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(yīng)用蓬勃發(fā)展, 產(chǎn)業(yè)規(guī)模不斷擴大,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(guān)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)》第五章節(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(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?點擊下方鏈接直播購買此書。

https://mp.weixin.qq.com/s/vMKR_WE8x5FTEwQX98fRDA

《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(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/ 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/ 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(shè)計測試方法/ 092

5.2.2 動態(tài)試驗設(shè)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(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/ 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(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

錯誤注入測試技術(shù)能夠模擬上游系統(tǒng)(感知、融合、預(yù)測系統(tǒng)) 的誤差或錯誤, 實現(xiàn)對決策規(guī)劃系統(tǒng)在輸入數(shù)據(jù)不可信情況下的健壯性和安全性進行仿真測試。

5. 5. 2 錯誤注入測試技術(shù)

錯誤注入是一種經(jīng)典的抗擾性測試方法,在芯片、軟件、航空航天等領(lǐng)域得到了廣泛應(yīng)用。在錯誤注入測試中,測試人員通過設(shè)計受控實驗,人為地在被測系統(tǒng)上模擬錯誤,觀察被測系統(tǒng)在錯誤擾動下的表現(xiàn),對被測系統(tǒng)的抗擾性進行評估。針對自動駕駛系統(tǒng),近年來也有不少研究在仿真測試的基礎(chǔ)上引入了錯誤注入方法。本節(jié)介紹一種面向決策規(guī)劃系統(tǒng)的錯誤注入技術(shù),該技術(shù)能夠?qū)ψ詣玉{駛決策規(guī)劃系統(tǒng)的輸入數(shù)據(jù)進行刻意修改,以此模擬上游系統(tǒng)(感知、融合、預(yù)測系統(tǒng))的誤差或錯誤,實現(xiàn)對決策規(guī)劃系統(tǒng)在輸入數(shù)據(jù)不可信情況下的健壯性和安全性進行仿真測試。

1. 形式化錯誤模型定義

錯誤注入的本質(zhì)是對自動駕駛決策規(guī)劃系統(tǒng)接口數(shù)據(jù)進行研究,構(gòu)建統(tǒng)一的標準模型(數(shù)據(jù)模型)存儲決策規(guī)劃系統(tǒng)所需要的各個數(shù)據(jù),并使用形式化后的錯誤信息(錯誤模型)對數(shù)據(jù)進行刻意修改,以達到注入錯誤的目的。因此,構(gòu)建數(shù)據(jù)模型和錯誤模型是錯誤注入的核心工作。

(1)數(shù)據(jù)模型構(gòu)建

數(shù)據(jù)模型存儲某一時刻下仿真所需的所有數(shù)據(jù)的真值信息。為了保證通用性,模型內(nèi)部的數(shù)據(jù)結(jié)構(gòu)應(yīng)是一個統(tǒng)一的標準結(jié)構(gòu),而不依賴于任何一個特定的仿真軟件或被測對象。因此,可以基于自動駕駛六層場景本體模型,結(jié)合對決策規(guī)劃系統(tǒng)工作原理的分析,歸納構(gòu)建自動駕駛決策規(guī)劃系統(tǒng)接口數(shù)據(jù)的數(shù)據(jù)模型。

第3章提到的六層場景本體可以系統(tǒng)性、結(jié)構(gòu)化地描述一個自動駕駛場景。然而,自動駕駛決策規(guī)劃系統(tǒng)除了需要來自環(huán)境感知的外部場景信息以外,還需要來自內(nèi)部的自車信息(如自車的運動學狀態(tài)、控制狀態(tài)以及車輛內(nèi)部機械和電子部件的工作狀態(tài)等)。因此,錯誤注入技術(shù)所構(gòu)建的數(shù)據(jù)模型具有和六層場景本體類似的層級架構(gòu),并在此基礎(chǔ)上添加了表示自車內(nèi)部信息的自車層。自動駕駛決策規(guī)劃系統(tǒng)接口數(shù)據(jù)模型的結(jié)構(gòu)如圖5-42所示。

圖5-42 自動駕駛決策規(guī)劃系統(tǒng)接口數(shù)據(jù)模型的結(jié)構(gòu)

(2)錯誤模型構(gòu)建

1)數(shù)據(jù)錯誤的形式化。錯誤模型是待注入錯誤的集合。為了將自定的錯誤信息轉(zhuǎn)化為計算機所能識別和執(zhí)行的統(tǒng)一格式并提高技術(shù)的通用性,需要對數(shù)據(jù)錯誤進行形式化處理。數(shù)據(jù)錯誤可以定義為變量在真值的基礎(chǔ)上發(fā)生的變更,數(shù)據(jù)變更的過程可表示為式(5-27)所示的形式:

