智能汽车是汽车､电子､信息通信､道路交通运输等行业深度融合的新型产业形态｡当前, 我国智能汽车产业进入快车道, 技术创新日益活跃, 新型应用蓬勃发展, 产业规模不断扩大,而相应的测试技术体系也在不断完善, 推动产业进步｡本书首先立足于整体现状对智能汽车测试体系架构进行综述, 并针对测试技术的发展趋势和整个核心技术进行详细描述;然后, 针对测试体系中每一测试过程的概念､核心思想､关键技术､测试方法､发展趋势等进行详细描述｡
注：本文节选自《智能汽车测试技术》第四章节，由机械工业出版社于2025年6月份出版
本书可供智能汽车设计人员及测试人员阅读使用, 也可供车辆工程专业及相关专业师生阅读参考｡点击下方链接直播购买此书。
《智能汽车测试技术》目录
第1 章
导论
1.1 背景与需求/ 001
1.2 基本概念/ 003
1.2.1 测试与评价的基本概念/ 003
1.2.2 产品全生命周期中的测评技术/ 004
1.3 现状与挑战/ 005
1.4 本书章节安排/ 006
第2 章
智能汽车
测评概述
2.1 测评需求分析/ 009
2.1.1 安全性测试与验证/ 009
2.1.2 智能性测试与评价/ 012
2.2 测试方法论/ 015
2.2.1 安全性测试验证框架/ 015
2.2.2 智能性测试评估框架和体系/ 017
2.3 测试工具链及应用要求/ 023
2.3.1 测试工具链/ 023
2.3.2 测试需求与测试工具的适配性/ 027
2.4 本章小结/ 029
参考文献/ 030
第3 章
智能汽车
测试场景
3.1 场景基本概念/ 031
3.2 场景体系/ 033
3.2.1 场景要素与属性/ 033
3.2.2 场景层级/ 035
3.2.3 场景分类/ 036
3.3 场景生成方法/ 037
3.3.1 基于形式化描述的场景生成方法/ 037
3.3.2 基于驾驶员模型的场景生成方法/ 040
3.3.3 安全关键场景生成方法/ 048
3.4 场景采集与利用/ 051
3.4.1 场景采集技术/ 051
3.4.2 场景库搭建/ 052
3.5 本章小结/ 052
参考文献/ 053
第4 章
环境感知
系统的测试
技术与方法
4.1 环境感知系统测试需求分析/ 055
4.2 环境感知系统介绍/ 057
4.2.1 感知系统/ 057
4.2.2 硬件模组/ 058
4.2.3 认知算法/ 058
4.3 环境感知系统测试技术框架/ 059
4.4 各类感知环境介绍/ 060
4.4.1 封闭场地环境/ 060
4.4.2 道路交通环境/ 064
4.4.3 虚拟仿真环境/ 066
4.5 数据生成模型介绍/ 069
4.5.1 降雨图像生成方法概述/ 070
4.5.2 降雨图像生成模型介绍/ 071
4.5.3 降雨图像生成模型结果/ 075
4.6 具体测试案例/ 076
4.6.1 案例一:基于封闭场地环境的感知系统测试/ 076
4.6.2 案例二:基于虚拟仿真环境的硬件模组测试/ 078
4.6.3 案例三:基于虚拟仿真环境的感知系统测试/ 081
4.6.4 案例四:基于三类感知环境和数据生成模型的
认知算法测试/ 083
4.7 本章小结/ 086
参考文献/ 087
第5 章
决策规划
系统的测试
技术与方法
5.1 决策规划系统的测试需求与挑战/ 089
5.1.1 测试需求/ 089
5.1.2 测试挑战/ 090
5.2 基于场景的测试技术与方法/ 092
5.2.1 静态试验设计测试方法/ 092
5.2.2 动态试验设计测试方法/ 094
5.3 基于真实里程的测试技术与方法/ 101
5.3.1 开放道路测试技术/ 101
5.3.2 重要度采样加速测试方法/ 103
5.4 基于虚拟里程的测试技术与方法/ 104
5.4.1 虚拟里程测试系统组成框架/ 105
5.4.2 用于虚拟里程测试的NPC 模型生成方法/ 106
5.4.3 用于虚拟里程测试的NPC 模型性能验证/ 113
