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進行綜述, 并針對測試技術的發(fā)展趨勢和整個核心技術進行詳細描述;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?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》第五章節(jié)，由機械工業(yè)出版社于2025年6月份出版

https://mp.weixin.qq.com/s/OpSNL9nC3aXP1M2uomBd0A

《智能汽車測試技術》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/ 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/ 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與方法/ 101

5.3.1 開放道路測試技術/ 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/ 131

5.5.1 自動化測試技術/ 131

5.5.2 錯誤注入測試技術/ 139

5.5.3 分布式自動化測試技術/ 152

5.6 本章小結(jié)/ 157

參考文獻/ 157

第6 章

整車測試

技術與方法

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

5.4. 4 虛擬里程測試的應用

接下來將介紹兩個具體的應用案例。

1. 應用一:智能性測試評價

在完成NPC模型生成后,可以采用模型構建測試環(huán)境,對決策規(guī)劃系統(tǒng)的智能性進行測試評價,服務于本書2.1.2節(jié)的測試需求。在進行測試時,選用固定的NPC模型設置構建測試環(huán)境,將不同的SUT接入測試環(huán)境進行測試,并根據(jù)SUT在測試系統(tǒng)中的表現(xiàn)對其決策智能性進行評價。

(1)評價指標

對于決策規(guī)劃系統(tǒng)的智能性,分別從安全性、行駛效率、交互效用三個維度進行評價。三個維度的設計和計算方法分別如下所示。

1)安全性。在對安全性的定義上,自動駕駛系統(tǒng)除了需要避免基本的安全碰撞工況以外,還需要避免車輛陷入可預見性的危險工況以降低發(fā)生安全事故的概率。

基于以上,定義兩種安全性評價指標:碰撞與危險工況暴露收益,其中碰撞C用于統(tǒng)計車輛在整個仿真測試過程中的發(fā)生安全碰撞的總次數(shù);危險工況暴露收益用于統(tǒng)計車輛行駛過程中發(fā)生潛在安全碰撞的工況所獲取的收益,該指標與暴露次數(shù)E呈負相關。其中對潛在安全碰撞工況的定義為車輛行駛過程中TTC達到危險閾值以下或車輛當前減速度大小達到緊急制動減速度范圍內(nèi)時的行駛工況。根據(jù)碰撞總次數(shù)C以及暴露總次數(shù)E建立自動駕駛車輛決策智能性安全性評價公式如下:

2) 行駛效率。自動駕駛系統(tǒng)在保證車輛安全駕駛的基礎上, 需要能夠提供盡可能高的行駛效率。行駛效率可以從平均行駛速度、平均換道時間以及平均視野域車流密度三個指標進行評價。其中定義換道過程為車輛從做出換道決策起至車輛質(zhì)心處于其他車道時所歷經(jīng)的時間。記v 為在被測試系統(tǒng)控制下的車輛平均行駛速度, 為平均車流密度, H 為場景中車輛總數(shù), T 為在被測試系統(tǒng)控制下的車輛平均換道時間, 建立自動駕駛車輛決策智能性行駛效率評價公式如下:

表5-10 測試系統(tǒng)驗證模型設置

表5 - 11 仿真測試系統(tǒng)的具體參數(shù)配置

首先,對于行駛安全性來說,將危險工況的定義設定為當自車處于緊急制動即ab<-6.0m/s2或者處于TTC<2s的駕駛工況。圖5-26所示為不同SUT的仿真測試TTC分布,展示了不同決策系統(tǒng)在該項指標中仿真測試TTC的表現(xiàn),從圖中可以看出,Stackelberg在所有SUT中達到TTC危險工況次數(shù)最少,且其換道TTC主要集中在20~30s的區(qū)間內(nèi)。其主要原因為Stackelberg決策作為博弈性質(zhì)的決策,能夠在前方有車的駕駛工況中提前判斷并做出換道行為以擺脫當前危險工況。而MOBIL與Nilsson往往需要等到與前車距離足夠近時才采取換道行為,此外Stackelberg決策的TTC分布跨度較其他兩種決策較大,也體現(xiàn)了Stackelberg決策在尋求換道行為層面上的頻繁性。

