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

點(diǎn)擊鏈接手機(jī)打開(kāi)購(gòu)買  https://mp.weixin.qq.com/s/4QHVGlMIYo4T5itRCIcqlg

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?

《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(kāi)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(kāi)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(jiàn)縮寫詞/ 216

5 . 2 基于場(chǎng)景的測(cè)試技術(shù)與方法

基于場(chǎng)景的測(cè)試通過(guò)預(yù)定義場(chǎng)景參數(shù)確定出具體場(chǎng)景作為測(cè)試用例, 根據(jù)場(chǎng)景參數(shù)賦值方法的不同可分為靜態(tài)試驗(yàn)設(shè)計(jì)測(cè)試方法和動(dòng)態(tài)試驗(yàn)設(shè)計(jì)測(cè)試方法。

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

靜態(tài)試驗(yàn)設(shè)計(jì)是指在測(cè)試活動(dòng)開(kāi)始前就已經(jīng)生成完畢所有測(cè)試用例的測(cè)試策略。傳統(tǒng)的測(cè)試策略, 包括網(wǎng)格測(cè)試、隨機(jī)測(cè)試、組合測(cè)試等都屬于靜態(tài)試驗(yàn)設(shè)計(jì)的范疇?；陟o態(tài)試驗(yàn)設(shè)計(jì)的測(cè)試方法能夠較準(zhǔn)確地找到危險(xiǎn)域的大小、數(shù)量和分布, 但同時(shí)會(huì)引發(fā)參數(shù)爆炸的問(wèn)題。

1 . 網(wǎng)格測(cè)試

網(wǎng)格測(cè)試即將邏輯場(chǎng)景關(guān)鍵參數(shù)離散化, 構(gòu)建測(cè)試網(wǎng)格, 網(wǎng)格中每個(gè)點(diǎn)對(duì)應(yīng)一個(gè)具體場(chǎng)景。測(cè)試過(guò)程中依次選取網(wǎng)格點(diǎn)進(jìn)行測(cè)試。這種方法的特點(diǎn)是可重復(fù)、測(cè)試場(chǎng)景固定, 但會(huì)導(dǎo)致參數(shù)爆炸問(wèn)題。圖5 -3 所示為二維邏輯場(chǎng)景參數(shù)網(wǎng)格圖, 圖中每個(gè)網(wǎng)格點(diǎn)對(duì)應(yīng)一個(gè)具體場(chǎng)景參數(shù)。其中, 橫軸為速度, 參數(shù)范圍是10 ~20m/ s, 取11 個(gè)間隔, 縱軸為距離, 參數(shù)范圍是10 ~ 100m, 取10個(gè)間隔。

圖5 -3 二維邏輯場(chǎng)景參數(shù)網(wǎng)格圖

2. 隨機(jī)測(cè)試

隨機(jī)測(cè)試是指基于邏輯場(chǎng)景的關(guān)鍵參數(shù),構(gòu)建參數(shù)空間,利用隨機(jī)采樣從參數(shù)空間中生成具體場(chǎng)景進(jìn)行測(cè)試。這種方法的特點(diǎn)是隨機(jī)性高,難以重復(fù)。

常見(jiàn)的隨機(jī)測(cè)試方法有蒙特卡洛方法,該方法通過(guò)隨機(jī)抽樣生成大量的隨機(jī)樣本用于測(cè)試。這些樣本可以是從已知概率分布中抽取的,也可以是通過(guò)隨機(jī)過(guò)程生成的。理論上大量的隨機(jī)樣本可以逼近問(wèn)題的解,因此這種測(cè)試方法理論上可以用于測(cè)試系統(tǒng)的安全性。但由于隨機(jī)采樣所需的樣本數(shù)量巨大,且也會(huì)存在類似網(wǎng)格測(cè)試面臨的參數(shù)爆炸問(wèn)題,故不是一個(gè)用于測(cè)試系統(tǒng)安全性的理想選擇。圖5-4所示為一個(gè)二維邏輯場(chǎng)景參數(shù)空間,在該參數(shù)空間中隨機(jī)生成1000個(gè)樣本點(diǎn),每個(gè)點(diǎn)對(duì)應(yīng)一個(gè)具體場(chǎng)景參數(shù)。其中,橫軸為速度,參數(shù)范圍是10~20m/s;縱軸為距離,參數(shù)范圍是10~100m;黃色代表危險(xiǎn)場(chǎng)景對(duì)應(yīng)的具體參數(shù),黑色代表非危險(xiǎn)場(chǎng)景對(duì)應(yīng)的具體參數(shù)。