5.4.4 虚拟里程测试的应用/ 118
5.4.5 小结/ 130
5.5 其他测试技术/ 131
5.5.1 自动化测试技术/ 131
5.5.2 错误注入测试技术/ 139
5.5.3 分布式自动化测试技术/ 152
5.6 本章小结/ 157
参考文献/ 157
第6 章
整车测试
技术与方法
6.1 整车测评需求分析/ 159
6.2 封闭测试场地平台/ 160
6.2.1 封闭测试场/ 160
6.2.2 动态模拟目标物系统/ 162
6.2.3 定位与数据采集系统/ 163
6.3 开放道路测试系统/ 164
6.3.1 测试方案制定/ 165
6.3.2 数据采集与数据闭环系统/ 165
6.4 本章小结/ 166
第7 章
智能汽车
安全性评估
7.1 基于具体场景的安全性评估/ 169
7.1.1 场景瞬时风险评估方法/ 170
7.1.2 多阶段安全评估/ 180
7.1.3 单个测试场景结果外推/ 181
7.2 基于逻辑场景的安全性评估/ 182
7.2.1 评估要求/ 182
7.2.2 面向逻辑场景评价的危险域识别方法/ 183
7.3 针对被测功能的安全性评估/ 192
7.4 本章小结/ 192
参考文献/ 193
第8 章
智能汽车
综合行驶
性能评估
8.1 测评需求与研究现状/ 195
8.1.1 测评需求/ 195
8.1.2 研究现状/ 195
8.2 测评基本流程/ 197
8.3 典型测试场景矩阵/ 198
8.4 测试方法与流程/ 199
8.4.1 测试方案/ 199
8.4.2 背景车跟驰模型/ 199
8.4.3 测试数据输出/ 201
8.5 评价方法与流程/ 202
8.5.1 评价体系/ 202
8.5.2 评价流程/ 204
8.6 测评示例/ 206
8.7 本章小结/ 209
参考文献/ 209
附 录
附录A 测试工况参数设置/ 210
附录B 背景车跟驰模型/ 212
附录C 归一化方法/ 214
附录D 常见缩写词/ 216
环境感知系统作为智能网联汽车的“眼睛”,是智能网联汽车获取外界环境信息的关键模块,其能否良好地实现预期功能在很大程度上影响了智能网联汽车的安全,因此十分有必要通过测试发现其性能局限,或验证其性能是否满足要求。本章从环境感知系统的测试需求分析出发,强调了测试的必要性,随后介绍了各类被测对象,提出了针对环境感知系统的测试技术框架,然后介绍了不同的数据生成环境和获取方法,最后结合具体的测试案例,对本章的测试技术和方法进行详细说明。
4. 1 环境感知系统测试需求分析
智能汽车通常包括环境感知系统、行为决策系统和控制执行系统三部分,其中环境感知系统是智能汽车准确及时获取外界信息的关键模块,决策规划系统需要根据环境感知系统提供的车辆内外部环境信息做出合理的轨迹规划,并由控制执行系统完成预定轨迹行驶。环境感知系统面临的行驶环境包括各种极端天气、恶劣光照条件和各类交通参与者。因此,环境感知系统极易受到复杂环境条件的影响而无法实现预期功能,环境感知系统性能局限是引发安全问题的主要来源之一。因此,通过测试发现其性能局限,或验证其性能是否满足要求是环境感知系统测试的主要需求。
构成环境感知系统的传感器和感知算法,都存在一定的性能局限性。在传感器感知性能局限性方面,以视觉传感器和激光雷达两类典型传感器为例,它们获取信息的精度、广度相较其他传感器更优,是高级自动驾驶汽车不可或缺的感知部件。视觉传感器通常包括成像传感器、光学系统和一个可选的图像信号处理单元,因为受到镜头、畸变效应、动态范围、灵敏度、帧率等因素的限制,感知系统接收到的信息相比原始信息有不同程度的缺失。因而,在雨雾、暗光等情况下,传感器会受到干扰,产生难以利用的低质量图像。在降雨、雾条件下,随着雾和雨水的增加,图像的灰度直方图的分布逐渐向右偏移,导致图像对比度下降;降落的雨滴会在图像上产生条纹,从而导致图像的像素值下降,使得图像中物体的边界出现模糊。激光雷达使用激光束来确定传感器和附近物体之间的相对距离,多激光束的反射信号形成代表这些对象的点云。由于激光的性质,在大雾、暴雨和大雪的情况下,激光雷达的性能会明显下降;此外,目标物体尺寸、物体表面反射强度以及环境光照强度等因素也会对激光雷达造成影响;激光雷达表面灰尘积聚会产生激光前向传播过程中的折射现象,导致激光点云的坐标值发生偏移;通过实验室、封闭场地环境下的模拟降雨试验研究发现,降雨量、雨滴直径等因素对激光雷达获得的反射激光的点云数量、反射强度、测距精度等均会造成影响,降低激光雷达的测量精度。
