5月27日，在中国汽车工程学会、国家智能网联汽车创新中心主办的第八届国际智能网联汽车技术年会上，吉林大学汽车工程学院教授赵健对智能网联汽车仿真测试技术的进展做了介绍。

以下内容由智驾网整理自论坛现场速记，未经本人确认。

我今天的汇报分为五个部分：

一、智能网联汽车测试评价挑战。

二、智能网联汽车测试平台。

三、智能网联汽车测试方法。

四、智能网联汽车评价方法。

五、总结与展望。

一、智能网联汽车测试评价技术和挑战。

传统的汽车是二元独立的系统，我们在对这样的系统做测试的时候，实际上可以独立测试，对于人来说就是考驾照。你拿到了驾照以后，我们认为这个人具备两方面的能力。第一个方面，你能够有效地操纵汽车这种基线。第二，你能够有效地应对复杂的交通产品。对于汽车来说有标准化的动力测试，比如动力性、经济性、安全性等测试，但是智能网联汽车因为自己具备决策感知和决策智能的能力，人、车、环境、任务变成强耦合系统。车可以在环境和任务的驱动下去自主完成一些操作，环境在其中的影响占比越来越大。

汽车行驶环境，包括行驶道路、周边交通、气象条件等诸多因素。智能网联汽车工作的时候一方面应对环境的复杂性和不可预知性，另一方面还要应对不确定性和不完整性，行驶环境具有高度不确定、不可重复、不可预测的特征，这就带来了很多的挑战。

汽车行驶环境还包括许多危险驾驶或极限驾驶工矿、特殊驾驶环境、密集车辆、混杂交通、复杂地形道路结构，在道路或场地测试中很难，甚至不可能遇到或复现我们想做的所有测试。最后我们想通过道路和场地测试完整验证智能网联安全性和可靠性的验证，几乎变成了一个不可能完成的任务。

兰德（音）公司曾经做过这样的调研，说如果还是想用传统的基于里程的方式对智能网联汽车可靠性做验证，可能要几十年的时间才能完成。这当然是不可能的，就催生了智能网联汽车虚拟测试的需求。在模拟的环境下，利于驾驶场景的数据库我们提取典型的测试场景，对智能网联汽车进行虚拟的测试，就成为了智能网联汽车测试的一个重要的途径。

二、智能网联测试平台。

在整个智能网联汽车开发的各个阶段，可以有不同的测试平台的应用，从一开始纯数字的虚拟仿真测试，到驾驶模拟器、硬件在环的测试，车辆在环的测试，一直到最后封闭试验场测试等，各个阶段需要不同的测试技术。下面把我们团队做的一些相关平台跟大家做一下分享。

首先，是智能网联汽车虚拟仿真测试体系。仿真测试其实有一个优点，它可以很好地解决道路或者是场地测试中测试效率低的问题。并且可以复现汽车遇到的各种各样的危险场景。这个测试要求模型一定要准，因为它的结果很大程度上依赖于模型的精度。这样人、车、环境一体化的模型，它的建立就是测试可靠性重要的保证。这是邓伦（音）老师所带领的VCI团队开发的具有自主知识产权的智能网联汽车数字虚拟仿真测试平台Panosim，这样系统里面除了基础的车辆混合动力学模型以外，还有动态的虚拟场景和静态虚拟场景的模型，有模拟环境传感的一些模型。另外我们嵌入智能驾驶的一些系统进行实现虚拟的测试。

这一块有两个传感器的模型建模的例子，第一个是毫米波雷达模型。我们在建立有车载毫米波雷达模型的时候，我们采用几何建模和物理建模的方式，希望能够更好地模拟雷达的探测机理，兼顾模型的精度和实时性。右边的图是模型的基本架构，我们先通过这个几何的模型模拟毫米波雷达检测到车辆目标的信息，再通过物理模型给这个几何模型输出的结果施加上一些物理环境的影响，最后输出最终值，扩大毫米波雷达模型使用的范围。

激光雷达的模型也是采用了几何和物理建模的方式，几何主要是实现雷达的功能模拟，包括目标级的模拟和原始点云模拟。物理模型主要是针对天气的影响，和雷达在不同天气下的缺陷进行建模，包括考虑信号功率衰减与雨噪点模拟，最后对模型进行验证和标定。

稍微展开一下来说，这个几何模型把虚拟的驾驶场景进行了几何抽象，包括目标的对象，还有雷达的光锥，用计算机图形学的方法通过场景的裁减，目标的可见预判，目标遮挡的判断，最后实现精确的目标位置和姿态的计算。

物理模型我们主要考虑两方面：第一方面针对不同典型天气搭建大气传输效率/传输系数模型。有了这个传输效率和传输系数以后，就可以知道在雨雪雾霾气里面，雷达的可探测变化。另外设置不同雨的情况下，这个雨给激动雷达造成噪点的影响，这是激光雷达我们建立的模型。

