一文读懂自动驾驶测试全过程

汽车电子设计 2022-03-24 16:45

【TI资料】专为高压系统设计的新型MCU 【免注册下载】创新MCU提升高压系统的实时性能

随着深度学习和计算机视觉技术的兴起，自动驾驶为提升交通安全与效率提供了新的解决方案。未来的自动驾驶汽车拥有全面的驾驶感知系统，可以识别道路交通标志、汽车、行人、路况等外部人和物，智能的决策系统对感知的信息快速处理和分析，执行系统精确的执行加速、制动、停车、转向等命令。

自动驾驶汽车测试是自动驾驶研发中的重要环节，也是自动驾驶技术发展的重要支撑，随着智能网联汽车高等级的自动化和网联化系统不断产业化落地，对测试的依赖越来越深入，尤其是面对即将量产落地的L3级以上自动驾驶产品，对现有的测试技术、标准和法规，都提出了新的挑战，需要新的技术突破。自动驾驶汽车本身结合了车辆技术，人工智能，模式识别，5G通讯，传感器融合等多领域，跨学科知识。跟传统的汽车测试有很大不相同，为了应对千变万化的交通场景，需要海量的数据对自动驾驶算法进行训练，通过不断的迭代，才能覆盖尽可能多的场景。并且测试会贯穿车辆的生命周期，即使车辆已经卖出，并上路行驶，也会定期远程升级，以便覆盖新的场景。

识别二维码申请报名

免费体验NI汽车创新实验室

自动驾驶汽车测试类型及测试内容是什么？

自动驾驶汽车的测试伴随着车辆开发的全流程，包括对标测试、软件在环（SIL，即software-in-loop）、硬件在环（HIL，即hardware-in-loop）、车辆在环（VIL，即vehicle-in-loop），系统标定、再到最后的整车场地、道路测试等方法，涵盖了从零部件到系统再到整车的全链条验证。

数据采集在自动驾驶开发中扮演什么样的角色？

众所周知，自动驾驶的发展和人工智能技术进步密不可分，数据、算力和算法作为人工智能的三要素显著影响着自动驾驶技术的娴熟程度，而在这三要素中，数据有着举足轻重的作用。

自动驾驶时代，训练数据集非常重要，但是成本也比较高。训练数据集的构建分车端、本地端和云端三个环节。训练数据集海量数据的存储和处理是一个非常大的挑战，数据集的“清洗”提纯也是一个挑战。

AI只有经过大量的训练，神经网络才能总结出规律，应用到新的样本上。如果现实中出现了训练集中从未有过的场景，则网络会基本处于瞎猜状态，从而出现错误，因此可靠并且高质量的数据采集在自动驾驶开发过程中承担的作用就显得尤为重要，不可或缺。

为了保证数据采集的准确性，智能驾驶的数据采集车辆搭载了摄像头、雷达等大量不同的传感器。这些传感器从整车布置的安装结构设计、FOV校核，再到实车的装配标定，都需要保证位置准确和稳定，从而支持不同位置传感器数据可以顺利拼接。

实车采集过程中，需要尽可能覆盖各种用户场景。一般来说，道路状态、交通信号和标识、各类车辆和行人目标、天气环境等，都是影响智能驾驶的关键因素，路试采集场景需要涵盖城市、乡村、高速、隧道以及白天和夜晚等，以确保尽可能覆盖用户各种实际场景。

采集过程中，全面的了解测试进展以及测试车辆状态，保证测试数据的有效性，也是测试管理面临的重要挑战。因此需要用到车队管理系统，基于此系统可以实现：1、实时定位监控，车辆位置实时展示，包括车辆实时运动状态、实时车速等；2、实时报警事件消息推送，并在地图上动态展示报警的位置；3、车辆数据统计，包括里程统计、告警统计、状态统计等；4、驾驶员数据统计，具体包含驾驶员行车时间里程统计、告警统计、DMS监控数据统计等；5、驾驶员DMS监测和报警，对于报警消息实时提醒。

通过数据采集系统，可将自动驾驶车辆各类传感器类型的数据进行采集处理，包括常见的CAN、CANFD、 ETH车载以太网数据等。用户可以通过数据中心访问数据，进行后续数据分析、数据标注、数据回注等，从而形成完整的数据闭环。

自动驾驶汽车到底需要哪些类型的传感器？

自动驾驶汽车是集感知、决策和控制等功能于一体的自主交通工具，其中，感知系统代替人类驾驶人的视、听、触等功能，融合摄像机、雷达等传感器采集的海量交通环境数据，精确识别各类交通元素，为自动驾驶汽车决策系统提供支撑。

