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(dòng)產(chǎn)業(yè)進(jìn)步?本書首先立足于整體現(xiàn)狀對(duì)智能汽車測試體系架構(gòu)進(jìn)行綜述, 并針對(duì)測試技術(shù)的發(fā)展趨勢和整個(gè)核心技術(shù)進(jìn)行詳細(xì)描述;然后, 針對(duì)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?

注：本文節(jié)選自《智能汽車測試技術(shù)》第七章節(jié)，由機(jī)械工業(yè)出版社于2025年6月份出版

https://mp.weixin.qq.com/s/SgRPf4_hefnJ68PAl_nNoA

《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(píng)價(jià)的基本概念/ 003

1.2.2 產(chǎn)品全生命周期中的測評(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

測評(píng)概述

 2.1 測評(píng)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(píng)價(jià)/ 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(píng)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(jí)/ 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(jì)測試方法/ 092

5.2.2 動(dòng)態(tài)試驗(yàn)設(shè)計(jì)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(dòng)化測試技術(shù)/ 131

5.5.2 錯(cuò)誤注入測試技術(shù)/ 139

5.5.3 分布式自動(dòng)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(píng)需求分析/ 159

6.2 封閉測試場地平臺(tái)/ 160

6.2.1 封閉測試場/ 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(píng)估

7.1 基于具體場景的安全性評(píng)估/ 169

7.1.1 場景瞬時(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)測試場景結(jié)果外推/ 181

7.2 基于邏輯場景的安全性評(píng)估/ 182

7.2.1 評(píng)估要求/ 182

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

7.3 針對(duì)被測功能的安全性評(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 測評(píng)需求與研究現(xiàn)狀/ 195

8.1.1 測評(píng)需求/ 195

8.1.2 研究現(xiàn)狀/ 195

8.2 測評(píng)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(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

基于場景的仿真測試憑借高效率、低成本、高靈活性等優(yōu)勢, 已成為智能汽車的主流測試手段。ISO 34502 標(biāo)準(zhǔn)[1] 基于三層抽象場景為智能汽車安全評(píng)價(jià)提出了目標(biāo), 即基于具體場景的測試結(jié)果評(píng)價(jià)被測系統(tǒng)在邏輯場景中的整體安全性能。如圖7 -1 所示, 首先借助系統(tǒng)分析方法將被測系統(tǒng)的設(shè)計(jì)運(yùn)行域劃分為有限的邏輯場景; 然后在邏輯場景參數(shù)空間中, 利用黑箱測試方法測試系統(tǒng)在邏輯場景中的安全性能; 在所有測試結(jié)束后, 通過評(píng)估解空間的方式得到邏輯場景層級(jí)的測評(píng)結(jié)果, 再將所有邏輯場景層級(jí)的測評(píng)結(jié)果整合便可得到被測系統(tǒng)在設(shè)計(jì)運(yùn)行域內(nèi)的測評(píng)結(jié)果, 進(jìn)而實(shí)現(xiàn)對(duì)被測系統(tǒng)安全性的評(píng)價(jià)。

圖7 -1 智能汽車安全性評(píng)估示意圖

7 . 1 基于具體場景的安全性評(píng)估

基于具體場景的安全性評(píng)估關(guān)鍵在于如何在具體場景中量化評(píng)估被測系統(tǒng)駕駛行為的風(fēng)險(xiǎn)水平。對(duì)于每個(gè)單獨(dú)的測試場景, 采用不同的場景瞬時(shí)風(fēng)險(xiǎn)評(píng)估方法以確認(rèn)被測系統(tǒng)是否符合預(yù)定義的行為標(biāo)準(zhǔn)。依照測試概念,在特定情況下,這些預(yù)定義的標(biāo)準(zhǔn)是:

1)保持合適的安全距離。

2)不發(fā)生碰撞。

3)若可能,減輕碰撞。

進(jìn)行基于具體場景的安全性評(píng)估時(shí),需要評(píng)估被測系統(tǒng)是否符合其中每一項(xiàng)標(biāo)準(zhǔn)的要求。根據(jù)每個(gè)標(biāo)準(zhǔn)的評(píng)估結(jié)果判斷單次測試是否通過該測試場景。此外,基于具體場景的安全性評(píng)估還論述了將單個(gè)測試場景的結(jié)果外推至相應(yīng)的半具體/邏輯場景以及整體ODD所需的必要輸入信息,以獲得更多有價(jià)值的評(píng)估結(jié)果。

