基于具体场景的安全性评估

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》第七章节，由机械工业出版社于2025年6月份出版

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

《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

基于场景的仿真测试凭借高效率、低成本、高灵活性等优势, 已成为智能汽车的主流测试手段。ISO 34502 标准[1] 基于三层抽象场景为智能汽车安全评价提出了目标, 即基于具体场景的测试结果评价被测系统在逻辑场景中的整体安全性能。如图7 -1 所示, 首先借助系统分析方法将被测系统的设计运行域划分为有限的逻辑场景; 然后在逻辑场景参数空间中, 利用黑箱测试方法测试系统在逻辑场景中的安全性能; 在所有测试结束后, 通过评估解空间的方式得到逻辑场景层级的测评结果, 再将所有逻辑场景层级的测评结果整合便可得到被测系统在设计运行域内的测评结果, 进而实现对被测系统安全性的评价。

图7 -1 智能汽车安全性评估示意图

7 . 1 基于具体场景的安全性评估

基于具体场景的安全性评估关键在于如何在具体场景中量化评估被测系统驾驶行为的风险水平。对于每个单独的测试场景, 采用不同的场景瞬时风险评估方法以确认被测系统是否符合预定义的行为标准。依照测试概念,在特定情况下,这些预定义的标准是:

1)保持合适的安全距离。

2)不发生碰撞。

3)若可能,减轻碰撞。

进行基于具体场景的安全性评估时,需要评估被测系统是否符合其中每一项标准的要求。根据每个标准的评估结果判断单次测试是否通过该测试场景。此外,基于具体场景的安全性评估还论述了将单个测试场景的结果外推至相应的半具体/逻辑场景以及整体ODD所需的必要输入信息,以获得更多有价值的评估结果。

7. 1.1 场景瞬时风险评估方法

现有的场景瞬时风险评估方法主要通过对主车及其他交通参与者进行运动学或动力学建模并引入一定程度的假设以预测车辆的轨迹、覆盖区域等信息,基于此计算主车和其他交通参与者碰撞的可能性并作为风险评估的依据。如图7-2所示,可以将现有的风险评估方法分为3类,包括面向单一目标物的评估方法、基于势场论的评估方法与基于可达集的评估方法。其中,面向单一目标物的评估方法又可分为确定性评估方法和概率性评估方法。面向单一目标物的评估方法和基于可达集的评估方法的共同点是都需要通过检测冲突或碰撞来评估风险,不同的是面向单一目标物的方法主要从轨迹出发进行碰撞检测,进而评估风险;而基于可达集的方法是从区域的角度出发进行碰撞检测,并通过非碰撞区域的大小来表征风险。与前两类评估方法不同,基于势场论的评估方法不需要检测碰撞,该类方法在结合专家知识和事故数据分析得到风险因素(例如,车辆、障碍物等)的基础上,基于物理学中场的概念对风险关系进行建模,实现风险评估。

图7 -2 风险评估方法分类

1. 面向单一目标物的评估方法

面向单一目标物的评估方法是指通过计算主车与单一目标物或场景元素发生碰撞的可能性来评估风险,例如计算与前车发生碰撞的可能性。这类风险评估方法在进行风险评估时需要考虑主车和某个目标物的未来轨迹在时空上的接近程度;根据评估模型是否考虑目标物的运动不确定性,将面向单一目标物的评估方法分为确定性评估方法和概率性评估方法。

(1)确定性评估方法

确定性评估方法是一种忽略交通参与者运动不确定性的风险评估方法,在这种方法中,一般利用简化物理模型来描述交通参与者的运动并选取某种指标来表征风险,当指标计算结果超过某一阈值时便认为存在风险。

常用的简化物理模型是定常模型,即假设车辆的运动参数(如加速度、速度和航向角等)在短时间内是恒定的;在简化物理模型的基础上通过计算特定指标来评估风险,本节将这些指标划分为3类:时间指标、加速度指标和距离指标。其中,时间指标最为常用,例如碰撞时间(TTC)[2] 和车头时距(TimeHeadway,THW)[3] ;加速度指标包括避撞减速率(DecelerationRatetoAvoidaCrash,DRAC)[4] 、制动威胁系数(Brake⁃Threat⁃Number,BTN)[5] 和转向威胁系数(Steer⁃Threat⁃Number,STN)[6] 等;距离指标包括最小安全距离(MinimumSafetyDistance,MSD)[7 -8] 、碰撞距离(DistancetoCollision,DTC)[9] 等。

