标签: 汽车

01 引言 随着自动驾驶技术的飞速发展， 仿真测试 已成为替代成本高昂且充满风险的道路测试的关键环节。它能够在虚拟环境中 模拟各种复杂的交通场景和极端天气 ，极大地加速了自动驾驶系统的开发与验证进程。然而，一个常被忽视的问题正悄然 侵蚀着仿真测试的可信度——非确定性 ，即仿真测试过程中 因核心引擎或其他因素导致的随机性 。 图1 aiSim多传感器融合示例 目前，许多市面上的仿真软件，尤其是 基于游戏引擎开发 的平台，其核心设计目标之一是高效地为玩家提供充满惊喜和变化的娱乐体验。这种 内在的随机性 ，在游戏世界里是优点，但在 严谨的汽车测试领域 ，却是一个 致命的缺陷 。 想象一下在仿真测试过程中，工程师 精心设置了所有参数 ——车辆速度、行人轨迹、天气状况、传感器配置——期望能稳定复现一个特定的危险场景。然而， 每次点击“开始”，结果却不尽相同 ：第一次，车辆完美避让；第二次，发生了轻微碰撞；第三次，又安然无恙。这或许并非是算法时好时坏，而是仿真环境本身在“摇摆不定”。 02 随机性的前因与后果 Greg等人研究指出，基于游戏引擎的仿真环境，其 随机性并非偶然 ，而是源于其 底层架构 的诸多方面： （1）资源负载与调度： 系统CPU/GPU的负载波动，会直接影响物理引擎的计算时机和顺序，导致即使输入完全相同，输出的轨迹也会产生高达数十厘米的偏差。 （2）物理引擎的“模糊”处理： 为了实时渲染流畅的画面，游戏引擎在处理物体碰撞等复杂物理交互时，往往采用近似计算。这种不精确性在一次碰撞后会被急剧放大，甚至影响到场景中其他未参与碰撞的物体，造成全局性的结果污染。 （3）多线程与并行计算： 为了效率，引擎会将任务分配给多个线程并行处理，但线程完成的顺序并非每次都固定，这种执行顺序的微小变化，会像蝴蝶效应一样，最终导致仿真结果的巨大差异。 这种随机性带来的问题是灾难性的： （1）问题无法追溯： 当测试中出现问题，工程师无法稳定复现它，也就无从定位和修复缺陷，极大地增加了调试成本和时间。 （2）结果失去可信度： 如果仿真结果不稳定，如何相信它所提供的安全验证报告？这会给自动驾驶系统的安全性带来“伪证”，造成虚假的安全感。 （3）测试覆盖率失效： 随机性使得精确控制测试用例、确保覆盖所有关键场景变得不可能。 归根结底，对于自动驾驶这种安全至上的系统，测试必须是科学、严谨且可重复的。因此， 一个具备高度确定性、一致性的仿真平台，是所有有效测试的绝对前提 。 03 确定性的验证——以aiSim为例 为了 验证一个仿真平台的确定性 ，最直接的方式便是确保各项参数不变的情况下进行 重复仿真 ，对输出的仿真数据进行 最直接的比较 ，判断是否存在差异。 例如，世界上 首个获得ISO 26262 ASIL-D认证的AD/ADAS仿真测试软件aiSim ，它构建了独特的仿真内核，摒弃了游戏引擎中那些为“体验”而牺牲“精确”的设计。 为了验证aiSim的确定性，我们进行了一系列重复性实验。 1、传感器选型与配置 图2 aiSim传感器配置GUI 通过 在GUI中拖放仿真传感器 ，我们在仿真车辆中添加了1个带有目标检测功能的1920×1080的 前置针孔Camera 、1个带有目标检测功能的 前置Radar 、1个带有目标检测功能的128线 顶置LiDAR 、1个内置 IMU 、1个内置 GPS 以及1个可以反馈自车状态的 Vehicle sensor 。 图3 仿真传感器数据示例 2、场景与方法 图4 仿真场景示例 aiSim本身包含了数十种城市、郊区的室内、室外场景 。本文以真实世界常见的“ 行泊一体 ”为例，在一个包含14辆他车的室外停车场环境（Parking_US-CA_SanJoseAlamitos）中，对主车执行了“ 跟车 - 切入变道 - 寻找车位 - 泊车 ”的全套连贯动作。 我们在完全 固定的软硬件环境 下，针对 三种典型天气 进行了 5轮完全独立的重复测试 ，每一轮测试都记录了 长达1000帧 的数据，以确保完整与统一。我们将每一轮测试的数据与首次测试的基准数据进行精确比对： 晴天 (Sunny)： 在Sunny.json配置下，模拟了日光充足的理想泊车环境。 雨天 (Rainy)： 切换至Rainy.json配置，引入了雨水对传感器性能的干扰。 复杂雪天 (Snowy Broken Road)： 在Snowy.json的预设配置基础之上，加入了道路老化、标线磨损、路面破损、坑洼等极端退化元素，将测试环境推向了极限。 