自動駕駛在落地之前必須要經過測試和驗證其技術的安全性，那么自動駕駛技術該如何測試和驗證呢？本文就帶大家探討一下當前自動駕駛測試技術都有哪些？

此前，國外有機構通過研究提出，如果要證明自動駕駛能夠比人類駕駛員更可靠，那么至少需要在真實或者模擬環境中行駛 110 億英里。

但這種方法很難完成，因為行駛 110 億英里需要花費的人力物力財力非常之大，并且完成這個測試耗時也足夠長，就連路測里程數最多的Waymo利用了9年的時間才完成了真實路測里程1000萬英里、模擬環境行駛里程50億英里的測試。

并且，如此眾多的企業要制造推出自動駕駛車，在企業的自我測試之外，政府還需要有一套標準的測試方式對其驗證，如果這個標準測試方法也按照這個方式來進行，自動駕駛的到來就是遙遙無期。那么究竟該如何進行測試呢？本文給出了幾個測試方法。

自動駕駛測試技術發展情況

1997 年 8 月到 2004 年 1 月，美國加州大學伯克利分校 PATH分別對乘用轎車、公共汽車、商用卡車和特種車輛進行了11 次自動化公路行駛的演示試驗。演示試驗采用磁道釘裝置、車間通信、雷達、GPS 導航等技術，實現車輛編隊行駛，車隊拆分和車道變換等一系列功能測試，并結合安全交通和實際交通目標評價車隊控制系統對橫向車道位置與縱向車輛間距的穩定性。

日本 AIST主導的 SmartCruise 21 Demo 2000主要對執行車輛協作策略的車車通信的實時性、速率、丟包率等進行測試與評價。

2009 年由歐盟贊助、英國 Ricardo 主導的 SARTRE 演示試驗，綜合了以上兩次試驗的測試方法，對車道保持、車隊跟隨和車車通信等多項技術分別作出了評價，并根據測評結果結合發展需求制訂了下一步的研究計劃。

2011 年 5 月由荷蘭應用科學研究院(TNO)和荷蘭高科技汽車系統創新計劃(HTAS)組織的第一屆 GCDC 比賽在荷蘭的埃因霍溫和赫爾蒙德之間的 A270 公路試驗場舉行。比賽利用車隊長度、通過紅綠燈次數、車隊穩定性等指標來評價智能駕駛車輛縱向控制和協作的性能。比賽的目的是智能駕駛車輛在自主行駛的基礎上加快實現無線通信的互操作性，提高合作駕駛并著眼于實時應用，以改善交通流量減少交通擁堵。在有限的道路資源下合理地、最大化地增加交通流量。

隨著立體相機、3D 激光雷達、高精度動態定位、高性能計算等新設備的應用，無人駕駛車輛測試評價方法已經愈來愈成熟。

谷歌無人駕駛車輛在已結束的加州山景城道路測試中，確定了涵蓋典型場景、系統性能邊界和約束條件的統一測試評價方法。

奧迪、奔馳、大眾、德爾福、博世等傳統車企和供應商，盡管已獲得無人駕駛的路試許可證，但是仍然采用汽車安全輔助駕駛系統（ADAS）關于可控性、有效性及可接受程度的測試評估方法。

特斯拉電動車公司雖然不像谷歌采用的“一步到位”策略，但其借助 OTA 升級手段，利用用戶數據返回和體驗效果來穩步提升自動駕駛的成熟度和可接受程度。

我國智能駕駛測試評估方法需要在考慮中國道路設施、路面車輛類型、行人、信號措施、汽車社會化發展階段等復雜性和特點的基礎上，按照無人駕駛車輛智能等級劃分結果，依托現有成熟ADAS 測試評估方法，制定環境認知、路徑規劃、行為決策與控制等方面綜合功能的測試評價方法。

密歇根大學Mcity 的自動駕駛快速測試方法論

密歇根大學機械工程學院研究出了一套加快評測進程的方式。這套方式重點針對可能發生危險的狀況，以及在這種情況下自動駕駛輛的應對措施，進而對自動駕駛的可靠性進行評估。相較于傳統的方式來說，能夠加快速度并且減少資金花費。