常见的时间指标与其对应的主要应用场景、假设和计算公式对比见表7-1。

表7-1 时间指标对比

加速度指标一般由车辆的极限加减速性能以及所在场景中车辆为避免碰撞所需的加减速性能确定。其中, 评估指标STN、BTN 示意图如图7-3 所示。加速度指标与其对应的主要应用场景、假设和计算公式对比见表7 -2。

图7 -3 评估指标STN、BTN 示意图

表7 - 2 加速度指标对比

距离指标通过主车到碰撞点的距离来表征风险,用于风险评估的距离指标本质上类似于时间度量。

确定性评估方法的优点是可以快速评估当前情况的风险。由于使用了简化模型,提高了运算效率,所以这些方法可以快速评估风险。但是由于忽略了车辆运动的不确定性和车外场景的不确定性,该类评估方法的应用场景受限。

(2)概率性评估方法

概率性评估方法在评估过程中考虑到车辆在运动过程中存在的不确定性,利用概率模型来描述其运动,进而评估风险。具体而言,概率性评估方法首先预测周围车辆的轨迹,再结合主车未来轨迹进行碰撞检测,最后根据碰撞检测结果得出主车的碰撞可能性;但预测车辆的运动轨迹并不是一项确定性的任务。一方面是因为运动的不确定性,即从驾驶员的驾驶行为到输入车辆的控制指令再到车辆的实际轨迹,都有复杂的交互作用,包括人车交互、车路交互以及人与交通环境的交互,交互的复杂性导致了驾驶员的驾驶行为、输入车辆的运动控制参数不确定性;另一方面是因为观测的不确定性,即许多参数在现有技术水平下难以精确测量,例如轮胎在道路上的摩擦系数就很难测量,从而导致输入风险评估的参数本身存在不确定性。

综上所述,在预测周围车辆轨迹时,必须考虑车辆在运动过程中的不确定性。基于运动过程中的不确定性,将概率性评估方法分为两类,一类是基于驾驶行为不确定性的评估方法,另一类是基于运动控制参数不确定性的评估方法。其中,驾驶行为不确定性是指因无法直接确定驾驶行为而产生的不确定性,例如,车辆行驶时无法直接确定周围车辆是否会变道;运动控制参数不确定性是指因无法直接确定输入车辆的运动控制参数,例如横纵向加速度,而产生的不确定性。至于观测不确定性,由于很多研究者进行风险评估时均假设输入参数可以准确获得,因此不对其重点讨论。

1)基于驾驶行为不确定性的评估方法。在考虑驾驶行为不确定性进行风险评估时,首先需要预测驾驶行为,常用的驾驶行为预测模型包括交互多重模型(InteractingMultipleModel,IMM)[10] 、隐马尔可夫模型[11] 、动态贝叶斯网络[12] 等。图7-4展示了使用IMM预测周围车辆的变道概率并利用三次多项式生成周围车辆运动轨迹对车辆变道行为和变道轨迹的预测情况,最后根据车辆出现在同一位置的可能性来计算碰撞概率。

图7 -4 车辆变道行为预测[10] 

一般的驾驶行为预测模型在正常情况下可以较为准确地预测驾驶员行为,但实际交通环境中也会出现一些异常驾驶行为,这些异常驾驶行为往往较难预测,且对行驶安全有较大影响。因此,异常驾驶行为检测也是风险评估需要考虑的问题,有研究利用高斯过程和卷积神经网络进行异常驾驶行为检测,实验表明该方法能够较为准确地检测到异常驾驶行为[13] 。