测试过程中，我们记录了 全部传感器和车辆状态数据 ，包括： 视觉数据 (Camera)： RGBA原始图像、语义分割图、目标检测图及JSON格式的2D/3D标注框。 雷达数据 (Radar LiDAR)： 毫米波雷达和激光雷达的点云（LAS v1.4）、目标列表及3D标注框。 车辆自身状态 (GPS, IMU, Vehicle)： 高精度的定位、姿态、加速度及车辆动力学信息。 图5 仿真相机输出图像类型 我们采用 均方根误差（RMSE） 来量化图像、点云等原始数据的细微差异，并对JSON格式的结构化数据采用 根据样本数值差异个数 进行判定的统计确定性检验。 3、验证结果 Camera Sensor的RGBA原始图像、分割图像、目标检测图像均以 tga格式 输出，2D Bounding Box、3D Bounding Box均已 json格式 输出。通过比较 同一环境、场景下相同帧之间的误差或差异项，验证Camera的确定性 。 对于 tga格式文件 ，计算所有1000帧图像所有通道的像素均方根误差（MSE，Mean Squared Error）。在 3类天气5次测试 过程中，RGBA原始图像、分割图像、目标检测图像的所有通道的像素 均方根误差均为0 ； 图6 基于python脚本可视化的彩色图像、分割图像、目标检测图像均方根误差结果 对于 json格式文件 ，比较2D与3D Bounding Box的所有Group的key与value，记录差异项个数（Number of Differences）。在 3类天气5次测试过程 中，Bounding Box信息（包括位置、姿态、个数、类型、id、相对速度、持续时间、像素遮挡率等） 不存在差异项 。 图7 基于python脚本可视化的2D3D BoundingBox差异项个数结果 Radar Sensor输出json格式 的检测目标相关信息，包括距离、旋转、相对速度、id、类型等，因此与相机的Bounding Box一样，记录差异项个数（Number of Differences），结果也是一样， 不存在差异项。 图8 基于python脚本可视化的Radar检测差异项个数结果 LiDAR Sensor 生成的输出包括两种格式的数据： LAS格式的3D激光点云 和 JSON格式的目标检测数据 。激光点云数据包含每个点的坐标、强度、返回次数、唯一标识符（ID）等，我们 比较内部的所有属性 ，记录差异项个数（Number of Differences）； 对于以 JSON格式 输出的目标检测数据，与Camera类似，我们将比较所有Group的键（key）与值（value），并记录差异项个数（Number of Differences）。最终结果与前面相同，在 3类天气5次测试之间均不存在差异项 。 需要指出的是 ，由于las文件和检测到的目标内部包含的GPS时间属性在aiSim中取自系统时间（UTC时间）， 该项不纳入差异比较范围 。 图9 基于python脚本可视化的LiDAR检测差异项个数结果 GPS Sensor、IMU Sensor以及用于观测仿真自车状态的Vehicle Sensor输出的均为JSON格式的信息，同样比较所有Group的键（key）与值（value），并记录差异项个数（Number of Differences）。 对于3类天气5次测试的GPS、IMU、Vehicle数据信息，3类天气5次测试之间均不存在差异项。 图10 基于python脚本可视化的GPS、IMU、Vehicle Sensor结果 04 总结 在本文设计的 传感器配置与场景 中，aiSim的各项传感器数据在固定的参数配置下， 仿真过程与仿真结果不存在任何差异 （除UTC时间）。除了本文提到的传感器与场景，在其他不同环境、传感器配置下的验证中，aiSim也均表现出了卓越的确定性。 在aiSim的仿真世界里，没有偶然和随机，只有精确和必然。每一次的测试结果都真实反映了被测算法的真实能力，每一次的问题暴露都能被稳定复现和修正。