圖5-26 不同SUT的仿真測試TTC分布

其次,在行駛效率方面,為了表征不同決策算法下車輛的行駛效率,本節(jié)對車輛的平均行駛速度進行了統(tǒng)計分析,結(jié)果如圖5-27所示,從圖中可以很明顯地看出Stackelberg算法下的被測試系統(tǒng)平均行駛速度幾乎全部集中于30~32m/s的區(qū)間內(nèi),MOBIL算法下車輛的平均行駛速度也有較為不錯的表現(xiàn),而Nilsson決策下的車輛平均行駛速度最低。

圖5-27 不同SUT的仿真測試平均行駛速度分布

最后對于交互效用的評價,本節(jié)分別統(tǒng)計了當自車采取換道行為時,其視野域內(nèi)周圍背景車的平均速度波動與平均加速度波動,結(jié)果如圖5-28所示。從圖中可以看出三種被測系統(tǒng)對周圍背景車平均速度波動影響為正,表明均有利好背景車行駛效率的能力。其中Stackelberg決策系統(tǒng)相比其他決策系統(tǒng),其決策行為能夠造成周圍更多車輛的速度波動。在對場景中車輛加速度波動的影響指標中,Stackelberg盡管取得了與其他兩者加速度波動中位數(shù)相近的水平,但是加速度波動的分布跨距較大,分布較為分散,這是由于Stackelberg決策系統(tǒng)的頻繁換道。以上可以看出Stackelberg在整體交互能力上要稍微遜色于其他決策類型的車輛。

圖5 -28 不同決策系統(tǒng)下場景車輛平均速度與平均加速度波動分布

對決策智能性公式中所有項目進行統(tǒng)計分析并給出三種SUT的最終評分,見表5-12。其中Stackelberg決策智能性最高,Nilsson決策智能性次之,MOBIL決策智能性最低。其中對于安全性評分來說,Stackelberg僅發(fā)生兩次碰撞行為,因此其安全性評分最高,而Nilsson與MOBIL決策系統(tǒng)發(fā)生了近10次的碰撞行為;在行駛效率上,Stackelberg決策系統(tǒng)屬于三者中最差,這是由于盡管Stackelberg系統(tǒng)平均行駛速度較高,但是Stackelberg頻繁換道使其變道時間增長,并導致總體行駛效率下降;對于交互效用評分,Stackelberg決策系統(tǒng)由于換道行為次數(shù)過多,其表現(xiàn)稍遜于其他兩個決策系統(tǒng)。同時從表5-12中有關兩種基于規(guī)則的決策系統(tǒng)的決策智能性對比可以看出,本節(jié)的仿真測試場景能夠?qū)ν恍再|(zhì)的決策系統(tǒng)中保持良好的區(qū)分度,從側(cè)面驗證了場景的有效性。

表5-12 不同決策系統(tǒng)的決策智能性評分

2. 應用二:安全性測試(未知危險場景生成)

根據(jù)本書2.1.1節(jié)中對國際標準ISO21448的介紹,具有惡劣天氣、不良道路條件等觸發(fā)條件的場景可能會導致自動駕駛汽車出現(xiàn)SOTIF問題。在ISO21448中用已知/未知、安全/危險兩個維度將場景分為4類,其中如何縮小未知危險場景的范圍是提升AV的SOTIF性能時最需要被解決的關鍵問題。

將經(jīng)過性能驗證的NPC模型按照5.4.1節(jié)的方法組成虛擬里程測試系統(tǒng),并將SUT在環(huán)接入,即可開展虛擬里程測試。虛擬里程測試完成后,會產(chǎn)生大量的測試數(shù)據(jù),可以通過合理的手段從中獲取具有較高測試價值的場景,用于2.1.1節(jié)中所述的安全性測試與驗證。

場景獲取可以通過構建場景處理模塊完成。場景處理模塊包括兩部分:場景識別和場景分類。這兩部分用于從虛擬里程測試系統(tǒng)生成的測試數(shù)據(jù)中識別目標場景,然后將其分類為不同的類型。經(jīng)過分類的場景輸出到目標場景庫,并可以用于對SUT的進一步測試。場景處理的本質(zhì)是對時空連續(xù)場景進行切片,以獲得所需的片段場景。場景處理模塊的設置決定了生成未知危險場景的測試能力,因此需要與測試需求保持一致。

對于場景識別部分,需要通過設定場景描述規(guī)則,以確定需要篩選出的目標場景標準。場景描述規(guī)則通常是對目標場景共性特征的描述,通過與自動化測試框架的結(jié)合可以完成大批量場景的識別。例如,對于危險場景的識別,可以將場景描述規(guī)則設定為“發(fā)生碰撞”或“最小TTC小于0.5s”。

