智能汽車是汽車?電子?信息通信?道路交通運輸?shù)刃袠I(yè)深度融合的新型產(chǎn)業(yè)形態(tài)?當前, 我國智能汽車產(chǎn)業(yè)進入快車道, 技術(shù)創(chuàng)新日益活躍, 新型應用蓬勃發(fā)展, 產(chǎn)業(yè)規(guī)模不斷擴大,而相應的測試技術(shù)體系也在不斷完善, 推動產(chǎn)業(yè)進步?本書首先立足于整體現(xiàn)狀對智能汽車測試體系架構(gòu)進行綜述, 并針對測試技術(shù)的發(fā)展趨勢和整個核心技術(shù)進行詳細描述;然后, 針對測試體系中每一測試過程的概念?核心思想?關鍵技術(shù)?測試方法?發(fā)展趨勢等進行詳細描述?

注：本文節(jié)選自《智能汽車測試技術(shù)》第四章節(jié)，由機械工業(yè)出版社于2025年6月份出版

本書可供智能汽車設計人員及測試人員閱讀使用, 也可供車輛工程專業(yè)及相關專業(yè)師生閱讀參考?點擊下方鏈接直播購買此書。

《智能汽車測試技術(shù)》目錄 

第1 章

導論

1.1 背景與需求/ 001

1.2 基本概念/ 003

1.2.1 測試與評價的基本概念/ 003

1.2.2 產(chǎn)品全生命周期中的測評技術(shù)/ 004

1.3 現(xiàn)狀與挑戰(zhàn)/ 005

1.4 本書章節(jié)安排/ 006

第2 章

智能汽車

測評概述

 2.1 測評需求分析/ 009

2.1.1 安全性測試與驗證/ 009

2.1.2 智能性測試與評價/ 012

2.2 測試方法論/ 015

2.2.1 安全性測試驗證框架/ 015

2.2.2 智能性測試評估框架和體系/ 017

2.3 測試工具鏈及應用要求/ 023

2.3.1 測試工具鏈/ 023

2.3.2 測試需求與測試工具的適配性/ 027

2.4 本章小結(jié)/ 029

參考文獻/ 030

第3 章

智能汽車

測試場景

3.1 場景基本概念/ 031

3.2 場景體系/ 033

3.2.1 場景要素與屬性/ 033

3.2.2 場景層級/ 035

3.2.3 場景分類/ 036

3.3 場景生成方法/ 037

3.3.1 基于形式化描述的場景生成方法/ 037

3.3.2 基于駕駛員模型的場景生成方法/ 040

3.3.3 安全關鍵場景生成方法/ 048

3.4 場景采集與利用/ 051

3.4.1 場景采集技術(shù)/ 051

3.4.2 場景庫搭建/ 052

3.5 本章小結(jié)/ 052

參考文獻/ 053

第4 章

環(huán)境感知

系統(tǒng)的測試

技術(shù)與方法

4.1 環(huán)境感知系統(tǒng)測試需求分析/ 055

4.2 環(huán)境感知系統(tǒng)介紹/ 057

4.2.1 感知系統(tǒng)/ 057

4.2.2 硬件模組/ 058

4.2.3 認知算法/ 058

4.3 環(huán)境感知系統(tǒng)測試技術(shù)框架/ 059

4.4 各類感知環(huán)境介紹/ 060

4.4.1 封閉場地環(huán)境/ 060

4.4.2 道路交通環(huán)境/ 064

4.4.3 虛擬仿真環(huán)境/ 066

4.5 數(shù)據(jù)生成模型介紹/ 069

4.5.1 降雨圖像生成方法概述/ 070

4.5.2 降雨圖像生成模型介紹/ 071

4.5.3 降雨圖像生成模型結(jié)果/ 075

4.6 具體測試案例/ 076

4.6.1 案例一:基于封閉場地環(huán)境的感知系統(tǒng)測試/ 076

4.6.2 案例二:基于虛擬仿真環(huán)境的硬件模組測試/ 078

4.6.3 案例三:基于虛擬仿真環(huán)境的感知系統(tǒng)測試/ 081

4.6.4 案例四:基于三類感知環(huán)境和數(shù)據(jù)生成模型的

認知算法測試/ 083

4.7 本章小結(jié)/ 086

參考文獻/ 087

第5 章

決策規(guī)劃