再往下是硬件在环的仿真测试的平台。硬件在环仿真测试平台有一部分是真实的硬件，另外一部分还是模型，所以人-车-环境系统的这样一个模型还是需要的。根据我们实际需要可以把这样系统模型利民的一些部分替换成实物，比如驾驶模拟器，把人换成真的，人和机的接口换成真的。传感器在环，把传感器换成真的，做测试。决策规划系统在环，或者控制系统在环等等。

感知传感器在环我们做了这样的研究，首先是毫米波雷达在环测试试验系。因为在这里面我们要模拟雷达的回波，我们也建立了这样一个回波模型，基于毫米波时间的原理，实现了回波距离的模拟。基于多普勒效果实现了速度的模拟。基于雷达功率方程实现了ICS的模拟。在我们实际操作的时候设计了这样一个系统，包括毫米波暗箱，车载快速原型，雷达放在转台上。我们接收到雷达发出的信号以后，我们根据实际的目标情况，根据我们刚才的回波模拟的模型，把这个回波发回给雷达，让雷达以为接收到了这样的一个目标反射回来的回波，实现在环的模拟。我们基于这个试验台做了一些毫米波、雷达在环的测试。

这是相机在环测试试验系统。有两种测试方法，一种是直接给相机图像处理单元输入数据，这个时候输入的是虚拟场景或者真实场景经过虚拟以后的类似IPB的图像信息，直接发送给图像处理单元。还有一种方法，我们直接把虚拟场景投到环式的显示屏上，我们把虚拟的场景直接发送给整个的摄像机的镜头。相机经过镜头成像器发给处理的单元。我们现在搭建了这样一个系统，这个系统显示的是第二种方案，我们在显示器上投出这样的场景，用一个产品摄像头开这样的场景。我们现在已经可以实现基于这样的系统激活像LK这样的一些驾驶辅助系统。我们现在也在研究另外一种方案，就是直接给图像处理单元输入处理过的图像数据。

这是V2X在环测试的试验系统。这个东西的测试目标是V2X OBO的盒子，我们有两个模组，通过实时控制器发送信号给V2X OBO。还有新道的干扰器，给通讯施加一些环境中可能存在的干扰，这样可以提高测试的精度。

刚才是传感器在环的系统，现在这些都是执行器在环的系统。我们做过各种各样的执行器在环的系统，我们当时做就想实现执行器在接近这个条件下能够做的工作。这里面有做的电动的机械激动系统的试验台，有电子液压制动系统试验台，我们现在做了电动机械助力转向的试验台，我们尝试把这些系统做到一起，来集成在环测试的试验系统。

驾驶人在环测试，这个部分是驾驶模拟器，这个模拟器我们来生成场景，用生成车辆动力学的仿真，用自动踏板实现任何机的接口。在这样的系统当中可以测试验证人的因素在自动驾驶当中的一些影响。右边的图是我们正在做对驾驶人关注度影响分析，下面是眼动仪测出来的人的关注注意力的热驱图。我们把多台模拟器连在一起，可以实现更多的人机交互，甚至于是复杂交互的在环的测试，可以在这样的交通系统里面注入更多的个性化或者随机性的信息，实现混杂交通在环的测试。

车辆在环的虚拟测试。车辆在环就是用真实的车加上虚拟的环境。它的应用其实现在左右有两大类的方法，现在展示的是其中一类，这一类方法车是可以放到软骨上，因为车其实并不动，所以我们可以结合其他的传感器在环的测试技术，比如说这里面用到摄像头在环和雷达在环的测试，我们用道路场景暗室大屏幕在线的方式和雷达回波模拟方式与实车联动调试，可以在试验室中激活整车ACC、LDW等智能网联功能。这个测试是我们一起做的，它其实的测试目标是电动车EMC的测试，采用这样的方法就可以实现智能网联系统在工作条件下整车的EMC的测试。我们现在也在做第二种方式，把这个车放到开放场地里面去，用真实的车辆加上虚拟的环境去做测试，这是我们现在正在做的工作。

三、智能网联汽车测试方法。

它的最大的特点是基于场景来驱动的，所谓的场景是自动驾驶汽车在其行驶环境各要素在一段时间总的描述。这些要素组成由所期望检验的自动驾驶汽车的功能决定。简言之，场景可以认为是自动驾驶汽车行驶场合与驾驶情景的有机组合。

对于场景它应该满足：1，可量化。2，场景在目前技术基础和测试软件上可以被复现。3，场景需要在一定程度上能够呈现或者是反映真实世界中的场景。我们把真实环境中无限丰富并且极其复杂的场地、交通、道路这样的一些信息进行映射，做有限的映射和充分的覆盖，再进行抽象，最后获取行驶场合和驾驶行进的理解，形成最终抽象的场景。

