自動(dòng)駕駛在落地之前必須要經(jīng)過測(cè)試和驗(yàn)證其技術(shù)的安全性，那么自動(dòng)駕駛技術(shù)該如何測(cè)試和驗(yàn)證呢？本文就帶大家探討一下當(dāng)前自動(dòng)駕駛測(cè)試技術(shù)都有哪些？

此前，國(guó)外有機(jī)構(gòu)通過研究提出，如果要證明自動(dòng)駕駛能夠比人類駕駛員更可靠，那么至少需要在真實(shí)或者模擬環(huán)境中行駛 110 億英里。

但這種方法很難完成，因?yàn)樾旭?110 億英里需要花費(fèi)的人力物力財(cái)力非常之大，并且完成這個(gè)測(cè)試耗時(shí)也足夠長(zhǎng)，就連路測(cè)里程數(shù)最多的Waymo利用了9年的時(shí)間才完成了真實(shí)路測(cè)里程1000萬英里、模擬環(huán)境行駛里程50億英里的測(cè)試。

并且，如此眾多的企業(yè)要制造推出自動(dòng)駕駛車，在企業(yè)的自我測(cè)試之外，政府還需要有一套標(biāo)準(zhǔn)的測(cè)試方式對(duì)其驗(yàn)證，如果這個(gè)標(biāo)準(zhǔn)測(cè)試方法也按照這個(gè)方式來進(jìn)行，自動(dòng)駕駛的到來就是遙遙無期。那么究竟該如何進(jìn)行測(cè)試呢？本文給出了幾個(gè)測(cè)試方法。

自動(dòng)駕駛測(cè)試技術(shù)發(fā)展情況

1997 年 8 月到 2004 年 1 月，美國(guó)加州大學(xué)伯克利分校 PATH分別對(duì)乘用轎車、公共汽車、商用卡車和特種車輛進(jìn)行了11 次自動(dòng)化公路行駛的演示試驗(yàn)。演示試驗(yàn)采用磁道釘裝置、車間通信、雷達(dá)、GPS 導(dǎo)航等技術(shù)，實(shí)現(xiàn)車輛編隊(duì)行駛，車隊(duì)拆分和車道變換等一系列功能測(cè)試，并結(jié)合安全交通和實(shí)際交通目標(biāo)評(píng)價(jià)車隊(duì)控制系統(tǒng)對(duì)橫向車道位置與縱向車輛間距的穩(wěn)定性。

日本 AIST主導(dǎo)的 SmartCruise 21 Demo 2000主要對(duì)執(zhí)行車輛協(xié)作策略的車車通信的實(shí)時(shí)性、速率、丟包率等進(jìn)行測(cè)試與評(píng)價(jià)。

2009 年由歐盟贊助、英國(guó) Ricardo 主導(dǎo)的 SARTRE 演示試驗(yàn)，綜合了以上兩次試驗(yàn)的測(cè)試方法，對(duì)車道保持、車隊(duì)跟隨和車車通信等多項(xiàng)技術(shù)分別作出了評(píng)價(jià)，并根據(jù)測(cè)評(píng)結(jié)果結(jié)合發(fā)展需求制訂了下一步的研究計(jì)劃。

2011 年 5 月由荷蘭應(yīng)用科學(xué)研究院(TNO)和荷蘭高科技汽車系統(tǒng)創(chuàng)新計(jì)劃(HTAS)組織的第一屆 GCDC 比賽在荷蘭的埃因霍溫和赫爾蒙德之間的 A270 公路試驗(yàn)場(chǎng)舉行。比賽利用車隊(duì)長(zhǎng)度、通過紅綠燈次數(shù)、車隊(duì)穩(wěn)定性等指標(biāo)來評(píng)價(jià)智能駕駛車輛縱向控制和協(xié)作的性能。比賽的目的是智能駕駛車輛在自主行駛的基礎(chǔ)上加快實(shí)現(xiàn)無線通信的互操作性，提高合作駕駛并著眼于實(shí)時(shí)應(yīng)用，以改善交通流量減少交通擁堵。在有限的道路資源下合理地、最大化地增加交通流量。

