蔣拯民 黨少博 李慧云,3 潘毅,4

（1.中國科學院深圳先進技術研究院，深圳 518055；2.中國科學院大學，北京 100049；3.中國科學院人機智能協(xié)同系統(tǒng)重點實驗室，深圳 518055；4.中國科學院深圳理工大學（籌），深圳 518055）

主題詞：自動駕駛汽車 測試場景 測試內容 測試方法

1 前言

自動駕駛汽車能夠通過環(huán)境感知、決策規(guī)劃及運動控制等功能替代人類完成駕駛任務，理論上可以極大地提高道路交通效率和安全水平，提供廣泛的通行便利，并能減少溫室氣體排放。近年來，自動駕駛技術已經(jīng)獲得了飛躍發(fā)展，被業(yè)界視為未來汽車科技的戰(zhàn)略制高點。

科學完善的測試是進一步推動自動駕駛汽車從實驗室走向大規(guī)模商業(yè)應用的關鍵支撐。當前，自動駕駛汽車測試以基于里程的開放道路測試為主。該方法不預設測試目標和任務，要求汽車在開放道路上連續(xù)運行，具有測試周期長、“無風險”里程占比高、成本高昂等弊端。與此同時，優(yōu)步（Uber）、特斯拉（Tesla）等科技公司的自動駕駛汽車已經(jīng)發(fā)生多起交通事故。因此，單純累積道路測試里程并不能有效測試自動駕駛汽車的安全性，作為改進，目前的研究趨勢已經(jīng)轉變?yōu)橐曰趫鼍暗姆抡鏈y試為主、開放道路測試為輔的方式。因此，測試場景的定義、篩選及構建等課題的研究越來越得到學術界的重視。

然而，自動駕駛汽車測試是復雜的綜合過程，除需對場景挖掘與生成理論加以研究外，還需要合理組織測試內容，根據(jù)測試開展的途徑選擇相應測試方法。已有綜述大多只回顧了自動駕駛汽車測試的某個局部領域，未能從宏觀視角出發(fā)，系統(tǒng)梳理當前自動駕駛汽車測試涉及的整體邏輯和理論方法。因此，本文針對當前自動駕駛汽車測試技術缺乏全面、系統(tǒng)總結的現(xiàn)狀，圍繞測試內容、測試場景、測試方法等主題展開論述，重點關注典型和邊緣場景的加速生成、測試方法的分類和組成等方面，同時探討測試技術的發(fā)展方向。

2 測試內容

自動駕駛汽車是以硬件為基礎、軟件為核心、數(shù)據(jù)為驅動的復雜系統(tǒng)。特別是軟件架構區(qū)別于傳統(tǒng)汽車電子架構，軟件測試常用的分支測試方法等不能直接用于程序分析。因此，自動駕駛汽車的測試除對各軟、硬組件獨立測試外，還需將系統(tǒng)視為軟硬件高度耦合的被測實體，分階段、有序地逐步對其進行“單元-系統(tǒng)-整車”集成測試，從而全面測試自動駕駛汽車的安全性、智能性、舒適性和可靠性等。

如圖1所示，借鑒道路車輛功能安全國際標準（ISO 26262）推薦的汽車電子軟件“V”型開發(fā)流程，本文將自動駕駛汽車的測試內容劃分為單元測試、集成測試、系統(tǒng)測試與驗收測試。其中，單元測試一般圍繞自動駕駛汽車的某項功能展開，例如面向環(huán)境感知、決策規(guī)劃及控制等功能的考察；集成測試分為軟件集成和系統(tǒng)集成兩部分，主要用于測試軟、硬件接口設計是否合理；系統(tǒng)測試用于發(fā)掘軟件和硬件集成缺陷；驗收測試則重點關注自動駕駛汽車能否完成限定條件下的自主駕駛任務。該劃分方式既考察了單一功能滿足設計需求的能力，分析了軟、硬件的集成缺陷，又測試了自動駕駛汽車軟硬件耦合的任務完成質量。

圖1 基于“V”型流程的自動駕駛汽車測試內容劃分

3 測試場景

場景是自動駕駛汽車測試技術的基礎。為了充分暴露自動駕駛汽車的設計缺陷，需要以場景為基礎，構建起包括仿真測試、封閉場地測試及開放道路測試等在內的工作流，解決場景定義、分類、數(shù)據(jù)挖掘分析、場景生成等多個方面的技術難題。隨著汽車自動化水平的不斷提高，其面對的工況復雜度也呈幾何級數(shù)增加，傳統(tǒng)的高級駕駛輔助系統(tǒng)（Advanced Driving Assistance System，ADAS）功能定義與測試標準已經(jīng)遠遠不能滿足需求。目前亟須形成面向高等級自動駕駛汽車的測試場景定義規(guī)范，以及系統(tǒng)的場景生成理論和方法。

3.1 場景定義與分類

場景為測試方法提供具體測試用例，其形式化描述是自動駕駛汽車開展測試的前提。Ulbrich 等認為場景描述了自動駕駛汽車與其行駛環(huán)境的時間發(fā)展變化，并通過動作和事件以及目標和值等來表征場景中的時間發(fā)展；類似地，Elrofai 等認為場景是一段連續(xù)時間內各要素的動態(tài)交互，并將場景分為三類主要要素，即被測車輛、被動環(huán)境（如道路拓撲、交通標志等）和主動環(huán)境（如交通燈、天氣等）；De Gelder 等進一步將場景定義為一段時間內動、靜態(tài)環(huán)境以及環(huán)境與自動駕駛汽車相關動作的集合。