01 引言 随着自动驾驶技术的飞速发展， 仿真测试 已成为替代成本高昂且充满风险的道路测试的关键环节。它能够在虚拟环境中 模拟各种复杂的交通场景和极端天气 ，极大地加速了自动驾驶系统的开发与验证进程。然而，一个常被忽视的问题正悄然 侵蚀着仿真测试的可信度——非确定性 ，即仿真测试过程中 因核心引擎或其他因素导致的随机性 。 图1 aiSim多传感器融合示例 目前，许多市面上的仿真软件，尤其是 基于游戏引擎开发 的平台，其核心设计目标之一是高效地为玩家提供充满惊喜和变化的娱乐体验。这种 内在的随机性 ，在游戏世界里是优点，但在 严谨的汽车测试领域 ，却是一个 致命的缺陷 。 想象一下在仿真测试过程中，工程师 精心设置了所有参数 ——车辆速度、行人轨迹、天气状况、传感器配置——期望能稳定复现一个特定的危险场景。然而， 每次点击“开始”，结果却不尽相同 ：第一次，车辆完美避让；第二次，发生了轻微碰撞；第三次，又安然无恙。这或许并非是算法时好时坏，而是仿真环境本身在“摇摆不定”。 02 随机性的前因与后果 Greg等人研究指出，基于游戏引擎的仿真环境，其 随机性并非偶然 ，而是源于其 底层架构 的诸多方面： （1）资源负载与调度： 系统CPU/GPU的负载波动，会直接影响物理引擎的计算时机和顺序，导致即使输入完全相同，输出的轨迹也会产生高达数十厘米的偏差。 （2）物理引擎的“模糊”处理： 为了实时渲染流畅的画面，游戏引擎在处理物体碰撞等复杂物理交互时，往往采用近似计算。这种不精确性在一次碰撞后会被急剧放大，甚至影响到场景中其他未参与碰撞的物体，造成全局性的结果污染。 （3）多线程与并行计算： 为了效率，引擎会将任务分配给多个线程并行处理，但线程完成的顺序并非每次都固定，这种执行顺序的微小变化，会像蝴蝶效应一样，最终导致仿真结果的巨大差异。 这种随机性带来的问题是灾难性的： （1）问题无法追溯： 当测试中出现问题，工程师无法稳定复现它，也就无从定位和修复缺陷，极大地增加了调试成本和时间。 （2）结果失去可信度： 如果仿真结果不稳定，如何相信它所提供的安全验证报告？这会给自动驾驶系统的安全性带来“伪证”，造成虚假的安全感。 （3）测试覆盖率失效： 随机性使得精确控制测试用例、确保覆盖所有关键场景变得不可能。 归根结底，对于自动驾驶这种安全至上的系统，测试必须是科学、严谨且可重复的。因此， 一个具备高度确定性、一致性的仿真平台，是所有有效测试的绝对前提 。 03 确定性的验证——以aiSim为例 为了 验证一个仿真平台的确定性 ，最直接的方式便是确保各项参数不变的情况下进行 重复仿真 ，对输出的仿真数据进行 最直接的比较 ，判断是否存在差异。 例如，世界上 首个获得ISO 26262 ASIL-D认证的AD/ADAS仿真测试软件aiSim ，它构建了独特的仿真内核，摒弃了游戏引擎中那些为“体验”而牺牲“精确”的设计。 为了验证aiSim的确定性，我们进行了一系列重复性实验。 1、传感器选型与配置 图2 aiSim传感器配置GUI 通过 在GUI中拖放仿真传感器 ，我们在仿真车辆中添加了1个带有目标检测功能的1920×1080的 前置针孔Camera 、1个带有目标检测功能的 前置Radar 、1个带有目标检测功能的128线 顶置LiDAR 、1个内置 IMU 、1个内置 GPS 以及1个可以反馈自车状态的 Vehicle sensor 。 图3 仿真传感器数据示例 2、场景与方法 图4 仿真场景示例 aiSim本身包含了数十种城市、郊区的室内、室外场景 。本文以真实世界常见的“ 行泊一体 ”为例，在一个包含14辆他车的室外停车场环境（Parking_US-CA_SanJoseAlamitos）中，对主车执行了“ 跟车 - 切入变道 - 寻找车位 - 泊车 ”的全套连贯动作。 我们在完全 固定的软硬件环境 下，针对 三种典型天气 进行了 5轮完全独立的重复测试 ，每一轮测试都记录了 长达1000帧 的数据，以确保完整与统一。我们将每一轮测试的数据与首次测试的基准数据进行精确比对： 晴天 (Sunny)： 在Sunny.json配置下，模拟了日光充足的理想泊车环境。 雨天 (Rainy)： 切换至Rainy.json配置，引入了雨水对传感器性能的干扰。 复杂雪天 (Snowy Broken Road)： 在Snowy.json的预设配置基础之上，加入了道路老化、标线磨损、路面破损、坑洼等极端退化元素，将测试环境推向了极限。 测试过程中，我们记录了 全部传感器和车辆状态数据 ，包括： 视觉数据 (Camera)： RGBA原始图像、语义分割图、目标检测图及JSON格式的2D/3D标注框。 雷达数据 (Radar LiDAR)： 毫米波雷达和激光雷达的点云（LAS v1.4）、目标列表及3D标注框。 