圖5-4 二維邏輯場(chǎng)景參數(shù)空間隨機(jī)生成具體場(chǎng)景

3. 組合測(cè)試

組合測(cè)試是一種首先在軟件故障測(cè)試上應(yīng)用的測(cè)試方法,組合測(cè)試方法假設(shè)錯(cuò)誤是由t個(gè)參數(shù)相互作用產(chǎn)生的。因此,我們可以選擇測(cè)試用例,使得對(duì)于任意t(t是一個(gè)小的正整數(shù),一般是2或者3)個(gè)參數(shù),其所有可能取值的組合至少被一個(gè)測(cè)試用例覆蓋。運(yùn)用組合測(cè)試可以顯著減少測(cè)試用例的數(shù)量,并能夠直接檢測(cè)各參數(shù)組合對(duì)軟件的影響。在組合測(cè)試方法用于具體場(chǎng)景生成方面,主要通過(guò)對(duì)場(chǎng)景參數(shù)的具體取值進(jìn)行組合完成場(chǎng)景生成。

下面用一個(gè)簡(jiǎn)單的例子來(lái)說(shuō)明組合測(cè)試方法。表5-1描述了一個(gè)具有四個(gè)場(chǎng)景參數(shù)的邏輯場(chǎng)景,該場(chǎng)景的每個(gè)參數(shù)有3個(gè)可選值,使用網(wǎng)格測(cè)試方法測(cè)試該邏輯場(chǎng)景下被測(cè)系統(tǒng)的性能需要34=81個(gè)測(cè)試用例。

采用兩兩組合測(cè)試準(zhǔn)則,測(cè)試時(shí)僅需要表5-2中的9個(gè)測(cè)試用例,即可覆蓋任意兩個(gè)參數(shù)的所有取值組合。

表5-1 一個(gè)具有四個(gè)場(chǎng)景參數(shù)的邏輯場(chǎng)景

表5-2 組合測(cè)試用例

靜態(tài)試驗(yàn)設(shè)計(jì)的主要缺陷在于忽視了測(cè)試活動(dòng)中逐步獲取的被測(cè)系統(tǒng)信息,后續(xù)測(cè)試用例無(wú)法參考已完成用例的測(cè)試結(jié)果進(jìn)行設(shè)計(jì),是一種基本但低效率的測(cè)試方法。