2)基于运动控制参数不确定性的评估方法。在考虑车辆运动控制参数不确定性时,首先要得到运动控制参数(例如,加速度、转向角等)的概率分布情况,再基于运动控制参数的概率分布情况得到车辆控制输入,并将其输入车辆运动模型得出运动轨迹,最后基于轨迹进行风险评估。在对运动控制参数分布进行建模时,最简单的方式是利用均匀分布进行建模,例如,Joerer[14] 根据车辆的最大减速度和加速度得到车辆运动轨迹界限,假设车辆的加速度分布是均匀概率分布,并计算选择特定轨迹的碰撞可能性,最后通过汇总在轨迹边界中的每个轨迹的碰撞可能性来计算当前场景下的碰撞可能性。很明显,这种均匀分布的假设与实际情况差距较大。为提高风险评估的准确性,可以选用高斯混合模型来建立建模运动控制参数的分布情况模型。例如,Zhou[15] 通过对驾驶员避撞行为进行建模,利用自然驾驶数据构建车辆避撞时横纵向加速度分布的高斯混合模型,并结合马尔可夫蒙特卡洛抽样算法得到车辆未来横纵向加速度。另外,也可以利用深度神经网络来预测运动控制参数在高斯混合模型下分布的均值和协方差矩阵,用这种学习得到的高斯混合模型来描述运动控制参数的不确定性[16] 。

由运动控制参数分布生成运动控制参数时,一般利用采样的方法进行生成,但采样的方法一直存在如何平衡采样频率和可靠性之间的问题。即想要得到可靠的结果,需要提高采样频率,但过高的采样频率又会使算法计算实时性受到影响。

与确定性评估方法相比,概率性评估方法的计算成本更高,但是由于考虑了车辆在运动过程中的不确定性,因此场景中动态元素之间风险评估的量化更加合理。此外,由于考虑了更多的影响因素,例如车间交互,因此概率评估方法具有更长的预测时域,可以更早地检测到车辆行驶过程中的碰撞风险。

2. 基于可达集的评估方法

可达集是指车辆从初始状态集开始随着时间推移能够达到的状态的集合。基于可达集的评估方法在每一个时间步下计算车辆在一定约束条件下可以达到的状态集合,利用得到的可达集大小来表征风险。Wu等[17] 利用运动学模型预测主车和周围车辆的轨迹并基于碰撞检测计算主车的可行驶区域,结合存在周围车辆时主车实际可行域的大小和无周围车辆时主车理想可行域的大小之比,构建归一化可行域(DiscretizedNormalizedDrivableArea,DNDA),以此来评估风险,图7-5所示为DNDA构建过程示意图。

图7 -5 DNDA 构建过程示意图

在车辆实际行驶过程中,障碍物的位置和大小会显著影响车辆的可达集大小,图7-6展示了不同障碍物大小和空间布置下车辆可达集的变化,随着障碍物在道路中占据的空间越来越大,车辆的可达集变得越来越小。此外也可将可达集与概率结合起来,用概率可达集来表征风险,通过计算车辆在每一个时间步下可到达区域内与其他目标物的碰撞概率来得出车辆在未来一段时间内的风险水平。

图7-6 可达集随障碍物大小变化而变化[18] 

基于可达集的评估方法的优点是能够在考虑多种场景元素的情况下计算车辆所有可能到达的状态,全面地评估风险;但是这也导致其计算过程复杂,计算实时性差,同时由于非线性系统的可达集求解非常困难,现有的方法常用简化模型来进行可达集求解,这一定程度上影响了评估结果的准确性。

3. 基于势场论的评估方法

基于势场论的评估方法借鉴了物理学中的势场理论,利用斥力场来描述碰撞风险。该类方法最初被用于解决机器人领域运动规划问题[19] ,后被引入智能汽车领域。Sattel等[20] 结合势场论开发了智能汽车的运动规划算法。在风险评估中,基于势场论的方法假设场景中的元素均会产生场强,这些场强作用于车辆上面会产生排斥力,排斥力按距离积分之后就会得到势能。在场强计算上,不同场景元素产生的场强大小不同,基本的场景元素包括车辆、道路和车道边界、障碍物、弱势交通参与者等。Wang等[21] 在考虑车路的基础上,进一步还考虑了驾驶员驾驶风格来计算场强,驾驶行为越激进的车辆产生的场强越大。具体在构建场强计算公式时,一般涉及的核心参数包括车辆和目标物之间的相对距离和相对速度。为使计算得到的场强能更多地反映未来的风险,在相对距离和相对速度的基础上可以引入加速度参数来计算场强。当得到车辆所在位置的场强之后,将场强和车辆虚拟质量相乘便可得到排斥力。在计算虚拟质量时,通常会综合考虑车辆实际质量和行驶速度,这是因为车辆自身的速度也会影响行驶时的风险,例如,车辆高速行驶时的风险会高于低速行驶时的风险。在量化风险时,可以直接用排斥力来量化风险水平,即作用在车上的排斥力越大,车辆行驶过程中的风险越大;也可以尝试用势能来量化风险水平。图7-7所示为势能场示意图。