式中,v為變量真值;δ為錯誤值;f函數(shù)為注入算子;v′為錯誤注入后的目標變量,可由f根據(jù)變量真值和錯誤值計算得到。

出于對自動駕駛系統(tǒng)安全性的考慮,決策規(guī)劃系統(tǒng)通常被要求工作在較高的實時頻率,其接口數(shù)據(jù)也以較高頻率進行刷新,表現(xiàn)為由大量數(shù)據(jù)幀在時間上組成的連續(xù)序列,因此,可將式(5-27)拓展為以下形式:

 2)錯誤模式。錯誤的具體表現(xiàn)形式稱為錯誤模式。錯誤模式分可為基礎(chǔ)錯誤模式和目標級錯誤模式兩類。上述值覆蓋和值偏移兩個注入算子可以被看作基礎(chǔ)錯誤模式。基礎(chǔ)錯誤模式可進行組合和擴展,構(gòu)成更加復(fù)雜的錯誤模式。例如從一個噪聲分布中隨機采樣獲得錯誤值,再通過值偏移模式疊加到數(shù)據(jù)真值上,便可以得到隨機噪聲錯誤模式。從近年來發(fā)生的與自動駕駛相關(guān)的事故中不難發(fā)現(xiàn),真實世界中影響決策規(guī)劃系統(tǒng)并最終導致事故的錯誤往往不會以基礎(chǔ)錯誤模式的形式出現(xiàn),而是以更高層級的,由基礎(chǔ)錯誤模式組合拓展得到的目標級錯誤模式出現(xiàn)(如整個目標的長時間漏檢或間歇性無法確定被檢測目標類型)。基礎(chǔ)錯誤模式是錯誤的具體實現(xiàn)手段,目標級錯誤模式是錯誤的實際表現(xiàn)方式。因此在測試時,對所注入錯誤的定義應(yīng)該使用目標級錯誤模式。

為了系統(tǒng)性歸納目標級錯誤模式的所有表現(xiàn)形式,可從存在不確定性、類別不確定性、時序不確定性和狀態(tài)不確定性共四個方面對目標級錯誤模式進行分類,如圖5-43所示。其中,存在不確定性錯誤是指無法確定目標是否存在的錯誤,具體表現(xiàn)為對存在目標的漏檢及對不存在目標的誤檢。類別不確定性錯誤是指無法正確對目標進行歸類的錯誤,如將行人分類為自行車、將車輛分類為靜態(tài)障礙物等。時序不確定性錯誤是指數(shù)據(jù)真值在時間序列上發(fā)生錯序的錯誤,具體表現(xiàn)為實際值始終延后于真值的時延錯誤與實際值重復(fù)歷史值的重發(fā)錯誤。狀態(tài)不確定性錯誤是指對場景中各目標的狀態(tài)信息估計不準確的錯誤,其中參數(shù)偏移是指狀態(tài)值發(fā)生了有規(guī)律可循的偏移,如恒定的估計誤差,精度下降是指狀態(tài)值發(fā)生了隨機偏移,造成對目標狀態(tài)估計的精度不足,如隨機噪聲。上述目標級錯誤模式均為基礎(chǔ)錯誤模式在時間序列上進行排列拓展而來。

圖5 -43 目標級錯誤模式分類

圖5-44所示為7種目標級錯誤模式在時間序列上的表現(xiàn)形式。需要注意的是,圖5-44所展示的僅僅是相應(yīng)錯誤模式的單一表現(xiàn)形式。在實際測試中,各錯誤參數(shù)如時延中的延遲時間、參數(shù)偏移中的偏移值等可能隨時間發(fā)生改變;錯誤的持續(xù)時間及發(fā)生次數(shù)也可能會發(fā)生改變;同一目標物上發(fā)生的錯誤模式類別也可能會發(fā)生改變或疊加,如一開始發(fā)生了時延錯誤,之后又發(fā)生了參數(shù)偏移錯誤。具體的錯誤形式需要根據(jù)測試目的及真實情況對各目標級錯誤模式及各錯誤參數(shù)組合設(shè)計得到。

