基于场景元素的智能网联汽车场景构建研究

在智能网联汽车测试评价中,场景库搭建与道路测试一直都是其难点。文中对智能网联汽车功能的典型测试场景搭建及测试方法进行分析与研究,首先分析智能网联汽车驾驶场景的来源,从典型驾驶场景中归纳出基本场景元素库,以场景元素库为基础实现测试场景库搭建;然后在PreScan中进行场景虚拟重构,进行自动驾驶功能模拟仿真;最后基于真实道路场景搭建对车辆自动驾驶功能进行实车测试。     

基于典型非机动车事故的自动驾驶汽车测试场景构建方法研究

基于交通事故卷宗、交通事故视频信息数据,研究机非混行交通环境下典型交通事故形态,构建了面向机非混行交通环境下的自动驾驶汽车测试场景,旨在针对我国较为特殊的机非混行环境下的自动驾驶汽车的测试场景及测试评价方法提供参考。本文首先分析了自动驾驶测试场景的构建需求,建立交通事故数据筛选标准,得到133例可用于构建自动驾驶汽车测试场景的机动车与非机动车交通事故数据集;其次基于《中华人民共和国道路交通安全法》行驶要求,对133例交通事故的发生地点、车辆行为、道路类型、环境光线等方面进行解构分析;最后通过聚类分析,建立了5类典型的自动驾驶测试场景模型,并分析了不同场景模型的关键要素,为实际道路测试提供理论指导。     

实际数据驱动的自动驾驶道路测试险态场景辨识方法

险态场景仿真测试是提升自动驾驶车辆驾驶能力和降低道路测试风险的重要手段,其核心基础是险态场景的构建。依托自动驾驶道路测试的实际数据,在甄别自动驾驶模式避险脱离事件的基础上,提出道路测试险态场景辨识关键指标,并利用随机森林、决策树、支持向量机和BP神经网络四种监督分类模型,对险态场景的风险等级进行划分。基于上海城市道路场景实际测试数据和实际记录脱离原因数据,验证了实际数据驱动的道路测试险态场景辨识方法的有效性,同时表明BP神经网络辨识险态场景的效果最好。研究成果为构建道路测试险态场景提供依据。     

实测数据驱动的自动驾驶道路测试驾驶模式辨别方法

自动驾驶道路测试中车企驾驶模式数据具有一定保密性，导致自动驾驶能力难以被客观评估。为此，提出了实测数据驱动的自动驾驶道路测试驾驶模式辨别方法。首先选取数据特征值构建K近邻估计、支持向量机、决策树、随机森林和BP神经网络5种机器学习监督分类模型；其次通过非参数秩和显著性检验确定驾驶模式持续时长阈值，持续时长大于阈值的数据段记录为准确的驾驶模式数据，小于等于阈值的数据段则为驾驶模式待分类数据集；随机选取70%记录准确的驾驶模式数据作为监督分类模型训练数据集，剩余30%作为测试数据集；最后利用正确率、精确率和召回率3个指标评价5种监督分类模型，并选取表现最佳的分类模型用于待分类数据的驾驶模式辨别。基于上海市城市道路和快速路2个道路测试场景共约43.6万条数据，验证驾驶模式辨别方法的有效性。结果表明：随机森林监督分类模型辨别道路测试驾驶模式的效果最佳；城市道路场景和快速路场景待分类数据驾驶模式记录有误率分别达到42.3%和39.4%。实测数据驱动的驾驶模式的辨别与修复，可显著提升评估自动驾驶道路测试驾驶能力的准确度。     

自动驾驶汽车基础测试场景构建研究（双语出版）

针对L2/L3级自动驾驶汽车的仿真测试和封闭场地测试认证需求，结合现有L2/L3级自动驾驶汽车量产车型的主要功能特点，提出自动驾驶汽车基础测试场景群的构建方法。首先针对指定的道路交通环境，分析主车和周围交通参与者可能的相对位置和运动方向的组合，确定复杂场景群。其次分别以主车功能所确定的各个可能运动方向，依此与各干扰车辆的可能运动方向（包括任一干扰车辆不存在的情形）进行组合，组合时采用PICT组合测试工具，并添加必要的运动约束条件，选择参数组合覆盖标准自动生成全部的组合场景群。最后结合场景筛选规则，筛选出具有测试价值的覆盖各个层级及功能的基础测试场景群。采用场景构建方法，对于主车处于三车道中间车道的路段场景和无红绿灯的十字路口场景，分别构建62种和33种基础测试场景。根据驾驶人行为特性、交通规则、汽车在城市、郊区和高速公路工况下的典型车速、加减速度、横向加速度、交通事故和自然驾驶数据库的有关场景数据等，设计主车换道工况的测试用例。采用模型预测控制框架建立主车局部路径规划和控制仿真模型，并对主车危险换道场景进行仿真。研究结果表明：主车在邻车道前车大减速的情况下实现了减速换道并避免了与本车道前车和邻车道前后车的碰撞，同时跟踪到期望跟车间距，验证了该换道测试用例的有效性。     