图7 -7 势能场示意图[22] 

基于势场论的评估方法的优点是可同时考虑多个场景元素进行风险评估,评估结果能更全面地表征主车的风险;但该评估方法中有很多难以直接确定的系数,从而影响该方法的应用。

4. 评估方法对比

在前面分析的基础上,下面基于5个评估维度对分类的三大类、四小类风险评估方法进行对比讨论。

(1)对比维度

当智能汽车上路运行时,要求其能实时、快速评估风险,且输出的评估结果能反映未来一段时间的风险水平以保证决策的安全性;同时由于风险评估方法最终需要应用于实车,因此需要考虑其在实车上应用的可行性;此外,由于实际环境中能给智能汽车造成风险的因素是多种多样的,车辆遇到的场景也是多种多样的,因此需要对风险评估方法是否可以考虑不同的风险因素,以及其是否适用于不同场景中风险评估进行分析。

综上所述,下面提出计算实时性、结果时效性、应用可行性、内容充分性和场景泛用性5个维度对风险评估方法进行评价,具体含义如下。

1)计算实时性。用于表征风险评估方法计算速度的快慢,计算实时性好的风险评估方法能快速计算并得出风险评估结果,给智能汽车留出足够的时间进行决策。

2)结果时效性。用于表征风险评估结果有效时间的长短,结果时效性好的风险评估方法能预测未来更长一段时间内的风险,输出的评估结果能在更长一段时间内有效。

3)应用可行性。用于表征风险评估方法在实车上应用的难易程度,应用可行性好的风险评估方法一般需要的输入参数较少或需要的输入参数在实车上容易获取。

4)内容充分性。用于表征风险评估方法的评估内容对场景中各种风险来源的覆盖程度,内容充分性好的风险评估方法能尽可能全面地考虑场景中不同的场景元素带来的风险,包括车辆、行人等带来的风险。

5)场景泛用性。用于表征风险评估方法在不同场景下的适用程度,场景泛用性好的风险评估方法应适用于智能汽车在行驶过程中可能遇到的所有场景。

(2)对比结果

根据前面提出的评估维度对上述提到的风险评估方法进行对比,结果如图7-8所示。

图7 -8 风险评估方法之间的对比

因为确定性评估方法一般具有显示的计算公式,在输入数据之后能快速得出结果,所以确定性评估方法的优点具有很好的计算实时性;同时由于确定性评估方法需要的输入参数较少且较容易获取,所以其应用可行性也很好;但是由于确定所需信息时选择了特定的一种或几种场景和其中的特定目标物参数作为模型输入信息,确定性评估方法的内容充分性和场景泛用性并不好。例如,TTC主要是为跟车场景设计的,无法有效评估相邻车道的车对主车造成的风险;除此之外,当场景变复杂时TTC也会失效;由于忽略了运动不确定性,因此风险评估的结果时效性也很差。

概率性评估方法能考虑目标物的运动不确定性,且由于引入更符合实际的预测模型,因此该方法的评估结果具有很好的结果时效性。但是由于该类方法只能通过计算主车与特定类型目标物未来轨迹的冲突概率来评估风险,如果需要评估其他类型目标物造成的风险,则需对该类目标物重新建立预测模型,因此其内容充分性不足。

基于势场论和基于可达集的评估方法的评估内容可以包含多个场景元素,且能适用于复杂的场景,而不限于跟车、变道等特定场景,因此这两类方法具有很好的内容充分性和场景泛用性。但是,在构建评估方法时,基于势场论的评估方法中有很多系数难以直接确定,因此该类方法的应用可行性较差。基于可达集的评估方法在求解车辆可达集的过程中会涉及隐函数求解,求解难度较大,因此该类方法的计算实时性较差。

综上所述,确定性评估方法的计算实时性和应用可行性很好,能快速评估风险,适用于紧急情况下的决策;概率性评估方法的结果时效性很好,能较早预测潜在碰撞进而及时调整车辆位置,防止紧急情况的出现,适用于非紧急情况下的决策中;基于势场论的评估方法具有很好的内容充分性和场景泛用性,其充分考虑了场景中的多种风险因素,可以评估出风险最小的路径,因此适用于运动规划;基于可达集的评估方法具有很好的内容充分性和场景泛用性,因此也适用于运动规划;此外,基于可达集的评估方法,还具有较好的应用可行性,可以在不同类型的场景中输出归一化的结果,所以尤其适用于测试评价。表7-3展示了风险评估方法的适用情况。