可以看出，以上文獻都強調了測試場景是時變的，并且囊括了駕駛任務、動態(tài)環(huán)境等要素。在此基礎上，本文將測試場景定義為在一定時、空域內自動駕駛汽車行為與運行環(huán)境的動態(tài)描述和抽象，具有不可窮盡、極其復雜、無限豐富、難以預測等特點。時、空域的尺度大小需要根據(jù)具體測試需求制定，例如，換道場景的時間域一般持續(xù)數(shù)十秒至數(shù)分鐘；跟馳場景的空間域是包含數(shù)條道路組成的路網(wǎng)。進一步從要素上分解，場景一般包括道路、氣象、交通規(guī)則、交通流行為等由環(huán)境輸入到自動駕駛汽車的輸入流，以及駕駛任務、決策執(zhí)行等由自動駕駛汽車輸出到環(huán)境中的輸出流。

一般而言，自動駕駛汽車的測試場景可以分為典型場景和邊緣場景兩大類。前者用于常規(guī)功能測試，但是包含大量的冗余低風險用例，測試成本較高；后者則是以擴大高風險場景比例為目的，實現(xiàn)對典型場景的補充，可以有效提高測試覆蓋率，一般用于自動駕駛汽車功能邊界的測試。典型場景和邊緣場景的特點對比如表1所示。

表1 典型場景和邊緣場景對比

從來源看，場景數(shù)據(jù)可以分為模擬數(shù)據(jù)、標準法規(guī)與真實交通數(shù)據(jù)三類。其中，模擬數(shù)據(jù)包括駕駛模擬器數(shù)據(jù)和仿真數(shù)據(jù)，標準法規(guī)目前主要指ADAS功能定義。然而，隨著自動駕駛汽車運行設計域（Operational Design Domain，ODD）的逐步擴展，如從結構化的高速公路向開放的城郊遷移，場景復雜度也呈幾何級數(shù)增加，標準法規(guī)的制定愈發(fā)困難。因而，針對高等級自動駕駛汽車，業(yè)界大多通過篩選和分析真實交通數(shù)據(jù)來泛化測試場景。

真實交通數(shù)據(jù)是指現(xiàn)實世界發(fā)生的，經(jīng)由傳感器采集或其他形式記錄下來的數(shù)據(jù)，主要包括自然駕駛數(shù)據(jù)和交通事故數(shù)據(jù)。自然駕駛數(shù)據(jù)可以通過場景重構的方式映射到測試場景中；交通事故數(shù)據(jù)通過數(shù)據(jù)挖掘等手段，可以還原事故過程從而得到測試場景，一般作為自然駕駛數(shù)據(jù)的有益補充。目前學術界已經(jīng)有多個自然駕駛數(shù)據(jù)集開源項目，如表2所示。

表2 自然駕駛數(shù)據(jù)采集方法及特點對比

3.2 典型場景設計

典型場景是從標準法規(guī)、真實交通數(shù)據(jù)中甄別出的具有代表性的測試用例。例如，從自然駕駛數(shù)據(jù)中分離出跟馳、換道等工況的統(tǒng)計參數(shù)分布，進一步利用隨機采樣生成具體場景，或者從交通事故數(shù)據(jù)中剝離次要信息，聚類得到測試用例。

3.2.1 基于組合測試的典型場景生成

組合測試（Combinatorial Test，CT）是軟件工程領域中常用的測試方法，它將被測系統(tǒng)的輸入變量進行組合，以生成一組測試用例。統(tǒng)計表明，大多數(shù)軟件缺陷是由單因子或者雙因子相互作用產生的，因而在實際應用中，組合測試多采用配對測試法（Pairwise Testing），以暴露雙因子共同作用下的軟件缺陷。例如，舒紅等基于微軟的配對組合測試工具（Pairwise Independent Combinatorial Testing，PICT）對主車及周圍交通車的相對位置和運動方向進行組合，通過人工篩選剔除不合理場景，成功獲得了高等級自動駕駛汽車的基礎測試場景群；Gao等提出了改進的組合測試算法，在兼顧測試效率的同時，增加了生成場景的復雜度。

然而，基于專家知識來描述組合測試的場景元素缺乏普適性。為此，有學者提出以本體論作為組合測試輸入的描述方法。該方法充分利用了本體論在場景概念建模、沖突檢查和完整性校驗方面的能力，同時發(fā)揮了組合測試易生成測試用例、能較好地平衡成本和效率的優(yōu)勢。具體而言，是將本體論用于生成典型場景的結構化特征術語集，并將概念映射到計算空間。例如，Armand 等將場景中的移動實體、靜態(tài)實體、時空關系的描述量以及實體之間的屬性描述作為本體的術語框，傳感器數(shù)據(jù)作為本體的斷言框，對場景進行推斷理解。

本體論建模的語義庫已經(jīng)包含了較完備的場景約束和參數(shù)范圍，因此與組合測試結合可以有效提升場景參數(shù)的覆蓋度，但是該方法也存在生成場景同質化、組合不合理等缺點，在實際應用中往往需要人工進一步篩選有效測試用例。

