智能汽車是汽車?電子?信息通信?道路交通運(yùn)輸?shù)刃袠I(yè)深度融合的新型產(chǎn)業(yè)形態(tài)?當(dāng)前, 我國(guó)智能汽車產(chǎn)業(yè)進(jìn)入快車道, 技術(shù)創(chuàng)新日益活躍, 新型應(yīng)用蓬勃發(fā)展, 產(chǎn)業(yè)規(guī)模不斷擴(kuò)大,而相應(yīng)的測(cè)試技術(shù)體系也在不斷完善, 推動(dòng)產(chǎn)業(yè)進(jìn)步?本書首先立足于整體現(xiàn)狀對(duì)智能汽車測(cè)試體系架構(gòu)進(jìn)行綜述, 并針對(duì)測(cè)試技術(shù)的發(fā)展趨勢(shì)和整個(gè)核心技術(shù)進(jìn)行詳細(xì)描述;然后, 針對(duì)測(cè)試體系中每一測(cè)試過(guò)程的概念?核心思想?關(guān)鍵技術(shù)?測(cè)試方法?發(fā)展趨勢(shì)等進(jìn)行詳細(xì)描述?

注：本文節(jié)選自《智能汽車測(cè)試技術(shù)》第五章節(jié)，由機(jī)械工業(yè)出版社于2025年6月份出版

本書可供智能汽車設(shè)計(jì)人員及測(cè)試人員閱讀使用, 也可供車輛工程專業(yè)及相關(guān)專業(yè)師生閱讀參考?

手機(jī)打開以下鏈接購(gòu)買

https://mp.weixin.qq.com/s/QBxaIPLrADmhzcUlwvjNPw

《智能汽車測(cè)試技術(shù)》目錄 

第1 章

導(dǎo)論

1.1 背景與需求/ 001

1.2 基本概念/ 003

1.2.1 測(cè)試與評(píng)價(jià)的基本概念/ 003

1.2.2 產(chǎn)品全生命周期中的測(cè)評(píng)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(cè)評(píng)概述

 2.1 測(cè)評(píng)需求分析/ 009

2.1.1 安全性測(cè)試與驗(yàn)證/ 009

2.1.2 智能性測(cè)試與評(píng)價(jià)/ 012

2.2 測(cè)試方法論/ 015

2.2.1 安全性測(cè)試驗(yàn)證框架/ 015

2.2.2 智能性測(cè)試評(píng)估框架和體系/ 017

2.3 測(cè)試工具鏈及應(yīng)用要求/ 023

2.3.1 測(cè)試工具鏈/ 023

2.3.2 測(cè)試需求與測(cè)試工具的適配性/ 027

2.4 本章小結(jié)/ 029

參考文獻(xiàn)/ 030

第3 章

智能汽車

測(cè)試場(chǎng)景

3.1 場(chǎng)景基本概念/ 031

3.2 場(chǎng)景體系/ 033

3.2.1 場(chǎng)景要素與屬性/ 033

3.2.2 場(chǎng)景層級(jí)/ 035

3.2.3 場(chǎng)景分類/ 036

3.3 場(chǎng)景生成方法/ 037

3.3.1 基于形式化描述的場(chǎng)景生成方法/ 037

3.3.2 基于駕駛員模型的場(chǎng)景生成方法/ 040

3.3.3 安全關(guān)鍵場(chǎng)景生成方法/ 048

3.4 場(chǎng)景采集與利用/ 051

3.4.1 場(chǎng)景采集技術(shù)/ 051

3.4.2 場(chǎng)景庫(kù)搭建/ 052

3.5 本章小結(jié)/ 052

參考文獻(xiàn)/ 053

第4 章

環(huán)境感知

系統(tǒng)的測(cè)試

技術(shù)與方法

4.1 環(huán)境感知系統(tǒng)測(cè)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(rèn)知算法/ 058

4.3 環(huán)境感知系統(tǒng)測(cè)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(chǎng)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(cè)試案例/ 076

4.6.1 案例一:基于封閉場(chǎng)地環(huán)境的感知系統(tǒng)測(cè)試/ 076

4.6.2 案例二:基于虛擬仿真環(huán)境的硬件模組測(cè)試/ 078

4.6.3 案例三:基于虛擬仿真環(huán)境的感知系統(tǒng)測(cè)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(rèn)知算法測(cè)試/ 083