表7-3 风险评估方法的适用情况

7.1.2 多阶段安全评估

基于具体场景的安全性评估的第一部分侧重于对单个测试场景的评估。因此,假设不同来源[如碰撞分析、自动化风险、现场操作测试(FieldOperationTest,FOT)]数据和仿真的测试场景是以统一的格式提供的。图7-9所示为测试场景的多阶段基于具体场景的安全性评估。第一阶段评估自动驾驶系统(Ad⁃vancedDrivingSystem,ADS)是否符合安全指标(如TTC)所要求的安全距离。其中,正方形代表决策,椭圆形代表结果。

图7 -9 测试场景的多阶段安全评估

若不满足安全距离,则第一阶段不通过,若满足则通过。此时无法辨别条件的不满足是由ADS引起还是由其他交通参与者引起。第一阶段是否采用,取决于测试如何定义,故图中以虚线表示。

第二阶段进行碰撞检测,第三阶段进行因果关系评估。第三阶段是非常重要的,因为到目前为止,还不能确定是ADS还是其他因素导致了第一阶段或第二阶段的不通过。因此,首先要评估ADS对这一情况是否可控。在提出的方法中,这种可控性评估仅限于评估避免碰撞的驾驶物理极限。如果ADS在驾驶极限下都不能避免碰撞情况的发生,就需要进行额外的检查。 

虽然第三阶段很重要,但仍很难自动化地评估发生碰撞的场景的影响因素是否为ADS。虽然可以在一定的不确定下评估驾驶极限,但需要事先推导出适用于所有场景的通用规则,确定导致事故的主体仍旧是一个挑战。然而,因果关系模型已经存在于已有的模型中,它涵盖了大量的情况,并能够期待未来在这个领域会有更多的进展。在那之前,可以使用专家组的决策。

最后,第四阶段判断ADS是否适当地减轻了碰撞(如通过施加适当的制动力)。所以,ADS是否造成了碰撞与此无关。这是因为如果在物理上可实现,ADS被假设在任何情况下都应该试图减轻碰撞。

在对所有阶段进行评估后,就能够决定测试场景是否通过。基于四个阶段的测试场景总体评级如图7-10所示。在图中,0和1分别表示一个阶段不通过和通过。案例1显示全未通过,是因为ADS没有保持安全距离,造成了碰撞并且没有适当地减轻碰撞。案例2展示了ADS不满足安全距离但是并未碰撞这一情况。在这种情况下,整体结果有可能是通过(但仍存在一定风险,因为即使未发生碰撞,ADS的行为也是危险的)。案例3的结果根据是否由ADS造成碰撞(是为0,否为1)而有所不同,这阐明了因果关系阶段的重要性。

图7-10 基于四个阶段的测试场景总体评级

7. 1.3 单个测试场景结果外推

基于具体场景的安全性评估的一个核心问题是,从图7-10的单个测试结果中可以得出哪些结论。最基本的结论是,一个测试场景是否通过,若不通过,是什么原因造成的。由此提出不同的解决方案,例如减少ODD、更改软件/系统或由于功能安全中的极低暴露率论证而忽略该场景。该结果也可用于比较两个ADS版本,前提是在基于具体场景的安全性评估时使用同样的任意选择的测试场景。

如果有关于测试场景的额外信息,可以得出更充分的结论,见表7-4。

表7 - 4 单个测试场景外推至其逻辑场景和年平均行驶距离示例

一种可能性是通过对逻辑场景的参数空间进行等距抽样来选出测试场景。这种情况下, 各测试场景的重要性πRi取决于所选测试场景的总数NR , 定义为πRi=1 / NR 。其结果是被测试的逻辑场景得以通过的比率。此外, 表7 -4 展示了在年平均行驶距离中得出关于ADS 行为结论的可能性。然而, 虽然根据单个测试方案的结果进行推断在理论上可行, 但额外所需输入的参数可能只有在真实世界进行广泛的测试后才能获得。

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。

点击以下链接购买https://mp.weixin.qq.com/s/SgRPf4_hefnJ68PAl_nNoA

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。