7. 1.1 場景瞬時(shí)風(fēng)險(xiǎn)評(píng)估方法

現(xiàn)有的場景瞬時(shí)風(fēng)險(xiǎn)評(píng)估方法主要通過對(duì)主車及其他交通參與者進(jìn)行運(yùn)動(dòng)學(xué)或動(dòng)力學(xué)建模并引入一定程度的假設(shè)以預(yù)測車輛的軌跡、覆蓋區(qū)域等信息,基于此計(jì)算主車和其他交通參與者碰撞的可能性并作為風(fēng)險(xiǎn)評(píng)估的依據(jù)。如圖7-2所示,可以將現(xiàn)有的風(fēng)險(xiǎn)評(píng)估方法分為3類,包括面向單一目標(biāo)物的評(píng)估方法、基于勢場論的評(píng)估方法與基于可達(dá)集的評(píng)估方法。其中,面向單一目標(biāo)物的評(píng)估方法又可分為確定性評(píng)估方法和概率性評(píng)估方法。面向單一目標(biāo)物的評(píng)估方法和基于可達(dá)集的評(píng)估方法的共同點(diǎn)是都需要通過檢測沖突或碰撞來評(píng)估風(fēng)險(xiǎn),不同的是面向單一目標(biāo)物的方法主要從軌跡出發(fā)進(jìn)行碰撞檢測,進(jìn)而評(píng)估風(fēng)險(xiǎn);而基于可達(dá)集的方法是從區(qū)域的角度出發(fā)進(jìn)行碰撞檢測,并通過非碰撞區(qū)域的大小來表征風(fēng)險(xiǎn)。與前兩類評(píng)估方法不同,基于勢場論的評(píng)估方法不需要檢測碰撞,該類方法在結(jié)合專家知識(shí)和事故數(shù)據(jù)分析得到風(fēng)險(xiǎn)因素(例如,車輛、障礙物等)的基礎(chǔ)上,基于物理學(xué)中場的概念對(duì)風(fēng)險(xiǎn)關(guān)系進(jìn)行建模,實(shí)現(xiàn)風(fēng)險(xiǎn)評(píng)估。

圖7 -2 風(fēng)險(xiǎn)評(píng)估方法分類

1. 面向單一目標(biāo)物的評(píng)估方法

面向單一目標(biāo)物的評(píng)估方法是指通過計(jì)算主車與單一目標(biāo)物或場景元素發(fā)生碰撞的可能性來評(píng)估風(fēng)險(xiǎn),例如計(jì)算與前車發(fā)生碰撞的可能性。這類風(fēng)險(xiǎn)評(píng)估方法在進(jìn)行風(fēng)險(xiǎn)評(píng)估時(shí)需要考慮主車和某個(gè)目標(biāo)物的未來軌跡在時(shí)空上的接近程度;根據(jù)評(píng)估模型是否考慮目標(biāo)物的運(yùn)動(dòng)不確定性,將面向單一目標(biāo)物的評(píng)估方法分為確定性評(píng)估方法和概率性評(píng)估方法。

(1)確定性評(píng)估方法

確定性評(píng)估方法是一種忽略交通參與者運(yùn)動(dòng)不確定性的風(fēng)險(xiǎn)評(píng)估方法,在這種方法中,一般利用簡化物理模型來描述交通參與者的運(yùn)動(dòng)并選取某種指標(biāo)來表征風(fēng)險(xiǎn),當(dāng)指標(biāo)計(jì)算結(jié)果超過某一閾值時(shí)便認(rèn)為存在風(fēng)險(xiǎn)。

常用的簡化物理模型是定常模型,即假設(shè)車輛的運(yùn)動(dòng)參數(shù)(如加速度、速度和航向角等)在短時(shí)間內(nèi)是恒定的;在簡化物理模型的基礎(chǔ)上通過計(jì)算特定指標(biāo)來評(píng)估風(fēng)險(xiǎn),本節(jié)將這些指標(biāo)劃分為3類:時(shí)間指標(biāo)、加速度指標(biāo)和距離指標(biāo)。其中,時(shí)間指標(biāo)最為常用,例如碰撞時(shí)間(TTC)[2] 和車頭時(shí)距(TimeHeadway,THW)[3] ;加速度指標(biāo)包括避撞減速率(DecelerationRatetoAvoidaCrash,DRAC)[4] 、制動(dòng)威脅系數(shù)(Brake?Threat?Number,BTN)[5] 和轉(zhuǎn)向威脅系數(shù)(Steer?Threat?Number,STN)[6] 等;距離指標(biāo)包括最小安全距離(MinimumSafetyDistance,MSD)[7 -8] 、碰撞距離(DistancetoCollision,DTC)[9] 等。