隨著立體相機(jī)、3D 激光雷達(dá)、高精度動(dòng)態(tài)定位、高性能計(jì)算等新設(shè)備的應(yīng)用，無人駕駛車輛測(cè)試評(píng)價(jià)方法已經(jīng)愈來愈成熟。

谷歌無人駕駛車輛在已結(jié)束的加州山景城道路測(cè)試中，確定了涵蓋典型場(chǎng)景、系統(tǒng)性能邊界和約束條件的統(tǒng)一測(cè)試評(píng)價(jià)方法。

奧迪、奔馳、大眾、德爾福、博世等傳統(tǒng)車企和供應(yīng)商，盡管已獲得無人駕駛的路試許可證，但是仍然采用汽車安全輔助駕駛系統(tǒng)（ADAS）關(guān)于可控性、有效性及可接受程度的測(cè)試評(píng)估方法。

特斯拉電動(dòng)車公司雖然不像谷歌采用的“一步到位”策略，但其借助 OTA 升級(jí)手段，利用用戶數(shù)據(jù)返回和體驗(yàn)效果來穩(wěn)步提升自動(dòng)駕駛的成熟度和可接受程度。

我國(guó)智能駕駛測(cè)試評(píng)估方法需要在考慮中國(guó)道路設(shè)施、路面車輛類型、行人、信號(hào)措施、汽車社會(huì)化發(fā)展階段等復(fù)雜性和特點(diǎn)的基礎(chǔ)上，按照無人駕駛車輛智能等級(jí)劃分結(jié)果，依托現(xiàn)有成熟ADAS 測(cè)試評(píng)估方法，制定環(huán)境認(rèn)知、路徑規(guī)劃、行為決策與控制等方面綜合功能的測(cè)試評(píng)價(jià)方法。

密歇根大學(xué)Mcity 的自動(dòng)駕駛快速測(cè)試方法論

密歇根大學(xué)機(jī)械工程學(xué)院研究出了一套加快評(píng)測(cè)進(jìn)程的方式。這套方式重點(diǎn)針對(duì)可能發(fā)生危險(xiǎn)的狀況，以及在這種情況下自動(dòng)駕駛輛的應(yīng)對(duì)措施，進(jìn)而對(duì)自動(dòng)駕駛的可靠性進(jìn)行評(píng)估。相較于傳統(tǒng)的方式來說，能夠加快速度并且減少資金花費(fèi)。

測(cè)試自動(dòng)駕駛汽車，需要考慮到的問題是：

1.自動(dòng)駕駛車個(gè)體的不同，即在應(yīng)對(duì)危險(xiǎn)或者意外時(shí)，會(huì)采取不同的測(cè)錄；

2.要盡可能在所有場(chǎng)景中，考慮不同的道路與駕駛環(huán)境、天氣；

3.在自動(dòng)駕駛車的早期，將會(huì)是自動(dòng)駕駛與人類駕駛員混行的狀態(tài)，因而自動(dòng)駕駛車與人類駕駛的車輛之間的交互也是必須考慮的。

密歇根大學(xué)提出的加快評(píng)測(cè)進(jìn)程的核心思想是，將真實(shí)駕駛環(huán)境分解成不同的場(chǎng)景，這些被分解的場(chǎng)景易于進(jìn)行模擬和重復(fù)測(cè)試，在每一個(gè)特定的場(chǎng)景，按照他們的方法進(jìn)行加速測(cè)試。為了研究加速測(cè)試的方式，研究員對(duì)駕駛數(shù)據(jù)進(jìn)行了六步分析：

1. 大量收集實(shí)際行駛過程中的數(shù)據(jù)。

2. 對(duì)數(shù)據(jù)進(jìn)行過濾，保留下包含自動(dòng)駕駛車與人類駕駛的車輛進(jìn)行有價(jià)值的交互的數(shù)據(jù)。