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

動(dòng)態(tài)試驗(yàn)設(shè)計(jì)是指在測(cè)試活動(dòng)中逐步動(dòng)態(tài)地生成測(cè)試用例的測(cè)試策略。動(dòng)態(tài)試驗(yàn)設(shè)計(jì)將測(cè)試過(guò)程視為一個(gè)黑箱函數(shù),其輸入和輸出分別為測(cè)試用例和測(cè)試結(jié)果,通過(guò)引入黑箱優(yōu)化的思想,使用歷史測(cè)試結(jié)果預(yù)測(cè)更關(guān)鍵的測(cè)試采樣位置,指導(dǎo)下一步的試驗(yàn)設(shè)計(jì)?；趧?dòng)態(tài)試驗(yàn)設(shè)計(jì)的測(cè)試方法能夠有效提高測(cè)試效率,能夠一定程度上解決參數(shù)爆炸問(wèn)題;同時(shí),一些基于動(dòng)態(tài)試驗(yàn)設(shè)計(jì)的測(cè)試方法在危險(xiǎn)域大小、數(shù)量和分布上也有較好的表現(xiàn)。危險(xiǎn)場(chǎng)景搜索方法整體框架如圖5-5所示。首先,以邏輯場(chǎng)景參數(shù)空間D作為優(yōu)化算法的輸入。其次,基于給定參數(shù)空間D,通過(guò)優(yōu)化算法計(jì)算采樣得到具體場(chǎng)景參數(shù)d。然后,依托在環(huán)仿真測(cè)試平臺(tái),根據(jù)具體場(chǎng)景參數(shù)d生成并運(yùn)行具體場(chǎng)景。最后,將被測(cè)系統(tǒng)在該場(chǎng)景的安全性評(píng)價(jià)結(jié)果r作為優(yōu)化算法的成本函數(shù)值,輸出至優(yōu)化算法。算法根據(jù)前一輪結(jié)果,調(diào)整后一輪的具體場(chǎng)景參數(shù)d,反復(fù)迭代至試驗(yàn)達(dá)到結(jié)束條件。同時(shí),根據(jù)安全性評(píng)價(jià)標(biāo)準(zhǔn),將搜索過(guò)程中所有的危險(xiǎn)場(chǎng)景輸出,得到危險(xiǎn)場(chǎng)景集。

圖5 -5 危險(xiǎn)場(chǎng)景搜索方法整體框架

典型的優(yōu)化算法可以分為群體智能類算法和代理模型類算法。群體智能類算法是無(wú)模型的優(yōu)化方法,通常僅利用前一個(gè)迭代輪次的樣本信息,典型的算法粒子群(ParticleSwarmOptimization,PSO)算法[1]、差分進(jìn)化(DifferentialEvolution,DE)算法[2]、遺傳算法(GeneticAlgorithm,GA)[3]等。代理優(yōu)化類算法是有模型的優(yōu)化方法,通過(guò)維護(hù)一個(gè)測(cè)試過(guò)程的代理模型,選擇更有潛力的采樣點(diǎn),典型的算法包括貝葉斯優(yōu)化(BayesianOptimization,BO)算法[4]、基于信賴域的貝葉斯優(yōu)化[5]、隱動(dòng)作蒙特卡洛樹搜索(LatentActionMonteCarloTreeSearch,LA?MCTS)[6]等。

1.PSO算法

PSO算法是Kennedy和Eberhart受人工生命研究結(jié)果的啟發(fā)、通過(guò)模擬鳥群覓食過(guò)程中的遷徙和群聚行為而提出的一種典型的基于群體智能的全局隨機(jī)優(yōu)化算法。在PSO中,每個(gè)優(yōu)化問(wèn)題的潛在解都是搜索空間中的一只鳥,稱為粒子。所有的粒子都有位置、速度和結(jié)果三個(gè)值,其中位置即輸入?yún)?shù)的數(shù)值,速度決定粒子飛翔的方向和距離,結(jié)果由成本函數(shù)計(jì)算得到。在每一次迭代中,粒子通過(guò)跟蹤兩個(gè)最優(yōu)值來(lái)更新自己:一個(gè)是粒子本身的歷史最優(yōu)解,即個(gè)體最優(yōu);另一個(gè)是整個(gè)種群的歷史最優(yōu)解,即全局最優(yōu)。基于個(gè)體最優(yōu)和全局最優(yōu),粒子的速度和位置更新計(jì)算方法見(jiàn)式(5-1)和式(5-2)。

圖5-6PSO算法具體流程

2. BO算法

BO算法是一種典型的解決全局優(yōu)化問(wèn)題的算法,目的是找到全局最優(yōu)解。其優(yōu)化過(guò)程利用了著名的“貝葉斯定理”,通過(guò)更新迭代輸入與輸出的映射概率模型,找到空間中的最優(yōu)位置。算法計(jì)算原理見(jiàn)式(5-3)。 

BO算法主要包含兩個(gè)核心部分———概率代理模型和采集函數(shù)。概率代理模型包含先驗(yàn)概率模型和觀測(cè)模型。先驗(yàn)概率模型即p(f),觀測(cè)模型描述觀測(cè)數(shù)據(jù)生成的機(jī)制,即似然分布