车辆自身状态 (GPS, IMU, Vehicle)： 高精度的定位、姿态、加速度及车辆动力学信息。 图5 仿真相机输出图像类型 我们采用 均方根误差（RMSE） 来量化图像、点云等原始数据的细微差异，并对JSON格式的结构化数据采用 根据样本数值差异个数 进行判定的统计确定性检验。 3、验证结果 Camera Sensor的RGBA原始图像、分割图像、目标检测图像均以 tga格式 输出，2D Bounding Box、3D Bounding Box均已 json格式 输出。通过比较 同一环境、场景下相同帧之间的误差或差异项，验证Camera的确定性 。 对于 tga格式文件 ，计算所有1000帧图像所有通道的像素均方根误差（MSE，Mean Squared Error）。在 3类天气5次测试 过程中，RGBA原始图像、分割图像、目标检测图像的所有通道的像素 均方根误差均为0 ； 图6 基于python脚本可视化的彩色图像、分割图像、目标检测图像均方根误差结果 对于 json格式文件 ，比较2D与3D Bounding Box的所有Group的key与value，记录差异项个数（Number of Differences）。在 3类天气5次测试过程 中，Bounding Box信息（包括位置、姿态、个数、类型、id、相对速度、持续时间、像素遮挡率等） 不存在差异项 。 图7 基于python脚本可视化的2D3D BoundingBox差异项个数结果 Radar Sensor输出json格式 的检测目标相关信息，包括距离、旋转、相对速度、id、类型等，因此与相机的Bounding Box一样，记录差异项个数（Number of Differences），结果也是一样， 不存在差异项。 图8 基于python脚本可视化的Radar检测差异项个数结果 LiDAR Sensor 生成的输出包括两种格式的数据： LAS格式的3D激光点云 和 JSON格式的目标检测数据 。激光点云数据包含每个点的坐标、强度、返回次数、唯一标识符（ID）等，我们 比较内部的所有属性 ，记录差异项个数（Number of Differences）； 对于以 JSON格式 输出的目标检测数据，与Camera类似，我们将比较所有Group的键（key）与值（value），并记录差异项个数（Number of Differences）。最终结果与前面相同，在 3类天气5次测试之间均不存在差异项 。 需要指出的是 ，由于las文件和检测到的目标内部包含的GPS时间属性在aiSim中取自系统时间（UTC时间）， 该项不纳入差异比较范围 。 图9 基于python脚本可视化的LiDAR检测差异项个数结果 GPS Sensor、IMU Sensor以及用于观测仿真自车状态的Vehicle Sensor输出的均为JSON格式的信息，同样比较所有Group的键（key）与值（value），并记录差异项个数（Number of Differences）。 对于3类天气5次测试的GPS、IMU、Vehicle数据信息，3类天气5次测试之间均不存在差异项。 图10 基于python脚本可视化的GPS、IMU、Vehicle Sensor结果 04 总结 在本文设计的 传感器配置与场景 中，aiSim的各项传感器数据在固定的参数配置下， 仿真过程与仿真结果不存在任何差异 （除UTC时间）。除了本文提到的传感器与场景，在其他不同环境、传感器配置下的验证中，aiSim也均表现出了卓越的确定性。 在aiSim的仿真世界里，没有偶然和随机，只有精确和必然。每一次的测试结果都真实反映了被测算法的真实能力，每一次的问题暴露都能被稳定复现和修正。 参考文献 1. On Determinism of Game Engines Used for Simulation-Based Autonomous Vehicle Verification