4.7 本章小結(jié)/ 086

參考文獻(xiàn)/ 087

第5 章

決策規(guī)劃

系統(tǒng)的測(cè)試

技術(shù)與方法

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

5.1.1 測(cè)試需求/ 089

5.1.2 測(cè)試挑戰(zhàn)/ 090

5.2 基于場(chǎng)景的測(cè)試技術(shù)與方法/ 092

5.2.1 靜態(tài)試驗(yàn)設(shè)計(jì)測(cè)試方法/ 092

5.2.2 動(dòng)態(tài)試驗(yàn)設(shè)計(jì)測(cè)試方法/ 094

5.3 基于真實(shí)里程的測(cè)試技術(shù)與方法/ 101

5.3.1 開放道路測(cè)試技術(shù)/ 101

5.3.2 重要度采樣加速測(cè)試方法/ 103

5.4 基于虛擬里程的測(cè)試技術(shù)與方法/ 104

5.4.1 虛擬里程測(cè)試系統(tǒng)組成框架/ 105

5.4.2 用于虛擬里程測(cè)試的NPC 模型生成方法/ 106

5.4.3 用于虛擬里程測(cè)試的NPC 模型性能驗(yàn)證/ 113

5.4.4 虛擬里程測(cè)試的應(yīng)用/ 118

5.4.5 小結(jié)/ 130

5.5 其他測(cè)試技術(shù)/ 131

5.5.1 自動(dòng)化測(cè)試技術(shù)/ 131

5.5.2 錯(cuò)誤注入測(cè)試技術(shù)/ 139

5.5.3 分布式自動(dòng)化測(cè)試技術(shù)/ 152

5.6 本章小結(jié)/ 157

參考文獻(xiàn)/ 157

第6 章

整車測(cè)試

技術(shù)與方法

6.1 整車測(cè)評(píng)需求分析/ 159

6.2 封閉測(cè)試場(chǎng)地平臺(tái)/ 160

6.2.1 封閉測(cè)試場(chǎng)/ 160

6.2.2 動(dòng)態(tài)模擬目標(biāo)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(cè)試系統(tǒng)/ 164

6.3.1 測(cè)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(píng)估

7.1 基于具體場(chǎng)景的安全性評(píng)估/ 169

7.1.1 場(chǎng)景瞬時(shí)風(fēng)險(xiǎn)評(píng)估方法/ 170

7.1.2 多階段安全評(píng)估/ 180

7.1.3 單個(gè)測(cè)試場(chǎng)景結(jié)果外推/ 181

7.2 基于邏輯場(chǎng)景的安全性評(píng)估/ 182

7.2.1 評(píng)估要求/ 182

7.2.2 面向邏輯場(chǎng)景評(píng)價(jià)的危險(xiǎn)域識(shí)別方法/ 183

7.3 針對(duì)被測(cè)功能的安全性評(píng)估/ 192

7.4 本章小結(jié)/ 192

參考文獻(xiàn)/ 193

第8 章

智能汽車

綜合行駛

性能評(píng)估

 8.1 測(cè)評(píng)需求與研究現(xiàn)狀/ 195

8.1.1 測(cè)評(píng)需求/ 195

8.1.2 研究現(xiàn)狀/ 195

8.2 測(cè)評(píng)基本流程/ 197

8.3 典型測(cè)試場(chǎng)景矩陣/ 198

8.4 測(cè)試方法與流程/ 199

8.4.1 測(cè)試方案/ 199

8.4.2 背景車跟馳模型/ 199

8.4.3 測(cè)試數(shù)據(jù)輸出/ 201

8.5 評(píng)價(jià)方法與流程/ 202

8.5.1 評(píng)價(jià)體系/ 202

8.5.2 評(píng)價(jià)流程/ 204

8.6 測(cè)評(píng)示例/ 206

8.7 本章小結(jié)/ 209

參考文獻(xiàn)/ 209

附 錄

附錄A 測(cè)試工況參數(shù)設(shè)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

5 . 3 基于真實(shí)里程的測(cè)試技術(shù)與方法

基于真實(shí)里程的測(cè)試方法是讓被測(cè)車輛在一定的環(huán)境條件下連續(xù)行駛, 而不預(yù)先設(shè)定其測(cè)試任務(wù)或目標(biāo)。具體包括開放道路測(cè)試方法和基于開放道路測(cè)試數(shù)據(jù)的重要度采樣加速測(cè)試方法。

