自动驾驶测试验证技术有哪些

自动驾驶在落地之前必须要经过测试和验证其技术的安全性，那么自动驾驶技术该如何测试和验证呢？本文就带大家探讨一下当前自动驾驶测试技术都有哪些？

此前，国外有机构通过研究提出，如果要证明自动驾驶能够比人类驾驶员更可靠，那么至少需要在真实或者模拟环境中行驶 110 亿英里。

但这种方法很难完成，因为行驶 110 亿英里需要花费的人力物力财力非常之大，并且完成这个测试耗时也足够长，就连路测里程数最多的Waymo利用了9年的时间才完成了真实路测里程1000万英里、模拟环境行驶里程50亿英里的测试。

并且，如此众多的企业要制造推出自动驾驶车，在企业的自我测试之外，政府还需要有一套标准的测试方式对其验证，如果这个标准测试方法也按照这个方式来进行，自动驾驶的到来就是遥遥无期。那么究竟该如何进行测试呢？本文给出了几个测试方法。

自动驾驶测试技术发展情况

1997 年 8 月到 2004 年 1 月，美国加州大学伯克利分校 PATH分别对乘用轿车、公共汽车、商用卡车和特种车辆进行了11 次自动化公路行驶的演示试验。演示试验采用磁道钉装置、车间通信、雷达、GPS 导航等技术，实现车辆编队行驶，车队拆分和车道变换等一系列功能测试，并结合安全交通和实际交通目标评价车队控制系统对横向车道位置与纵向车辆间距的稳定性。

日本 AIST主导的 SmartCruise 21 Demo 2000主要对执行车辆协作策略的车车通信的实时性、速率、丢包率等进行测试与评价。

2009 年由欧盟赞助、英国 Ricardo 主导的 SARTRE 演示试验，综合了以上两次试验的测试方法，对车道保持、车队跟随和车车通信等多项技术分别作出了评价，并根据测评结果结合发展需求制订了下一步的研究计划。

2011 年 5 月由荷兰应用科学研究院(TNO)和荷兰高科技汽车系统创新计划(HTAS)组织的第一届 GCDC 比赛在荷兰的埃因霍温和赫尔蒙德之间的 A270 公路试验场举行。比赛利用车队长度、通过红绿灯次数、车队稳定性等指标来评价智能驾驶车辆纵向控制和协作的性能。比赛的目的是智能驾驶车辆在自主行驶的基础上加快实现无线通信的互操作性，提高合作驾驶并着眼于实时应用，以改善交通流量减少交通拥堵。在有限的道路资源下合理地、最大化地增加交通流量。

随着立体相机、3D 激光雷达、高精度动态定位、高性能计算等新设备的应用，无人驾驶车辆测试评价方法已经愈来愈成熟。

谷歌无人驾驶车辆在已结束的加州山景城道路测试中，确定了涵盖典型场景、系统性能边界和约束条件的统一测试评价方法。

奥迪、奔驰、大众、德尔福、博世等传统车企和供应商，尽管已获得无人驾驶的路试许可证，但是仍然采用汽车安全辅助驾驶系统（ADAS）关于可控性、有效性及可接受程度的测试评估方法。

特斯拉电动车公司虽然不像谷歌采用的“一步到位”策略，但其借助 OTA 升级手段，利用用户数据返回和体验效果来稳步提升自动驾驶的成熟度和可接受程度。

我国智能驾驶测试评估方法需要在考虑中国道路设施、路面车辆类型、行人、信号措施、汽车社会化发展阶段等复杂性和特点的基础上，按照无人驾驶车辆智能等级划分结果，依托现有成熟ADAS 测试评估方法，制定环境认知、路径规划、行为决策与控制等方面综合功能的测试评价方法。

密歇根大学Mcity 的自动驾驶快速测试方法论

密歇根大学机械工程学院研究出了一套加快评测进程的方式。这套方式重点针对可能发生危险的状况，以及在这种情况下自动驾驶辆的应对措施，进而对自动驾驶的可靠性进行评估。相较于传统的方式来说，能够加快速度并且减少资金花费。