常見的時(shí)間指標(biāo)與其對(duì)應(yīng)的主要應(yīng)用場景、假設(shè)和計(jì)算公式對(duì)比見表7-1。

表7-1 時(shí)間指標(biāo)對(duì)比

加速度指標(biāo)一般由車輛的極限加減速性能以及所在場景中車輛為避免碰撞所需的加減速性能確定。其中, 評(píng)估指標(biāo)STN、BTN 示意圖如圖7-3 所示。加速度指標(biāo)與其對(duì)應(yīng)的主要應(yīng)用場景、假設(shè)和計(jì)算公式對(duì)比見表7 -2。

圖7 -3 評(píng)估指標(biāo)STN、BTN 示意圖

表7 - 2 加速度指標(biāo)對(duì)比

距離指標(biāo)通過主車到碰撞點(diǎn)的距離來表征風(fēng)險(xiǎn),用于風(fēng)險(xiǎn)評(píng)估的距離指標(biāo)本質(zhì)上類似于時(shí)間度量。

確定性評(píng)估方法的優(yōu)點(diǎn)是可以快速評(píng)估當(dāng)前情況的風(fēng)險(xiǎn)。由于使用了簡化模型,提高了運(yùn)算效率,所以這些方法可以快速評(píng)估風(fēng)險(xiǎn)。但是由于忽略了車輛運(yùn)動(dòng)的不確定性和車外場景的不確定性,該類評(píng)估方法的應(yīng)用場景受限。

(2)概率性評(píng)估方法

概率性評(píng)估方法在評(píng)估過程中考慮到車輛在運(yùn)動(dòng)過程中存在的不確定性,利用概率模型來描述其運(yùn)動(dòng),進(jìn)而評(píng)估風(fēng)險(xiǎn)。具體而言,概率性評(píng)估方法首先預(yù)測周圍車輛的軌跡,再結(jié)合主車未來軌跡進(jìn)行碰撞檢測,最后根據(jù)碰撞檢測結(jié)果得出主車的碰撞可能性;但預(yù)測車輛的運(yùn)動(dòng)軌跡并不是一項(xiàng)確定性的任務(wù)。一方面是因?yàn)檫\(yùn)動(dòng)的不確定性,即從駕駛員的駕駛行為到輸入車輛的控制指令再到車輛的實(shí)際軌跡,都有復(fù)雜的交互作用,包括人車交互、車路交互以及人與交通環(huán)境的交互,交互的復(fù)雜性導(dǎo)致了駕駛員的駕駛行為、輸入車輛的運(yùn)動(dòng)控制參數(shù)不確定性;另一方面是因?yàn)橛^測的不確定性,即許多參數(shù)在現(xiàn)有技術(shù)水平下難以精確測量,例如輪胎在道路上的摩擦系數(shù)就很難測量,從而導(dǎo)致輸入風(fēng)險(xiǎn)評(píng)估的參數(shù)本身存在不確定性。

綜上所述,在預(yù)測周圍車輛軌跡時(shí),必須考慮車輛在運(yùn)動(dòng)過程中的不確定性。基于運(yùn)動(dòng)過程中的不確定性,將概率性評(píng)估方法分為兩類,一類是基于駕駛行為不確定性的評(píng)估方法,另一類是基于運(yùn)動(dòng)控制參數(shù)不確定性的評(píng)估方法。其中,駕駛行為不確定性是指因無法直接確定駕駛行為而產(chǎn)生的不確定性,例如,車輛行駛時(shí)無法直接確定周圍車輛是否會(huì)變道;運(yùn)動(dòng)控制參數(shù)不確定性是指因無法直接確定輸入車輛的運(yùn)動(dòng)控制參數(shù),例如橫縱向加速度,而產(chǎn)生的不確定性。至于觀測不確定性,由于很多研究者進(jìn)行風(fēng)險(xiǎn)評(píng)估時(shí)均假設(shè)輸入?yún)?shù)可以準(zhǔn)確獲得,因此不對(duì)其重點(diǎn)討論。

1)基于駕駛行為不確定性的評(píng)估方法。在考慮駕駛行為不確定性進(jìn)行風(fēng)險(xiǎn)評(píng)估時(shí),首先需要預(yù)測駕駛行為,常用的駕駛行為預(yù)測模型包括交互多重模型(InteractingMultipleModel,IMM)[10] 、隱馬爾可夫模型[11] 、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)[12] 等。圖7-4展示了使用IMM預(yù)測周圍車輛的變道概率并利用三次多項(xiàng)式生成周圍車輛運(yùn)動(dòng)軌跡對(duì)車輛變道行為和變道軌跡的預(yù)測情況,最后根據(jù)車輛出現(xiàn)在同一位置的可能性來計(jì)算碰撞概率。

圖7 -4 車輛變道行為預(yù)測[10] 