对于系统内部的算法而言,目标的识别过程可以概括为获取数据、数据过滤、特征提取、对象信息提取以及语义建模五个步骤。基于视觉传感器的图像识别算法是自底向上的,其中的关键部分就是对特征的提取。在图像识别中起主导作用的特征主要包括纹理特征、颜色特征、形状特征和空间关系特征等。由于现实世界包含的视觉特征及其组合的复杂性,导致相关因素极其多样。天气条件和光照条件的变化、物体之间的遮挡或与背景之间的相似性、物体形成的阴影等都会对识别算法形成干扰。激光雷达点云数据中则主要是坐标和强度信息,对于物体的识别需要先进行点云聚类,然后从中提取关键特征进行目标识别。因此,数据中特征的显著程度是影响识别算法的关键因素,而影响特征的因素又包括原始数据的质量,以及感兴趣区域中的特征有效性。常用的点云特征包括直线和曲面等源语特征,其准确性取决于点云的参数,但真实环境下很多因素会影响源语特征的提取。在类似道路边缘检测和障碍物检测的任务中,基于边缘的方法可解决相关问题,但要求对象须具有较强的人工边缘特征,且该方法容易受到点云参数噪声的影响;基于区域的分割方法则过于依赖种子点的选择,选点不当会导致分割不充分和效率低下,种子点的不同选择往往导致分割结果的不同;基于模型的方法不能处理非平面路面,如起伏路面、上坡路面、下坡路面、驼峰路面等,此外,分割对点云密度、位置精度和噪声都比较敏感。
综上,对环境感知系统开展测试,需要构建包含上述影响因素或触发条件等的测试用例,并对感知性能进行评估,考察其是否能够在行驶环境(ODD范围内)中具备足够的鲁棒性、可靠性。
4. 2 环境感知系统介绍
感知系统通常包括物理传感器、相关硬件单元以及内部相对应的认知算法,三者间的关系如图4-1所示,通常来说这三者也是环境感知系统在测试中的被测对象。其中,物理传感器负责从环境中采集原始的感知数据,随后将其输入相应的算法中进行数据分析和处理,得到最终的感知与认知结果。目前主流感知系统使用的传感器包括视觉传感器、激光雷达、毫米波雷达和组合导航设备等。本节将以视觉感知系统为例,详细介绍感知系统各层级。
图4 -1 感知系统各部分关系示意图
4 2 1感知系统
感知系统中的物理传感器负责从环境中采集数据,然后将特定格式数据输入内置算法中,经算法处理后输出最终感知结果。
以视觉感知系统为例,其为机器视觉系统信息的直接来源,是指利用光学元件和成像装置获取外部环境信息的设备。车载视觉传感器主要是指车载摄像头。从硬件组成的角度,目前车载摄像头主要由透镜、成像器、图像处理元件组成。其中图像处理元件有可能集成在镜头部件,摄像头直接负责目标识别和测距;也可能集成在控制器中,摄像头仅负责生成图像。车载摄像头两种硬件组成方式如图4-2所示,其中图像信号处理(Image Signal Processing, ISP)为图像信号处理算法,放置位置相对灵活。
4 2 2 硬件模组
硬件模组指的是硬件单元和认知算法的组合,如芯片单元等。相比于完整的感知系统,它不具备待测感知数据获取的能力,无法将环境中的光线信号转换为图像信息,需要借助外部数据采集系统进行数据获取,再输入模组中,但相比感知系统,它体积小,同时不受测试条件和测试环境的影响,具有不错的灵活性和良好的可扩展性。相比于认知算法,一方面,硬件模组可以满足硬件在环测试的需求;另一方面,硬件模组中通常搭载了多种认知算法,可以实现一次对多种功能进行测试。
4 2 3 认知算法
