11月1日，2018智電汽車投資者大會在武進高新區舉行，來自全國各地的汽車領域專家、行業精英齊聚一堂，圍繞“破舊局、立新路”的主題展開討論，探尋汽車產業轉型之路，挖掘投資價值與合作機會。
以下是中汽研（常州）工業工程研究院有限公司副總工程師高博麟發言全文：
高博麟：非常榮幸能夠站在這裡跟大家做這個報告，我的報告題目是未來智能駕駛汽車測試方法的初探。這個題目裡面包含了三個問題，第一個，對於智能駕駛汽車，現在的測試方法是什麼？第二個，未來這種測試方法有沒有改變或者演變成什麼樣子？第三個，我們在這件事情上目前做了哪些探索？
到目前為止，智能駕駛汽車從手段上四種測試方法，我們可以叫做虛擬仿真的測試方法，臺架的測試方法，場地的測試方法和公共公開道路的測試方法，虛擬仿真是汽車企業開發過程中CAE仿真分析的過程，把自動駕駛或者智能駕駛的功能在電腦上模擬出來，臺架包含了傳感器在環的臺架以及駕駛員在環的臺架，場地測試，這個測試指的是我們會在一片封閉的場地裡面，這裡面是沒有任何其他的外部參與者，只有我們自己，在這個場地裡面我們用人造的自己模擬出來的交通參與者，包括假人、假車、假的自行車來測試這輛汽車的功能，開放道路測試，把帶有智能駕駛功能的汽車直接開到公開道路上去做。在這裡需要說一下，智能駕駛這個車是非常宏觀的概念，LAE L1級到L5級所有概念的範疇，基本上只要具有智能化的駕駛功能，我們都可以叫它智能駕駛。
這四類測試從真實性上講，顯然在開放道路上是最真實的，人也是真實的，本車也是真實的，環境也是真實的，從測試用力的數量來說，公開道路測試數量是最多的，接下來是純仿真的測試，能夠實施很多案例，由於有一部分東西變成真的了，另一部分還是虛擬的，這個條件受到了很大的約束，臺架測試的數量就會再少一點。除了車是真的，其他所有環境都是我們人造的或者都是用我們假的目標來參與的，導致場地測試的數量其實最少了。
真實性上講，公開道路測試最真實，數量上測試案例上也是最多的，但是它是不是最好的？顯然不是，如果是的話，我們早就現在鋪天蓋地的讓自動駕駛的汽車公開道路上做了。大概至少有三個問題，公開道路測試首先費時費力，上萬公里的測試基本上一個車跑一個多月，在這一個多月裡面真正有效的測試工況可能從時間上講，不超過它的千分之一，所以費時費力，其次是安全風險，對於一個開發尚未完整或者說尚未可靠的智能駕駛功能的汽車來說，把它開上道路直接去做測試，對自己不安全、對別人也是不安全的，它的危險性比較高。再往下是驗證困難，因為周圍都是真正的交通參與者，你不可能對其他的參與者進行非常危險或者非常極端的工況測試，這個在公開道路上是不允許的，公開道路測試不是我們最主要的測試手段，但它非常必要。我們為了這一點能做什麼？我們可以把開放道路上的數據信息化採集下來，其次，我們把我們在公開道路過程中一些典型的場景、危險的場景提取和挖掘出來，我們把挖掘出來的場景在虛擬的手段下複線出來，建立的多了分門別類起來，我們就可以構建出駕駛場景庫。這個東西至少三個好處，安全、便捷，其次是重複迭代，因為在虛擬環境下無限重複，另外一個是加速驗證，原來跑一個多月的實驗，現在有了場景庫，一上午、一兩個小時跑完了，它的加速驗證比較好，這個過程叫做濃縮的機制，智能駕駛場景庫的濃縮機制。
剛才提到了場景，我們拿這幅圖舉例子，這是一個典型的黑車在跟著前面的灰色車奔馳，地點是高速公路上，光照是白天，又下著雨，交通狀態假設較為繁忙，這是一次典型的車對車的跟車實驗，剛才這些描述叫做對場景的描述，場景是什麼？場景是包含了本車環境中的其他車，我們所在的道路設施、天氣、光照所有綜合因素的一個過程，這個就是一個場景。這裡面光照、天氣、道路，這幾個我們認為它是靜態場景，基本上不變的，如果光照和天氣長時間變，但是在我們關注的那一個案例裡面幾乎是不變的，所以我們叫它靜態或者主靜態場景。交通還有前面的目標車，其他的目標物，本車這些都是動態場景，這部分我們叫它靜態場景。靜態要素和動態要素疊加在一起才是一個完整的駕駛場景的全部含義，任何一個駕駛場景都是一定包含這些元素的。
我們說場景是一個非常重要的東西，為什麼？首先智能場景是智能駕駛汽車研發的起點和終點，我說我是L4、L3級，你拿什麼來說，一定是有一個層次的駕駛場景庫，你通過了，你就是這個檔次，在研發的起點由他提出來的要求，最後研發出來到底證明是否自己達到了這個標準，也是拿它來做測試的。其次，應該說這個場景是整個研發過程中都是貫穿的，不論是在設計環節、仿真分析環節、CAE環節，樣車出來以後測試環節還是量產車測試環節，整個都是貫穿汽車研發週期的，它是我們汽車自動駕駛場景功能的習題庫也是最後的試題庫，更是加速我們測試的有效途徑。如果要證明一個車的安全性，智能駕駛汽車足夠安全，對它的等效測試距離好像41英里，要麼就是81英里。
