基于关键场景的领航驾驶辅助系统智能性测试评价方法研究

石 蕊,王霁宇,端 帅

[1.中国汽车技术研究中心有限公司,天津 300300; 2.中汽研汽车检验中心（天津）有限公司,天津 300300]

0 引言

当前，以万物互联等技术为代表的新一轮科技革新正迅猛发力，推动传统制造业向智能制造转型。而汽车产业作为国民经济的支柱产业，因规模大、带动效应强、国际化程度高、资金技术人才密集，或将是带动制造业转型升级与新一轮科技革新的重要产业。智能驾驶是我国抢占制造产业制高点、促进行业转型升级，由汽车大国迈向汽车强国的重要突破口。目前智能驾驶汽车正在由测试示范逐步迈入量产商用阶段的过程中，测试验证及评价需求呈量级式增长。为此，联合国在2018 年整合原ITS/AD 非正式工作组的相关业务，成立了新的自动驾驶汽车工作组GRVA，并在GRVA 下成立了自动驾驶汽车评估和管理非正式工作组VMAD。VMAD 明确提出，只基于特定场景和指标的现场测试评估方法无法满足自动驾驶系统在各种复杂场景下全天候测试和评估的要求。由此提出了目前国际社会最为接受的自动驾驶测试方法“多柱法”自动驾驶测试准则，即通过模拟测试、现场测试和实际道路测试进行测试[1]。

与此同时，随着自动驾驶技术的发展，以车道居中保持为代表的典型L2 驾驶自动化功能已经逐渐普及。而以特斯拉、小鹏、蔚来为代表的新兴汽车企业，所开发车型具备自动按导航行驶、变道、通过匝道、智能限速等功能，进而丰富了高级驾驶辅助系统的细分，通常把这种在特定道路上能够按导航路线辅助驾驶、能够自动变道超车、自动通过匝道换路线的功能系统称为“领航驾驶辅助”系统。同时，传统车企如长城、比亚迪等也把这类功能加入了产品发布的计划中。而这类产品在实际复杂交通运行环境的整车级测试评价技术未突破、测试成本高、周期长、覆盖度低、缺乏完善工具链，且现今的领航驾驶辅助系统测试更多侧重于验证车辆的安全及可靠性，有关性能优劣如何进行测试验证及评价的相关研究较少且标准化测试评价体系及详细测试方法也尚属空白。

因此，该文将针对测试评价方法缺乏的问题，聚焦领航驾驶辅助功能性测试评价方法研究，重点开展基于关键场景的领航驾驶辅助系统智能化评价方法研究，以自动变道及稳定跟车场景为示例，建立智能化测试评价方法，并通过实际道路测试数据完成验证。

1 智能性评价方法研究

自动驾驶&高级别辅助驾驶系统智能性评价方法研究有助于智能驾驶车辆的任务决策、复杂环境认知、演进交通场景理解等能力分级，助力汽车智能化设计水平提升[2]。同时，汽车智能化技术是减少交通事故、缓解交通拥堵、减轻环境污染的有效途径。因此，开展领航驾驶辅助等新兴智能驾驶产品的智能性评价方法研究十分必要。

对于智能驾驶车辆智能性的定义，多数学者认为智能性的基本性能应由传统车辆性能系统升级而拓展得到，对于传统人工驾驶车辆，安全、舒适、经济是衡量车辆性能的三个重要维度，其中，安全性包括了车辆的被动安全性能、制动性能和操纵稳定性等；舒适性则包含了车辆的平顺性、振动和噪声性能等；经济性主要指车辆的燃油经济性。对于智能驾驶汽车，由于驾驶任务的行为主体由人变成了人与系统，对车辆的考察由原来的驾驶员视角扩展到乘员视角（即系统开得好不好），因此安全性、舒适性与经济性被赋予了新的涵义以体现车辆的智能性。在安全性方面，智能性主要体现在如车辆避撞性能和危害减轻能力的主动安全性能上；在舒适性方面，由于自动驾驶汽车具有更出色的运动控制和车间协同能力，与自然驾驶行为差异较大，往往会引起乘员的不舒适感，因此智能性也体现在车辆驾驶行为与乘员期望的一致性以及不让乘员产生失控感的能力。此外，与传统车辆经济性对应，除了能耗效率，车辆在规定时间内高效率地完成既定驾驶任务的时间效率（如单车、多车通行效率）也是智能性的重要体现，因此可将能耗效率与时间效率统称为智能驾驶汽车的效能性[2]。

此外，随着智能驾驶技术的应用落地，自动驾驶技术的应用使汽车从单一的驾驶任务执行机构向集感知、决策、控制于一体的驾驶任务执行主体转变，智能驾驶汽车功能优劣、性能高低的评价将不仅仅取决于执行机构性能表现，更取决于感知、决策、控制等全过程综合性能表现，也是汽车智能性中进阶性能的重要体现。如部分学者提出的智能驾驶汽车智能性体现在尽可能少的人工接管、优秀的人机交互性与学习性以及与其他交通参与者良好的交互质量上[3]，所以智能性应是智能驾驶系统为了能够完成动态任务所具有的综合感知、认知、分析、交互、规划、决策和执行等能力。Meng Haolan 等[4]综合考虑智能性的各维度，提出了行驶自治性、社会合作性和学习进化性的自动驾驶智能性评价框架。智能驾驶汽车作为拥有上述高阶智能属性的执行主体，在其开发与准入进程中，需要进行充分的智能性测试与评价。因此该文将聚焦领航驾驶辅助系统这一L2+级别的细分，在智能性维度功能表现的测试与评价方法上，从关键场景表现着手确定智能度评价指标，构建起智能驾驶汽车综合评价体系中的智能性维度。