3.2.2 基于聚類的典型場景生成

場景數(shù)據(jù)往往包含了大量相關特征信息，其中某些場景非常相似，而有些場景的差別很大。最直觀的處理方式是依靠經(jīng)驗，人為定義場景的提取規(guī)則。例如ASSESS、AsPeCSS等項目人為歸納了針對各類交通對象的自動緊急制動系統(tǒng)的測試場景。然而，人為定義規(guī)則提取測試場景的方式主觀局限性過大，另一類方式是依據(jù)數(shù)據(jù)內部特征，采用聚類算法自動生成典型場景。

聚類是一種利用特征區(qū)分不同場景，并從中挖掘出典型場景的有效方式。它在場景理解、要素特征提取與降維的基礎上，將原始數(shù)據(jù)集劃分為若干類測試場景。例如：劉穎等基于照明、車輛運動方向、視野遮擋及行人運動方向等特征，從人-車沖突數(shù)據(jù)集中聚類出了5類面向行人的自動緊急制動測試場景；胡林等對采集的實際交通事故數(shù)據(jù)進行篩選，并利用層次聚類算法獲得汽車與兩輪車碰撞的11個典型事故場景。

現(xiàn)實環(huán)境中的各種噪聲都有可能映射在交通數(shù)據(jù)集中，從而對聚類結果產生干擾，因此需要效果良好、魯棒性強的聚類算法進行分析。根據(jù)算法類型，可以將常用的聚類算法劃分為基于分區(qū)的算法、基于分層的算法、基于密度的算法、基于模型的算法以及基于網(wǎng)格的算法等。此外，還有學者根據(jù)數(shù)據(jù)集特性進一步優(yōu)化聚類算法。例如：S.Li等結合自編碼器和K-Means開發(fā)了一種無監(jiān)督聚類方法，成功從大規(guī)模自然駕駛數(shù)據(jù)中提取了車車交互的典型測試場景；Langner 等結合自編碼器、卷積神經(jīng)網(wǎng)絡（Convolution Neural Network，CNN）和長短期記憶（Long Short Term Memory，LSTM）網(wǎng)絡等特征提取網(wǎng)絡，從大量的自然駕駛數(shù)據(jù)集中對典型場景進行自動聚類和異常檢測。

聚類算法具備從高維真實交通數(shù)據(jù)中提取典型場景的能力，可以依據(jù)數(shù)據(jù)集內在特征實現(xiàn)典型場景的自動快速生成，已經(jīng)在大規(guī)模的交通事故數(shù)據(jù)分析中得到了一定應用。然而，通過聚類得到的測試場景對數(shù)據(jù)集的采樣精度、樣本完整性等提出了較高要求，而且現(xiàn)有文獻大多使用K-Means等結構化聚類算法，忽略了交通數(shù)據(jù)的時序關系。

3.2.3 基于隨機采樣的典型場景生成

隨機采樣方法主要包括蒙特卡羅方法（Monte-Carlo Method）和快速遍歷隨機樹（Rapidly-exploring Random Tree，RRT）等算法，依據(jù)場景參數(shù)的概率分布生成具體用例。其中蒙特卡羅方法又稱為統(tǒng)計模擬方法，是以概率統(tǒng)計理論為指導的數(shù)值計算方法?？焖俦闅v隨機樹是一種樹形數(shù)據(jù)存儲結構算法，可以有效搜索非凸高維空間。

以蒙特卡羅隨機抽樣為例，可以將隨機采樣生成的場景用例構建過程歸納為如圖2所示的4個步驟，即原始數(shù)據(jù)清洗、場景特征提取、描述場景參數(shù)概率過程、從已知概率分布中抽樣。

圖2 蒙特卡羅抽樣典型場景構建過程

目前，國內外學者基于隨機采樣生成方法，已經(jīng)獲得了典型場景生成的一系列研究成果。例如：Yang等和Lee等提取道路碰撞預警和自適應巡航實車測試中的數(shù)據(jù)片段，通過蒙特卡羅模擬生成了自動緊急制動系統(tǒng)的測試場景；Fellner 等應用RRT 算法，通過尋找模型的變異值確定場景參數(shù)，可以在考慮2 300多種場景要素的情況下生成測試用例。

基于隨機采樣的場景生成方法通過對場景參數(shù)概率分布的非均勻采樣，能夠生成符合真實交通數(shù)據(jù)統(tǒng)計特征的典型場景用例，但是不可避免地也會得到大量不合理的場景組合。此外，場景特征多為基于專家經(jīng)驗人為提取，可能遺漏某些重要特征。

3.3 邊緣場景設計

典型場景一般用于自動駕駛汽車的常規(guī)功能測試，并不能覆蓋現(xiàn)實世界中的所有工況。為了盡可能提高場景覆蓋率，需要在典型場景的基礎上，演繹歸納出更多的衍生場景，即邊緣場景。它一般是典型場景生成方法中不易處理的小概率事件場景，或者是從真實交通數(shù)據(jù)中演化的衍生場景。