對于場景分類標準,需要根據(jù)目標場景的區(qū)別特征,設定每一類場景的分類標準。例如,對于危險場景,可以根據(jù)被測系統(tǒng)不同的失效模式對獲得的場景進行分類,將場景分類為:碰撞場景、Near?Crash場景、違反交規(guī)場景、不合理行為場景,如圖5-29所示。

圖5-29 場景分類標準示例

(1)基于虛擬里程測試的場景生成性能評價方法

對于虛擬里程測試系統(tǒng),通常需要其生成的測試場景具備有效性、復雜性、高效性、多樣性、區(qū)分性等性能,因此需要在系統(tǒng)層級對系統(tǒng)的場景生成性能進行測試和驗證評價。

有效性評價的是虛擬里程測試系統(tǒng)生成的所有測試數(shù)據(jù),是生成場景測試價值的基礎。有效性評價分為宏觀有效性和微觀有效性。

宏觀有效性用于驗證虛擬里程測試中的交通流密度在自然駕駛環(huán)境范圍內(nèi)。在虛擬里程測試中,危險場景大多來源于復雜環(huán)境下被測系統(tǒng)和背景車輛的交互。如果在測試過程中SUT周圍有大量的背景車,可以增加被測系統(tǒng)與背景車輛的交互,提高未知危險場景生成的效率。然而,這可能會使交通流過于密集,使得環(huán)境缺乏真實性,因此系統(tǒng)需要具備宏觀有效性。

微觀有效性是用于驗證背景車在場景中的行為是高度可解釋的。它可以通過對背景車在生成場景中的行為進行定性分析來評價。復雜性用于評價每個已確定的關鍵場景,以量化虛擬里程測試系統(tǒng)生成場景的復雜程度。復雜性可以通過場景描述維度的數(shù)量來計算,計算公式如下。

式中,ci為第i個場景的復雜度;cn為歸一化系數(shù)。

高效性用于評價生成目標場景的效率。它通過每單位時間生成的場景數(shù)量進行量化,并通過En進行歸一化。如果N/t大于En,則效率結(jié)果取1。計算公式如下。

式中, N 為目標場景的生成數(shù)量; t 為場景生成時間。

多樣性用于評價虛擬里程測試系統(tǒng)對不同類型場景的生成能力。對于一個性能良好的虛擬里程測試系統(tǒng), 它應該具有在同一時間段內(nèi)生成不同類型場景的能力。多樣性用于評價SUT 的分類場景的分布。多樣性通過對不同類型場景的分布標準差來量化。標準差越小, 多樣性越好。計算公式如下。

式中, di 為第i 類場景的百分比; m 為場景類型的數(shù)量; σ 為場景分布的標準差。

區(qū)分性用于評價虛擬里程測試系統(tǒng)對不同SUT 的區(qū)分能力。由于SUT 具有不同的特征, 因此不同SUT 的生成結(jié)果應該存在差異。區(qū)分性的評價是針對不同SUT 產(chǎn)生的不同場景類型的分布。它通過場景分布之間的JS 散度來量化。計算公式如下。

式中, P 和Q 為不同SUT 生成的場景百分比的分布。

(2) 虛擬里程測試系統(tǒng)性能評價實踐

本節(jié)采用5. 4.2 節(jié)中示例生成的NPC 模型和前面提到的性能評價方法, 對虛擬里程測試系統(tǒng)的評價過程進行展示。評價實踐中使用到的模型除了5.4. 2節(jié)示例中采用強化學習方法生成的中立型、競爭型、合作型NPC 模型外, 還有3.3.2 節(jié)中介紹的Stackelberg、Nilsson 和MOBIL 模型。

1) 場景示例。采用DRL 模型作為NPC 模型、Stackelberg 作為SUT 的虛擬里程測試系統(tǒng)生成的場景示例如圖5 - 30 所示, 圖中紅色曲線表示SUT, 其余曲線均為不同背景車(BV)。

如圖5 -30a 所示, SUT 前方有車輛切入, 導致SUT 的行駛空間受到壓縮,于是產(chǎn)生了換道意愿;此時SUT周圍只有與右側(cè)前方車輛的距離較遠,于是SUT向右側(cè)換道;但右側(cè)車道后方的BV以比SUT更快的車速向前駛來,最后由于沒有合理規(guī)避,SUT與其發(fā)生了碰撞。