中国汽车市场以年均 超 3000 万辆 的销量规模（占全球 1/3以上），正推动安全标准从 被动防护向主动预防 转型。2024 年 7 月实施的 C-NCAP （ China New Car Assessment Program）修订版首次将 驾驶员监控系统（DMS） 、 道路特征识别（RFR） 纳入评分体系，其中 DMS 占主动安全分值 40% （总分 2 分），检测准确率需 ≥90% 。 这一变革不仅响应 工信部 GB/T 41796-2022 等三项国家标准要求，更标志着中国从汽车安全规则 跟随者向制定者 的角色转变。 一、标准解读：C-NCAP 2024 1、什么是 C-NCAP？ C-NCAP（中国新车评价规程） 于 2006 年启动，以 Euro NCAP为蓝本，是中国官方的车辆安全评级系统。该项目由中国汽车技术研究中心（CATARC）管理，目前同时 评估被动安全和主动安全性能 。 关键里程碑： （1）2006 年：C-NCAP 成立，专注于乘员碰撞耐撞性评估。 （2）2018-2021 年：引入被动安全增强测试（侧柱碰撞和鞭打测试）。 （3）2024 年修订版：重大更新包括纳入主动安全，新增自动紧急制动（AEB）、驾驶员监控系统（DMS）、道路特征识别（RFR）和弱势道路使用者（VRU）保护等测试。 2、中国汽车安全框架要求 驾驶员状态监控（DFM）： 测量驾驶员的身体 - 认知状态（如眼睑开合度、头部姿势），并在达到特定阈值后发出疲劳警告。 驾驶员注意力监控（DAM）： 检测视线方向和分心行为，若眼睛离开道路超过 3-5 秒，将逐级发出警报。 数据隐私与安全： 收集的驾驶员数据必须符合中国《个人信息保护法》（PIPL），对生物识别信息进行匿名化处理，并确保传输安全。 3、C-NCAP亮点： 2024 年 C-NCAP 协议将主动安全提升至核心地位，为车内监控和 ADAS 功能分配了总分中最高 2 分的分值。这是 DMS 首次直接对整体安全评级产生影响。 （1）评分构成： DMS 占 2 分，分值仅次于 AEB 的 3 分。 （2）测试场景： DFM 测试：闭眼、打哈欠、头部低垂； DAM 测试：视线偏离道路、使用手机。 （3）评分标准： 需达到≥90% 的检测准确率才能获得满分。 （4）传感器融合：评估车内与车外传感器的集成能力（如 DMS + AEB + VRU）。 （5）道路特征识别（RFR）： 评估在不同天气和光照条件下对交通标志和车道的检测能力。 除此之外， 行人和骑行者保护 一直未受到足够重视。2024 版 C-NCAP 改变了这一现状，整合了 VRU-AEB 测试和被动碰撞评估： （1）主动 VRU-AEB： 场景包括遮挡行人与骑行者，分昼夜进行测试。 （2）被动安全测试： 对行人假人进行头部和腿部碰撞评估。 （3）全球最佳实践接轨： 通过结合规避（AEB-VRU）和伤害减轻测试，C-NCAP 与 Euro NCAP 针对 VRU 安全的双重方法形成呼应。 这种双重办法反映了全球最佳做法，既处理避免损害问题，也处理减轻损害问题。这些措施推动 OEM 集成 先进的传感器融合 和 坚固的车辆结构 ，使所有用户的街道更安全。 二、行业落地的技术瓶颈与合规挑战 1、落地情况 自 2024 版 C-NCAP 实施以来， 中国主要 OEM （如上汽、吉利、比亚迪）已 在所有新车型 中集成符合 C-NCAP 标准的 DMS。 比如 博世 和 法雷奥 等行业龙头已推出集成 DMS 平台，采用 多模态传感器组合 （红外、RGB、雷达）。 目前存在以下 验证趋势 ： - 虚拟仿真：将基于物理的传感器建模与 AI 结合，加速验证进程。 - 合成数据：减少对真实道路测试的依赖，加快合规工作流程。 2、合规难点 当前，汽车行业在迈向 更高安全合规标准 的过程中仍面临 多重挑战： - 成本压力： 高性能ADAS（高级驾驶辅助系统）硬件的研发与生产成本高昂，如何在保证性能的同时控制成本，成为车企面临的一大挑战。 - 恶劣环境可靠性： 雨、雪、雾和低光等恶劣环境对DMS和RFR系统的可靠性提出了更高要求，如何确保在这些条件下系统的准确性和稳定性，是车企必须解决的问题。 - 复杂协议测试： AEB（自动紧急制动）、DMS和RFR等系统的广泛测试要求，给车企的研发团队带来了巨大压力，如何在保证测试质量的同时缩短产品上市时间，成为亟待解决的难题。 - 误导性广告风险： 部分车企在宣传ADAS功能时存在误导性陈述，导致消费者对系统能力产生过高期望，增加了事故风险。 - 国际法规差异： 随着中国车企积极进军国际市场，如何满足不同国家和地区的法规要求，成为车企必须面对的挑战。 三、Anyverse助力车企应对安全挑战 我们不难发现， 传统的开发测试模式 已 难以满足 新规下 快速迭代与严格合规 的双重需求。 Anyverse平台优势 显得尤为重要，它以其 独特的虚拟仿真 与 合成数据技术 ，正在彻底改变 OEM 测试 和 验证驾驶员监控系统 的方式： - 模拟 数千种 车内场景（人口特征、行为、光照）。 - 实现摄像头、红外和雷达模态的 完美校准 。 - 针对 GB/T 和 C-NCAP 基准进行预验证，将物理原型需求 减少高达 80%。 通过使用 合成数据 ，即使在面对中国监管机构的严格审查时，制造商能够大胆地扩展开发、加速验证并保持安全合规性。 Anyverse 已通过提供 符合 Euro NCAP 的测试场景目录 ，帮助 OEM 和一级供应商实现 Euro NCAP 合规。这使得目标为进入欧洲市场的中国 OEM 能够 提前验证其系统 ， 利用合成数据满足最新的欧盟法规 。 Anyverse| InCabin 是一个符合 NCAP 要求的 一站式平台， 能够生成所有需要的数据，根据 C-NCAP 和 Euro NCAP 的精确测试场景验证系统。使汽车企业能够 “一次构建，全球合规” ，在加快上市时间的同时，降低验证的成本和复杂性。 四、结论 在汽车安全标准日益严苛的今天，C-NCAP新规的出台无疑为汽车行业指明了新的发展方向—— 从被动安全向主动安全全面转型。 通过与 GB/T 标准保持一致 并利用 基于物理的仿真， OEM 和供应商才可以实现遵守、超越，并提供强大、可靠的舱内 AI，进而满足中国及其他地区最严格的安全和监管基准。 因此面对技术实现难点与法规合规的双重挑战，车企亟需 创新解决方案 以提升产品安全性能并加速市场布局。

在竞争白热化的智能汽车赛道，深蓝汽车近期因一系列“迷之操作”，被舆论的熊熊烈火炙烤得焦头烂额。 事情起因是，大量深蓝汽车老车主公开吐槽称，深蓝汽车在没经过车主同意的情况下在车机大屏幕投放广告。为此，深蓝汽车及其CEO邓承浩发文道歉，并表示：内部已进行了流程优化，未来将不再通过车机通道给用户推送权益提醒。 不过，道歉后深蓝汽车对用户隐私条例进行了更新，主要新增了用户数据采集，如果用户不同意更新，则只能以游客身份访问App。所以又有网友辣评，“这是要强行让大家同意看广告？” 对此，深蓝汽车法务部发文回应：“此次深蓝汽车APP端隐私政策的调整是应有关部门要求，对隐私政策中涉及的第三方SDK内容进行调整，核心目的是强化用户隐私保护，不涉及任何其他内容更改。” 最终，深蓝汽车品牌形象因这一系列操作，遭到外界质疑。 车机该不该投广告？ 深蓝汽车因车机广告问题深陷舆论漩涡，这一事件绝非孤立，而是行业乱象的典型写照。 此前，一汽-大众ID.6车主被导航界面弹出的购车积分广告困扰，奔驰EQE、长城哈弗等车型被曝出过类似问题。据中国汽车流通协会数据，2024年车机广告投诉量同比飙升210%，一跃成为仅次于电池安全的第二大维权热点。 车机该不该投放广告？车企与车主各执一词。 对于车企来说，车机开发成本高昂，国内内容订阅消费模式又尚未成熟，投放广告看似是缓解成本压力的捷径。同时，开屏广告能精准触达用户，为商业转化提供可能。对于车主而言，车机开屏时突兀出现的广告，如同闯入私人领地的不速之客，严重干扰用车体验。 关键是，车机投放广告不合规。根据《广告法》第四十三条第一款规定，任何单位或者个人未经当事人同意或者请求，不得向其住宅、交通工具等发送广告，也不得以电子信息方式向其发送广告。 因此，此次车机投放广告事件对深蓝汽车产生了不小的影响。 首当其冲的便是品牌形象受损。在消费者心中，品牌美誉度建立在良好的产品体验与尊重用户权益之上，当车机广告粗暴打断驾驶过程，甚至威胁行车安全时，用户对深蓝汽车的信任瞬间崩塌。 更深层次来看，这一事件暴露出智能汽车行业在商业利益与用户权益间的失衡。车企过度追逐车机广告带来的短期盈利，却忽视了用户才是品牌生存发展的根基。 深蓝汽车的遭遇，为整个行业敲响了警钟：若车企不能妥善平衡商业创新与用户权益，未来将在市场竞争中举步维艰，被用户与时代所淘汰。 连年亏损，盈利压力太大 深蓝汽车冒险投放车机广告背后是亏损两年资不抵债的沉重现实，以及销量虽增长却仍不及预期的尴尬局面。 财报数据显示，2024年，深蓝汽车营业收入达372.25亿元，营业利润-15.89亿元，净利润-15.72亿元。叠加2023年亏损的29.99亿元，两年净利润累计亏损45.7亿元。此外，截至2024年年末，公司总资产达342.95亿元，净资产-35.03亿元，依旧是资不抵债。 虽然深蓝汽车2024年通过调整产品线，推出更符合市场需求的车型，并在生产、采购等环节降低成本，实现了亏损同比收窄47.58%。但这些减亏措施仅能起到一定作用，尚未从根本上解决问题。 