構造邊緣場景的根本目的在于提高測試覆蓋度、探索自動駕駛汽車的功能邊界。一般而言，代表性的邊緣場景生成方法可以劃分為理論搜索和數(shù)據(jù)驅動兩類。前者使用自定義度量標準，以發(fā)掘與現(xiàn)有場景相異的新穎場景為目標。例如，基于優(yōu)化搜索、強化學習等理論生成邊緣場景。此類方法在對場景系統(tǒng)內部演化規(guī)律理解的基礎上，利用數(shù)學模型刻畫其生成規(guī)律，從而衍生出新的測試場景。后者依據(jù)場景的可能危害后果（如碰撞）等，使生成的測試用例盡可能地提高極端事件的暴露率。

3.3.1 基于優(yōu)化搜索的邊緣場景生成

基于優(yōu)化搜索的場景生成方法是尋找邊緣測試場景的一類重要方法，它將主車與環(huán)境的交互視為優(yōu)化求解問題。例如，在車輛跟馳行駛下，設計追尾碰撞風險的目標函數(shù)，通過迭代優(yōu)化尋找使得碰撞風險目標函數(shù)最大化的邊緣測試場景參數(shù)（如前車制動減速度、減速時間等），并與理想跟車模型對比，尋找自動駕駛汽車的跟車安全性能邊界。基本流程示意如圖3所示。

圖3 基于優(yōu)化搜索的邊緣場景生成

該方法的研究重點集中在如何定義目標函數(shù)以及如何設計高效求解算法兩方面。現(xiàn)階段，目標函數(shù)的設計大多基于替代指標，如碰撞時間（Time To Collision，TTC）、車頭時距（Time HeadWay，THW），或先導度量（如碰撞）定義。例如，Tuncali等使用TTC與車輛相對速度之和定義了一個目標函數(shù)，其值越小，則自動駕駛汽車在該場景下發(fā)生碰撞的可能性越大；Donzé等將車輛幾乎不接觸且相對速度為零的碰撞設定為邊界條件，構建了基于碰撞速度和TTC的目標函數(shù)；Althoff、Klischat等根據(jù)主車可行駛域臨界度指標來定義目標函數(shù)。

在求解算法的設計方面，常用智能優(yōu)化算法尋找目標函數(shù)的全局最優(yōu)解。例如，粒子群算法、網(wǎng)格搜索、遺傳算法與模擬退火算法等。

基于優(yōu)化搜索的場景生成方法將邊緣場景的設計建模轉化為優(yōu)化問題，可以有效增加目標函數(shù)所度量的邊緣場景用例數(shù)量。但是此類研究目前多集中在碰撞場景的研究上，忽略了對于“接近碰撞”等次級危險場景的研究。此外，優(yōu)化搜索建模在一定程度上人為降低了場景維度，例如采用了TTC、THW等低維替代指標的度量方式，不能完全反映真實場景的高維動態(tài)和復雜特性。

3.3.2 基于強化學習的邊緣場景生成

強化學習通過自動駕駛汽車與環(huán)境的博弈在線生成場景。例如，它將場景生成模型視為智能體，根據(jù)生成模型與具有自主駕駛能力的交通車的交互，搜索新的容易發(fā)生碰撞的邊緣場景參數(shù)，已經(jīng)成為解決高維動態(tài)邊緣場景參數(shù)建模問題的一種可行方案。

Lee首次提出了自適應壓力測試（Adaptive Stress Testing，AST）場景生成方法，使用抽樣和正向模擬建立搜索樹，將被測對象建模為強化學習的智能體，通過智能體與環(huán)境的實時交互產生有可能導致交通事故的軌跡。受此啟發(fā)，Koren提出將復雜交互場景建模為馬爾可夫決策過程（Markov Decision Process，MDP），簡化測試過程中前、后時間序列的相互依賴，并將隨機性因素引入仿真，成功應用深度強化學習方法建立了邊緣場景生成的統(tǒng)一框架，基本模型結構如圖4所示。

圖4 強化學習邊緣場景生成

基于強化學習的邊緣場景生成方法能夠生成一些新穎的測試用例，有助于提高場景庫的覆蓋度，其關鍵在于設計合理的獎勵函數(shù)，否則極易生成大量同質場景。為此，Karunakaran和Corso等提出將責任敏感（Responsibility Sensitive Safety，RSS）模型作為安全性度量指標引入獎勵函數(shù)的設計，并優(yōu)化了行駛軌跡相異度量計算方法，鼓勵智能體探索新的行駛軌跡，從而發(fā)現(xiàn)從未探索過的測試場景。

3.3.3 基于重要性采樣的邊緣場景生成

重要性采樣（Importance Sampling，IS）方法是一種基于大偏差概率理論的小概率事件模擬方法，主要是基于方差縮小概念，在保證分布無偏性的同時，通過增加原始分布的方差提高小概率邊界事件的發(fā)生概率。例如，在事故易發(fā)的自然駕駛數(shù)據(jù)分布范圍附近采用建議概率密度函數(shù)()替代原始概率密度函數(shù)()，進行隨機非均勻采樣以實現(xiàn)場景參數(shù)概率分布的扭曲，從而提高危險事件的發(fā)生概率。

Zhao 等在對自然駕駛場景參數(shù)概率分布研究的基礎上，利用IS 方法實現(xiàn)了關鍵邊緣場景測試的數(shù)千倍加速；Xu 等提出了一種基于改進重要性采樣技術的自動駕駛汽車超車場景生成方法，基于上海自然駕駛數(shù)據(jù)的仿真結果表明，測試效率提高了35%，結果準確性提高了25%。