系統(tǒng)的測試

技術(shù)與方法

 5.1 決策規(guī)劃系統(tǒng)的測試需求與挑戰(zhàn)/ 089

5.1.1 測試需求/ 089

5.1.2 測試挑戰(zhàn)/ 090

5.2 基于場景的測試技術(shù)與方法/ 092

5.2.1 靜態(tài)試驗設計測試方法/ 092

5.2.2 動態(tài)試驗設計測試方法/ 094

5.3 基于真實里程的測試技術(shù)與方法/ 101

5.3.1 開放道路測試技術(shù)/ 101

5.3.2 重要度采樣加速測試方法/ 103

5.4 基于虛擬里程的測試技術(shù)與方法/ 104

5.4.1 虛擬里程測試系統(tǒng)組成框架/ 105

5.4.2 用于虛擬里程測試的NPC 模型生成方法/ 106

5.4.3 用于虛擬里程測試的NPC 模型性能驗證/ 113

5.4.4 虛擬里程測試的應用/ 118

5.4.5 小結(jié)/ 130

5.5 其他測試技術(shù)/ 131

5.5.1 自動化測試技術(shù)/ 131

5.5.2 錯誤注入測試技術(shù)/ 139

5.5.3 分布式自動化測試技術(shù)/ 152

5.6 本章小結(jié)/ 157

參考文獻/ 157

第6 章

整車測試

技術(shù)與方法

6.1 整車測評需求分析/ 159

6.2 封閉測試場地平臺/ 160

6.2.1 封閉測試場/ 160

6.2.2 動態(tài)模擬目標物系統(tǒng)/ 162

6.2.3 定位與數(shù)據(jù)采集系統(tǒng)/ 163

6.3 開放道路測試系統(tǒng)/ 164

6.3.1 測試方案制定/ 165

6.3.2 數(shù)據(jù)采集與數(shù)據(jù)閉環(huán)系統(tǒng)/ 165

6.4 本章小結(jié)/ 166

第7 章

智能汽車

安全性評估

7.1 基于具體場景的安全性評估/ 169

7.1.1 場景瞬時風險評估方法/ 170

7.1.2 多階段安全評估/ 180

7.1.3 單個測試場景結(jié)果外推/ 181

7.2 基于邏輯場景的安全性評估/ 182

7.2.1 評估要求/ 182

7.2.2 面向邏輯場景評價的危險域識別方法/ 183

7.3 針對被測功能的安全性評估/ 192

7.4 本章小結(jié)/ 192

參考文獻/ 193

第8 章

智能汽車

綜合行駛

性能評估

 8.1 測評需求與研究現(xiàn)狀/ 195

8.1.1 測評需求/ 195

8.1.2 研究現(xiàn)狀/ 195

8.2 測評基本流程/ 197

8.3 典型測試場景矩陣/ 198

8.4 測試方法與流程/ 199

8.4.1 測試方案/ 199

8.4.2 背景車跟馳模型/ 199

8.4.3 測試數(shù)據(jù)輸出/ 201

8.5 評價方法與流程/ 202

8.5.1 評價體系/ 202

8.5.2 評價流程/ 204

8.6 測評示例/ 206

8.7 本章小結(jié)/ 209

參考文獻/ 209

附 錄

附錄A 測試工況參數(shù)設置/ 210

附錄B 背景車跟馳模型/ 212

附錄C 歸一化方法/ 214

附錄D 常見縮寫詞/ 216

環(huán)境感知系統(tǒng)作為智能網(wǎng)聯(lián)汽車的“眼睛”,是智能網(wǎng)聯(lián)汽車獲取外界環(huán)境信息的關鍵模塊,其能否良好地實現(xiàn)預期功能在很大程度上影響了智能網(wǎng)聯(lián)汽車的安全,因此十分有必要通過測試發(fā)現(xiàn)其性能局限,或驗證其性能是否滿足要求。本章從環(huán)境感知系統(tǒng)的測試需求分析出發(fā),強調(diào)了測試的必要性,隨后介紹了各類被測對象,提出了針對環(huán)境感知系統(tǒng)的測試技術(shù)框架,然后介紹了不同的數(shù)據(jù)生成環(huán)境和獲取方法,最后結(jié)合具體的測試案例,對本章的測試技術(shù)和方法進行詳細說明。