一般的駕駛行為預(yù)測模型在正常情況下可以較為準(zhǔn)確地預(yù)測駕駛員行為,但實(shí)際交通環(huán)境中也會(huì)出現(xiàn)一些異常駕駛行為,這些異常駕駛行為往往較難預(yù)測,且對(duì)行駛安全有較大影響。因此,異常駕駛行為檢測也是風(fēng)險(xiǎn)評(píng)估需要考慮的問題,有研究利用高斯過程和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行異常駕駛行為檢測,實(shí)驗(yàn)表明該方法能夠較為準(zhǔn)確地檢測到異常駕駛行為[13] 。

2)基于運(yùn)動(dòng)控制參數(shù)不確定性的評(píng)估方法。在考慮車輛運(yùn)動(dòng)控制參數(shù)不確定性時(shí),首先要得到運(yùn)動(dòng)控制參數(shù)(例如,加速度、轉(zhuǎn)向角等)的概率分布情況,再基于運(yùn)動(dòng)控制參數(shù)的概率分布情況得到車輛控制輸入,并將其輸入車輛運(yùn)動(dòng)模型得出運(yùn)動(dòng)軌跡,最后基于軌跡進(jìn)行風(fēng)險(xiǎn)評(píng)估。在對(duì)運(yùn)動(dòng)控制參數(shù)分布進(jìn)行建模時(shí),最簡單的方式是利用均勻分布進(jìn)行建模,例如,Joerer[14] 根據(jù)車輛的最大減速度和加速度得到車輛運(yùn)動(dòng)軌跡界限,假設(shè)車輛的加速度分布是均勻概率分布,并計(jì)算選擇特定軌跡的碰撞可能性,最后通過匯總在軌跡邊界中的每個(gè)軌跡的碰撞可能性來計(jì)算當(dāng)前場景下的碰撞可能性。很明顯,這種均勻分布的假設(shè)與實(shí)際情況差距較大。為提高風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性,可以選用高斯混合模型來建立建模運(yùn)動(dòng)控制參數(shù)的分布情況模型。例如,Zhou[15] 通過對(duì)駕駛員避撞行為進(jìn)行建模,利用自然駕駛數(shù)據(jù)構(gòu)建車輛避撞時(shí)橫縱向加速度分布的高斯混合模型,并結(jié)合馬爾可夫蒙特卡洛抽樣算法得到車輛未來橫縱向加速度。另外,也可以利用深度神經(jīng)網(wǎng)絡(luò)來預(yù)測運(yùn)動(dòng)控制參數(shù)在高斯混合模型下分布的均值和協(xié)方差矩陣,用這種學(xué)習(xí)得到的高斯混合模型來描述運(yùn)動(dòng)控制參數(shù)的不確定性[16] 。

由運(yùn)動(dòng)控制參數(shù)分布生成運(yùn)動(dòng)控制參數(shù)時(shí),一般利用采樣的方法進(jìn)行生成,但采樣的方法一直存在如何平衡采樣頻率和可靠性之間的問題。即想要得到可靠的結(jié)果,需要提高采樣頻率,但過高的采樣頻率又會(huì)使算法計(jì)算實(shí)時(shí)性受到影響。

與確定性評(píng)估方法相比,概率性評(píng)估方法的計(jì)算成本更高,但是由于考慮了車輛在運(yùn)動(dòng)過程中的不確定性,因此場景中動(dòng)態(tài)元素之間風(fēng)險(xiǎn)評(píng)估的量化更加合理。此外,由于考慮了更多的影響因素,例如車間交互,因此概率評(píng)估方法具有更長的預(yù)測時(shí)域,可以更早地檢測到車輛行駛過程中的碰撞風(fēng)險(xiǎn)。

2. 基于可達(dá)集的評(píng)估方法

可達(dá)集是指車輛從初始狀態(tài)集開始隨著時(shí)間推移能夠達(dá)到的狀態(tài)的集合?；诳蛇_(dá)集的評(píng)估方法在每一個(gè)時(shí)間步下計(jì)算車輛在一定約束條件下可以達(dá)到的狀態(tài)集合,利用得到的可達(dá)集大小來表征風(fēng)險(xiǎn)。Wu等[17] 利用運(yùn)動(dòng)學(xué)模型預(yù)測主車和周圍車輛的軌跡并基于碰撞檢測計(jì)算主車的可行駛區(qū)域,結(jié)合存在周圍車輛時(shí)主車實(shí)際可行域的大小和無周圍車輛時(shí)主車?yán)硐肟尚杏虻拇笮≈?構(gòu)建歸一化可行域(DiscretizedNormalizedDrivableArea,DNDA),以此來評(píng)估風(fēng)險(xiǎn),圖7-5所示為DNDA構(gòu)建過程示意圖。