重要性采樣方法可以依據(jù)自定義的場景類型（如接近碰撞），有選擇地放大真實交通數(shù)據(jù)感興趣區(qū)域的場景生成概率，提高測試效率。然而，如何選取合適的建議概率密度函數(shù)，對平衡蒙特卡羅方法的準確性和計算效率非常重要。為此，S.Feng等將場景參數(shù)分為關鍵參數(shù)和非關鍵參數(shù)，針對關鍵參數(shù)采用重要性采樣，針對非關鍵參數(shù)采用蒙特卡羅直接采樣，從而兼顧采樣效率和估計準確性。

3.3.4 基于深度學習的邊緣場景生成

重要性采樣技術只能提高感興趣場景的暴露率，在一定程度上解決危險場景在真實交通數(shù)據(jù)中過于稀疏的問題，但是并不能創(chuàng)造新的測試場景。隨著以深度神經(jīng)網(wǎng)絡為代表的新一代人工智能技術的發(fā)展，越來越多的學者開始探索利用深度學習方法衍生場景，該方法已經(jīng)成為理論搜索方法之外的一類有前景的邊緣場景衍生范式。常用的深度學習模型包括循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）、變分自動編碼（Variational Auto-Encoders，VAE）器以及生成對抗網(wǎng)絡（Generative Adversarial Network，GAN）等。例如：Jenkins 等基于模擬車載和V2X 時間序列數(shù)據(jù)，利用RNN 自動生成了新的事故場景，結果表明，衍生的低速和高速事故場景均與真實數(shù)據(jù)集相似；Krajewski等分別基于GAN和VAE 設計了車輛軌跡生成模型，無須標記數(shù)據(jù)即可生成新的換道軌跡；Demetriou等提出了一個由真實駕駛數(shù)據(jù)驅動來生成不同長度行駛軌跡的深度學習框架，采用遞歸條件生成對抗網(wǎng)絡（Recurrent Conditional-Generative Adversarial Networks，RC-GAN）的方法可以靈活地生成可變長度的行駛軌跡。

時序建?；蛏疃壬赡Ｐ偷壬疃葘W習方法，能從已有時序交通軌跡數(shù)據(jù)中演化推斷生成未覆蓋的新穎場景，極大地豐富了測試場景庫樣本的多樣性，提高了測試覆蓋度。然而，衍生場景的特性是否與真實交通數(shù)據(jù)一致尚不可知，有可能生成現(xiàn)實世界中并不存在的場景，因此衍生場景需驗證真實性后才能使用。

4 測試方法

測試方法是自動駕駛汽車測試技術的核心，用以合理組織自動駕駛汽車測試過程。目前，自動駕駛汽車的測試工作大約90%通過仿真完成，9%在封閉場地完成，1%通過開放道路測試完成。其中，仿真測試是加速智能網(wǎng)聯(lián)技術迭代的核心環(huán)節(jié)，主要在研發(fā)初期進行，封閉場地測試是自動駕駛汽車測試的有效手段，開放道路測試是檢測自動駕駛汽車整車性能的必要環(huán)節(jié)，也是其商業(yè)化的前置條件。仿真測試、封閉場地測試與開放道路測試三者之間互為補充，形成測試閉環(huán)。具體而言，仿真可以提高測試速度，其結果通過封閉場地和開放道路驗證，封閉場地和開放道路測試發(fā)現(xiàn)的新場景又可以反饋補充到仿真測試場景庫中。各類測試方法對比如表3所示。

表3 主要測試方法對比

4.1 仿真測試

仿真是由場景、車輛動力學模型、傳感器模型、算法等組成的數(shù)字化虛擬測試方法，可以對自動駕駛汽車的系統(tǒng)和整車進行計算機數(shù)值模擬。它利用數(shù)字化建模方式，對真實物理世界進行部分或全部的數(shù)學建模，無須實車測試便可以對算法策略進行驗證，具有效率高、成本低、自由度高等優(yōu)點。

根據(jù)測試對象受控程度不同，仿真可以細分為模型在環(huán)（Model-In-the-Loop，MIL）、軟件在環(huán)（Software-Inthe-Loop，SIL）、硬件在環(huán)（Hardware-In-the-Loop，HIL）以及在HIL基礎上進一步集成的整車在環(huán)（Vehicle-Inthe-Loop，VIL）等。其中，MIL/SIL一般在軟件詳細設計和單元測試階段使用，以測試自動駕駛汽車的單一功能；隨后利用HIL測試完成子系統(tǒng)（包括硬件、底層和應用層軟件）的集成測試，并模擬部分電氣特性；最后通過VIL 仿真在試驗室條件下模擬道路、交通環(huán)境等，以完成軟件驗收，并進行整車相關的電控系統(tǒng)匹配。MIL/SIL/HIL/VIL 隨著測試對象集成程度的不斷加深，測試結果的置信度逐步提高，但成本也相應增加，上述幾種不同的仿真方法特點對比如表4所示。