测试自动驾驶汽车，需要考虑到的问题是：

1.自动驾驶车个体的不同，即在应对危险或者意外时，会采取不同的测录；

2.要尽可能在所有场景中，考虑不同的道路与驾驶环境、天气；

3.在自动驾驶车的早期，将会是自动驾驶与人类驾驶员混行的状态，因而自动驾驶车与人类驾驶的车辆之间的交互也是必须考虑的。

密歇根大学提出的加快评测进程的核心思想是，将真实驾驶环境分解成不同的场景，这些被分解的场景易于进行模拟和重复测试，在每一个特定的场景，按照他们的方法进行加速测试。为了研究加速测试的方式，研究员对驾驶数据进行了六步分析：

1. 大量收集实际行驶过程中的数据。

2. 对数据进行过滤，保留下包含自动驾驶车与人类驾驶的车辆进行有价值的交互的数据。

3. 对人类驾驶行为进行建模，以此作为对自动驾驶车产生主要威胁，并且是概率分布的随机变量。

4. 减少日常驾驶中的没有发生事故的数据，然后用发生了危险事故的数据进行取代。

5. 在加速场景下使用蒙特卡罗的算法，从而能够在人类驾驶员与自动驾驶车之间产生高频率高密度的相互。

6. 使用统计分析的方式，根据测试的结果去反推，在实际情况中，自动驾驶车的表现情况。

在经过六步分析方法后，提供四种方法作为加速测试进程的基础：

1. 基于道路上发生一件与安全相关的关键事件的频率，刨除了安全驾驶的状态。

2. 使用重要抽样的方式来从统计上增加关键事件的发生次数，保证这些增加的事件依然能够正确反映真实环境中的驾驶条件。

3. 建立一个公式能够正确地提取出关键事件的数据，针对这些数据进行测试并用来进一步降低测试所需要的次数。

4. 在经过优化的随机事件中，对最复杂场景下的关键事件里人类驾驶员与自动驾驶车之间的交互数据进行分析。

目前针对两个场景进行测试：跟车、超车。

在这两个状况中，被测试车辆都是处于后面的车，需要应对前方车辆的不同行为，而前车辆默认是人类驾驶的。这两个场景选取于常见的发生事故的场景，在超车场景中，是由人类驾驶的车辆切入自动驾驶车前方，并且在自动驾驶车后方还有一辆人类驾驶的车。

在不同的场景中，会考虑发生事故的可能、事故带来的伤害以及交通冲突率，考虑时会设定自动驾驶中有 1 名或多名乘客，他们受到中等程度以上伤害的结果。

评估结果的准确性由行为决定，并会将估的结果与真实模拟的情况进行对比，来进行验证。如果将以上四种方式在一个整体测试进程中结合使用，那么这套评估程序能够将测试时间减少 300-10 万倍。

如果一辆自动驾驶车按照这种方式在最严苛与最具挑战性的驾驶状态中行驶 1000 英里，那么可以相当于在真实环境中行驶了 30 万~1 千万英里。

未来，还会增加更多的测试场景：包括左转、十字路口以及对向来车的情况。另外，还需要能够仅仅只有车辆的碰撞，以及包含行人与骑行者的情况。

研究人员们还需要更多的关键场景来对自动驾驶车可能出现的失效情况进行分析，比如像雨雪与大雾天气对传感器带来的挑战；闪烁的灯光以及来自其他驾驶员的手势；不符合交通规则的行为，闯红灯的车辆或者不按规则过马路的行人；重型车的驾驶行为，因为相比较乘用车重型车反应要慢等等。

深度神经网络（DNN）驱动的驾驶系统测试技术

深度神经网络（DNN）近来的进展推动了 DNN 驱动的自动汽车的发展，这些汽车使用了相机、激光雷达等传感器，无需人类干预也能自己驾驶。

但是，尽管 DNN 成绩斐然，但就像传统软件一样，往往会表现出不正确的或非预期的极端案例行为，这些行为可能会导致潜在的致命撞车。

现在已经出现了一些涉及到自动驾驶汽车的车祸包括一起出现了死亡的事故。对 DNN 驱动的汽车的大多数已有的测试技术都严重依赖于人工收集的不同驾驶条件下的测试数据，随着测试条件的增多，这种收集方法的成本也会变得非常高。