5.3.1 開放道路測(cè)試技術(shù)

開放道路測(cè)試是使用真實(shí)的研發(fā)車輛在現(xiàn)實(shí)道路和真實(shí)交通環(huán)境下開展的測(cè)試。其測(cè)試真實(shí)性高, 可同時(shí)測(cè)試車輛各硬件子系統(tǒng)之間的協(xié)調(diào)情況、軟件算法的正確性、車輛與駕駛員之間的交互情況等。開放道路測(cè)試是企業(yè)最常采用的測(cè)試技術(shù), 也是汽車量產(chǎn)之前必須經(jīng)歷的測(cè)試過(guò)程。

1 . 開放道路測(cè)試技術(shù)分類

開放道路測(cè)試方法存在特殊性, 主要體現(xiàn)在該測(cè)試方法是結(jié)合特定測(cè)試環(huán)境的專用測(cè)試方法, 無(wú)法推廣到其他測(cè)試工具。開放道路測(cè)試可以提供完全真實(shí)的、非人工模擬的交通場(chǎng)景, 所有交通參與者、氣候條件、道路條件都真實(shí)存在, 不受人為控制。由于所有事件均是隨機(jī)發(fā)生的, 車輛在真實(shí)道路行駛的過(guò)程均是測(cè)試過(guò)程, 從而對(duì)智能汽車提出了更高的要求?，F(xiàn)有的開放道路測(cè)試可以分為兩大類, 一類是不限定行駛路線的, 另一類是限定行駛路線的。

不限定行駛路線的測(cè)試方法直接讓被測(cè)系統(tǒng)在實(shí)際開放道路上行駛, 而不限定其行駛路線。不限定行駛路線的測(cè)試方法能夠提供真實(shí)的交通環(huán)境, 滿足環(huán)境感知系統(tǒng)、決策規(guī)劃系統(tǒng)的測(cè)試需求, 理論上是進(jìn)行智能汽車測(cè)試的最佳方式。該測(cè)試方法的主要不足在于測(cè)試周期長(zhǎng)、效率低,測(cè)試成本巨大,同時(shí)必須考慮安全風(fēng)險(xiǎn)問(wèn)題以及法律法規(guī)的限制。從統(tǒng)計(jì)學(xué)角度出發(fā),要驗(yàn)證智能汽車比人類駕駛更安全,理論上應(yīng)該至少進(jìn)行99000000mile(1mile=1609.344m)以上的實(shí)車道路測(cè)試,這是一個(gè)十分漫長(zhǎng)的測(cè)試?yán)锍?span style="line-height:0;vertical-align:baseline;">[10]。因此,單純依靠開放道路測(cè)試方法來(lái)測(cè)試智能汽車并不具備可操作性。

限定行駛路線的方法會(huì)根據(jù)被測(cè)車輛的設(shè)計(jì)運(yùn)行條件(OperationalDesignCondition,ODC)、目標(biāo)和事件探測(cè)與響應(yīng)(ObjectandEventDetectionandResponse,OEDR)等功能定義篩選符合條件的開放道路,用于被測(cè)車輛的測(cè)試。限定行駛路線的實(shí)際道路測(cè)試評(píng)價(jià)框架如圖5-14所示,包括確定被測(cè)車輛的ODC、選定備選道路類型、評(píng)估確定備選、被測(cè)車輛實(shí)際道路測(cè)試和實(shí)際道路評(píng)價(jià)。具體而言,首先,確定被測(cè)車輛的ODC,然后依據(jù)ODC在實(shí)際道路類型集中初步篩選符合ODC的道路類型,之后結(jié)合道路評(píng)估方法和測(cè)試元素基礎(chǔ)模型最終確定符合條件的道路用于測(cè)試,測(cè)試過(guò)程中基于用戶主觀感受來(lái)評(píng)價(jià)被測(cè)車輛的性能。該方法依據(jù)ODC限定測(cè)試的道路,減少了測(cè)試?yán)锍塘?具有一定可行性。