3)錯誤模型。上述方法對數(shù)據(jù)錯誤建立了通用的形式化方法,但這樣描述的錯誤僅能表示某個特定類型的數(shù)據(jù)相比其真值發(fā)生了錯誤的變更,無法明確這個數(shù)據(jù)具體的含義,也無法明確這個錯誤的含義。完整的錯誤模型還應(yīng)該包含錯誤的語義,需要建立形式化的錯誤和發(fā)生錯誤的目標數(shù)據(jù)之間的聯(lián)系。Nurminen等在對機器學習的訓練數(shù)據(jù)進行錯誤注入研究時,提出一種錯誤生成樹的方法。該方法首先根據(jù)訓練數(shù)據(jù)集的結(jié)構(gòu)建立一棵樹,接著通過在樹的部分葉子節(jié)點上添加變換來模擬數(shù)據(jù)錯誤。借助這種錯誤生成樹的思想可以建立錯誤和數(shù)據(jù)模型之間的聯(lián)系,以實現(xiàn)完整的錯誤模型。

圖5-447種目標級錯誤模式在時間序列上的表現(xiàn)形式

數(shù)據(jù)模型也可被建模為樹結(jié)構(gòu),稱為數(shù)據(jù)生成樹。數(shù)據(jù)生成樹的根節(jié)點代表整個數(shù)據(jù)模型,第一層的節(jié)點代表圖5-42所示的場景本體層次,往下的節(jié)點代表場景中各個元素的各種信息,復(fù)雜的信息由基本的信息構(gòu)成,一直到底層的葉子節(jié)點,成為不可繼續(xù)分割的原子數(shù)據(jù)類型。數(shù)據(jù)生成樹中的每個節(jié)點都具有自己的數(shù)據(jù)類型,一個錯誤可以關(guān)聯(lián)到相同數(shù)據(jù)類型的樹節(jié)點上,表示這個錯誤的目標數(shù)據(jù)就是這個樹節(jié)點上的數(shù)據(jù)。通過這種方法,可以同步推導出一棵錯誤生成樹,它跟數(shù)據(jù)生成樹具有完全相同的結(jié)構(gòu),但每個節(jié)點上的數(shù)據(jù)不表示真值而表示錯誤值,合并數(shù)據(jù)生成樹和錯誤生成樹即可得到發(fā)生錯誤的場景。圖5-45所示為使用樹模型連接數(shù)據(jù)模型和錯誤模型的示例,圖示場景包含三個錯誤:①交通參與者A的類別錯誤;②交通參與者A的位置y坐標存在高斯誤差;③交通參與者C出現(xiàn)漏檢錯誤。

通過使用錯誤五元組形式化地定義單個錯誤,并使用樹模型將錯誤與數(shù)據(jù)模型中對應(yīng)的目標數(shù)據(jù)進行關(guān)聯(lián),可以完整定義任意測試場景下的錯誤組合,形成決策規(guī)劃系統(tǒng)接口數(shù)據(jù)的錯誤模型。

2. 錯誤注入測試功能實現(xiàn)

(1)架構(gòu)設(shè)計

基于上述錯誤注入模型的分析,在設(shè)計錯誤注入工具時,可將其分解為四個功能模塊,見表5-21。

表5-21 錯誤注入工具功能模塊

其中,各個功能模塊又可按照特定的功能需求進一步分成若干子模塊,具體見表5-22。

表5-22 錯誤注入工具子模塊

上述功能模塊子模塊之間的聯(lián)系如圖5 -46 所示。

錯誤注入工具工作在一個仿真集群上。一次錯誤注入測試被抽象為一個任務(wù), 所有的測試任務(wù)都由部署在集群上位機節(jié)點上的任務(wù)中心進行分發(fā)。測試任務(wù)的來源被抽象為一個采樣器, 它通過隨機、批量、網(wǎng)格或者智能算法等方式生成新的測試任務(wù)給任務(wù)中心。測試任務(wù)的實際執(zhí)行者為集群中的多個計算節(jié)點, 計算節(jié)點上部署了仿真軟件、被測對象、錯誤注入器、自動化測試客戶端等大部分模塊。用戶通過錯誤藍圖和場景藍圖定義一次測試任務(wù)的測試用例,錯誤藍圖解析器解析用戶定義的錯誤進而生成錯誤模型, 錯誤模型在仿真運行時對數(shù)據(jù)模型中的數(shù)據(jù)進行更改以模擬錯誤。通過各自的適配器,仿真軟件和被測對象以數(shù)據(jù)模型為中介進行信息交換,實現(xiàn)在環(huán)仿真。

圖5 -46 錯誤注入測試工具架構(gòu)

