2026年6月，工业和信息化部正式发布《智能网联汽车组合驾驶辅助系统安全要求》，L2级组合驾驶辅助系统与L3级自动驾驶正式迎来强制性准入门槛。与此同时，GB/T 47025-2026《智能网联汽车自动驾驶功能仿真试验方法及要求》已正式实施，将仿真试验纳入自动驾驶功能验证体系，对仿真可信度评估提出了明确的规范性要求。

仿真结果“可信不可信”，

不再是一个技术讨论题，

而是关乎产品能否通过准入的必答题。

当仿真测试从"可选项"升级为"核心基础设施"，它的价值便取决于地基是否牢固。

本文将围绕IPG Automotive的CarMaker仿真可信度体系，从宏观方法论→具体落点→物理根基三个层次，系统梳理面向L2/L3准入的仿真可信度验证路径。

仿真可信度的宏观方法论

智能驾驶仿真测试的规模正在指数级增长。随着仿真技术从动力学验证一路演进到物理传感器仿真乃至生成式AI，随之而来的根本性问题是：仿真结果到底可不可信？

仿真认证的法规趋势

仿真支撑法规认证已成为明确的行业趋势。无论是欧盟还是中国，都在加速构建驾驶自动化系统的法规体系。从L2到L4，仿真测试在法规认证中的权重越来越高。

但请注意，仿真认证绝非"跑一遍仿真就能交差"。

以UNECE R171和中国国标为例，两者虽准许使用仿真支撑法规认证，但同时要求对仿真可信度进行系统化评估——从建模管理到工具验证，再到结果确认，每一个环节都必须有据可查、有迹可循。

工具基石

CarMaker通过ISO 26262 ASIL D认证

作为先进的仿真平台，CarMaker已通过ISO 26262功能安全认证，符合ASIL D等级要求，工具置信度达到TCL3级——这是安全关键MIL/SIL/HIL仿真的最高等级标准。

这意味着CarMaker本身已经是一个经过权威认证的合规工具，为仿真可信度评估提供了坚实的工具层面基础。

四维评估框架

在IPG Automotive的方法论中，仿真可信度是一套系统化的四维评估框架：

1. 建模与仿真管理：VIRTO负责数据追踪与文档管理；

2. 建模与仿真分析：适用范围评估；

3. 建模与仿真验证：CarMaker已获权威认证；

4. 建模与仿真确认：仿真可信度评估流程。

四个维度环环相扣，共同构成从"模型建得对不对"到"仿真结果能不能用"的完整论证链条。

全流程一致性

在CarMaker的可信度体系中，虚拟样车与数字孪生均需通过可靠的确认流程来保证模型与真实车辆行为的一致性。

依据ISO标准体系，CarMaker建立分层对标方法，覆盖从基础合理性校验到高动态工况的全场景验证。

更重要的是，CarMaker确保了开发全流程的持续性——从MIL 到 SIL 到 HIL，从测试台架到驾驶模拟器到实车验证，全程使用相同的软件、相同的测试场景、相同的评价矩阵。这种端到端的一致性，确保了仿真结果在整个开发流程中的完整性与可追溯性。

宏观方法论回答了“体系怎么建”的问题。接下来，我们聚焦一个具体的工程落点：传感器模型的可信度如何保障？

AI赋能摄像头置信度评估

在智能驾驶仿真测试中，有一个基础但却常常被忽略的问题：

你的虚拟摄像头"看到"的世界，和真实摄像头一样吗？

在CarMaker的可信度框架中，摄像头标定正是模型保真度维度中最基础也最关键的环节之一。如果虚拟摄像头的投影几何与真实摄像头之间存在偏差，感知算法在仿真中的一切表现都将失去参考价值。

传统标定的痛点

摄像头参数（安装位置、角度、视场角、畸变系数等）需与真实器件精细对齐。传统方式依赖工程师手动调参、肉眼对比，高阶智驾通常配备11个以上摄像头，完全标定耗时长达一周。

更关键的是，标定质量缺乏客观量化标准，“好不好”全凭主观判断，且过程无系统化参数记录，回溯困难。

基于CarMaker的自动化标定工具

针对这一痛点，我们基于CarMaker开发了Camera Calibration Tool，将传统人工标定转化为全自动、可量化、可部署的AI工程流程。

这套工具以真实摄像头拍摄的标定板照片为Ground Truth，通过视觉检测算法实时识别仿真画面中的标定板特征，再由AI智能优化引擎自动迭代摄像头参数，使仿真投影逐步逼近真实成像，最终以像素级误差量化标定质量。

在优化策略上，工具采用“Explore-Then-Refine”两阶段引擎：Explore阶段通过多起点并行探索在大范围参数空间中定位优势区域，Refine阶段进行精细收敛，优化引擎根据得分变化趋势自适应调整搜索步长。同时，历史参数池与写回保护机制确保每一次迭代质量不退化