圖5 -14 限定行駛路線的實(shí)際道路測(cè)試評(píng)價(jià)框架

2. 開放道路測(cè)試技術(shù)相關(guān)進(jìn)展

近年來(lái),隨著智能汽車技術(shù)的發(fā)展,國(guó)內(nèi)外企業(yè)均在開放道路測(cè)試上進(jìn)行了大量實(shí)踐。

在我國(guó),多個(gè)城市都開展了開放道路測(cè)試。上海2020年開放道路測(cè)試有效測(cè)試時(shí)長(zhǎng)1.17萬(wàn)h,有效測(cè)試?yán)锍?9.7萬(wàn)km,22家測(cè)試企業(yè)中,避險(xiǎn)脫離率最高為26.8次/100km,平均11.9次/100km。

截至2022年底,廣州市智能網(wǎng)聯(lián)汽車開放道路有效測(cè)試總時(shí)長(zhǎng)超過(guò)51萬(wàn)h、有效測(cè)試總里程達(dá)976.1萬(wàn)km。廣州市2022年測(cè)試主體累計(jì)研發(fā)出25款測(cè)試車型投入到廣州市進(jìn)行道路測(cè)試工作,其中,平均脫離間隔里程數(shù)最長(zhǎng)為51.43km。排名前10的測(cè)試車型中總平均脫離間隔里程數(shù)為28.88km。截至2022年底,北京市累計(jì)28家企業(yè)開展了智能汽車道路測(cè)試。其中,17家企業(yè)379輛智能汽車取得全市范圍內(nèi)測(cè)試通知;14家企業(yè)269輛智能汽車獲準(zhǔn)在高級(jí)別智能汽車示范區(qū)開展道路測(cè)試、示范應(yīng)用及商業(yè)化試點(diǎn)的先行先試。其中,無(wú)人化累計(jì)測(cè)試?yán)锍坛^(guò)138萬(wàn)km,高速公路累計(jì)測(cè)試?yán)锍踢_(dá)5.3萬(wàn)km。

在國(guó)外,梅賽德斯-奔馳于2013年用一輛S500轎車完成了一段103km的全智能汽車道路測(cè)試[11]。整個(gè)測(cè)試路線途經(jīng)25個(gè)城鎮(zhèn)和主要城市,覆蓋了很多復(fù)雜的交通場(chǎng)景。美國(guó)谷歌公司的Waymo智能汽車研發(fā)團(tuán)隊(duì)是最早開展全智能汽車道路測(cè)試的團(tuán)隊(duì)之一。截至2017年10月,Waymo智能汽車在美國(guó)的4個(gè)州、20個(gè)城市完成了超過(guò)5.6×106km的道路測(cè)試。在測(cè)試過(guò)程中,由經(jīng)過(guò)嚴(yán)格培訓(xùn)的測(cè)試工程師負(fù)責(zé)監(jiān)測(cè)和記錄智能汽車的行為,尋找車輛表現(xiàn)不佳或無(wú)法應(yīng)對(duì)的特殊場(chǎng)景,針對(duì)性地改進(jìn)和調(diào)整軟件算法,對(duì)功能進(jìn)行迭代和優(yōu)化。2018—2019年,德國(guó)、英國(guó)、芬蘭、日本等國(guó)的汽車企業(yè)也都在本國(guó)自動(dòng)駕駛相關(guān)法律法規(guī)框架下開展了大量的實(shí)際道路測(cè)試。在美國(guó),谷歌、沃爾沃、通用汽車等廠商都先后開展了智能汽車的開放道路測(cè)試?！都又軩MV智能汽車路測(cè)數(shù)據(jù)》顯示,2022年上報(bào)總測(cè)試?yán)锍虨?20.67萬(wàn)km,上報(bào)總接管數(shù)為8216次,平均接管里程(MPI)為998.87km。

5.3.2 重要度采樣加速測(cè)試方法

重要度采樣加速測(cè)試方法采用數(shù)據(jù)驅(qū)動(dòng)的思想,通過(guò)對(duì)開放道路測(cè)試數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,利用重要度采樣方法提取滿足特定需求的駕駛場(chǎng)景,用于智能汽車的測(cè)試。重要性采樣的本質(zhì)在于改變場(chǎng)景數(shù)據(jù)的原始分布情況,為重要(稀有)場(chǎng)景分配較高的出現(xiàn)概率,在保證事故率估計(jì)準(zhǔn)確的同時(shí)又能減少測(cè)試次數(shù),從而加速測(cè)試。其關(guān)鍵在于引入一個(gè)新的采樣函數(shù)(重要度函數(shù)),在新的采樣函數(shù)中去采樣xi,使發(fā)生重要場(chǎng)景的可能性更高。