销量方面，深蓝汽车同样不容乐观。 2024年初，长安为深蓝汽车设定了全年销量目标要求达到28万辆，但全年交付24.39万辆，同比增长超七成，完成目标约87%；2025年深蓝汽车冲击年销售50万辆，计划同比增幅超过108%。具体目标为国内销量突破40万辆，海外销量达成第一个10万辆，2026年上半年达成全球销量100万辆。 不过，深蓝汽车 2025 年，虽说交付量有增长，但增速远不及预期。 前5个月，深蓝国内销量分别为2.45万辆、1.87万辆、2.43万辆、2.01万辆、2.55万辆，累计交付11.31万辆，仅完成全年目标28.27%，要实现全年40万辆的目标，接下来7个月需月均销量达4万辆，这对于目前的深蓝汽车而言，难度极大。 深蓝汽车的困境，也反映出其在产品战略和市场定位上的诸多问题。 以2024年推出的G318硬派越野车型为例，上市初期订单虽达1.4万辆，但后续月销量持续下滑至千辆级，全年累计仅8908辆，远未达到年销目标。原因在于产品策略与用户需求错配，主推车型与用户实际选择脱节。 从行业角度来看，深蓝汽车的发展在一定程度上依赖长安集团的技术与渠道支持，这在带来便利的同时，也限制了其独立发展的能力和速度。当面临困境时，自主决策和应变能力的不足便凸显出来。 总之，深蓝汽车冒险投放车机广告，是其在连年亏损、盈利压力巨大以及销量不及预期的困境下，病急乱投医的无奈之举。但这一行为不仅未能解决根本问题，反而引发了严重的品牌危机。 出海面临长期考验 国内新能源汽车市场竞争焦灼，内卷愈发严重，出海已然化作国产汽车品牌破局的关键路径。长安集团制定了“海纳百川”计划，明确了“四个一”的发展目标和“1 + 5 + 2”的市场布局，全力向世界一流汽车品牌迈进。 深蓝汽车是长安集团“海纳百川”计划先锋之一。 自2023年底开启海外市场拓展征程，率先布局东南亚，2024年版图进一步拓展至拉丁美洲、中东非以及澳大利亚等地区，并迅速建立销售网点与4S店。值得一提的是，2024年，深蓝汽车在泰国推出的S07车型表现出色，勇夺泰国全品牌电动车销量桂冠。 然而，深蓝汽车“出海”并非高枕无忧。 首先，深蓝母公司长安汽车经营性现金流锐减，资金压力严重制约深蓝的海外扩张速度。 没有完善的售后体系作为支撑，消费者在购车后的使用过程中一旦遭遇问题，便可能对品牌产生负面印象，前期积累的口碑也将付之东流。 其次，当下全球政治经济形势波谲云诡，贸易保护主义抬头、地缘政治冲突不断，这都为深蓝汽车的全球化战略蒙上了一层厚重阴影。 一旦当地出台更为严苛的环保标准、安全法规，或者调整新能源补贴政策，深蓝汽车都必须迅速做出反应。 再有，深蓝汽车虽凭借独特技术和价格优势崭露头角，但在品牌认知度、技术研发投入以及市场运营经验等方面，与行业大佬相比仍存在不小差距。 要知道，特斯拉凭借其先发优势和强大的品牌影响力，在全球范围内构建起了庞大的用户群体和完善的服务网络；丰田等传统汽车巨头也在加速向新能源领域转型，凭借深厚的技术积累和成熟的制造工艺，迅速推出一系列新能源车型。 综上所述，深蓝汽车在海外市场虽已取得阶段性成果，但这不过是漫长征途的开端。从内部资金压力到外部复杂多变的国际环境，从行业激烈竞争到自身发展瓶颈，深蓝面临的长期考验可谓环环相扣、错综复杂，出海之路任重道远。

在自动驾驶快速从L2向L3、L4级别发展， 微秒级 甚至 纳秒级精度 的时间同步已成为系统性能的核心指标之一。 多传感器融合场景 下，激光雷达、摄像头、毫米波雷达等设备的时空对齐依赖 统一的时间基准 ；而在复杂工业环境中， 电磁干扰 、 时钟源故障 等风险对时间同步的可靠性提出了更高要求。 本文分享 PSB （Platform Sync Board）与 QX550 组合方案，基于 硬件级时间同步架构 与 冗余设计 ，为上述挑战提供了系统性解决方案。本文将具体介绍方案架构和应用实例。 一、PSB+QX550方案架构 PSB+QX550 方案中， QX550 作为 PCIe 3.0 x8 网络卡，搭载 双 Intel X550-AT2 控制器，提供 4 个 10Gbase-T 接口，支持 IEEE 1588v2（PTP）和 802.1AS-2020（gPTP）协议。配套的 PSB 模块 则通过 Intel i210IT 芯片、u-blox GPS 模块及PPS（脉冲每秒）接口，实现 硬件级时间戳同步 与 多源时间校准 。 