表4 仿真測試方法對比

仿真測試雖然具有易實現(xiàn)、易部署等特點，但是其測試結果的可靠性高度依賴于仿真軟件對真實物理環(huán)境的模擬，特別是傳感器的物理建模精度、車輛動力學模型的準確度、三維動態(tài)虛擬圖像渲染的正確性以及交通行為建模的逼真度。然而，目前的仿真測試對交通行為的建模在精度和真實性上均十分欠缺，例如，仿真時往往對交通參與者采用預定義軌跡，只能單向測試自動駕駛汽車在外界激勵下的行為，無法復現(xiàn)真實的動態(tài)隨機交通環(huán)境。

4.1.1 模型在環(huán)仿真

模型在環(huán)仿真是將算法模型與被控對象模型連接起來的閉環(huán)純數(shù)值仿真測試方法。MIL 仿真中的汽車軟件常以Simulink 模型等原型形式出現(xiàn)。MIL 不涉及任何物理硬件，主要是在軟件開發(fā)初期及單元測試階段對算法的功能需求進行概念驗證。例如，孫劍等搭建了自動駕駛汽車模型在環(huán)仿真測試平臺，其中虛擬場景由PreScan 提供，借助MATLAB/Simulink 實現(xiàn)了原型算法，該平臺可以通過VISSIM 快速生成交通車流；冀杰等利用CarSim/Simulink 模型在環(huán)框架測試了自動駕駛汽車的行為決策算法。歸納模型在環(huán)仿真平臺框架及共性組件如圖5所示。

圖5 模型在環(huán)仿真框架

4.1.2 軟件在環(huán)仿真

軟件在環(huán)仿真是在設計主機上編譯生成自動駕駛汽車軟件源代碼，并將其作為單獨的進程執(zhí)行，與虛擬環(huán)境交互的計算機數(shù)值模擬方法。SIL仿真可以將軟件部署到設計主機端進行仿真，借助主機的高算力完成大規(guī)模的虛擬測試。例如：Ahamed等設計了一個可自由構建車輛模型的框架，在Gazebo中使用機器人操作系統(tǒng)開發(fā)了SIL 仿真平臺；Bachuwar 等提出了一種基于開源自動駕駛軟件Autoware的軟件在環(huán)仿真框架，該框架利用Simulink 與機器人操作系統(tǒng)（Robot Operating System，ROS）建立通信。SIL仿真框架實例如圖6所示。

圖6 軟件在環(huán)仿真框架

SIL測試可在物理樣機出現(xiàn)之前幫助設計者提前發(fā)現(xiàn)系統(tǒng)缺陷和故障，收集代碼覆蓋率和執(zhí)行時間指標，但是無法測試系統(tǒng)在物理環(huán)境干擾、通信和作動器延遲等工況下的表現(xiàn)。軟件在環(huán)測試雖然不考慮目標硬件，但其優(yōu)勢在于可以在服務器或云端大規(guī)模部署和并行測試，同時比MIL 測試的集成度更高。相較于HIL 及VIL 測試，SIL 測試可以更低的成本發(fā)現(xiàn)自動駕駛汽車的功能問題，特別是可以方便地進行“測試驅動開發(fā)”，即測試結果參與算法的迭代訓練，已成為最有潛力的仿真測試方法之一。

4.1.3 硬件在環(huán)仿真

硬件在環(huán)仿真是一種自動駕駛汽車的部分組件或系統(tǒng)采用真實物理設備，而場景、被控對象等為數(shù)字模型的半實物測試方法。硬件在環(huán)仿真結合數(shù)學模型和物理硬件設備，在模擬測試場景的同時引入了時滯、飽和、摩擦等非線性物理特性，顯著提高了測試結果的置信度，在一定程度上克服了MIL/SIL 測試中模型和數(shù)據(jù)過于理想化的缺點。

按照真實物理設備的類型，可以將HIL測試方案大致分為3種：第1種是針對算法軟件的快速原型測試，即將算法快速部署到真實控制器上，將控制器與工控機相連接，工控機上運行被控對象的模型以模擬電氣特性，該方案用于評價軟件在真實控制器上的表現(xiàn)是否滿足設計需求；第2種是傳感器的硬件在環(huán)，如Hager等提出了包括雷達、攝像頭、V2X等在內的傳感器信息融合測試臺架，可以實現(xiàn)傳感器數(shù)據(jù)流的實時修改；第3種是針對執(zhí)行器的硬件在環(huán)，如建立包括轉向系統(tǒng)、制動系統(tǒng)等在內的硬件在環(huán)臺架，重點關注算法處理真實物理系統(tǒng)的時滯、非線性的能力，或者進一步標定算法參數(shù)。

以攝像頭硬件在環(huán)仿真為例，仿真框架如圖7 所示。虛擬場景通過仿真軟件模擬或者視頻注入，在暗箱內生成光學圖像數(shù)據(jù)，攝像頭實時采集暗箱內圖像，并傳輸出至控制器內的算法處理單元，最后通過ControlBase控制器內的決策規(guī)劃及控制軟件處理，輸出控制請求至Xpack4實時系統(tǒng)中的虛擬被控對象，完成閉環(huán)仿真。