圖7 -5 DNDA 構(gòu)建過程示意圖

在車輛實(shí)際行駛過程中,障礙物的位置和大小會(huì)顯著影響車輛的可達(dá)集大小,圖7-6展示了不同障礙物大小和空間布置下車輛可達(dá)集的變化,隨著障礙物在道路中占據(jù)的空間越來越大,車輛的可達(dá)集變得越來越小。此外也可將可達(dá)集與概率結(jié)合起來,用概率可達(dá)集來表征風(fēng)險(xiǎn),通過計(jì)算車輛在每一個(gè)時(shí)間步下可到達(dá)區(qū)域內(nèi)與其他目標(biāo)物的碰撞概率來得出車輛在未來一段時(shí)間內(nèi)的風(fēng)險(xiǎn)水平。

圖7-6 可達(dá)集隨障礙物大小變化而變化[18] 

基于可達(dá)集的評(píng)估方法的優(yōu)點(diǎn)是能夠在考慮多種場景元素的情況下計(jì)算車輛所有可能到達(dá)的狀態(tài),全面地評(píng)估風(fēng)險(xiǎn);但是這也導(dǎo)致其計(jì)算過程復(fù)雜,計(jì)算實(shí)時(shí)性差,同時(shí)由于非線性系統(tǒng)的可達(dá)集求解非常困難,現(xiàn)有的方法常用簡化模型來進(jìn)行可達(dá)集求解,這一定程度上影響了評(píng)估結(jié)果的準(zhǔn)確性。

3. 基于勢場論的評(píng)估方法

基于勢場論的評(píng)估方法借鑒了物理學(xué)中的勢場理論,利用斥力場來描述碰撞風(fēng)險(xiǎn)。該類方法最初被用于解決機(jī)器人領(lǐng)域運(yùn)動(dòng)規(guī)劃問題[19] ,后被引入智能汽車領(lǐng)域。Sattel等[20] 結(jié)合勢場論開發(fā)了智能汽車的運(yùn)動(dòng)規(guī)劃算法。在風(fēng)險(xiǎn)評(píng)估中,基于勢場論的方法假設(shè)場景中的元素均會(huì)產(chǎn)生場強(qiáng),這些場強(qiáng)作用于車輛上面會(huì)產(chǎn)生排斥力,排斥力按距離積分之后就會(huì)得到勢能。在場強(qiáng)計(jì)算上,不同場景元素產(chǎn)生的場強(qiáng)大小不同,基本的場景元素包括車輛、道路和車道邊界、障礙物、弱勢交通參與者等。Wang等[21] 在考慮車路的基礎(chǔ)上,進(jìn)一步還考慮了駕駛員駕駛風(fēng)格來計(jì)算場強(qiáng),駕駛行為越激進(jìn)的車輛產(chǎn)生的場強(qiáng)越大。具體在構(gòu)建場強(qiáng)計(jì)算公式時(shí),一般涉及的核心參數(shù)包括車輛和目標(biāo)物之間的相對(duì)距離和相對(duì)速度。為使計(jì)算得到的場強(qiáng)能更多地反映未來的風(fēng)險(xiǎn),在相對(duì)距離和相對(duì)速度的基礎(chǔ)上可以引入加速度參數(shù)來計(jì)算場強(qiáng)。當(dāng)?shù)玫杰囕v所在位置的場強(qiáng)之后,將場強(qiáng)和車輛虛擬質(zhì)量相乘便可得到排斥力。在計(jì)算虛擬質(zhì)量時(shí),通常會(huì)綜合考慮車輛實(shí)際質(zhì)量和行駛速度,這是因?yàn)檐囕v自身的速度也會(huì)影響行駛時(shí)的風(fēng)險(xiǎn),例如,車輛高速行駛時(shí)的風(fēng)險(xiǎn)會(huì)高于低速行駛時(shí)的風(fēng)險(xiǎn)。在量化風(fēng)險(xiǎn)時(shí),可以直接用排斥力來量化風(fēng)險(xiǎn)水平,即作用在車上的排斥力越大,車輛行駛過程中的風(fēng)險(xiǎn)越大;也可以嘗試用勢能來量化風(fēng)險(xiǎn)水平。圖7-7所示為勢能場示意圖。

圖7 -7 勢能場示意圖[22] 

基于勢場論的評(píng)估方法的優(yōu)點(diǎn)是可同時(shí)考慮多個(gè)場景元素進(jìn)行風(fēng)險(xiǎn)評(píng)估,評(píng)估結(jié)果能更全面地表征主車的風(fēng)險(xiǎn);但該評(píng)估方法中有很多難以直接確定的系數(shù),從而影響該方法的應(yīng)用。