来自弗吉尼亚大学和哥伦比亚大学的几位研究者提出了一种自动测试深度神经网络自动驾驶汽车的方法DeepTest，可以对自动驾驶系统进行更加全面的测试评估。

DeepTest 是一个系统性的测试工具，可用于自动检测DNN 驱动的汽车可能导致致命碰撞的错误行为。

首先，该工具经过设计可以自动生成测试案例，这种生成利用了驾驶环境的真实变化，比如雨、雾、光照条件等。

其次，通过生成能最大化激活神经元数量的测试输入，DeepTest 系统性地对 DNN 逻辑的不同部分进行了探索。

在 Udacity 自动驾驶汽车挑战赛中三个表现最好的DNN 上，DeepTest 发现了不同现实驾驶条件（比如模糊、雨、雾等）下的数千种错误行为，其中很多都可能导致致命碰撞。

自动驾驶编队测试技术

美国联邦公路管理局(FHWA)下属特纳费尔班克公路研究中心(Turner-Fairbank Highway Research Center，TFHRC)、美国交通部下属沃尔佩国家交通系统中心 (Volpe National Transportation Systems Center)和美国陆军阿伯丁测试中心(U.S.ArmyAberdeen Test Center)位于马里兰州的美国陆军阿伯丁试验场(Aberdeen Proving Ground)开展了一项研究名为“测试和评估基于协同自适应巡航控制的汽车编队行驶概念验证雏形”（Test and Evaluation of Vehicle Platooning Proof[1]of-ConceptBased on Cooperative Adaptive Cruise Control）。

5辆具有自动化纵向控制功能的凯迪拉克汽车组成了研究人员所称的编队概念验证雏形。为使 5 辆凯迪拉克汽车形成编队，上述机构的研究人员为试验车辆配备了特殊的车载计算机，并将计算机与车对车(V2V)通信设备相连接。

车载计算机与车对车(V2V)通信设备相连

该通信设备利用专用短途通信技术(Dedicated Short-Range Communication，DSRC)，使车辆能彼此之间接收和传输数据。

利用V2V 技术，车辆能够快速地彼此沟通和分享信息，比如是否需要加速或减速以保持理想的行车间距。通过在车辆之间建立连接，我们能够对车辆交通实施集体管理，而不再是管理单独车辆。这项研究的独特之处在于主要侧重于自动驾驶系统协同配合方面，如果车辆能与基础设施以及彼此之间进行通信，就能利用这项功能来更高效地协调道路交通，从而节约大量的燃油和交通时间。

跟随车辆紧跟前方车辆，并接收编队中其他车辆的信息，这就是它们彼此之间的沟通方式——计算机能够计算车辆的当前及预计行驶轨迹，从而在行驶过程中保持相对位置。车载计算机不仅要控制刹车和加速，还要接收前方车辆的雷达数据，这些数据将用于帮助自适应巡航控制系统实现自适应巡航控制功能。

测试车辆能够掌握前方辆的位置和车速，并根据这些信息来控制刹车和油门，从而控制跟随车辆的位置。对协同性自适应巡航控制技术（CACC）进行算法校准将是后续研究重要的工作之一。

研究人员收集测试过程中的数据，监控车辆间的间距，确定跟随车辆难以及时进行加速或减速的过小间距，从而确保与领头车辆保持适当间距。研究处于大量测试、反思、更新代码，再次测试、反思、更新代码的循环流程。

团队不仅从技术可行性的角度展开研究，也在与汽车厂商进行合作、共享研发成果，他们希望能与汽车产业共同打造自动驾驶编队的雏形，使之具备在公路上变道和并道等功能。

ADAS 测试技术

2017 年 8 月，天津汽车检测中心在ADAS 测试场地进行了 AEB公开测试试验，来自国内多家整车与零部件企业、高校及科研机构的300 余名技术专家莅临现场。测试过程包含技术说明会、AEB 现场试验、实车技术讨论等多个环节。