圖7 攝像頭硬件在環(huán)測試平臺

4.1.4 整車在環(huán)仿真

整車在環(huán)仿真是將自動駕駛汽車整體作為實物，接入到虛擬場景中的一類特殊的硬件在環(huán)仿真測試方法。相較于HIL 測試，VIL 測試能夠在整車水平上形成閉環(huán)迭代的高效測試框架，有效彌補了硬件在環(huán)測試與實車測試之間的鴻溝。以中國科學院深圳先進技術研究院搭建的整車在環(huán)仿真平臺為例，整體組成結構如圖8所示。

圖8 整車在環(huán)仿真平臺

該平臺包括軸耦合測試臺架、虛擬場景子系統(tǒng)、自動駕駛汽車、高精度車輛動力學模型以及各類傳感器等，支持高精度地圖生成、定位、目標識別、V2X 協(xié)同感知、車輛路徑規(guī)劃與控制等功能測試，此外，還支持新能源車輛整車能量流測試與標定等。

4.2 封閉場地測試

封閉場地測試是將自動駕駛汽車置于專用的受控區(qū)域，并柔性化構造典型交通場景的測試方法。封閉場地測試注重真實交通環(huán)境的模擬還原，該方法能夠真實、快速有效地評價自動駕駛汽車整車性能以及人機交互相關性能。

目前，國內已建成自動駕駛汽車封閉測試場地約30個，基本涵蓋鄉(xiāng)村、城市道路等典型交通環(huán)境。其中部分封閉場地還建立了車聯(lián)網(wǎng)異構網(wǎng)絡。然而，現(xiàn)有封閉場地服務水平不一致、運營成本高、測試結果無法互認等問題十分突出，背后的主要原因是標準規(guī)范缺失，具體表現(xiàn)在兩個方面：首先是場地建設缺乏規(guī)范，建設水平參差不齊，如部分場地場景單一，無法支持車聯(lián)網(wǎng)測試，已經(jīng)落后于自動駕駛汽車的技術發(fā)展水平；其次是測試通過標準不統(tǒng)一，例如測試準備、車輛技術狀態(tài)、場景設置、車端和路側端數(shù)據(jù)采集與處理方式等不一致，直接導致各封閉場地的評價結果存在差異，制約了測試互認工作的開展。

4.3 開放道路測試

考慮到實際工況的復雜性，仿真和封閉場地的評價結果可能與真實情況存在偏差。因此，自動駕駛汽車在量產前必須在開放道路上進行連續(xù)測試，它是自動駕駛汽車積累測試數(shù)據(jù)、提升技術水平，并最終商業(yè)化的必經(jīng)環(huán)節(jié)。

目前，歐美、日韓等發(fā)達國家已經(jīng)允許自動駕駛汽車在特定道路上進行測試，國內各省市也相繼出臺了開放道路測試規(guī)范，發(fā)放測試牌照并允許自動駕駛汽車在部分指定道路上行駛。截止2021年8月，全國共有近30個省市區(qū)頒布了道路測試細則，已建成16個智能網(wǎng)聯(lián)汽車測試示范區(qū)，指定開放路段超過3 500 km，并累計發(fā)放700余張道路測試牌照。然而，目前在絕大部分開放道路，特別是高速公路上測試自動駕駛汽車仍然缺乏相應規(guī)范。

5 自動駕駛汽車測試技術發(fā)展趨勢

測試技術是自動駕駛汽車研發(fā)的基礎技術，也是保障其安全性與可靠性的“生命線”。然而，作為典型的智能系統(tǒng)，自動駕駛汽車的測試與傳統(tǒng)汽車的機械性測試本質不同，其具有高復雜度、高維度、高不確定性與小概率風險事件的稀疏激勵，是汽車行業(yè)和人工智能領域共同面臨的重大挑戰(zhàn)?？傮w而言，基于場景的測試理論及方法已經(jīng)成為應對該挑戰(zhàn)的主流技術路線，但是該領域的研究處于起步階段，尚未得到學術界的足夠重視，仍有待進一步研究和探索。

5.1 測試場景研究

5.1.1 提高測試場景覆蓋度

自動駕駛汽車的運行環(huán)境具有極度復雜、不可預測、難以窮盡等特征，導致傳統(tǒng)的基于標準法規(guī)和事故聚類算法等簡單抽象類的場景生成方法難以生成高覆蓋度測試用例。此外，測試場景的數(shù)據(jù)來源中往往包含大量冗余相關特征，使得簡單的直接采樣方法易生成大量同質場景。為了進一步提升自動駕駛汽車典型場景的測試覆蓋度，需要建立面向不同復雜度和數(shù)據(jù)來源的預處理、挖掘、分析和場景提取的技術體系。

5.1.2 研究邊緣場景的表征機理

受真實物理世界的高維度及小概率風險事件的稀疏激勵性等約束，自動駕駛汽車測試時往往需要海量的采樣才能得到一個邊緣場景。目前，國內外對邊緣場景的表征機理和方法研究不足，缺乏相應的系統(tǒng)化邊緣場景生成理論。未來，業(yè)界需要綜合利用數(shù)學、物理和統(tǒng)計學習等工具，從理論搜索和數(shù)據(jù)驅動兩個角度深入研究邊緣場景的生成方法。值得注意的是，衍生的邊緣場景必須考慮泛化的方向性和真實性問題，即泛化場景是否符合真實交通的統(tǒng)計規(guī)律，以及虛擬場景與真實場景的匹配度是否在可接受的范圍內。