高等级自动驾驶汽车虚拟测试：研究进展与前沿

安全性测试是高等级自动驾驶汽车（Highly Automated Vehicles，HAV，指具备L3级及以上能力的自动驾驶汽车）规模化应用的基本保障。鉴于HAV测试对象与测试标准的变革，传统基于里程的车辆测试方法论不再适用，场景化虚拟测试正成为验证HAV安全性的核心方法。基于与国内外多家HAV研发机构开展虚拟测试合作的基础上，针对测试场景、测试工具和测试方法等方面的技术难点和学术问题进行汇总、归纳和分析。测试场景方面，围绕场景覆盖度的要求，需重点关注测试场景自主划分、自动化仿真生成和未知高风险场景搜寻等理论方法。测试工具方面，在构建HAV自动驾驶系统“环境感知-规划决策-运动执行”一体化仿真工具的基础上，需研究支撑测试场景生成、驾驶行为双向交互和多传感器物理模型融合的高可信仿真技术。测试方法方面，针对海量测试场景、HAV驾驶能力非单调变化等特征，亟待开展覆盖度驱动型测试方法、加速测试方法和多目标测试与评估等的研究。此外，在上述研究挑战的基础上，面向HAV虚拟测试自动化、快速化、一体化和协同化的应用需求，提出HAV虚拟测试仿真即服务（Simulation as a Service，SAAS）的系统架构，并进一步明确HAV安全性诊断分析、系统自主优化训练和面向系统快速迭代升级的测试方法等SAAS重点研究需求。     

驾驶模拟器在自动驾驶系统中的应用研究

自动驾驶车辆在实际道路上行驶之前的测试阶段是一个至关重要的环节。一个低成本、高效率以及高精度测量的自动驾驶车辆的测试方式,对于自动驾驶车辆的开发具有重要意义。将驾驶模拟器运用到研究自动驾驶车辆测试已是近年来的一个研究热点。基于虚拟驾驶场景的自动驾驶车辆的检测,通过组合虚拟驾驶场景的背景车辆、行人、交通灯、建筑、指示标牌等元素,研究将驾驶模拟器与虚拟驾驶场景的联合应用来测试自动驾驶车辆。设计了典型的交通场景,通过自动驾驶车辆和背景车辆的实时交互,研究自动驾驶车辆的各项性能指标。研究结果表明:该驾驶模拟器可以高度拟合人类驾驶体验,驾驶员通过驾驶模拟器控制背景车辆能够很好的模拟现实中的驾驶行为,对自动驾驶车辆的仿真测试起到了促进作用。     

高精度地图定位在高速公路自动驾驶系统中的应用

自动驾驶已经成为全球汽车产业的战略发展方向,其中L3级高速公路自动驾驶是最有可能率先落地的自动驾驶系统,高精度地图和定位系统是自动驾驶系统的关键一部分,近年来发展迅速,已经达到可量产状态。文章首先分析了自动驾驶和高精度地图定位的发展现状,然后,对高精度地图和定位系统在自动驾驶系统的地理围栏判定和感知冗余方面的应用进行了研究,最后初步提出了高精度地图定位测试方案。     

乘用车自动驾驶测试4X体系探索

随着汽车自动驾驶功能使用的场景越来越多，尤其是4级驾驶自动化[1]在出租车方面的应用，快速迭代的需求强烈。文章主要阐述自动驾驶测试的工具链、评价方法、问题管理机制和软件版本迭代管理4个模块，并对X个场景不断迭代的方法进行探索，形成一套完善的测试体系，并在实际工作中成功应用。     