對于圖5-30b所示的場景,深紅色車輛向左換道到SUT前方,壓縮了SUT的行駛空間,SUT產(chǎn)生換道意圖。此時SUT左側(cè)車道前中后三個方向均有BV占據(jù)車道,因此只能向右側(cè)換道。但位于匝道的BV即將行駛到匝道盡頭,因此向左換道從匝道匯入主路,正好與SUT發(fā)生碰撞。根據(jù)軌跡點判斷,二者做出換道決策的時刻相似,同時由兩側(cè)車道向中間車道換道。

對于圖5-30c所示的場景,位于匝道的棕色車輛已行駛到匝道盡頭,做出向左換道匯入主路的決策,切入行駛到SUT前方。SUT被阻擋后,產(chǎn)生換道意圖。由于此時SUT左側(cè)車道有車輛并行,因此做出了向匝道換道的不合理決策,最終導致駛向道路邊界,發(fā)生碰撞。

圖5-30 采用基于DRL背景車生成的場景示例

由于BV的行為均可以通過對其周圍環(huán)境的分析進行合理解釋,因此該虛擬里程測試系統(tǒng)具備微觀有效性。

對于宏觀有效性,將基于DRL模型生成的場景和highD數(shù)據(jù)集的統(tǒng)計結(jié)果進行了分析。highD數(shù)據(jù)集和虛擬里程測試系統(tǒng)中SUT周圍環(huán)境的交通流密度和平均速度如圖5-31所示?？梢钥闯?當交通流密度相同時,虛擬里程測試系統(tǒng)中SUT周圍車輛的平均速度低于自然駕駛數(shù)據(jù)的最大值。因此,虛擬里程測試系統(tǒng)的交通流量低于自然駕駛數(shù)據(jù)的最大值,該系統(tǒng)具有宏觀有效性。

圖5-31highD數(shù)據(jù)集和虛擬里程測試系統(tǒng)中SUT周圍環(huán)境的交通流密度和平均速度

2)量化分析。進行量化分析時,為了對比不同試驗設置對于場景生成效果的影響,開展了表5-13所示的對比試驗。在大多數(shù)試驗中,SUT被統(tǒng)一設置為Stackelberg模型;在區(qū)分性評價時,需要兩個SUT,因此MOBIL模型也被作為SUT進行試驗。 

①復雜性。對典型示例場景的分析表明, 危險場景的生成通常需要更多的環(huán)境條件約束, 從而使SUT 可以選擇的安全行為更少, 更容易出現(xiàn)危險場景。因此, 環(huán)境的復雜性通常很高。根據(jù)本節(jié)中描述的方法對生成場景的復雜性進行量化, 獲得的結(jié)果如圖5 -32 和表5 -14 所示。

根據(jù)統(tǒng)計結(jié)果, 采用基于DRL 的背景車,虛擬里程測試系統(tǒng)生成的未知危險場景的最大復雜度和平均復雜度分別為14 和5.40。復雜度大于6 的高度復雜場景的比例達到32.41%, 如圖5 - 32 所示。采用DRL 背景車的系統(tǒng)復雜性評價結(jié)果為0.34。

圖5-32 生成的未知危險場景復雜度分布

表5-14 復雜性對比評價結(jié)果

相比之下,應用動態(tài)試驗設計(AdaptiveDesignofDomain,ADOE)方法生成的場景通常只有1或2輛背景車。根據(jù)復雜性評價方法,最大復雜度為4。此外,采用DRL背景車的虛擬里程測試系統(tǒng)復雜性也略高于采用MOBIL和Nilsson模型作背景車的情況。因此,所提出的方法可以有效地提高生成場景的復雜性,并且采用基于DRL的背景車具有最好的性能。

②高效性。采用DRL背景車的虛擬里程測試系統(tǒng)平均每小時產(chǎn)生16.96個未知的危險場景,這意味著1km測試產(chǎn)生的場景可能需要在自然駕駛環(huán)境中行駛超過10000km。使用MOBIL和Nilsson作為背景車時,虛擬里程測試系統(tǒng)平均每小時產(chǎn)生5.01和12.79個未知危險場景。因此,基于DRL的背景車設置是最有效的設置。高效性的評價結(jié)果見表5-15。