測試自動駕駛汽車，需要考慮到的問題是：

1.自動駕駛車個體的不同，即在應對危險或者意外時，會采取不同的測錄；

2.要盡可能在所有場景中，考慮不同的道路與駕駛環境、天氣；

3.在自動駕駛車的早期，將會是自動駕駛與人類駕駛員混行的狀態，因而自動駕駛車與人類駕駛的車輛之間的交互也是必須考慮的。

密歇根大學提出的加快評測進程的核心思想是，將真實駕駛環境分解成不同的場景，這些被分解的場景易于進行模擬和重復測試，在每一個特定的場景，按照他們的方法進行加速測試。為了研究加速測試的方式，研究員對駕駛數據進行了六步分析：

1. 大量收集實際行駛過程中的數據。

2. 對數據進行過濾，保留下包含自動駕駛車與人類駕駛的車輛進行有價值的交互的數據。

3. 對人類駕駛行為進行建模，以此作為對自動駕駛車產生主要威脅，并且是概率分布的隨機變量。

4. 減少日常駕駛中的沒有發生事故的數據，然后用發生了危險事故的數據進行取代。

5. 在加速場景下使用蒙特卡羅的算法，從而能夠在人類駕駛員與自動駕駛車之間產生高頻率高密度的相互。

6. 使用統計分析的方式，根據測試的結果去反推，在實際情況中，自動駕駛車的表現情況。

在經過六步分析方法后，提供四種方法作為加速測試進程的基礎：

1. 基于道路上發生一件與安全相關的關鍵事件的頻率，刨除了安全駕駛的狀態。

2. 使用重要抽樣的方式來從統計上增加關鍵事件的發生次數，保證這些增加的事件依然能夠正確反映真實環境中的駕駛條件。

3. 建立一個公式能夠正確地提取出關鍵事件的數據，針對這些數據進行測試并用來進一步降低測試所需要的次數。

4. 在經過優化的隨機事件中，對最復雜場景下的關鍵事件里人類駕駛員與自動駕駛車之間的交互數據進行分析。

目前針對兩個場景進行測試：跟車、超車。

在這兩個狀況中，被測試車輛都是處于后面的車，需要應對前方車輛的不同行為，而前車輛默認是人類駕駛的。這兩個場景選取于常見的發生事故的場景，在超車場景中，是由人類駕駛的車輛切入自動駕駛車前方，并且在自動駕駛車后方還有一輛人類駕駛的車。

在不同的場景中，會考慮發生事故的可能、事故帶來的傷害以及交通沖突率，考慮時會設定自動駕駛中有 1 名或多名乘客，他們受到中等程度以上傷害的結果。

評估結果的準確性由行為決定，并會將估的結果與真實模擬的情況進行對比，來進行驗證。如果將以上四種方式在一個整體測試進程中結合使用，那么這套評估程序能夠將測試時間減少 300-10 萬倍。

如果一輛自動駕駛車按照這種方式在最嚴苛與最具挑戰性的駕駛狀態中行駛 1000 英里，那么可以相當于在真實環境中行駛了 30 萬~1 千萬英里。

未來，還會增加更多的測試場景：包括左轉、十字路口以及對向來車的情況。另外，還需要能夠僅僅只有車輛的碰撞，以及包含行人與騎行者的情況。

研究人員們還需要更多的關鍵場景來對自動駕駛車可能出現的失效情況進行分析，比如像雨雪與大霧天氣對傳感器帶來的挑戰；閃爍的燈光以及來自其他駕駛員的手勢；不符合交通規則的行為，闖紅燈的車輛或者不按規則過馬路的行人；重型車的駕駛行為，因為相比較乘用車重型車反應要慢等等。

深度神經網絡（DNN）驅動的駕駛系統測試技術

深度神經網絡（DNN）近來的進展推動了 DNN 驅動的自動汽車的發展，這些汽車使用了相機、激光雷達等傳感器，無需人類干預也能自己駕駛。

但是，盡管 DNN 成績斐然，但就像傳統軟件一樣，往往會表現出不正確的或非預期的極端案例行為，這些行為可能會導致潛在的致命撞車。

現在已經出現了一些涉及到自動駕駛汽車的車禍包括一起出現了死亡的事故。對 DNN 驅動的汽車的大多數已有的測試技術都嚴重依賴于人工收集的不同駕駛條件下的測試數據，隨著測試條件的增多，這種收集方法的成本也會變得非常高。