自动化带来的双重价值

• 效率层面：

标定从“工程师全程值守”变为“机器自主运行”，可在夜间或非工作时段运行；支持多机并行部署，项目周期压缩空间显著。

• 质量层面：

每次标定输出综合得分（由多块标定板的RMSE、漏检率和最大误差加权计算），精度可量化至“角点偏差在2像素以内”。所有参数轨迹与验证结果自动归档，为合规审查提供可追溯依据。

传感器模型的置信度得到了保障，但仿真可信度还有另一个同等重要的支柱—— 车辆自身的运动是否真实？

CarMaker车辆动力学模型

在智能驾驶闭环仿真中，控制算法并不是直接作用于车辆，而是通过转向、驱动和制动执行器影响整车运动。如果车辆动力学模型过于理想化，即使控制算法输出完全一致，最终车辆轨迹也可能与真实车辆存在明显偏差。

因此，高保真的车辆动力学模型不仅决定车辆运动是否真实，更是整个智能驾驶虚拟验证体系可信度的重要基础。

多自由度整车动力学建模

CarMaker能够建立覆盖纵向、横向、垂向以及俯仰、侧倾和横摆等多自由度的整车动力学模型，真实描述车辆在各种驾驶工况下的运动响应。

模型能够准确计算车辆质心运动、轮胎受力变化以及车身姿态变化，使仿真结果更加接近实车表现，为路径跟踪、自动变道、避障等功能提供可靠的动力学基础。

车辆绕桩仿真

CarMaker的核心能力

• 降本增效：

相比传统依赖大量实车测试的开发模式，通过高保真的车辆动力学模型，可以在开发早期完成大量算法验证，提前发现控制策略问题，减少实车调试次数，显著降低研发成本；

• 可重复性与安全性：

虚拟仿真具有良好的可重复性，能够快速复现极端工况和危险场景，实现大规模自动化回归测试，提高验证效率。

• 全流程一致性

依托统一的车辆动力学模型，能够实现MIL、SIL、HIL及VIL等多层级开发流程之间的数据一致性，促进模型复用，缩短智能驾驶系统开发周期。

MIL、SIL、HIL及VIL等多层级开发流程

对于L2/L3智能驾驶而言，CarMaker不仅是一套车辆动力学仿真软件，更是连接控制算法、传感器模型、场景模型与实车测试的重要桥梁。

从实车数据到闭环验证

CarMaker的车辆仿真建模，遵循一条清晰的工程路径：

车辆仿真建模流程

在采集整车参数搭建动力学模型后，通过实车测试数据迭代优化模型精度，完成可信度校验后集成控制算法与待测部件，最终搭建虚拟闭环环境开展L2/L3 自动驾驶功能仿真验证。

虚拟仿真可大幅减少实车上路测试频次，缩短整车智驾开发周期，降低试验成本与安全风险。

车辆横纵向测试工况

模型结果展示

按照上述建模与验证流程，完成基础被动车辆模型搭建后，结合实车场地测试数据开展模型标定，并采用独立工况对模型进行验证。通过将相同测试工况在CarMaker中进行回放，对车辆关键动态响应进行对比分析，以评估车辆动力学模型对真实车辆行为的复现能力，如图所示。

实车测试与仿真数据对比

本文选取车速（Vehicle Speed）、横向加速度（Lateral Acceleration）和横摆角速度（Yaw Rate）三项典型指标进行对比验证。

从对比结果可以看出，仿真模型（虚线）能够较好地跟随实车（实线）测试曲线，在响应趋势、峰值特性及动态变化过程等方面保持较高一致性，说明建立的车辆动力学模型能够有效复现真实车辆的动态特性。

仿真可信，方能准入

CarMaker已通过ISO 26262认证，VIRTO可信度管理平台与完整的ISO标准对标体系共同构成了仿真可信度评估的方法论与工具链。AI自动化标定工具的引入，则进一步将传感器模型的标定精度从主观经验升级为客观量化指标。

从感知到运动，从方法论到工程落地，CarMaker让仿真验证的置信度实现了端到端的工程化保障。

当智能驾驶从L2辅助驾驶迈向L3有条件自动驾驶，汽车研发模式正经历从“以实车测试为主”向“虚拟仿真+实车验证”融合发展的转变。面对指数级增长的测试需求与日益临近的法规节点，高可信仿真体系，已成为智能驾驶开发的核心竞争力，更是通往准入大门的必经之路。

想要深入了解？

如果您对CarMaker仿真可信度体系感兴趣，希望获得更详细的技术讲解与演示，欢迎扫码填写问卷。

我们将根据反馈安排一场专属Workshop，与您深度分享。

扫描识别二维码报名