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)的測試技術(shù)體系也在不斷完善, 推動產(chǎn)業(yè)進(jìn)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(jìn)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(jìn)行詳細(xì)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(guān)鍵技術(shù)?測試方法?發(fā)展趨勢等進(jìn)行詳細(xì)描述?

本書可供智能汽車設(shè)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(guān)專業(yè)師生閱讀參考?

本文是《智能汽車測試技術(shù)》系列文章第七篇（此章完成），前六篇：

智能汽車測試技術(shù)：環(huán)境感知系統(tǒng)的測試技術(shù)與方法（六、案例三:基于虛擬仿真環(huán)境的感知系統(tǒng)測試）

智能汽車測試技術(shù)：環(huán)境感知系統(tǒng)的測試技術(shù)與方法（五、案例二:基于虛擬仿真環(huán)境的硬件模組測試）

智能汽車測試技術(shù)：環(huán)境感知系統(tǒng)的測試技術(shù)與方法（四、案例一:基于封閉場地環(huán)境的感知系統(tǒng)測試）

智能汽車測試技術(shù)：環(huán)境感知系統(tǒng)的測試技術(shù)與方法（三、數(shù)據(jù)生成模型介紹）

智能汽車測試技術(shù)：環(huán)境感知系統(tǒng)的測試技術(shù)與方法（二、測試技術(shù)框架及各類感知環(huán)境介紹）

智能汽車測試技術(shù)：環(huán)境感知系統(tǒng)的測試技術(shù)與方法（一、需求分析及系統(tǒng)介紹）

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

《智能汽車測試技術(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(yàn)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(yàn)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(yīng)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(xiàn)/ 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(guān)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(xiàn)/ 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(rèn)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(rèn)知算法測試/ 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(yàn)設(shè)計測試方法/ 092

5.2.2 動態(tài)試驗(yàn)設(shè)計測試方法/ 094

5.3 基于真實(shí)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(yàn)證/ 113

5.4.4 虛擬里程測試的應(yīng)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(xiàn)/ 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(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(fēng)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(xiàn)/ 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(xiàn)/ 209

附 錄

附錄A 測試工況參數(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

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)知算法測試

本案例的測試技術(shù)框架對應(yīng)圖4-44中序號④、⑤、⑦和⑧的連線。由于算法的輸入通常較為獨(dú)立,一般沒有前序相關(guān)設(shè)備的限制,即單獨(dú)輸入圖像或視頻即可,各種待測感知數(shù)據(jù)獲取方法均可以滿足測試要求。在本案例中共包含四種待測感知數(shù)據(jù)獲取方法,經(jīng)由數(shù)據(jù)采集系統(tǒng)分別從道路交通環(huán)境和封閉場地環(huán)境中獲取待測感知數(shù)據(jù)、經(jīng)由虛擬傳感器模型從虛擬仿真環(huán)境中獲取待測感知數(shù)據(jù)、經(jīng)由數(shù)據(jù)輸出模型直接獲取待測感知數(shù)據(jù)。被測對象為YOLOv5算法,檢測目標(biāo)為降雨條件對檢測結(jié)果的影響。測試流程如下。

圖4 -44 基于三類感知環(huán)境和數(shù)據(jù)生成模型的認(rèn)知算法測試技術(shù)框架

(1)待測數(shù)據(jù)生成

選取降雨作為觸發(fā)條件,選取行人作為預(yù)期感知目標(biāo)設(shè)計靜態(tài)場景,場景中行人目標(biāo)距視覺傳感器縱向距離20m。

從道路交通環(huán)境中使用車載攝像頭采集真實(shí)道路數(shù)據(jù)。根據(jù)實(shí)時天氣預(yù)報的小中大三級降雨,分別采集各級降雨及晴天條件下的原始感知圖像,對攝像頭輸出的原始感知圖像進(jìn)行中心裁剪預(yù)處理,裁剪圖像尺寸為1080×700,最終結(jié)果如圖4-45所示。

圖4-45 路采數(shù)據(jù)生成降雨

封閉場地環(huán)境位于上海某封閉測試場,測試道路右側(cè)設(shè)置有500m長降雨模擬設(shè)備。該降雨模擬設(shè)施共設(shè)有6個降雨等級,從0級到5級分別對應(yīng)無雨、小雨、中雨、大雨、暴雨、大暴雨。基于該降雨模擬設(shè)備,控制視覺傳感器采集晴天和不同降雨強(qiáng)度下的圖像,采集時長大于5s。為保證降雨水平穩(wěn)定,每次調(diào)整降雨模擬設(shè)備的降雨量后,需等待至少5min后再進(jìn)行數(shù)據(jù)采集。為保證各類生成方法的圖像大小一致,對攝像頭輸出的原始感知圖像進(jìn)行中心裁剪預(yù)處理,裁剪圖像尺寸為1080×700,最終結(jié)果如圖4-46所示。