自动驾驶汽车在城市道路上面临的主要场景挑战

基于人类的自然驾驶数据、交通事故数据等信息提出的自动驾驶汽车技术要求和测试场景难以反映自动驾驶汽车特有的局限性和安全风险。文章从车辆视角出发,利用搭载高度自动驾驶功能的汽车开展了实际道路测试,并通过分析测试过程中遇到的危险场景和边缘场景,总结了城市道路环境下自动驾驶汽车在感知、定位、决策规划、控制执行和网联通信等方面存在的主要场景挑战。该研究成果弥补了基于人类驾驶数据开展相关研究的不足,能够为自动驾驶汽车的研发和基于场景的测试验证提供参考。     

基于整车在环仿真的自动驾驶汽车室内快速测试平台

整车在环仿真测试方法可以安全、高效地验证复杂环境和极端工况等场景下自动驾驶汽车性能的有效性，基于此研发一种基于整车在环仿真的自动驾驶汽车室内快速测试平台，该平台由前轴可旋转式转鼓试验台、试验台测控子系统、虚拟场景自动生成子系统、虚拟传感器模拟子系统、驾驶模拟器、自动驾驶汽车和测试结果自动分析评价子系统组成。通过在试验台滚筒上独立加载转矩模拟车辆行驶阻力，可动态模拟不同的路面附着系数，同时利用坡度、侧倾和转向随动机构可模拟车辆俯仰角、侧倾角和航向角3个自由度；采用虚拟现实技术柔性集成车辆动力学模型、传感器仿真、复杂道路交通环境及测试用例仿真，模拟多种道路交通场景，并通过传感器仿真及数据融合等技术快速测试自动驾驶汽车智能感知与行为决策等性能指标。将自动驾驶汽车、虚拟仿真场景和试验台耦合构建一个闭环系统，完成了多项关键技术研发，包括：多自由度高动态试验台结构设计、虚拟测试场景自动重构方法和传感器数据模拟及注入方法，可满足在各种场景下测试自动驾驶汽车整车性能的需求。此外，为验证快速测试平台的有效性，以U-turn轨迹跟踪控制为研究实例，基于简化的车辆运动学模型和模型预测控制算法，在平台上搭建U-turn场景并对自动驾驶汽车的轨迹跟踪控制算法性能进行大量测试。结果表明：自动驾驶汽车室内快速测试平台可以真实地模拟汽车在道路上的运行工况，自动驾驶汽车在虚拟场景中的轨迹跟踪效果良好，与参考轨迹的偏差小于8%，证明了该测试平台检测方法的有效性。     

雷达场景仿真测试如何助力自动驾驶研发?

从L1、L2驾驶辅助到L4、L5自动驾驶,各项智能及网联技术的发展,推进了自动驾驶产业的进程.在这个过程中,仿真测试是新技术研发必不可少的环节.针对目前自动驾驶研发中,对于真实仿真场景测试的需求,是德科技推出了雷达场景仿真器,用于雷达传感器和算法研发.汽车制造商可以在实验室中测试复杂的真实场景,从而加快自动驾驶研发进程...     

限速60km/h 北京发布自动驾驶测试文件

正近日,北京市多部门联合发布了《北京市自动驾驶道路测试能力评估内容与方法(试行)》和《北京市自动驾驶车辆封闭测试场地技术要求(试行)》。根据文件要求,自动驾驶车辆的速度等均具有相对严格的要求,并会对自动驾驶车辆进行考核,未达标的车辆将无法进行测试。下面是文件中重点规划的要求。自动驾驶车辆在测试时需要设置相应的场景,在测试阶段必须有应急处置与人工介入能力。测试驾驶员需     

数字孪生技术在自动驾驶测试领域的应用研究概述

研究数字孪生技术在自动驾驶测试领域的应用。旨在构建高度开放的数字孪生自动驾驶测试平台,结合仿真测试工具、通信设备、真实测试车辆等功能单元,形成丰富的测试验证环境,支持各类自动驾驶解决方案和算法验证测试,具备在有限资源条件下开展虚拟复杂场景的自动驾驶实车测试验证能力。提供一种全新的自动驾驶整车测试方法。     

基于Prescan的自然驾驶场景构建与研究

文章主要描述基于Prescan软件对实车的自然驾驶场景片段转换成虚拟场景,用于ADAS或自动驾驶模拟测试。通过配备毫米波雷达、相机、Mobileye摄像头等传感器采集道路驾驶数据,提取场景片段,转化成虚拟软件中相应的实车场景,用于HIL或MIL测试,可实现重复性测试,降低测试成本,模拟恶劣天气等状况,复现实车测试状态等测试优点。     

