易用。
其次，我们也注意到近几年来，科技公司互联网公司纷纷进入自动驾驶领域，为了适应这部分客户的需要，PreScan已经从以前的基于图形化、界面操作的仿真工具，进化成了基于API接口、代码化操作的功能。
而且，Prescan对包括OpenX格式在内的场景数据的格式兼容性，也非常好。
PreScan同时在多种云平台的兼容性上也十分出色。我们可以公开的商业合作案例，比如：跟微软的Azure、亚马逊AWS的兼容，以及国内一些云服务商、云平台的兼容，跟国内工程公司的私有云平台的兼容。在RT（Real time）实时性领域，也争取与主流实时计算平台的兼容，得到了持续优化和增强。
Q4西门子的自动驾驶道路数据采集系统，主要客户是谁？这些采集的真实场景，能够很方便的转化为仿真场景库吗？
黄汉知：西门子的自动驾驶道路数据采集系统—SCAPTOR，是2021财年正式发布的一款新产品， 其技术来源主要是在德国，初主要的客户是德国从事ADAS和自动驾驶的OEM整车厂和零部件供应商。目前这个系统在国内进行推广，也取得了很大的进展。SCAPTOR采集的真实场景可以很方便的转化为仿真场景模型，主要有以下几个技术点。
，进行道路数据采集的时候，通过人工或自动方式，给采集的这一段场景数据打上标记，标记其危险程度等。
第二，采集回来的真实场景，计划把它做真值的提取。一方面通过西门子内部开放的技术能力做真值的标注和提取，同时也跟外部做真值标注提取的服务公司合作。
第三，有了这些真值数据的标记标注，也会去筛选关键的、危险的Corner case，从而后把这些关键场景模型化，转化为PreScan仿真工具所能够兼容的仿真场景库。
和西门子的数字孪生技术有了很好的融合。客户对数字孪生的应用需求如何？数字孪生在汽车的发展趋势和技术挑战是什么？
黄汉知：目前我们的自动驾驶数字开发工具，在国内的客户群体可以划分为这么几类。一类是少数的头部OEM，他们顺应自主研发还有软件定义汽车这些潮流，建立了自己的自动驾驶系统，包括算法，软件，甚至是计算平台的设计能力。这些公司对仿真工具的应用是比较有特色的，对数字孪生应用的需求涵盖面广。比方说：
，对不同场景下传感器环境感知聚类算法的研发。
第二，从原始数据级别开始做感知的融合。
第三，在实现公司自定义的ODD（设计运营区域）时，需要的环境感知传感器配置的评估，或者能力、组合、数量、可用性的分析。
第四，对控制规划决策算法的训练和测试优化。
第五，结合汽车底盘动力学的物理学极限，去设计自动驾驶规划和控制算法，这是应用全面的一类客户。
第二类客户对数字孪生的应用就有一些局限性，也是比较多的OEM客户所面临的情况。他们也意识到数字孪生技术所需要的应用，但是自己的技术积累可能还需要一步一步的推进。目前很多的OEM会用数字孪生的工具做硬件在环测试，我们大多数硬件在环测试，有的只是侧重功能验证上，有的只是侧重在状态机逻辑的确认上。第二类客户应用的范围就会稍窄一点。
第三类客户是传感器企业。近几年来，国内涌现出众多出色的视觉、毫米波雷达和激光雷达科技公司。这些公司就会用到我们非常精细的PreScan的环境感知传感器的模型，用于做他们传感器本体设计的优化，目标聚类算法的训练测试和优化等等。
第四类客户是一些科技公司。他们也意识到未来是要走全云化的自动驾驶数字孪生方案，所以不管是海量的场景库，还是系统的仿真数字孪生平台，以及终测试性能指标的评价，都要走向全云化。
Q6数字孪生应用的案例
佐思：数字孪生还是比较抽象的。我们看一些自动驾驶公司的一些应用展示中，往往会有多个窗口，其中有一个窗口是车辆摄像头看到的真实场景，旁边还会有多个小窗口，其中有一个窗口用于虚拟化展示感知到的行人、车辆。这是您讲的数字孪生技术应用吗？
黄汉知：我也在想象你描述的画面。按照你说的场景，个窗口是车载摄像头采集的原始图像，第二个窗口就是它的环境感知算法对周围交通参与者的识别和特征提取的窗口，我觉得这是一个非常形象的展示。
但是我们要知道，数字孪生技术不单是一个可视化的形象展示。我们自动驾驶的数字孪生包含多个方面的数字孪生，不单是交通的场景，还有环境感知的特性，包括算法的结果，以及底盘动力学的特性。这四个部分都要有一个完整的数字孪生模型。
你提到的这个，我猜测可能是环境感知方面的。数字孪生也要体现环境感知传感器的一些特性和感知结果的性能，它不单是图像化展示直观的表象，表象下面还有更多的细节。
佐思：还有一种应用场景是测试场。比如测试道路上有辆测试车，但参与测试的车辆数量比较少，而真实的交通场景会有很多辆车。在测试场里（由于成本等原因）不能同时运行很多车，所以这时需要虚拟生成很多车辆。通过虚拟和真实的结合，形成一个更加完整的交通系统。这是不是也算一种数字孪生应用？
黄汉知：你这个描述非常好，在我们过去的一些商业实践和商业项目中，也意识到这个需求。但还是那句话，展示会给我们一个表象的印象，背后有很多的应用模型。