5.1.3 探索加速測試理論和方法

遍歷海量測試場景需要強大的計算資源、耗費大量測試時間。為了進一步提高測試效率，業(yè)界迫切需要建立高精度無偏加速測試方法，在保證測試結果統(tǒng)計意義的基礎上，以較小的算力成本實現(xiàn)全面加速測試，平衡測試成本和效率。

5.1.4 提升數(shù)據(jù)搜集和應用能力

目前絕大多數(shù)研究機構在測試自動駕駛汽車時，仍然依賴人工記錄算法失效的場景，這種方式顯然不能作為未來高等級自動駕駛汽車大規(guī)模測試的數(shù)據(jù)來源。為此，有必要建立車輛數(shù)據(jù)采集系統(tǒng)，并自動化記錄和分析實車在真實環(huán)境下的表現(xiàn)。一方面，例如影子模式等可以持續(xù)挖掘失效場景，并實現(xiàn)技術迭代；另一方面，自動駕駛汽車也存在無法避免的事故，基于實時車輛數(shù)據(jù)采集的事后監(jiān)控可以明確責任?？梢韵胍姡瑪?shù)據(jù)搜集和應用能力將成為自動駕駛開發(fā)者的核心競爭力之一。

5.2 測試方法研究

5.2.1 提高仿真結果置信度

綜合利用多種仿真方式測試自動駕駛汽車的各項功能已經(jīng)成為業(yè)內共識。然而，鑒于汽車本身是典型的非線性系統(tǒng)，并受制于現(xiàn)實微觀交通環(huán)境的隨機、非線性和不確定性，目前較難在仿真環(huán)境下刻畫交通參與者行為，無法反映自動駕駛汽車與各類交通參與者的動態(tài)交互博弈，各類仿真軟件本身的建模精度也存在較大差異。上述局限直接導致場景仿真的置信度不足，已成為仿真測試領域的痛點問題。為此，未來需要進一步突破復雜交通的隨機、非線性、多約束和高精度建模技術，力求在仿真環(huán)境中構建逼真的測試環(huán)境，進一步實現(xiàn)自動駕駛汽車的魯棒測試。

5.2.2 建立分層測試體系

合理的分層測試體系需要綜合成本和測試覆蓋度，近似達到實車測試的效果。例如，模塊邏輯測試規(guī)避大部分規(guī)范和設計錯誤，仿真測試發(fā)現(xiàn)大部分潛在功能問題，而留給實車測試的任務量極大減少。然而，目前業(yè)內對于仿真、封閉場地和開放道路測試等方法的各自適用范圍尚未清晰界定，在實際操作中，各機構一般根據(jù)開發(fā)經(jīng)驗自行決定某項功能的測試方法，未能差異化應用測試方法，限制了分層測試體系的互補優(yōu)勢發(fā)揮。與此同時，部分測試用例被不合理地反復使用，客觀上降低了測試效率。因此，如何協(xié)調各類測試方法，建立高效統(tǒng)一的“仿真-封閉場地-開放道路”分層測試體系仍需要進一步探索。

5.2.3 加快標準制定，建設評價體系

目前，高等級自動駕駛汽車測試的評價指標、評價模型與評價體系等課題的研究尚處于萌芽階段，未來，需要在測試場景分類、測試任務分級的基礎上，完善測試體系、加快制定統(tǒng)一的測評標準規(guī)范，進一步加強主客觀相融合的綜合評價體系研究。

6 結束語

本文在廣泛調研自動駕駛汽車測試領域相關研究文獻的基礎上，從測試內容、測試場景、測試方法等維度展開了有關理論、方法以及工具的系統(tǒng)梳理和歸納總結，并指出了現(xiàn)有不足和未來發(fā)展方向。

理論上，自動駕駛汽車的開發(fā)應當以無邊界限制的場景為測試假設。然而，受成本和開發(fā)效率的制約，事實上，如何盡可能地搜集復雜、陌生和突發(fā)的小概率邊緣場景已經(jīng)成為自動駕駛汽車測試的核心問題，場景的豐富度也將在一定程度上決定自動駕駛技術的水平高低?？傮w來說，目前業(yè)內在場景生成理論、測試方法及工具等方面取得了一定的研究成果，但是尚處于初期階段。未來仍要重點關注高覆蓋度場景設計理論、邊緣場景生成方法以及高精度無偏加速測試算法的研究，并在此基礎上進一步實現(xiàn)高保真交通行為建模和高置信度仿真軟件設計、建立測試方法的協(xié)調應用框架、強化評價體系的理論和方法研究。

此外，未來自動駕駛汽車測試還可能面臨一些新的挑戰(zhàn)。例如，自動駕駛汽車作為人類生活的載體，其人因交互水平也將成為評價其綜合性能的重要方面，甚至影響人類對自動駕駛技術的接受度。另外，如何將人工智能模型的驗證納入現(xiàn)有測試體系，用以提高自動駕駛汽車人工智能算法的魯棒性和安全性，已成為迫切的現(xiàn)實問題。進一步，隨著汽車智能化和網(wǎng)聯(lián)化的深度融合，自動駕駛汽車的網(wǎng)聯(lián)功能測試、面向車聯(lián)網(wǎng)的信息安全測試，以及智能化與網(wǎng)聯(lián)化的耦合性能測試等關鍵問題也將成為新的研究熱點。