基于L3级自动驾驶的HMI设计

根据L3级自动驾驶项目的相关开发经验,对L3级自动驾驶汽车HMI设计中的问题及痛点进行分析,找出具体根源,同时描述HMI设计在自动驾驶中的作用,并结合实际应用,论述L3级自动驾驶HMI设计的相关原则。     

自动驾驶汽车自动紧急避撞测试与评价方法研究

自动驾驶汽车的测试与评价方法对于自动驾驶汽车的快速发展具有重要作用。安全是自动驾驶汽车发展的首要前提,自动紧急避撞是保障自动驾驶汽车行驶安全的重要功能。文章首先分析了自动紧急避撞功能的典型测试场景;其次,基于典型测试场景,研究了自动紧急避撞功能的测试与评价方法;最后,根据提出的测试与评价方法对自动驾驶汽车自动紧急避撞功能进行了实际的案例分析。     

招商车研承建的西部自动驾驶开放测试基地测试系统技术服务项目顺利通过验收

近日,招商局检测车辆技术研究院有限公司(以下简称"招商车研")在重庆市永川区承建的西部自动驾驶开放测试基地——测试系统技术服务项目,顺利通过百度公司和业主单位的验收. 该项目是永川区西部自动驾驶开放测试基地的重要组成部分,覆盖交通流量密集、道路场景丰富的两个交叉路口和一条双向十车道道路,由交通数据采集系统、自动驾驶及车路协同场景库生成系统、车路协同规模测试系统、数字孪生可视化系统等模块组成,具备全年不间断典型场景采集、C-V2 X消息实时转化、车路协同场景可视化回放、真实车辆与虚拟车辆可动态交互等功能.     

面向智能车辆的现役道路设施行驶适应性研究综述

为了总结面向智能车辆的现役道路设施行驶适应性，即现役道路基础设施承载智能车辆行驶的适宜程度，阐述自主智能驾驶定义与驾驶自动化等级分类，在此基础上剖析不同等级间的人机功能差异，并分别从感知层、感知-决策层、决策-控制层探讨与道路设计要素相关联的人机功能差异，通过归纳总结智能车辆与道路几何要素、路面性能及其他道路要素(如道路标线)的相互作用机制研究，从道路工程角度及其他道路要素方面回顾该领域的研究现状，指出存在的问题和未来发展方向。研究结果表明：相比传统车辆，配置高等级自动驾驶系统的智能车辆对现役道路设施行驶适应性最高，主动安全系统次之，而驾驶辅助及有条件自动驾驶系统适应性不足。而目前研究主要问题包括：难以归纳、标定不同驾驶自动化等级间的人机功能差异及其对于道路设计参数的需求设计值；测试道路场景条件过于理想，考虑的驾驶自动化等级单一，试验规模和样本有限；道路几何、路面性能以及道路标志、标线等道路要素与智能车辆间的相互作用机制研究不足，缺乏与不同道路场景相匹配的智能车辆驾驶特征数据的获取手段。因此建议：重视并推动与道路设计要素相关联的关键人机功能差异指标信息共享；联合高保真且可交互的道路场景、高精度感知传感器物理模型、车辆动力学模型及微观交通流模型，利用测试场景自动化生成、极限工况场景搜寻与泛化等技术开展智能驾驶虚拟测试，突破现有研究的深度和广度；探索反映不同等级智能车辆的道路行驶适应性特征指标与评价标准，精准、有效地评估预测复杂道路场景及不利道路条件下的行驶适应性。     

驾驶员状态监测系统测试评价方法分析

随着智能驾驶汽车的高速发展，L2级别的高级辅助驾驶系统装车率也越来越高，L3级自动驾驶已逐步实现，而安全自动驾驶还尚未完全落地，当前正处于人机共驾阶段，尽管ADAS系统可以降低交通事故发生率，但疲劳驾驶、分心驾驶和危险驾驶等交通安全“隐形杀手”仍长期存在，给驾驶员和乘客带来生命安全，驾驶员状态监测系统能有效避免疲劳或者分心驾驶引发的交通事故，已经成为避免事故和改善道路驾驶安全的一项关键技术。本文介绍了驾驶员状态监测系统工作原理，分析了目前国内外驾驶员监测系统的测试评价方法，并总结了该系统的未来发展动向。