表5-15 未知危險場景高效性的評價結(jié)果

③多樣性。采用不同環(huán)境設置的虛擬里程測試系統(tǒng)生成的未知危險場景的分類分布見表5-16。與采用MOBIL和Nilsson背景車設置相比,采用DRL背景車的虛擬里程測試系統(tǒng)可以產(chǎn)生更多的違反交規(guī)場景和不合理行為場景,使結(jié)果更加多樣化,如圖5-33所示。采用DRL背景車的虛擬里程測試系統(tǒng)的多樣性評價結(jié)果為0.67,明顯高于其他幾種背景車設置的結(jié)果。

圖5 -33 不同類型場景比例分布

根據(jù)表5-16的評價結(jié)果,MOBIL作背景車時虛擬里程測試系統(tǒng)生成的場景多樣性評價結(jié)果遠低于采用DRL背景車時,這是由于MOBIL作背景車生成的場景多為碰撞場景,Near-Crash和違反交規(guī)場景的數(shù)量均較少;Nilsson作背景車生成場景的多樣性略低于DRL模型,其生成的場景有大約一半為Near-Crash場景,碰撞場景數(shù)量明顯較少,這是由于Nilsson模型是為了能夠安全行駛和換道設計的,其換道行為較為保守,因此生成的場景相對危險性較低。

表5-16 多樣性評價結(jié)果

④區(qū)分性。在區(qū)分性評價中,SUT被分別設置為Stackelberg和MOBIL用于場景生成。結(jié)果見表5-17。對于DRL模型作背景車的虛擬里程測試系統(tǒng),MOBIL生成的碰撞和Near?Crash場景的百分比高于Stackelberg,Stackelberg具有更多的違規(guī)和不合理場景;此外,MOBIL幾乎沒有生成違反交規(guī)的場景。不同的場景百分比反映了SUT的區(qū)別。DRL作背景車時,區(qū)分性評價結(jié)果為0.032,大于Nilsson作背景車的設定。

表5-17 區(qū)分性評價結(jié)果

5.4. 5 小結(jié)

由于決策規(guī)劃系統(tǒng)在仿真測試中具有較高的保真度,因此可以采用虛擬里程測試的方法對決策規(guī)劃系統(tǒng)進行測試,進而對其智能度進行評價或?qū)ξ粗ｋU場景進行生成,極大地提升測試效率。虛擬里程測試通常由NPC模型、測試地圖、仿真平臺構成,其中NPC模型通常用作仿真模型中的背景車行為生成,是測試有效性來源的最關鍵因素,因此需要通過合理的方法生成NPC模型,并對其性能進行充分驗證。

可以根據(jù)不同決策規(guī)劃系統(tǒng)在虛擬里程測試系統(tǒng)中的行為表現(xiàn),對其智能度進行測試和評價?？梢詮陌踩?、行駛效率和交互效用三個維度對決策規(guī)劃系統(tǒng)的智能度進行評價,并且經(jīng)過驗證,在采用合適的NPC模型時,虛擬里程測試系統(tǒng)能夠?qū)ν恍再|(zhì)的被測決策系統(tǒng)保持良好的區(qū)分度,從側(cè)面驗證了測試的有效性。

虛擬里程測試系統(tǒng)生成的大量測試數(shù)據(jù)可以通過場景識別和場景分類篩選出測試過程中生成的未知危險場景,并可以從有效性、高效性、復雜性、多樣性、區(qū)分性等角度對虛擬里程測試系統(tǒng)的場景生成性能進行驗證和評價,進而不斷對系統(tǒng)進行優(yōu)化,提升未知危險場景的生成性能,更快地實現(xiàn)對自動駕駛決策規(guī)劃系統(tǒng)的SOTIF性能驗證和優(yōu)化。

本書首先立足于整體現(xiàn)狀對智能汽車測試體系架構進行綜述， 并針對測試技術的發(fā)展趨勢和整個核心技術進行詳細描述；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、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。

點擊以下鏈接購買https://mp.weixin.qq.com/s/OpSNL9nC3aXP1M2uomBd0A

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7項)?擔任SAE汽車安全和網(wǎng)絡安全技術委員會秘書?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,曾于多項國際學術會議擔任分論壇主席?

版權信息:

智能汽車測試技術 / 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)出版方授權發(fā)布。