1、摄像头

摄像头按视频采集方式分为：数字摄像头和模拟摄像头两大类。

车载上一般使用的是数字摄像头，它可以将视频采集设备产生的模拟视频信号转换成数字信号，进而将其储存在计算机里。

模拟摄像头只能将捕捉到的视频信号，经过特定的视频捕捉卡将模拟信号转换成数字模式，并加以压缩后才可以转换到计算机上运用。

举个例子来，我们使用的固定电话就属于模拟信号，它在通话过程中容易产生噪音（电流声或听不清）的情况。而我们的手机为了保持很好的通话质量，就将电话的模拟信号进行了数字化，手机之间的通话质量就非常清晰，同样原理使用数字摄像头能有效减少图像中的噪点和提升成像效果。

一句话概括：模拟视频信号是在一定的时间范围内可以有无限多个不同的取值。而数字视频信号是在模拟信号的基础上经过采样、量化和编码而形成的。模拟信号容易产生信号噪音和干扰，已逐步被数字信号取代。

图片来源：博世官网

2、雷达

雷达能够主动探测周边环境，比视觉传感器受外界环境影响更小，是自动驾驶汽车的重要传感器之一。雷达通过向目标发射电磁波并接收回波，从而获取目标距离、方位、距离变化率等数据。根据电磁波波段，雷达可细分为激光雷达、毫米波雷达和超声波雷达等3类。

自动驾驶数据标注工作内容有哪些？

数据标注指的是，通过人工或者一定的工具，将少量帧用手工标注，且是精细标注。大部分做机器标注，即简化标注。来给数据集添加真值信息，相当于为机器学习系统提供”标准答案”。

人工标注人员对于语义信息更加擅长，但是计算机对于几何，重建，三角化，跟踪更加擅长；同时，随着数据规模的增长，不可能无限地扩大标注团队的规模。所以，更加精确的数据标注需要标注人员和计算机协作进行。

自动驾驶场景库与虚拟仿真测试

场景是自动驾驶测试系统中相当重要的一环，测试场景的多样性、覆盖性、典型性等能够影响到测试结果的准确性，从而保证自动驾驶的安全与质量。

场景，指的是行驶场合和驾驶情景的组合，它受行驶环境的深刻影响，如道路、交通、天气、光照等因素，共同构成整个场景概念。场景是在一定时间和空间范围内环境与驾驶行为的综合反映，描述了道路、交通设施、气象条件、交通参与物等外部状态以及自车的驾驶任务和状态等信息。从场景架构来看，有不同的行驶场合，像高速公路、乡村道路、城市工况、机场、码头、封闭园区等；在该场合下，如何驾驶、驾驶任务、驾驶速度、驾驶模式等一起构成了整个场景的三维架构。

自动驾驶仿真是借助计算机虚拟技术对实际交通系统进行某种层次的抽象。通过把大量自动驾驶开发和测试的成本转化为GPU的物料成本和工程师的知识经验成本，进而大大缓解该痛点。

仿真测试执行包含两个方面的工作：（1）对测试场景库的维护和针对不同算法或功能合适的测试场景进行运行测试；（2）在测试完成后，整理并提供清晰的测试报告，并提供测试结果的统计数据，为算法团队的改进提供有效支撑。

▲ 某自动驾驶仿真软件的运行可视化界面

在仿真测试里，根据自动驾驶测试的关键要素，需要建如下的模型，包含最传统的车辆动力学模型、驾驶人模型、静态环境模型、动态交通模型、环境感知传感器模型。建模要关注两方面，一个是计算效率、一个是计算精度，两个是彼此制衡。

除了纯虚拟环境的测试之外，还有多物理系统在环的仿真测试，就是说要能够进行化学感知系统、决策规划系统、控制执行系统的在环测试。

基于场景的虚拟仿真测试，是未来自动驾驶汽车测试的一个发展趋势，也是必由的途径。

自动驾驶场景分类都有哪些？

A-事故场景

事故可以看做是交通安全的一个浓缩机，能够体现出实际交通环境的高危场景，事故场景研究目前以深度事故研究数据为主，如GIDAS， CIDAS等

B-开放道路场景

开放道路场景来源于人们的日常驾驶数据以及实车道路测试数据，道路场景能够很好地体现随机性、复杂性以及区域特征，可用于分析真实的交通环境和驾驶行为特征

C-法规标准场景

国内外法律法规涉及的场景，如GB/ISO/ECE/NHTSA/SAE/Euro-NCAP等机构组织的测试标准，法规标准场景是自动驾驶功能在研发和定义阶段需要满足的最基本要求

Ｄ-功能交互场景：

AD AS系统或自动驾驶系统是由横向、纵向-预警或控制等多个子功能构成的，各个功能之间经常存在功能交互区域，如ACC和AEB系统都对车辆的纵向运动进行控制，两功能在交互场景区域作用时是否存在问题需要进行验证；功能交互场景能够测试智能系统功能逻辑交互上的重叠区与间隔区，发现功能交互漏洞与逻辑混乱等问题

E-虚拟重构场景

真实驾驶过程中场景数目是无限的，使用参数随机生成算法可以重组场景：虚拟重构场景，能够补充大量来知工况的测试场景，打破数据采集的局限性。