4. 1 環(huán)境感知系統(tǒng)測試需求分析

智能汽車通常包括環(huán)境感知系統(tǒng)、行為決策系統(tǒng)和控制執(zhí)行系統(tǒng)三部分,其中環(huán)境感知系統(tǒng)是智能汽車準確及時獲取外界信息的關鍵模塊,決策規(guī)劃系統(tǒng)需要根據(jù)環(huán)境感知系統(tǒng)提供的車輛內(nèi)外部環(huán)境信息做出合理的軌跡規(guī)劃,并由控制執(zhí)行系統(tǒng)完成預定軌跡行駛。環(huán)境感知系統(tǒng)面臨的行駛環(huán)境包括各種極端天氣、惡劣光照條件和各類交通參與者。因此,環(huán)境感知系統(tǒng)極易受到復雜環(huán)境條件的影響而無法實現(xiàn)預期功能,環(huán)境感知系統(tǒng)性能局限是引發(fā)安全問題的主要來源之一。因此,通過測試發(fā)現(xiàn)其性能局限,或驗證其性能是否滿足要求是環(huán)境感知系統(tǒng)測試的主要需求。

構(gòu)成環(huán)境感知系統(tǒng)的傳感器和感知算法,都存在一定的性能局限性。在傳感器感知性能局限性方面,以視覺傳感器和激光雷達兩類典型傳感器為例,它們獲取信息的精度、廣度相較其他傳感器更優(yōu),是高級自動駕駛汽車不可或缺的感知部件。視覺傳感器通常包括成像傳感器、光學系統(tǒng)和一個可選的圖像信號處理單元,因為受到鏡頭、畸變效應、動態(tài)范圍、靈敏度、幀率等因素的限制,感知系統(tǒng)接收到的信息相比原始信息有不同程度的缺失。因而,在雨霧、暗光等情況下,傳感器會受到干擾,產(chǎn)生難以利用的低質(zhì)量圖像。在降雨、霧條件下,隨著霧和雨水的增加,圖像的灰度直方圖的分布逐漸向右偏移,導致圖像對比度下降;降落的雨滴會在圖像上產(chǎn)生條紋,從而導致圖像的像素值下降,使得圖像中物體的邊界出現(xiàn)模糊。激光雷達使用激光束來確定傳感器和附近物體之間的相對距離,多激光束的反射信號形成代表這些對象的點云。由于激光的性質(zhì),在大霧、暴雨和大雪的情況下,激光雷達的性能會明顯下降;此外,目標物體尺寸、物體表面反射強度以及環(huán)境光照強度等因素也會對激光雷達造成影響;激光雷達表面灰塵積聚會產(chǎn)生激光前向傳播過程中的折射現(xiàn)象,導致激光點云的坐標值發(fā)生偏移;通過實驗室、封閉場地環(huán)境下的模擬降雨試驗研究發(fā)現(xiàn),降雨量、雨滴直徑等因素對激光雷達獲得的反射激光的點云數(shù)量、反射強度、測距精度等均會造成影響,降低激光雷達的測量精度。

對于系統(tǒng)內(nèi)部的算法而言,目標的識別過程可以概括為獲取數(shù)據(jù)、數(shù)據(jù)過濾、特征提取、對象信息提取以及語義建模五個步驟。基于視覺傳感器的圖像識別算法是自底向上的,其中的關鍵部分就是對特征的提取。在圖像識別中起主導作用的特征主要包括紋理特征、顏色特征、形狀特征和空間關系特征等。由于現(xiàn)實世界包含的視覺特征及其組合的復雜性,導致相關因素極其多樣。天氣條件和光照條件的變化、物體之間的遮擋或與背景之間的相似性、物體形成的陰影等都會對識別算法形成干擾。激光雷達點云數(shù)據(jù)中則主要是坐標和強度信息,對于物體的識別需要先進行點云聚類,然后從中提取關鍵特征進行目標識別。因此,數(shù)據(jù)中特征的顯著程度是影響識別算法的關鍵因素,而影響特征的因素又包括原始數(shù)據(jù)的質(zhì)量,以及感興趣區(qū)域中的特征有效性。常用的點云特征包括直線和曲面等源語特征,其準確性取決于點云的參數(shù),但真實環(huán)境下很多因素會影響源語特征的提取。在類似道路邊緣檢測和障礙物檢測的任務中,基于邊緣的方法可解決相關問題,但要求對象須具有較強的人工邊緣特征,且該方法容易受到點云參數(shù)噪聲的影響;基于區(qū)域的分割方法則過于依賴種子點的選擇,選點不當會導致分割不充分和效率低下,種子點的不同選擇往往導致分割結(jié)果的不同;基于模型的方法不能處理非平面路面,如起伏路面、上坡路面、下坡路面、駝峰路面等,此外,分割對點云密度、位置精度和噪聲都比較敏感。