两者通过 OCuLink 线缆实现数据与时钟信号的低延迟传输，结合 XTSS （eXtended Time Synchronization Service）软件套件，构建了 “ 高精度同步 + 多源冗余 + 失效容错 ” 的完整技术链路。 图1：PSB+QX550 二、核心技术特性 1、多传感器融合时间对齐：硬同步与全域协同 PSB+QX550 方案通过XTSS 服务实现 跨设备的亚微秒级时间同步 ，其核心由 CTSS（Cluster Time Synchronization Service）和 PTSS（Platform Time Synchronization Service）组成： （1）PTSS 平台同步： 利用硬件时间戳技术，同步同一设备内的多个以太网接口（如 QX550 的 4 个 10G 接口），确保多传感器数据采集时戳与系统时钟的一致性。例如，在自动驾驶测试中，可实现激光雷达点云数据与摄像头视频流的时间对齐，消除传感器间的时序偏差。 图2：PTSS平台同步 （2）CTSS 集群同步： 通过 (g)PTP 协议实现跨设备集群同步，支持主从模式下的时间分发。QX550 Master 通过 PPS 同步线缆连接最多 3 个 Slave 设备（如其他 QX550 或第三方 XTSS 兼容设备），形成 星型同步网络 ，满足分布式传感器阵列的全局时间统一需求。 图3：CTSS集群同步 2、复杂环境下时间源可靠性：多源冗余抗干扰 PSB 模块 通过 多元化时间源配置 ，提升复杂环境下的同步可靠性： （1）GPS 与外部时钟冗余： 内置 u-blox GPS 模块支持 NMEA 协议，通过 GPS antenna (端口4) 接口接收卫星信号，提供 UTC 时间基准；同时SER/PPS（端口2）支持外部 PPS 信号输入（如惯导或其他 grandmaster 时钟），通过 隔离设计 ，抵抗工业环境中的电磁干扰。 图4：PSB多源时间同步配置 （2）时钟源无中断切换机制： 当 GPS 信号失效时，系统作为从时钟仍同步至网络主时钟；若设备因此成为主时钟，则自动切换至内部振荡器（基于 QX550 硬件计数器），并通过‘ Local Oscillator Hot Standby ’维持最后已知的有效时间基准，避免主从切换导致的同步中断。 3、时间同步的失效容错：静态配置与动态监测 方案通过 多重容错机制 保障系统鲁棒性： （1）静态端口状态配置： 通过 XTSS Configurator 设置接口的固定端口状态（Master/Slave/Disabled）， 强制指定主时钟节点 ，避免因 BMCA（最佳主时钟算法）协商失败导致的同步失效。例如，在关键工业场景（如自动驾驶数据采集）中，可锁定某一 QX550 为永久 Master，防止因网络波动导致的主从切换。 （2）时间偏差阈值监测（偏差矫正）： XTSS 实时监测本地时钟与主时钟的偏差，当超过预设阈值（如 1000ns）时， 标记状态并自动重新同步 。结合 “Force AS capable” 功能，即使路径延迟测量失效，仍强制发送同步消息，确保紧急情况下的最小同步精度。 图5：GPS时间源下偏差矫正示意图 （3）多域隔离机制： 支持最多 10 个 PTP 域并行运行，不同域的时间同步 相互独立 。例如，可将安全关键型传感器与非关键设备划分至不同域，避免单一域的故障影响全局系统。 三、应用案例 在自动驾驶数据采集过程中，常采用 惯导（RTK） 作为授时源并输出自车姿态数据。此外，惯导数据应与各传感器（相机、激光雷达等）数据时间戳对齐。这时就需要在数据采集平台上有这么一个模块，完成 各个传感器时域统一 。 以 华测惯导CGI430 为例，它支持 PPS+GPRMC 方式完成授时，与PSB+QX550模块链接，进而完成整个系统的时间同步。 图6：惯导授时 四、总结 随着大家普遍认同硬件时间戳的不可替代性以及多源冗余架构的必要性，目前自动驾驶时间同步技术发展趋势已经从“ 是否需要同步 ” 转向 “ 如何在复杂场景下实现稳定同步 ”，更聚焦于时间同步是否满足“ 高精度、高可靠、易集成 ”。 对于工程师而言，方案的可实施性和故障容错能力是关键。比如PSB+QX550采用 即插即用 的设计，可以有效的应用到不同测试方案中实现系统时间同步。基于偏差矫正的能力，可以 避免时钟源偏差 。 未来，随着 5G-A 和车路协同的普及，时间同步将从 “ 车载刚需 ” 延伸至 “ 全域协同 ”，推动行业向纳秒级精度迈进。