圖4-46 封閉場地生成降雨

使用仿真軟件搭建測試場景,并利用軟件中的虛擬傳感器模型采集虛擬仿真環(huán)境中的待測感知數(shù)據(jù)。首先選取合適的地圖和視覺傳感器模型,同時控制場景中的天氣條件變量(如雨量、云量、地面干濕度等)得到不同等級降雨,最后得到攝像頭表面有水漬和無水漬兩類場景,同樣對攝像頭輸出的原始感知圖像進(jìn)行中心裁剪預(yù)處理,裁剪圖像尺寸為1080×700,兩類場景的結(jié)果分別如圖4-47和圖4-48所示。

圖4-47 虛擬仿真生成降雨(無水漬)

圖4-48 虛擬仿真生成降雨(有水漬)

選取本章介紹的基于生成對抗網(wǎng)絡(luò)構(gòu)建的分級降雨圖像生成模型RCCycleGAN,獲取各級降雨圖像,最終結(jié)果如圖4-49所示。

圖4-49 生成模型模擬降雨

(2) 輸出測試結(jié)果

將上述各方法生成的降雨圖像輸入至目標(biāo)識別算法YOLOv5 中, 以漏檢率和分類置信度為評價指標(biāo), 計算不同等級降雨的評價指標(biāo)數(shù)值。經(jīng)過測試, 對于行人目標(biāo)物, 各類生成方法得到的降雨圖像均未導(dǎo)致漏檢現(xiàn)象出現(xiàn)。分類置信度方面, 以封閉場地物理模擬降雨為例, 其分類置信度(CC) 的結(jié)果如圖4 -50所示?；诓煌煞椒ńY(jié)果的對比和分析, 可以橫向比較各種生成方法的效果。

圖4 -50 不同降雨生成方法的分類置信度結(jié)果

4. 7 本章小結(jié)

本章從環(huán)境感知系統(tǒng)的測試需求出發(fā), 首先說明了環(huán)境感知系統(tǒng)測試對智能汽車安全的必要性; 然后對三類不同被測對象的感知系統(tǒng)、硬件模組和認(rèn)知算法進(jìn)行了介紹; 隨后提出了針對前向環(huán)境感知系統(tǒng)測試的技術(shù)框架, 基于不同的感知環(huán)境并輔以相關(guān)輔助工具, 同時選取合適的被測對象進(jìn)行組合, 即可得到多種的測試方法; 接著對三類感知環(huán)境和數(shù)據(jù)生成模型依次進(jìn)行了詳細(xì)說明和介紹;最后結(jié)合具體的測試案例, 對本章所提出的環(huán)境感知系統(tǒng)各測試方法加以詳細(xì)說明。

參考文獻(xiàn)

[1]RENS,HEK,GIRSHICKR,etal.FasterR?CNN:Towardsreal?timeobjectdetectionwithregionproposalnetworks[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2017,39(6):1137-1149.

[2]LIUW,ANGUELOVD,ERHAND,etal.SSD:Singleshotmultiboxdetector[C]//EuropeanConferenceonComputerVision.Cham:Springer,2016:21-37.

[3]REDMONJ,DIVVALAS,GIRSHICKR,etal.Youonlylookonce:Unified,real?timeobjectdetection

[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.NewYork:IEEE,2016:779-788.

[4]GIRSHICKR,DONAHUEJ,DARRELLT,etal.Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.NewYork:IEEE,2014:580-587.

[5]GIRSHICKR.FastR?CNN[C]//ProceedingsoftheIEEEInternationalConferenceonComputerVision.NewYork:IEEE,2015:1440-1448.

[6]BOCHINSKIE,EISELEINV,SIKORAT.High?speedtracking?by?detectionwithoutusingimageinformation[C]//201714thIEEEInternationalConferenceonAdvancedVideoandSignalbasedSurveillance(AVSS).NewYork:IEEE,2017:1-6.

[7]ZHANGY,SUNP,JIANGY,etal.Bytetrack:Multi?objecttrackingbyassociatingeverydetectionbox

[C]//ComputerVision?ECCV2022.Cham:SpringerCham,2022:1-21.

[8]AHARONN,ORFAIGR,BOBROVSKYBZ.BoT?SORT:Robustassociationsmulti?pedestriantracking[J].arXivpreprintarXiv:2206.14651,2022.

[9]BRIEFSU.Mcitygrandopening[J].ResearchReview,2015,46(3):1-2.

[10]JACOBSONJ,JANEVIKP,WALLINP.ChallengesincreatingAstaZero,theactivesafetytestarea

[C]//TransportResearchArena(TRA)5thConference:TransportSolutionsfromResearchtoDeployment.Paris:[s.n.],2014.

[11]GIBSONT.Virginia