更新概率代理模型意味著根據(jù)式(5-3)得到包含更多數(shù)據(jù)信息的驗(yàn)概率分布。采集函數(shù)根據(jù)后驗(yàn)概率分布構(gòu)造,通過(guò)最大化采集函數(shù)來(lái)選擇下一個(gè)最有“潛力”的采樣點(diǎn)。同時(shí),有效的采集函數(shù)能保證選擇的評(píng)估點(diǎn)序列使得總損失最小。BO算法原理如圖5-7所示,主要分為三個(gè)步驟:

1)根據(jù)最大化采集函數(shù)來(lái)選擇下一個(gè)最有潛力的評(píng)估點(diǎn)。

2)根據(jù)選擇的評(píng)估點(diǎn),評(píng)估成本函數(shù)值。

3)把新得到的輸入和輸出值添加到歷史觀測(cè)集中,更新概率代理模型,為下一次迭代做準(zhǔn)備。

BO算法相較于MC算法和GS算法,能在更少的評(píng)估中獲得更好的結(jié)果。但隨著迭代輪次的增加,代理模型的更新耗時(shí)會(huì)大幅增加,并且,BO算法在高維空間的性能與MC相近。因此,BO算法僅適用于迭代輪次較少、空間維度較低的優(yōu)化問(wèn)題,不適用于高維參數(shù)空間。

圖5-7BO算法原理

3. 算法性能對(duì)比

(1)指標(biāo)選取

C正確地預(yù)測(cè)為非關(guān)鍵用例的部分;的交集,即本身是非關(guān)鍵用例,但被C錯(cuò)誤地預(yù)測(cè)為關(guān)鍵用例的部分。

圖5 -8 混淆矩陣

召回率recall表示預(yù)測(cè)關(guān)鍵用例中真實(shí)的關(guān)鍵用例占所有真實(shí)關(guān)鍵用例的比例,是覆蓋率的自然定義;準(zhǔn)確率precision表示預(yù)測(cè)關(guān)鍵用例中真實(shí)的關(guān)鍵用例占所有預(yù)測(cè)關(guān)鍵用例的比例,它是對(duì)召回率的補(bǔ)充。如果僅采用召回率作為算法性能的評(píng)價(jià)指標(biāo),試想這樣一種情況:不難構(gòu)造一個(gè)刻意的分類器Cdummy將所有用例都預(yù)測(cè)為關(guān)鍵用例,那么召回率恒等于1,這就失去了對(duì)算法性能進(jìn)行評(píng)估的意義。因此需要綜合考慮召回率和準(zhǔn)確率。Fα分?jǐn)?shù)是機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)常用的一個(gè)綜合指標(biāo),它是召回率和準(zhǔn)確率的加權(quán)調(diào)和平均數(shù),α∈(0,+∞)是超參數(shù),用于調(diào)節(jié)召回率和準(zhǔn)確率的相對(duì)權(quán)重。如果α=1,召回率和準(zhǔn)確率具有同樣的重要性,α越大,意味著召回率越被重視。解集覆蓋問(wèn)題的目標(biāo)是覆蓋率(即召回率),因此本節(jié)中使用了F2分?jǐn)?shù)作為各算法性能的評(píng)價(jià)指標(biāo)。

(2)性能對(duì)比

為了驗(yàn)證優(yōu)化算法性能,本節(jié)在兩種測(cè)試函數(shù)上對(duì)優(yōu)化算法性能進(jìn)行驗(yàn)證,具體而言,除了包括前面提到的6個(gè)算法之外,還增加了蒙特卡洛(Monte?Carlo,MC)搜索算法、SOBOL[7]算法,以及針對(duì)動(dòng)態(tài)試驗(yàn)設(shè)計(jì)測(cè)試而改進(jìn)的改進(jìn)粒子群算法[8](ImprovedParticleSwarmOptimization,IPSO)和密度自適應(yīng)隱動(dòng)作蒙特卡洛集束搜索(Latent?ActionMonte?CarloBeamSearchwithDensityAdaption,LAMB?DA)[9]。MC是一種隨機(jī)算法,SOBOL與隨機(jī)算法類似,但其產(chǎn)生的采樣在空間中更加均勻。使用MC和SOBOL的目的是體現(xiàn)優(yōu)化算法的優(yōu)越性。