4. 評(píng)估方法對(duì)比

在前面分析的基礎(chǔ)上,下面基于5個(gè)評(píng)估維度對(duì)分類的三大類、四小類風(fēng)險(xiǎn)評(píng)估方法進(jìn)行對(duì)比討論。

(1)對(duì)比維度

當(dāng)智能汽車上路運(yùn)行時(shí),要求其能實(shí)時(shí)、快速評(píng)估風(fēng)險(xiǎn),且輸出的評(píng)估結(jié)果能反映未來一段時(shí)間的風(fēng)險(xiǎn)水平以保證決策的安全性;同時(shí)由于風(fēng)險(xiǎn)評(píng)估方法最終需要應(yīng)用于實(shí)車,因此需要考慮其在實(shí)車上應(yīng)用的可行性;此外,由于實(shí)際環(huán)境中能給智能汽車造成風(fēng)險(xiǎn)的因素是多種多樣的,車輛遇到的場景也是多種多樣的,因此需要對(duì)風(fēng)險(xiǎn)評(píng)估方法是否可以考慮不同的風(fēng)險(xiǎn)因素,以及其是否適用于不同場景中風(fēng)險(xiǎn)評(píng)估進(jìn)行分析。

綜上所述,下面提出計(jì)算實(shí)時(shí)性、結(jié)果時(shí)效性、應(yīng)用可行性、內(nèi)容充分性和場景泛用性5個(gè)維度對(duì)風(fēng)險(xiǎn)評(píng)估方法進(jìn)行評(píng)價(jià),具體含義如下。

1)計(jì)算實(shí)時(shí)性。用于表征風(fēng)險(xiǎn)評(píng)估方法計(jì)算速度的快慢,計(jì)算實(shí)時(shí)性好的風(fēng)險(xiǎn)評(píng)估方法能快速計(jì)算并得出風(fēng)險(xiǎn)評(píng)估結(jié)果,給智能汽車留出足夠的時(shí)間進(jìn)行決策。

2)結(jié)果時(shí)效性。用于表征風(fēng)險(xiǎn)評(píng)估結(jié)果有效時(shí)間的長短,結(jié)果時(shí)效性好的風(fēng)險(xiǎn)評(píng)估方法能預(yù)測未來更長一段時(shí)間內(nèi)的風(fēng)險(xiǎn),輸出的評(píng)估結(jié)果能在更長一段時(shí)間內(nèi)有效。

3)應(yīng)用可行性。用于表征風(fēng)險(xiǎn)評(píng)估方法在實(shí)車上應(yīng)用的難易程度,應(yīng)用可行性好的風(fēng)險(xiǎn)評(píng)估方法一般需要的輸入?yún)?shù)較少或需要的輸入?yún)?shù)在實(shí)車上容易獲取。

4)內(nèi)容充分性。用于表征風(fēng)險(xiǎn)評(píng)估方法的評(píng)估內(nèi)容對(duì)場景中各種風(fēng)險(xiǎn)來源的覆蓋程度,內(nèi)容充分性好的風(fēng)險(xiǎn)評(píng)估方法能盡可能全面地考慮場景中不同的場景元素帶來的風(fēng)險(xiǎn),包括車輛、行人等帶來的風(fēng)險(xiǎn)。

5)場景泛用性。用于表征風(fēng)險(xiǎn)評(píng)估方法在不同場景下的適用程度,場景泛用性好的風(fēng)險(xiǎn)評(píng)估方法應(yīng)適用于智能汽車在行駛過程中可能遇到的所有場景。

(2)對(duì)比結(jié)果

根據(jù)前面提出的評(píng)估維度對(duì)上述提到的風(fēng)險(xiǎn)評(píng)估方法進(jìn)行對(duì)比,結(jié)果如圖7-8所示。

圖7 -8 風(fēng)險(xiǎn)評(píng)估方法之間的對(duì)比

因?yàn)榇_定性評(píng)估方法一般具有顯示的計(jì)算公式,在輸入數(shù)據(jù)之后能快速得出結(jié)果,所以確定性評(píng)估方法的優(yōu)點(diǎn)具有很好的計(jì)算實(shí)時(shí)性;同時(shí)由于確定性評(píng)估方法需要的輸入?yún)?shù)較少且較容易獲取,所以其應(yīng)用可行性也很好;但是由于確定所需信息時(shí)選擇了特定的一種或幾種場景和其中的特定目標(biāo)物參數(shù)作為模型輸入信息,確定性評(píng)估方法的內(nèi)容充分性和場景泛用性并不好。例如,TTC主要是為跟車場景設(shè)計(jì)的,無法有效評(píng)估相鄰車道的車對(duì)主車造成的風(fēng)險(xiǎn);除此之外,當(dāng)場景變復(fù)雜時(shí)TTC也會(huì)失效;由于忽略了運(yùn)動(dòng)不確定性,因此風(fēng)險(xiǎn)評(píng)估的結(jié)果時(shí)效性也很差。