綜上,對環(huán)境感知系統(tǒng)開展測試,需要構(gòu)建包含上述影響因素或觸發(fā)條件等的測試用例,并對感知性能進行評估,考察其是否能夠在行駛環(huán)境(ODD范圍內(nèi))中具備足夠的魯棒性、可靠性。

4. 2 環(huán)境感知系統(tǒng)介紹

感知系統(tǒng)通常包括物理傳感器、相關硬件單元以及內(nèi)部相對應的認知算法,三者間的關系如圖4-1所示,通常來說這三者也是環(huán)境感知系統(tǒng)在測試中的被測對象。其中,物理傳感器負責從環(huán)境中采集原始的感知數(shù)據(jù),隨后將其輸入相應的算法中進行數(shù)據(jù)分析和處理,得到最終的感知與認知結(jié)果。目前主流感知系統(tǒng)使用的傳感器包括視覺傳感器、激光雷達、毫米波雷達和組合導航設備等。本節(jié)將以視覺感知系統(tǒng)為例,詳細介紹感知系統(tǒng)各層級。

圖4 -1 感知系統(tǒng)各部分關系示意圖

4 2 1感知系統(tǒng)

感知系統(tǒng)中的物理傳感器負責從環(huán)境中采集數(shù)據(jù),然后將特定格式數(shù)據(jù)輸入內(nèi)置算法中,經(jīng)算法處理后輸出最終感知結(jié)果。

以視覺感知系統(tǒng)為例,其為機器視覺系統(tǒng)信息的直接來源,是指利用光學元件和成像裝置獲取外部環(huán)境信息的設備。車載視覺傳感器主要是指車載攝像頭。從硬件組成的角度,目前車載攝像頭主要由透鏡、成像器、圖像處理元件組成。其中圖像處理元件有可能集成在鏡頭部件,攝像頭直接負責目標識別和測距;也可能集成在控制器中,攝像頭僅負責生成圖像。車載攝像頭兩種硬件組成方式如圖4-2所示,其中圖像信號處理(Image Signal Processing, ISP)為圖像信號處理算法,放置位置相對靈活。

4 2 2 硬件模組

硬件模組指的是硬件單元和認知算法的組合,如芯片單元等。相比于完整的感知系統(tǒng),它不具備待測感知數(shù)據(jù)獲取的能力,無法將環(huán)境中的光線信號轉(zhuǎn)換為圖像信息,需要借助外部數(shù)據(jù)采集系統(tǒng)進行數(shù)據(jù)獲取,再輸入模組中,但相比感知系統(tǒng),它體積小,同時不受測試條件和測試環(huán)境的影響,具有不錯的靈活性和良好的可擴展性。相比于認知算法,一方面,硬件模組可以滿足硬件在環(huán)測試的需求;另一方面,硬件模組中通常搭載了多種認知算法,可以實現(xiàn)一次對多種功能進行測試。

4 2 3 認知算法

認知算法需要完成兩個主要的任務:物體檢測和語義分割。前者得到的是場景中重要目標的信息,包括位置、大小、速度等,是一種稀疏的表示;而后者得到的是場景中每一個位置的語義信息,如可行駛、障礙物等,是一種稠密的表示,這兩個任務的結(jié)合被稱為全景分割。對于物體目標(如車輛、行人),全景分割輸出其分割掩膜、類別和實例ID;對于非物體目標(如道路、建筑物),則只輸出其分割掩膜和類別。環(huán)境感知系統(tǒng)的終極目標就是要得到車輛周邊三維空間中全景分割結(jié)果。