3. 對(duì)人類駕駛行為進(jìn)行建模，以此作為對(duì)自動(dòng)駕駛車產(chǎn)生主要威脅，并且是概率分布的隨機(jī)變量。

4. 減少日常駕駛中的沒有發(fā)生事故的數(shù)據(jù)，然后用發(fā)生了危險(xiǎn)事故的數(shù)據(jù)進(jìn)行取代。

5. 在加速場(chǎng)景下使用蒙特卡羅的算法，從而能夠在人類駕駛員與自動(dòng)駕駛車之間產(chǎn)生高頻率高密度的相互。

6. 使用統(tǒng)計(jì)分析的方式，根據(jù)測(cè)試的結(jié)果去反推，在實(shí)際情況中，自動(dòng)駕駛車的表現(xiàn)情況。

在經(jīng)過六步分析方法后，提供四種方法作為加速測(cè)試進(jìn)程的基礎(chǔ)：

1. 基于道路上發(fā)生一件與安全相關(guān)的關(guān)鍵事件的頻率，刨除了安全駕駛的狀態(tài)。

2. 使用重要抽樣的方式來從統(tǒng)計(jì)上增加關(guān)鍵事件的發(fā)生次數(shù)，保證這些增加的事件依然能夠正確反映真實(shí)環(huán)境中的駕駛條件。

3. 建立一個(gè)公式能夠正確地提取出關(guān)鍵事件的數(shù)據(jù)，針對(duì)這些數(shù)據(jù)進(jìn)行測(cè)試并用來進(jìn)一步降低測(cè)試所需要的次數(shù)。

4. 在經(jīng)過優(yōu)化的隨機(jī)事件中，對(duì)最復(fù)雜場(chǎng)景下的關(guān)鍵事件里人類駕駛員與自動(dòng)駕駛車之間的交互數(shù)據(jù)進(jìn)行分析。

目前針對(duì)兩個(gè)場(chǎng)景進(jìn)行測(cè)試：跟車、超車。

在這兩個(gè)狀況中，被測(cè)試車輛都是處于后面的車，需要應(yīng)對(duì)前方車輛的不同行為，而前車輛默認(rèn)是人類駕駛的。這兩個(gè)場(chǎng)景選取于常見的發(fā)生事故的場(chǎng)景，在超車場(chǎng)景中，是由人類駕駛的車輛切入自動(dòng)駕駛車前方，并且在自動(dòng)駕駛車后方還有一輛人類駕駛的車。

在不同的場(chǎng)景中，會(huì)考慮發(fā)生事故的可能、事故帶來的傷害以及交通沖突率，考慮時(shí)會(huì)設(shè)定自動(dòng)駕駛中有 1 名或多名乘客，他們受到中等程度以上傷害的結(jié)果。

評(píng)估結(jié)果的準(zhǔn)確性由行為決定，并會(huì)將估的結(jié)果與真實(shí)模擬的情況進(jìn)行對(duì)比，來進(jìn)行驗(yàn)證。如果將以上四種方式在一個(gè)整體測(cè)試進(jìn)程中結(jié)合使用，那么這套評(píng)估程序能夠?qū)y(cè)試時(shí)間減少 300-10 萬倍。

如果一輛自動(dòng)駕駛車按照這種方式在最嚴(yán)苛與最具挑戰(zhàn)性的駕駛狀態(tài)中行駛 1000 英里，那么可以相當(dāng)于在真實(shí)環(huán)境中行駛了 30 萬~1 千萬英里。

未來，還會(huì)增加更多的測(cè)試場(chǎng)景：包括左轉(zhuǎn)、十字路口以及對(duì)向來車的情況。另外，還需要能夠僅僅只有車輛的碰撞，以及包含行人與騎行者的情況。