认知算法需要完成两个主要的任务:物体检测和语义分割。前者得到的是场景中重要目标的信息,包括位置、大小、速度等,是一种稀疏的表示;而后者得到的是场景中每一个位置的语义信息,如可行驶、障碍物等,是一种稠密的表示,这两个任务的结合被称为全景分割。对于物体目标(如车辆、行人),全景分割输出其分割掩膜、类别和实例ID;对于非物体目标(如道路、建筑物),则只输出其分割掩膜和类别。环境感知系统的终极目标就是要得到车辆周边三维空间中全景分割结果。
对于视觉传感器,其收集得到的是图像和视频信息,算法的目的是根据图像和视频实现目标识别和测距。针对智能汽车行驶过程中的交通场景,需要检测的目标主要是汽车、两轮车及行人。目前在目标检测领域,常见的多模态视觉识别算法大多是基于传统的视觉识别算法发展起来的,如FasterR⁃CNN[1] 、SSD[2] 、YOLO[3] 等。FasterR⁃CNN是由R⁃CNN[4] 改进到FastR⁃CNN[5] 再改进而来的,当前其优势在于极高的检测精度,并将推理时间减少了一个数量级,但是检测速度仍显著低于其他主流视觉识别算法。SSD(SingleShotMultiBoxDetector)是第一个与同时代两级探测器(如FasterR⁃CNN)的准确性相匹配同时还能保持实时速度的一阶段检测器,但是它在检测小物体方面效果不好。此外,由于它的网络结构中利用了多层特征,引入了过多的超参数,训练难度较高。YOLO是一种一步式的视觉识别算法,可以同时完成物体的定位与分类,经过回归最终输出边界框的位置和其中物体所属类别。YOLO的优势在于极快的检测速度(相较FasterR⁃CNN速度快了10倍左右),可以实现高帧率实时检测,并且由于没有划分区域采样,在全局信息上表现较好。虽然牺牲了一定的检测精度,但是由于其在实时检测方面显著的优越性及在应用上的灵活性,因而在目前的智能感知系统中常被作为基础网络结构而广泛应用。在这些基础的识别算法基础上,为了进一步提升感知系统的能力,还衍生出了跟踪算法,如DeepSORT[6] 、ByteTrack[7]和BoT⁃SORT[8]等,以及基于单目视觉的三维物体检测算法,如GS3D、MonoDIS等。
本书首先立足于整体现状对智能汽车测试体系架构进行综述， 并针对测试技术的发展趋势和整个核心技术进行详细描述；然后， 针对测试体系中每一测试过程的概念、核心思想、关键技术、测试方法、发展趋势等进行详细描述。
本书可供智能汽车设计人员及测试人员阅读使用， 也可供车辆工程专业及相关专业师生阅读参考。
作者简介：
陈君毅,2009年毕业于同济大学汽车学院,获工学博士学位,任职于同济大学汽车学院｡长期从事自动驾驶汽车测试与评价方向研究工作,先后主持和参与国家级､省部级项目共11项,并与华为､路特斯､上汽大众､蔚来等企业开展了深度校企合作研究｡近5年,在国内外学术期刊和国际会议上共发表SCI/EI检索论文近30篇,其中以第一作者或及通讯作者发表的为20余篇;申请发明专利30余项(已授权7项)｡担任SAE汽车安全和网络安全技术委员会秘书､功能安全和预期功能安全分委会主席;是自动驾驶测试场景国际标准(ISO3450X)支撑专家组成员,以及CAICV联盟预期功能安全工作组核心成员;担任《汽车工程》和《汽车工程学报》青年编委委员,IEEE Transactions on Intelligent Vehicles､Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering､《中国公路学报》､《汽车工程》､IEEE Intelligent Transportation Systems Conference､IEEE Intelligent Vehicles Symposium等国内外期刊和国际会议审稿人,曾于多项国际学术会议担任分论坛主席｡
版权信息:
智能汽车测试技术 / 陈君毅等著. -- 北京 : 机械工业出版社, 2025. 5. -- (智能汽车关键技术丛书).ISBN 978-7-111-77871-4 Ⅰ. U467 中国国家版本馆CIP数据核字第2025X8D229号
本书由机械工业出版社出版，本文经出版方授权发布。
来源：汽车测试网