概率性評(píng)估方法能考慮目標(biāo)物的運(yùn)動(dòng)不確定性,且由于引入更符合實(shí)際的預(yù)測模型,因此該方法的評(píng)估結(jié)果具有很好的結(jié)果時(shí)效性。但是由于該類方法只能通過計(jì)算主車與特定類型目標(biāo)物未來軌跡的沖突概率來評(píng)估風(fēng)險(xiǎn),如果需要評(píng)估其他類型目標(biāo)物造成的風(fēng)險(xiǎn),則需對(duì)該類目標(biāo)物重新建立預(yù)測模型,因此其內(nèi)容充分性不足。

基于勢場論和基于可達(dá)集的評(píng)估方法的評(píng)估內(nèi)容可以包含多個(gè)場景元素,且能適用于復(fù)雜的場景,而不限于跟車、變道等特定場景,因此這兩類方法具有很好的內(nèi)容充分性和場景泛用性。但是,在構(gòu)建評(píng)估方法時(shí),基于勢場論的評(píng)估方法中有很多系數(shù)難以直接確定,因此該類方法的應(yīng)用可行性較差。基于可達(dá)集的評(píng)估方法在求解車輛可達(dá)集的過程中會(huì)涉及隱函數(shù)求解,求解難度較大,因此該類方法的計(jì)算實(shí)時(shí)性較差。

綜上所述,確定性評(píng)估方法的計(jì)算實(shí)時(shí)性和應(yīng)用可行性很好,能快速評(píng)估風(fēng)險(xiǎn),適用于緊急情況下的決策;概率性評(píng)估方法的結(jié)果時(shí)效性很好,能較早預(yù)測潛在碰撞進(jìn)而及時(shí)調(diào)整車輛位置,防止緊急情況的出現(xiàn),適用于非緊急情況下的決策中;基于勢場論的評(píng)估方法具有很好的內(nèi)容充分性和場景泛用性,其充分考慮了場景中的多種風(fēng)險(xiǎn)因素,可以評(píng)估出風(fēng)險(xiǎn)最小的路徑,因此適用于運(yùn)動(dòng)規(guī)劃;基于可達(dá)集的評(píng)估方法具有很好的內(nèi)容充分性和場景泛用性,因此也適用于運(yùn)動(dòng)規(guī)劃;此外,基于可達(dá)集的評(píng)估方法,還具有較好的應(yīng)用可行性,可以在不同類型的場景中輸出歸一化的結(jié)果,所以尤其適用于測試評(píng)價(jià)。表7-3展示了風(fēng)險(xiǎn)評(píng)估方法的適用情況。

表7-3 風(fēng)險(xiǎn)評(píng)估方法的適用情況

7.1.2 多階段安全評(píng)估

基于具體場景的安全性評(píng)估的第一部分側(cè)重于對(duì)單個(gè)測試場景的評(píng)估。因此,假設(shè)不同來源[如碰撞分析、自動(dòng)化風(fēng)險(xiǎn)、現(xiàn)場操作測試(FieldOperationTest,FOT)]數(shù)據(jù)和仿真的測試場景是以統(tǒng)一的格式提供的。圖7-9所示為測試場景的多階段基于具體場景的安全性評(píng)估。第一階段評(píng)估自動(dòng)駕駛系統(tǒng)(Ad?vancedDrivingSystem,ADS)是否符合安全指標(biāo)(如TTC)所要求的安全距離。其中,正方形代表決策,橢圓形代表結(jié)果。

圖7 -9 測試場景的多階段安全評(píng)估

若不滿足安全距離,則第一階段不通過,若滿足則通過。此時(shí)無法辨別條件的不滿足是由ADS引起還是由其他交通參與者引起。第一階段是否采用,取決于測試如何定義,故圖中以虛線表示。

第二階段進(jìn)行碰撞檢測,第三階段進(jìn)行因果關(guān)系評(píng)估。第三階段是非常重要的,因?yàn)榈侥壳盀橹?還不能確定是ADS還是其他因素導(dǎo)致了第一階段或第二階段的不通過。因此,首先要評(píng)估ADS對(duì)這一情況是否可控。在提出的方法中,這種可控性評(píng)估僅限于評(píng)估避免碰撞的駕駛物理極限。如果ADS在駕駛極限下都不能避免碰撞情況的發(fā)生,就需要進(jìn)行額外的檢查。 