研究人員們還需要更多的關(guān)鍵場(chǎng)景來對(duì)自動(dòng)駕駛車可能出現(xiàn)的失效情況進(jìn)行分析，比如像雨雪與大霧天氣對(duì)傳感器帶來的挑戰(zhàn)；閃爍的燈光以及來自其他駕駛員的手勢(shì)；不符合交通規(guī)則的行為，闖紅燈的車輛或者不按規(guī)則過馬路的行人；重型車的駕駛行為，因?yàn)橄啾容^乘用車重型車反應(yīng)要慢等等。

深度神經(jīng)網(wǎng)絡(luò)（DNN）驅(qū)動(dòng)的駕駛系統(tǒng)測(cè)試技術(shù)

深度神經(jīng)網(wǎng)絡(luò)（DNN）近來的進(jìn)展推動(dòng)了 DNN 驅(qū)動(dòng)的自動(dòng)汽車的發(fā)展，這些汽車使用了相機(jī)、激光雷達(dá)等傳感器，無需人類干預(yù)也能自己駕駛。

但是，盡管 DNN 成績(jī)斐然，但就像傳統(tǒng)軟件一樣，往往會(huì)表現(xiàn)出不正確的或非預(yù)期的極端案例行為，這些行為可能會(huì)導(dǎo)致潛在的致命撞車。

現(xiàn)在已經(jīng)出現(xiàn)了一些涉及到自動(dòng)駕駛汽車的車禍包括一起出現(xiàn)了死亡的事故。對(duì) DNN 驅(qū)動(dòng)的汽車的大多數(shù)已有的測(cè)試技術(shù)都嚴(yán)重依賴于人工收集的不同駕駛條件下的測(cè)試數(shù)據(jù)，隨著測(cè)試條件的增多，這種收集方法的成本也會(huì)變得非常高。

來自弗吉尼亞大學(xué)和哥倫比亞大學(xué)的幾位研究者提出了一種自動(dòng)測(cè)試深度神經(jīng)網(wǎng)絡(luò)自動(dòng)駕駛汽車的方法DeepTest，可以對(duì)自動(dòng)駕駛系統(tǒng)進(jìn)行更加全面的測(cè)試評(píng)估。

DeepTest 是一個(gè)系統(tǒng)性的測(cè)試工具，可用于自動(dòng)檢測(cè)DNN 驅(qū)動(dòng)的汽車可能導(dǎo)致致命碰撞的錯(cuò)誤行為。

首先，該工具經(jīng)過設(shè)計(jì)可以自動(dòng)生成測(cè)試案例，這種生成利用了駕駛環(huán)境的真實(shí)變化，比如雨、霧、光照條件等。

其次，通過生成能最大化激活神經(jīng)元數(shù)量的測(cè)試輸入，DeepTest 系統(tǒng)性地對(duì) DNN 邏輯的不同部分進(jìn)行了探索。

在 Udacity 自動(dòng)駕駛汽車挑戰(zhàn)賽中三個(gè)表現(xiàn)最好的DNN 上，DeepTest 發(fā)現(xiàn)了不同現(xiàn)實(shí)駕駛條件（比如模糊、雨、霧等）下的數(shù)千種錯(cuò)誤行為，其中很多都可能導(dǎo)致致命碰撞。

自動(dòng)駕駛編隊(duì)測(cè)試技術(shù)

美國(guó)聯(lián)邦公路管理局(FHWA)下屬特納費(fèi)爾班克公路研究中心(Turner-Fairbank Highway Research Center，TFHRC)、美國(guó)交通部下屬沃爾佩國(guó)家交通系統(tǒng)中心 (Volpe National Transportation Systems Center)和美國(guó)陸軍阿伯丁測(cè)試中心(U.S.ArmyAberdeen Test Center)位于馬里蘭州的美國(guó)陸軍阿伯丁試驗(yàn)場(chǎng)(Aberdeen Proving Ground)開展了一項(xiàng)研究名為“測(cè)試和評(píng)估基于協(xié)同自適應(yīng)巡航控制的汽車編隊(duì)行駛概念驗(yàn)證雛形”（Test and Evaluation of Vehicle Platooning Proof[1]of-ConceptBased on Cooperative Adaptive Cruise Control）。