(2)錯誤藍圖

前面介紹了錯誤注入模型,其中數(shù)據(jù)模型存儲某一時刻下仿真所需的所有數(shù)據(jù)的真值信息,錯誤模型對錯誤進行了形式化處理并定義了具體的錯誤表現(xiàn)形式。進一步可知,準確地描述一個錯誤需要以下5個信息:①錯誤注入的目標數(shù)據(jù)變量,即該錯誤將要被注入決策規(guī)劃系統(tǒng)的哪個接口數(shù)據(jù)上;②目標數(shù)據(jù)變量的數(shù)據(jù)類型;③錯誤注入的觸發(fā)條件,即該錯誤什么時候/什么情況下開始發(fā)生;④錯誤值的時間序列;⑤錯誤的附加模式,即錯誤值與真值結(jié)合的注入算子,如圖5-47所示。

錯誤藍圖是用戶與錯誤注入工具交互的接口,基于上述定義的錯誤描述信息編寫。錯誤藍圖包含需要注入的錯誤信號的目標、時機和模式。在每次錯誤注入實驗開始之前,錯誤藍圖解析器讀取用戶輸入的錯誤藍圖,檢驗和解析錯誤藍圖中定義的各項錯誤,調(diào)用錯誤注入工具后端提供的接口初始化錯誤模型和數(shù)據(jù)模型,為實驗做好準備。

圖5 -47 描述數(shù)據(jù)錯誤所需信息

(3)與仿真軟件和被測對象的適配

前面介紹了錯誤注入工具的主要功能模塊。在投入實際使用之前,還需要將該工具與仿真軟件和被測對象連接起來,圖5-48所示為與仿真軟件和被測對象完成適配之后的錯誤注入工具架構(gòu)。其中,VTD是使用的仿真軟件的名稱,SUT是實驗中使用的被測決策規(guī)劃系統(tǒng)。

圖5 -48 與仿真軟件和被測對象完成適配之后的錯誤注入工具架構(gòu)

1)與仿真軟件的適配。研究中使用的自動駕駛仿真軟件為VTD,它提供了包括場景構(gòu)建、傳感器仿真、交通流仿真、車輛動力學仿真在內(nèi)的完備的仿真能力,對于包括OpenDRIVE地圖格式、OpenSCEANRIO場景格式、OpenCRG路譜格式在內(nèi)等多項開源標準有著良好的支持。本節(jié)主要使用VTD提供道路、交通設(shè)施、交通參與者、動力學模型等基本仿真環(huán)境,由于研究對象是決策規(guī)劃系統(tǒng),因此直接從VTD中提取場景的對象級信息,不涉及傳感器仿真。

錯誤注入工具與仿真軟件的適配主要涉及兩部分內(nèi)容:數(shù)據(jù)模型與仿真軟件數(shù)據(jù)接口的連接,以及自動化測試客戶端與仿真軟件控制接口的連接。

VTD的實時仿真數(shù)據(jù)接口通過其RDB協(xié)議進行連接,使用傳輸控制協(xié)議(TCP)從VTD預(yù)定義的本地端口提取和發(fā)送RDB消息就可以實現(xiàn)數(shù)據(jù)模型和VTD實時仿真數(shù)據(jù)的交互。主要使用的RDB消息及其內(nèi)容與作用見表5-23。

表5-23 主要使用的RDB消息及其內(nèi)容與作用

VTD的仿真控制接口通過其SCP進行連接,使用TCP向VTD預(yù)定義的端口發(fā)送SCP指令就可以控制仿真的進程。自動化測試框架主要使用了SCP中的兩個指令,見表5-24,其中scenario_file_path是一個參數(shù),用于指定仿真場景文件的路徑。

表5-24 使用的SCP指令

2)與被測決策規(guī)劃系統(tǒng)的適配。錯誤注入工具和被測決策規(guī)劃系統(tǒng)適配工作的主要目標是實現(xiàn)它們之間的實時信息交換,如圖5-49所示。通過數(shù)據(jù)模型作為中轉(zhuǎn),從VTD中提取自車信息(CANINFO、NAVINFO)、檢測對象信息(OBJECTLIST)、占據(jù)柵格地圖(FUSIONMAP)、車道信息(LANES)、交通信號燈(TRAFFICLIGHT)等信息發(fā)送給被測對象;從被測對象接收車輛控制信息(CANCONTROL)并應(yīng)用于VTD的車輛模型中,完成閉環(huán)仿真。