测试场景要素分类方法现在挺多的，下面是我们现在用的一种分类方法，比如把交通环境要素分成天气和光照，静态的道路信息、动态的道路信息、交通参与者的信息等等。测试车辆的基础信息我们把它分成车辆本身的信息，车辆系统目标的信息，测试车辆驾驶行为等等。

总之，测试场景应该能够实现无限世界有限的映射、逻辑抽象以及充分的复感。这些场景的来源基本上是数据，这些数据的来源主要有三个方向。第一，基于真实的数据，比如智能驾驶的数据。另外，我们可以采用驾驶模拟器做模拟的测试。再一个来源是专家的经验，这个经验包括标准或者是法规。

有了这些数据不能直接拿来用，我们需要把它进行适当的处理，我们需要做数据的清晰，关键信息的计算，场景分类，然后去生成具体场景的概率分布。数据处理关键其实在于这些场景要素，它的解构和重构。有了数据以后，我们可以做基于场景的智能网联汽车的测试，测试的方法大概有几大类，最基础的当然是穷举法，它采用的方法是便利生成场景的参数。蒙特卡罗测试方法是随机生成的，按照这个理论如果抽取量够大，它的分布就可以非常接近实际的分布。基于自然驾驶数据的测试，它是根据概率密度函数生成参数。还有重要性采样的测试。

这是我们做的基于优化搜索的自动驾驶加速测试方法，以概率为导向的加速生成方法会导致重复性试验，在一定程度上降低了测试效率。当前加速测试方法强调危险场景生成的多，优化搜索方法强调生成的全。在这里面我们设置了这样的记忆模块，这是因为有的逻辑场景里面有多个危险的区域，它可能会是局部最优，有些搜索不到，我们对密度对结果进行重新的分析，以免漏掉这些情况。我们的方法跟当前的一些加速测试方法相比，我们认为一般的加速测试方法更多地强调危险场景生成的多，但是我们这个方法强调的是最后的结果生成全。

这是一个应用的实例，这是一个前车紧急制动逻辑场景。从这个结构里面可以看到这样几个事。

 一是在测试初期会生成很多无用的场景，但是随着测试过程的延续，无用的场景越来越少，最后生成的场景大多数都是期望的危险场景。由于这个优化是随机的，所以有的时候它会丢掉一些场景，但是因为咱们有这样的参数聚类分析，所以最后基本上可以找到所有的危险场景。跟普通的遍历测试相比，对危险区域生成有效性更高，对安全区域之内生成的这些无效的场景也相对来说比较少。

四、智能网联汽车测试和评价方法。

传统的汽车测试方法基本上是基于通过性的，所谓的通过性就是如果达到指标就算通过，没有达到指标就没通过。但是针对场景的方法，基于逻辑场景来说它只是一个区域，并不是一条测试规则。所以基于这种通过性的测试方法可能就不太适用了，需要新的安全性的评价方法。在这我们列举两种安全性评价方法：第一种是基于场景参数的统计规律做的方法，它的基本依据就是说我找到这个危险场景，危险场景对应的参数在这样的逻辑场景里面分布规律，基于这个分布规律去评价咱们的系统安全性。它大概主要的工作分成两部分，第一部分是对数据做处理，包括危险参数的预处理，包括危险参数的聚类，咱们得到这样某些危险参数，在这个场景里面的高斯分布。咱们通过危险域离散度的计算，离散度指被测的算法，有危险域范围，通过这样两个参数，我们设置两个场景危险率的指标，通过这个指标评价系统的安全性。

这一块是预测的实例，我们仍然采用前车紧急制动的逻辑场景。设计的参数做一个示例，参数选的比较少，本车的初速度，前车与本车之间的初始距离，前车初速度。我们把这个理想算法和被测算法对标，把这个结果作为场景危险率计算的依据，生成最终的计算结果。

我们可以基于自然驾驶数据进行安全性评价，我们要基于系统的功能来做，要先有系统功能，基于这个功能去设计我们的实验，去采集这样的自然驾驶数据。根据自然驾驶数据去对结果进行聚类，确定这个逻辑场景参数空间，得到它的高速分布规律，我们再去依次计算具体场景的风险指数，单个逻辑场景的风险指数，以及多个场景的综合的风险指数。这是我们做的一个例子，基于目标去做测试，参数空间和离散的布长可以根据功能获取。最后我们根据场景计算得到逻辑场景相对概率，最终得到多逻辑场景的风险指数。

五、总结与展望。

首先，虚拟仿真测试一定是智能网联汽车测试的发展趋势。我们现在建立了一个比较完整的智能网联汽车测试工具链，可能有的做的比较简单，但是基本上每一块东西都有。

在未来我们期望能够建立更为丰富的场景数据库，利用有限的场景和特征反映无限丰富与复杂的行驶环境，同时需要提高场景的逼真度。我们也希望建立更为完善的智能网联汽车虚拟仿真测试的评价体系。

以上就是我全部的汇报内容，谢谢大家，敬请各位批评指正。