5輛具有自動(dòng)化縱向控制功能的凱迪拉克汽車組成了研究人員所稱的編隊(duì)概念驗(yàn)證雛形。為使 5 輛凱迪拉克汽車形成編隊(duì)，上述機(jī)構(gòu)的研究人員為試驗(yàn)車輛配備了特殊的車載計(jì)算機(jī)，并將計(jì)算機(jī)與車對(duì)車(V2V)通信設(shè)備相連接。

車載計(jì)算機(jī)與車對(duì)車(V2V)通信設(shè)備相連

該通信設(shè)備利用專用短途通信技術(shù)(Dedicated Short-Range Communication，DSRC)，使車輛能彼此之間接收和傳輸數(shù)據(jù)。

利用V2V 技術(shù)，車輛能夠快速地彼此溝通和分享信息，比如是否需要加速或減速以保持理想的行車間距。通過在車輛之間建立連接，我們能夠?qū)囕v交通實(shí)施集體管理，而不再是管理單獨(dú)車輛。這項(xiàng)研究的獨(dú)特之處在于主要側(cè)重于自動(dòng)駕駛系統(tǒng)協(xié)同配合方面，如果車輛能與基礎(chǔ)設(shè)施以及彼此之間進(jìn)行通信，就能利用這項(xiàng)功能來更高效地協(xié)調(diào)道路交通，從而節(jié)約大量的燃油和交通時(shí)間。

跟隨車輛緊跟前方車輛，并接收編隊(duì)中其他車輛的信息，這就是它們彼此之間的溝通方式——計(jì)算機(jī)能夠計(jì)算車輛的當(dāng)前及預(yù)計(jì)行駛軌跡，從而在行駛過程中保持相對(duì)位置。車載計(jì)算機(jī)不僅要控制剎車和加速，還要接收前方車輛的雷達(dá)數(shù)據(jù)，這些數(shù)據(jù)將用于幫助自適應(yīng)巡航控制系統(tǒng)實(shí)現(xiàn)自適應(yīng)巡航控制功能。

測(cè)試車輛能夠掌握前方輛的位置和車速，并根據(jù)這些信息來控制剎車和油門，從而控制跟隨車輛的位置。對(duì)協(xié)同性自適應(yīng)巡航控制技術(shù)（CACC）進(jìn)行算法校準(zhǔn)將是后續(xù)研究重要的工作之一。

研究人員收集測(cè)試過程中的數(shù)據(jù)，監(jiān)控車輛間的間距，確定跟隨車輛難以及時(shí)進(jìn)行加速或減速的過小間距，從而確保與領(lǐng)頭車輛保持適當(dāng)間距。研究處于大量測(cè)試、反思、更新代碼，再次測(cè)試、反思、更新代碼的循環(huán)流程。

團(tuán)隊(duì)不僅從技術(shù)可行性的角度展開研究，也在與汽車廠商進(jìn)行合作、共享研發(fā)成果，他們希望能與汽車產(chǎn)業(yè)共同打造自動(dòng)駕駛編隊(duì)的雛形，使之具備在公路上變道和并道等功能。

ADAS 測(cè)試技術(shù)

2017 年 8 月，天津汽車檢測(cè)中心在ADAS 測(cè)試場(chǎng)地進(jìn)行了 AEB公開測(cè)試試驗(yàn)，來自國(guó)內(nèi)多家整車與零部件企業(yè)、高校及科研機(jī)構(gòu)的300 余名技術(shù)專家蒞臨現(xiàn)場(chǎng)。測(cè)試過程包含技術(shù)說明會(huì)、AEB 現(xiàn)場(chǎng)試驗(yàn)、實(shí)車技術(shù)討論等多個(gè)環(huán)節(jié)。