下面舉例介紹重要度采樣方法的基本思路。如圖5-15所示,f(x)為目標(biāo)函數(shù)在參數(shù)空間上的分布情況。如圖5 -16 所示, g(x)為參數(shù)x 實(shí)際分布的概率密度函數(shù)。事故率(E) 可按式(5 -4) 進(jìn)行估計(jì)。從圖5 -16 中可以看出,g(x)數(shù)值較大的部分主要集中橫軸的右半部分, 若按照該分布進(jìn)行采樣得到的點(diǎn)大部分位于橫軸右邊; 而目標(biāo)函數(shù)f(x)值較大的部分集中在橫軸左邊, 這就使得測(cè)試過(guò)程中很難快速準(zhǔn)確估計(jì)出事故率。

圖5 -15 目標(biāo)函數(shù)在參數(shù)空間中的概率密度分布示意圖

為了快速準(zhǔn)確估計(jì)事故率, 引入一個(gè)新的采樣函數(shù)p(x), 如圖5 -16 所示, 該函數(shù)的數(shù)值較大的部分更靠左, 也就是與目標(biāo)函數(shù)的分布更接近?；谠摵瘮?shù)進(jìn)行采樣, 采樣的點(diǎn)將會(huì)更多位于橫軸的左邊, 可以更快速且準(zhǔn)確地估計(jì)事故率(E)。引入p(x)后的事故率計(jì)算公式見式(5 -5)。

圖5 -16 目標(biāo)函數(shù)實(shí)際概率密度和采樣函數(shù)概率密度分布示意圖

本書首先立足于整體現(xiàn)狀對(duì)智能汽車測(cè)試體系架構(gòu)進(jìn)行綜述， 并針對(duì)測(cè)試技術(shù)的發(fā)展趨勢(shì)和整個(gè)核心技術(shù)進(jìn)行詳細(xì)描述；然后， 針對(duì)測(cè)試體系中每一測(cè)試過(guò)程的概念、核心思想、關(guān)鍵技術(shù)、測(cè)試方法、發(fā)展趨勢(shì)等進(jìn)行詳細(xì)描述。

本書可供智能汽車設(shè)計(jì)人員及測(cè)試人員閱讀使用， 也可供車輛工程專業(yè)及相關(guān)專業(yè)師生閱讀參考。

手機(jī)打開以下鏈接購(gòu)買

https://mp.weixin.qq.com/s/QBxaIPLrADmhzcUlwvjNPw

作者簡(jiǎn)介：

陳君毅,2009年畢業(yè)于同濟(jì)大學(xué)汽車學(xué)院,獲工學(xué)博士學(xué)位,任職于同濟(jì)大學(xué)汽車學(xué)院?長(zhǎng)期從事自動(dòng)駕駛汽車測(cè)試與評(píng)價(jià)方向研究工作,先后主持和參與國(guó)家級(jí)?省部級(jí)項(xiàng)目共11項(xiàng),并與華為?路特斯?上汽大眾?蔚來(lái)等企業(yè)開展了深度校企合作研究?近5年,在國(guó)內(nèi)外學(xué)術(shù)期刊和國(guó)際會(huì)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(qǐng)發(fā)明專利30余項(xiàng)(已授權(quán)7項(xiàng))?擔(dān)任SAE汽車安全和網(wǎng)絡(luò)安全技術(shù)委員會(huì)秘書?功能安全和預(yù)期功能安全分委會(huì)主席;是自動(dòng)駕駛測(cè)試場(chǎng)景國(guó)際標(biāo)準(zhǔn)(ISO3450X)支撐專家組成員,以及CAICV聯(lián)盟預(yù)期功能安全工作組核心成員;擔(dān)任《汽車工程》和《汽車工程學(xué)報(bào)》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(guó)公路學(xué)報(bào)》?《汽車工程》?IEEE Intelligent Transportation Systems Conference?IEEE Intelligent Vehicles Symposium等國(guó)內(nèi)外期刊和國(guó)際會(huì)議審稿人,曾于多項(xiàng)國(guó)際學(xué)術(shù)會(huì)議擔(dān)任分論壇主席?

版權(quán)信息:

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

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