雖然第三階段很重要,但仍很難自動(dòng)化地評(píng)估發(fā)生碰撞的場景的影響因素是否為ADS。雖然可以在一定的不確定下評(píng)估駕駛極限,但需要事先推導(dǎo)出適用于所有場景的通用規(guī)則,確定導(dǎo)致事故的主體仍舊是一個(gè)挑戰(zhàn)。然而,因果關(guān)系模型已經(jīng)存在于已有的模型中,它涵蓋了大量的情況,并能夠期待未來在這個(gè)領(lǐng)域會(huì)有更多的進(jìn)展。在那之前,可以使用專家組的決策。

最后,第四階段判斷ADS是否適當(dāng)?shù)販p輕了碰撞(如通過施加適當(dāng)?shù)闹苿?dòng)力)。所以,ADS是否造成了碰撞與此無關(guān)。這是因?yàn)槿绻谖锢砩峡蓪?shí)現(xiàn),ADS被假設(shè)在任何情況下都應(yīng)該試圖減輕碰撞。

在對(duì)所有階段進(jìn)行評(píng)估后,就能夠決定測試場景是否通過?；谒膫€(gè)階段的測試場景總體評(píng)級(jí)如圖7-10所示。在圖中,0和1分別表示一個(gè)階段不通過和通過。案例1顯示全未通過,是因?yàn)锳DS沒有保持安全距離,造成了碰撞并且沒有適當(dāng)?shù)販p輕碰撞。案例2展示了ADS不滿足安全距離但是并未碰撞這一情況。在這種情況下,整體結(jié)果有可能是通過(但仍存在一定風(fēng)險(xiǎn),因?yàn)榧词刮窗l(fā)生碰撞,ADS的行為也是危險(xiǎn)的)。案例3的結(jié)果根據(jù)是否由ADS造成碰撞(是為0,否為1)而有所不同,這闡明了因果關(guān)系階段的重要性。

圖7-10 基于四個(gè)階段的測試場景總體評(píng)級(jí)

7. 1.3 單個(gè)測試場景結(jié)果外推

基于具體場景的安全性評(píng)估的一個(gè)核心問題是,從圖7-10的單個(gè)測試結(jié)果中可以得出哪些結(jié)論。最基本的結(jié)論是,一個(gè)測試場景是否通過,若不通過,是什么原因造成的。由此提出不同的解決方案,例如減少ODD、更改軟件/系統(tǒng)或由于功能安全中的極低暴露率論證而忽略該場景。該結(jié)果也可用于比較兩個(gè)ADS版本,前提是在基于具體場景的安全性評(píng)估時(shí)使用同樣的任意選擇的測試場景。

如果有關(guān)于測試場景的額外信息,可以得出更充分的結(jié)論,見表7-4。

表7 - 4 單個(gè)測試場景外推至其邏輯場景和年平均行駛距離示例

一種可能性是通過對(duì)邏輯場景的參數(shù)空間進(jìn)行等距抽樣來選出測試場景。這種情況下, 各測試場景的重要性πRi取決于所選測試場景的總數(shù)NR , 定義為πRi=1 / NR 。其結(jié)果是被測試的邏輯場景得以通過的比率。此外, 表7 -4 展示了在年平均行駛距離中得出關(guān)于ADS 行為結(jié)論的可能性。然而, 雖然根據(jù)單個(gè)測試方案的結(jié)果進(jìn)行推斷在理論上可行, 但額外所需輸入的參數(shù)可能只有在真實(shí)世界進(jìn)行廣泛的測試后才能獲得。

本書首先立足于整體現(xiàn)狀對(duì)智能汽車測試體系架構(gòu)進(jìn)行綜述， 并針對(duì)測試技術(shù)的發(fā)展趨勢和整個(gè)核心技術(shù)進(jìn)行詳細(xì)描述；然后， 針對(duì)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(jì)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(diǎn)擊以下鏈接購買https://mp.weixin.qq.com/s/SgRPf4_hefnJ68PAl_nNoA

作者簡介：

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?長期從事自動(dòng)駕駛汽車測試與評(píng)價(jià)方向研究工作,先后主持和參與國家級(jí)?省部級(jí)項(xiàng)目共11項(xiàng),并與華為?路特斯?上汽大眾?蔚來等企業(yè)開展了深度校企合作研究?近5年,在國內(nèi)外學(xué)術(shù)期刊和國際會(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)駕駛測試場景國際標(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?《中國公路學(xué)報(bào)》?《汽車工程》?IEEE Intelligent Transportation Systems Conference?IEEE Intelligent Vehicles Symposium等國內(nèi)外期刊和國際會(huì)議審稿人,曾于多項(xiàng)國際學(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 中國國家版本館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。