說到場景，大概有四大類，第一大類是標準的法規場景，法規標準場景通常來源於對日常交通事故的統計獲得的，也就是說最典型的交通事故，最危險的交通事故，對人民財產損失最大的交通事故通常是法規裡面優先考慮的場景。交通事故場景其實是對整個駕駛過程中的場景中最危險的場景，這些危險的場景不可避免的時候，就會形成事故，所以說交通事故場景其實是對駕駛過程中危險場景裡面的一種最典型性的工作，標準的場景小於交通事故場景，交通事故場景小於日常道路的場景，道路場景是來源於自然人的駕駛，把這個過程中的監控記錄下來，採集下來形成一些典型的信息組合，這就是道路場景。
還有一類是功能交互場景，剛才提了前三類場景都是單一功能場景測試，當一輛車有很多種駕駛輔助功能的時候，這些功能之間的切換模式、交互模式成為我們考察的依據。還有一類是虛擬重構，我們採集的數量永遠是有限的，怎麼樣把有限的工作給它放大，變出更多各種各樣的場景，我們需要通過這種虛擬重構的方法，提取關鍵要素，通過這種組合的方式數量無限放大。
通常在道路採集過程中，可能會用到什麼呢？我們首先一定會用到激光傳感器，今天速騰聚創的同事也在，激光傳感器在道路採集過程中必不可少，其次是毫米波雷達，前方帶有目標識別功能的攝像頭和行車記錄儀，整車看上去的信息都是必不可少的信息。
我們通常是找一些典型的城市，在華東地區，我們常州院地處常州，武進給了很好的測試條件，常州地區、南京地區，在華北天津還有一個總部，我們在天津以及天津核心市區對我們進行地毯性道路數據的採集和記錄。記錄下來的數據有這樣幾個問題，多源異構、TB-PB級數據量，把這些工況從999種提取出來，也是一個難度，以及工況隨機性很強。
按功能來提取，像我們對於前碰預警專門提出一個工況，對於偏離預警也可以提取一個工況。這樣一個場景庫在初期的時候，是按照ADAS單一功能把它提取出來，做針對性的測試，當提取的場景多了以後，自動駕駛功能其實是很多種駕駛輔助功能同時的作用和疊加，我們就能推起做L3級、L4級、L5級的測試工況，這樣自動駕駛測試體系就會逐漸豐滿起來。
我舉幾個簡單的例子，這是開車過程中遇到非常典型的，在同向跟車的過程中，旁邊有一個車輛插隊或者說加塞，左邊這幅圖是行車記錄儀記錄下來的工況，右邊這幅圖是仿真事故處理的情況。這上面所有車，尤其面前這兩輛車，都是非常真實的。第二類和對向車輛的衝突型，當道路非常狹窄，同時又有車輛佔道的時候，跟對向車輛的衝突是非常普遍的，它存在後方車輛會被遮蔽，在這個過程中，如何處理好跟左前方這輛車的速度關係是我們FCW特別重要的一個點。第三類是工況記錄下來的非常多，而我們去典型的北美出了37種類型裡面去找很難找到，後來國外有位朋友說，這種工況是很難出現的，這是一個非常典型的路權問題，在我們國家路權問題，在我們的意識裡面沒有那麼強，這種工況沒有那麼多。當你有一些工況在國外找不著，只有國內能找著的時候，這個就是這個問題。還有一種非常典型的叫做非機動車道的穿越，大家看這種橫向的穿越都是非垂直的，我們很少遇到騎自行車的人士橫向垂直穿越的，基本上都是斜向穿越的，多少角度，這裡面其實是有講究的，我在後面說，還有一類就比較複雜了，兩種非機動車在入口的穿越，我前面這兩個目標車都不走，它是三個曲線之間的衝突類型。
這裡面有一些難點，第一個難點相當於剛才那輛白色的依維柯，目標大小非常重要，它的大和小直接影響了這次避撞是否發生。對於剛才說的橫穿，我說它走斜線，它也並不是直線，它是斜著拐彎的一個線，大家看一下這個情況，所以如何在我們做場景庫的過程中把這些要素很逼真的復現出來也是非常重要的技術，這個做不好，你做多的場景庫也沒必要，因為它不真實。
我們作為人類駕駛員我們可以考慮的危險工況有很多，我們做智能駕駛汽車，因為是人類編程人員一定是按照自己的思維去編智能駕駛汽車的駕駛，我們能處理這麼多工況，是不是我們編程出來的智能駕駛汽車也能出現這麼多動工況，這是不一定的，因為感知手段和人類不一樣，如果一輛車做到終極狀態是一個攝像頭就夠了。另外一個問題，測試場景其實是無限的，大家說是81公里，能保證81公里之後不出問題嗎？如何在有限的時間、有限的人力資源、有限的成本資源情況下，儘可能做到無限的測試，這才是我們做這種測試場景庫的最大意義所在。
閱讀更多 小飛龍自媒體 的文章