黑箱優(yōu)化領(lǐng)域的研究者們?cè)O(shè)計(jì)了許多測(cè)試函數(shù)用于算法的性能評(píng)估。不同測(cè)試函數(shù)具備不同的結(jié)構(gòu)和特點(diǎn),能夠針對(duì)黑箱優(yōu)化算法某一方面或某些方面的性能進(jìn)行有效的檢驗(yàn)。本節(jié)選取的兩個(gè)測(cè)試函數(shù)分別是Holder?Table和高斯測(cè)試函數(shù)。Holder?Table是黑箱優(yōu)化領(lǐng)域內(nèi)常用的一個(gè)測(cè)試函數(shù)。如圖5-9a所示。它定義在二維空間上,方便作為一個(gè)演示性的例子;同時(shí)存在四個(gè)全局最優(yōu)值,分布在空間的四個(gè)角落中,對(duì)于算法的全局探索能力很有挑戰(zhàn)性;此外,它還存在非常多的局部最優(yōu)模態(tài),性能較弱的優(yōu)化算法可能被困于這些陷阱模態(tài)中。高斯測(cè)試函數(shù)也是一個(gè)多模態(tài)函數(shù),但與Holder?Table測(cè)試函數(shù)不同,高斯測(cè)試函數(shù)不僅具有多個(gè)模態(tài)(危險(xiǎn)域),而且還具有危險(xiǎn)域稀疏性,即除了極小的危險(xiǎn)域之外的絕大部分區(qū)域的函數(shù)值都接近0,如圖5-9b所示,這對(duì)優(yōu)化算法的信息利用能力是個(gè)很大的挑戰(zhàn)。

圖5 -9 測(cè)試函數(shù)示意圖

各優(yōu)化算法在Holder?Table測(cè)試函數(shù)上開(kāi)展優(yōu)化搜索,結(jié)果如圖5-10所示。從圖中可以看出,除去做了針對(duì)性改進(jìn)的IPSO算法外,代理模型類算法的F2分?jǐn)?shù)普遍優(yōu)于群體智能類算法。從圖5-11的采樣點(diǎn)分布情況可以看出在1500輪采樣時(shí),相比其他算法,LAMBDA算法以及BO算法在四個(gè)危險(xiǎn)域附近進(jìn)行了大量探索,具備較高的搜索效率和危險(xiǎn)域識(shí)別準(zhǔn)確率。

各優(yōu)化算法在高斯測(cè)試函數(shù)上的結(jié)果如圖5-12所示。從圖中也可以看出除了IPSO算法外,代理模型類算法的F2分?jǐn)?shù)普遍優(yōu)于群體智能類算法。從圖5-13的采樣點(diǎn)分布情況可以看出IPSO的采樣主要圍繞兩個(gè)危險(xiǎn)域展開(kāi),說(shuō)明其對(duì)危險(xiǎn)域識(shí)別的準(zhǔn)確性較高。

圖5-10Holder?Table測(cè)試函數(shù)上采樣過(guò)程中F2分?jǐn)?shù)變化圖

圖5-11Holder?Table測(cè)試函數(shù)上1500輪時(shí)不同算法采樣點(diǎn)分布情況

圖5-12 高斯測(cè)試函數(shù)上采樣過(guò)程中F2分?jǐn)?shù)變化圖

圖5 -13 高斯測(cè)試函數(shù)上1500 輪時(shí)不同算法采樣點(diǎn)分布情況

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。

點(diǎn)擊鏈接手機(jī)打開(kāi)購(gòu)買  https://mp.weixin.qq.com/s/4QHVGlMIYo4T5itRCIcqlg

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(kāi)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。