圖5-49 被測對象和VTD經(jīng)過數(shù)據(jù)模型進行連接

3. 錯誤注入測試技術(shù)應(yīng)用

前面介紹了錯誤注入測試的核心模型和功能實現(xiàn),開發(fā)了相應(yīng)的錯誤注入測試工具。錯誤注入工具在自動駕駛領(lǐng)域有著廣泛應(yīng)用,錯誤注入是對自動駕駛系統(tǒng)的抗擾性進行研究的一種有效方法,基于仿真實現(xiàn)錯誤模擬是對自動駕駛系統(tǒng)進行錯誤注入測試的主要途徑。智能汽車決策規(guī)劃系統(tǒng)的計算結(jié)果與感知系統(tǒng)的輸入數(shù)據(jù)直接相關(guān),它對上游數(shù)據(jù)錯誤的抗擾能力,對整個自動駕駛系統(tǒng)的安全性有重要影響,對其進行測試和驗證十分必要。下面以決策規(guī)劃系統(tǒng)的抗擾性測試為例,介紹錯誤注入測試工具的具體應(yīng)用。

下面的測試舉例選擇了兩個被測系統(tǒng),被測系統(tǒng)①為前面提到的IDM,被測系統(tǒng)②為Li等人提出的系統(tǒng),該系統(tǒng)基于分層MPC進行開發(fā),包含循跡、主動換道、路口通行、靜態(tài)避障、泊車以及結(jié)構(gòu)化道路超車與避讓等功能。實驗在一個硬件在環(huán)仿真測試平臺上進行,如圖5-50所示。示例使用VTD作為仿真平臺提供理想的感知真值。兩個被測決策規(guī)劃系統(tǒng)部署在一臺AIR-300工控機上。錯誤注入相關(guān)程序部署在仿真服務(wù)器中,根據(jù)所定義的錯誤將感知真值進行修改后發(fā)送給決策規(guī)劃系統(tǒng)。決策規(guī)劃系統(tǒng)接受感知信息后輸出決策信息發(fā)送回仿真服務(wù)器中,仿真服務(wù)器接受決策信息,生成控制信號,作用于VTD中的受控車輛,完成仿真閉環(huán)。

圖5 -50 硬件在環(huán)仿真測試平臺

系統(tǒng)抗擾性測試場景如圖5-51所示。如前所述,自車(Ego)由被測的決策系統(tǒng)控制,以初速度Ve0=60km/h行駛;前車(T)于自車同車道前方距離S=33m處,初始速度為Vt0=60km/h,仿真開始后第1s,前車以0.5g的減速度勻減速至靜止。正常情況下(無錯誤注入),兩個被測系統(tǒng)均能控制自車采取合適的減速度制動至靜止,并與前車保持安全的距離。

圖5 -52 漏檢錯誤模式的時間軸

本實驗中自車跟隨前車沿道路方向行駛,因此碰撞風險來源于自車縱向,故采用每次測試過程中自車與前車的最小碰撞時間(TTC)作為安全性評價指標。規(guī)定最小TTC小于0.5s的測試用例為關(guān)鍵測試用例,這些用例對應(yīng)的錯誤導致了自動駕駛系統(tǒng)在該場景下產(chǎn)生碰撞風險。

兩個被測系統(tǒng)的實驗結(jié)果如圖5-53所示,它是通過對兩個錯誤參數(shù)張成的搜索空間進行網(wǎng)格遍歷測試得到的,網(wǎng)格分辨率為51×51,對于每個網(wǎng)格點都進行了一次仿真測試,每次測試以整個場景過程中最小的TTC作為輸出結(jié)果來表征場景的危險程度。同時,為了能更加直觀地觀測關(guān)鍵錯誤參數(shù)的分布情況以及得到被測決策規(guī)劃系統(tǒng)的抗擾性安全邊界,將所得結(jié)果進行擬合插值,最終得到圖示結(jié)果。給定最小TTC的閾值,即可在真值表中識別出系統(tǒng)在錯誤參數(shù)空間中的抗擾性邊界,例如,圖中的紅色輪廓表示TTC閾值為0.5s時系統(tǒng)的抗擾性邊界,漏檢時長和占空比的參數(shù)組合不能落在邊界劃分出的危險區(qū)域內(nèi),否則將導致系統(tǒng)陷入危險。

圖5 -53 兩個被測系統(tǒng)的實驗結(jié)果

對實驗結(jié)果進行分析,從整體趨勢上看,隨著單次漏檢時長的增加及漏檢占空比的提升,兩個被測系統(tǒng)均無法抵抗錯誤感知數(shù)據(jù)造成的干擾,最終進入危險狀態(tài)。

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(guān)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(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。

點擊以下鏈接購買

https://mp.weixin.qq.com/s/vMKR_WE8x5FTEwQX98fRDA

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(luò)安全技術(shù)委員會秘書?功能安全和預(yù)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(yù)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(guān)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。