對于視覺傳感器,其收集得到的是圖像和視頻信息,算法的目的是根據(jù)圖像和視頻實現(xiàn)目標識別和測距。針對智能汽車行駛過程中的交通場景,需要檢測的目標主要是汽車、兩輪車及行人。目前在目標檢測領域,常見的多模態(tài)視覺識別算法大多是基于傳統(tǒng)的視覺識別算法發(fā)展起來的,如FasterR?CNN[1] 、SSD[2] 、YOLO[3] 等。FasterR?CNN是由R?CNN[4] 改進到FastR?CNN[5] 再改進而來的,當前其優(yōu)勢在于極高的檢測精度,并將推理時間減少了一個數(shù)量級,但是檢測速度仍顯著低于其他主流視覺識別算法。SSD(SingleShotMultiBoxDetector)是第一個與同時代兩級探測器(如FasterR?CNN)的準確性相匹配同時還能保持實時速度的一階段檢測器,但是它在檢測小物體方面效果不好。此外,由于它的網(wǎng)絡結(jié)構(gòu)中利用了多層特征,引入了過多的超參數(shù),訓練難度較高。YOLO是一種一步式的視覺識別算法,可以同時完成物體的定位與分類,經(jīng)過回歸最終輸出邊界框的位置和其中物體所屬類別。YOLO的優(yōu)勢在于極快的檢測速度(相較FasterR?CNN速度快了10倍左右),可以實現(xiàn)高幀率實時檢測,并且由于沒有劃分區(qū)域采樣,在全局信息上表現(xiàn)較好。雖然犧牲了一定的檢測精度,但是由于其在實時檢測方面顯著的優(yōu)越性及在應用上的靈活性,因而在目前的智能感知系統(tǒng)中常被作為基礎網(wǎng)絡結(jié)構(gòu)而廣泛應用。在這些基礎的識別算法基礎上,為了進一步提升感知系統(tǒng)的能力,還衍生出了跟蹤算法,如DeepSORT[6] 、ByteTrack[7]和BoT?SORT[8]等,以及基于單目視覺的三維物體檢測算法,如GS3D、MonoDIS等。

本書首先立足于整體現(xiàn)狀對智能汽車測試體系架構(gòu)進行綜述， 并針對測試技術(shù)的發(fā)展趨勢和整個核心技術(shù)進行詳細描述；然后， 針對測試體系中每一測試過程的概念、核心思想、關鍵技術(shù)、測試方法、發(fā)展趨勢等進行詳細描述。

本書可供智能汽車設計人員及測試人員閱讀使用， 也可供車輛工程專業(yè)及相關專業(yè)師生閱讀參考。

作者簡介：

陳君毅,2009年畢業(yè)于同濟大學汽車學院,獲工學博士學位,任職于同濟大學汽車學院?長期從事自動駕駛汽車測試與評價方向研究工作,先后主持和參與國家級?省部級項目共11項,并與華為?路特斯?上汽大眾?蔚來等企業(yè)開展了深度校企合作研究?近5年,在國內(nèi)外學術(shù)期刊和國際會議上共發(fā)表SCI/EI檢索論文近30篇,其中以第一作者或及通訊作者發(fā)表的為20余篇;申請發(fā)明專利30余項(已授權(quán)7項)?擔任SAE汽車安全和網(wǎng)絡安全技術(shù)委員會秘書?功能安全和預期功能安全分委會主席;是自動駕駛測試場景國際標準(ISO3450X)支撐專家組成員,以及CAICV聯(lián)盟預期功能安全工作組核心成員;擔任《汽車工程》和《汽車工程學報》青年編委委員,IEEE Transactions on Intelligent Vehicles?Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering?《中國公路學報》?《汽車工程》?IEEE Intelligent Transportation Systems Conference?IEEE Intelligent Vehicles Symposium等國內(nèi)外期刊和國際會議審稿人,曾于多項國際學術(shù)會議擔任分論壇主席?

版權(quán)信息:

智能汽車測試技術(shù) / 陳君毅等著. -- 北京 : 機械工業(yè)出版社, 2025. 5. -- (智能汽車關鍵技術(shù)叢書).ISBN 978-7-111-77871-4 Ⅰ. U467 中國國家版本館CIP數(shù)據(jù)核字第2025X8D229號

本書由機械工業(yè)出版社出版，本文經(jīng)出版方授權(quán)發(fā)布。