來自弗吉尼亞大學和哥倫比亞大學的幾位研究者提出了一種自動測試深度神經網絡自動駕駛汽車的方法DeepTest，可以對自動駕駛系統進行更加全面的測試評估。

DeepTest 是一個系統性的測試工具，可用于自動檢測DNN 驅動的汽車可能導致致命碰撞的錯誤行為。

首先，該工具經過設計可以自動生成測試案例，這種生成利用了駕駛環境的真實變化，比如雨、霧、光照條件等。

其次，通過生成能最大化激活神經元數量的測試輸入，DeepTest 系統性地對 DNN 邏輯的不同部分進行了探索。

在 Udacity 自動駕駛汽車挑戰賽中三個表現最好的DNN 上，DeepTest 發現了不同現實駕駛條件（比如模糊、雨、霧等）下的數千種錯誤行為，其中很多都可能導致致命碰撞。

自動駕駛編隊測試技術

美國聯邦公路管理局(FHWA)下屬特納費爾班克公路研究中心(Turner-Fairbank Highway Research Center，TFHRC)、美國交通部下屬沃爾佩國家交通系統中心 (Volpe National Transportation Systems Center)和美國陸軍阿伯丁測試中心(U.S.ArmyAberdeen Test Center)位于馬里蘭州的美國陸軍阿伯丁試驗場(Aberdeen Proving Ground)開展了一項研究名為“測試和評估基于協同自適應巡航控制的汽車編隊行駛概念驗證雛形”（Test and Evaluation of Vehicle Platooning Proof[1]of-ConceptBased on Cooperative Adaptive Cruise Control）。

5輛具有自動化縱向控制功能的凱迪拉克汽車組成了研究人員所稱的編隊概念驗證雛形。為使 5 輛凱迪拉克汽車形成編隊，上述機構的研究人員為試驗車輛配備了特殊的車載計算機，并將計算機與車對車(V2V)通信設備相連接。

車載計算機與車對車(V2V)通信設備相連

該通信設備利用專用短途通信技術(Dedicated Short-Range Communication，DSRC)，使車輛能彼此之間接收和傳輸數據。

利用V2V 技術，車輛能夠快速地彼此溝通和分享信息，比如是否需要加速或減速以保持理想的行車間距。通過在車輛之間建立連接，我們能夠對車輛交通實施集體管理，而不再是管理單獨車輛。這項研究的獨特之處在于主要側重于自動駕駛系統協同配合方面，如果車輛能與基礎設施以及彼此之間進行通信，就能利用這項功能來更高效地協調道路交通，從而節約大量的燃油和交通時間。

跟隨車輛緊跟前方車輛，并接收編隊中其他車輛的信息，這就是它們彼此之間的溝通方式——計算機能夠計算車輛的當前及預計行駛軌跡，從而在行駛過程中保持相對位置。車載計算機不僅要控制剎車和加速，還要接收前方車輛的雷達數據，這些數據將用于幫助自適應巡航控制系統實現自適應巡航控制功能。

測試車輛能夠掌握前方輛的位置和車速，并根據這些信息來控制剎車和油門，從而控制跟隨車輛的位置。對協同性自適應巡航控制技術（CACC）進行算法校準將是后續研究重要的工作之一。

研究人員收集測試過程中的數據，監控車輛間的間距，確定跟隨車輛難以及時進行加速或減速的過小間距，從而確保與領頭車輛保持適當間距。研究處于大量測試、反思、更新代碼，再次測試、反思、更新代碼的循環流程。

團隊不僅從技術可行性的角度展開研究，也在與汽車廠商進行合作、共享研發成果，他們希望能與汽車產業共同打造自動駕駛編隊的雛形，使之具備在公路上變道和并道等功能。

ADAS 測試技術

2017 年 8 月，天津汽車檢測中心在ADAS 測試場地進行了 AEB公開測試試驗，來自國內多家整車與零部件企業、高校及科研機構的300 余名技術專家蒞臨現場。測試過程包含技術說明會、AEB 現場試驗、實車技術討論等多個環節。