举个例子，近我们在V2X领域，特别是在基于V2X的智能驾驶领域，不管是要做车载通讯模块，终端的压力测试，互通互联的测试，协议栈的测试，还是要做上层的基于V2X智能驾驶的应用算法的测试，都面临一个问题，需要有比较好的5G基础设施的实验场，还需要其他交通参与者构成的目标车，这势必对物理测试的成本提出一个非常大的挑战。
但是我们可以通过数字孪生的方式大幅降低物理测试成本，提高测试效率。使用的方法就是：被测的主车以及主车的车载模块，是物理的硬件；其他的交通参与者目标对手车，不管是想设置少数几辆还是多达几十辆，甚至上百辆，都可以用数字孪生的方式，把这些车的数字模型建立到数字孪生的环境下，包括车载V2X通讯模块的性能，也可以通过PreScan数字孪生的方式建立它的模型，或者通过射频模拟等技术，来做一个虚实结合的测试，通过这些技术手段，就可以提高测试的效率，降低测试的成本。
第二，通过虚实结合的方式还可以仿真一些危险场景，在一些路上只能是偶然遇到，但是实验场很难出现的场景。
第三，有了一些基础的场景，但是要进行高覆盖度的发散式的测试的时候，也可以用数字孪生的方式。在主车的周围，构建我们想要的任何交通参与者的行为和分布，来提高测试的覆盖度。
Q7跟同类型的仿真软件公司相比，西门子的优势在哪里？
黄汉知：我就谈谈我的理解。我也注意到，近市场上有很多公司，进入到自动驾驶数字仿真领域中来。相比于这些“后起之秀”，西门子的PreScan从品牌到技术都相对成熟，也比较系统化，全链路打通的自动驾驶的数字孪生平台，在智能网联汽车时代可以充分满足客户对虚拟仿真、物理测试和验证手段的需求，目前已经得到了广泛的认可和应用。
Q8请问与中国本地场景库的建立和合作方面，西门子有哪些布局？
黄汉知：不管是在全球还是在国内，都有一些非常出色的项目，正在研究场景库的定义逻辑、数据标准。举个例子，比如ASAM组织（西门子和西门子数字化工业软件也是其中技术委员会的成员）主导了一些国际通用的Open系列场景库文件数据格式的定义。
我们正在跟国际的、本土的场景库数据公司做深入和全面的合作。不管是在技术打通层面，还是在商业客户项目层面，都有非常多的成功范例。
Q9针对中国的交通环境，西门子做了哪些本地化的开发？
黄汉知：我举两个小的例子。
个，在西门子的交通场景模型库里边，体现了非常多中国特色的一些交通参与者，比如说在PreScan正式版本的发布中，有上汽通用五菱非常受欢迎的车型数字模型，也有南京金龙开沃无人驾驶接驳车模型，以及中国特有的土方车、泥头车等模型。
第二个，我们场景中除了有以上元素外，还要构建不同的行为。中国本地的交通参与者，在道路上驾驶行为模式的分布方面，西门子做了非常多的本地化的研发。
Q10传感器仿真方面，PreScan近期有哪些进展？下一步准备支持哪些功能？对于4D毫米波雷达，对于各种路线激光雷达，是否都有支持？
黄汉知：PreScan在环境感知传感器这块，一直处于的技术地位。不管是车载的摄像头，还是毫米波雷达，超声波，激光雷达，V2X领域，都建立了非常深入的物理学感知特性的模型。
对4D毫米波雷达和各种激光雷达都有支持。关于毫米波雷达，不管是在目标级仿真、目标感知精度、分辨率，以及能量级仿真、原始信号级仿真上，都有非常完备的特性模型。
在激光雷达模型上，决定激光雷达感知性能的红外波段，波束能量和波束大小、扫描模式、波束在不同媒介中的传播衰减，还是在不同材质、形状、颜色、目标的表面特性下的反射率，以及激光雷达的信号接收效率等等特性都有支持。对各种技术路径的激光雷达都是支持的。
Q11请您展望一下智能网联汽车仿真领域的未来发展趋势。
黄汉知：在自动驾驶仿真领域，我觉得我们是当之无愧的领头羊。
西门子在数字化研发、数字化制造、数字化管理、数字化服务等多个领域，发展都非常的快。在汽车领域，不管是自动驾驶数字仿真、软件定义汽车、软件生命周期管理，也都发展迅速。
关于发展趋势方面，首先智能网联汽车的仿真，不单是智能网联研发部门需要仿真开发工具，同时要跟企业的数字化研发平台和企业的数据管理平台、企业的软件生命周期管理平台打通，这样才能大化发挥智能网联汽车仿真的数字化优势，这是个发展趋势。
第二个发展趋势，汽车自动驾驶行业期待的是一个成熟、稳定、功能完善、平台开放，支持云计算平台的数字化仿真应用环境，所有的这些都是我们的发展方向。
关于Prescan软件工具本身，我们有几个发展趋势，是更加物理化，更加的数字孪生的模型；第二是更加灵活、更加高效率的云计算平台；第三会在满足功能安全和SOTIF需求的海量场景的创建、搜索以及关键场景的提取上重点开发；终，构建企业开发平台级别的数字化研发工具链，提高企业研发效率，降低研发成本，实现优的自动驾驶系统性能，赋能自动驾驶企业直面数字化挑战，成为数字化浪潮下的成功企业。