2 面向领航驾驶辅助功能性测试评价的关键场景选取

场景构建是智能驾驶汽车开展测试评价研究的基础，各国主机厂商、测试主体、研发机构都对场景库构建技术研究给予了相当的重视。研究范围涉及测试场景方法论、场景元素解析与耦合、场景重构技术、场景搭建技术、验证方法论等方面。因此在领航驾驶辅助性能评价研究中，关键测试场景的确定、提取、指标及其评价模型选定对于功能评价的一致性、准确性至关重要。

Winner[5]等在对大量智能驾驶测试数据进行了统计分析，发现在智能驾驶系统开启下的测试阶段，跟随道路曲率行驶、跟车行驶、换道行驶分别占所有智能驾驶工况的比率统计结果如图1 所示，可见跟车行驶与换道行驶作为最典型的行驶场景在日常行驶中的工况覆盖率，而对这两类场景进行测试与评价也将是检验智能驾驶汽车横纵向控制性能经济性、安全性、稳定性的有效途径，因此该文将重点研究智能驾驶系统在上述两种典型场景下的智能性表现。

图1 智能驾驶汽车行驶工况占比图

研究团队搭建的公共道路测试工具链如图2 所示，主要由惯导与GPS 定位组合模块、激光雷达、毫米波雷达和带识别的智能摄像头等真值传感器构成，以准确识别车辆周围的道路、车辆和行人等目标物，计算目标物之间的距离、速度和位置。基于此，团队通过开展在长里程公共道路测试进行数据积累，已完成五个搭载领航驾驶功能的量产车型（特斯拉Model3、小鹏P5、小鹏P7、蔚来ES6、阿维塔11）在高速路、快速路工况下的测试，有效测试里程达3 200 km。在测试全过程尽可能全程开启领航驾驶辅助系统，开启自主换道，非紧急情况下不对系统决策触发及执行阶段进行干涉，同时辅以典型变道、跟车行为主观评价，由经验丰富的主观评价工程师进行记录并评价，完成数据采集后，将测试数据上传至智能网联汽车公共道路测试云端平台。

图2 公共道路测试工具链架构

通过上述技术流程，应用云端平台的场景管理模块对上述测试数据在领航驾驶辅助开启下的自主变道及稳定跟车场景进行提取，通过数据清洗、过滤，共获得系统自动触发、全程执行的变道成功场景3 276 个，由于紧急情况系统降级、人工介入等导致的变道失败场景464个，各种道路曲率下稳定跟车场景6 782 个，这些场景将为该文的关键场景工况下的领航驾驶辅助系统智能性测试评价方法建立提供数据支撑。

3 关键场景工况下的领航驾驶辅助系统智能性测试评价方法建立

市场上纷繁复杂的智能驾驶产品由于定义的不一致性导致部分厂商在宣传上投机取巧，类似行为给智能驾驶技术发展和产品落地都带来了一定的负面作用，所以针对智能驾驶车辆智能化水平建立客观准确的评价方法论尤为重要，评价方法论必须能够准确、合理、客观、科学且尽可能全面地反映智能化性能。

目前智能驾驶系统的评价指标体系多从安全、高效、智能等维度进行分层级建立。智能驾驶车辆体现的智能性，体现在智能驾驶环境下车辆运行的安全性、舒适性与经济性等传统属性。因此智能性指标选取应尽可能从上述的安全、舒适、经济等维度全面体现由系统主导的换道、跟车行为能够自主控制，尽可能减少人工干预，不发生紧急危险情况，高效顺畅地完成。

3.1 换道场景下的系统智能性测试评价方法建立

合理的评价指标应构成一个完整的体系，全面地反映所评价对象，但并不是所有的因素都可量化为评价指标，指标选择应本着差异性大、覆盖广且评价指标体系必须进行筛选、优化，组成科学合理的评价指标集。综合考量此类系统在道路测试中的试验表现及现有的综合评价结果，选择接管频率、停顿次数、横向加速度分布率为智能性考量的备选指标。

在前期的多维度备选指标分别列举环节中，该文可能本着差异性大、覆盖广的原则完成列举任务，而上述的环节仅完成根据测试数据表现及文献研究拟定的备选指标，上述指标是否架构成作为正式评价指标体系，成为研究成果实际应用，尚缺乏足够的理论支撑，因此该文将用敏感度分析法确认正式评价指标[6]，敏感度靠前的指标将被选为课题输出评价指标体系的正式关键指标，最终确立换道场景下系统智能性指标体系如图3 所示。而对于指标层级参数的具体权重，需以科学的评价方法理论进行确认。

图3 换道场景系统智能性指标体系

该文考量各评价方法优缺点及适用性，决定以模糊综合评价法确认准则层的权重占比，并以AHP-熵值组合赋权法修正准则层权重，并确认指标层权重，以模糊综合评价方法及AHP-熵值组合赋权法结合的评价方式建立基于公共道路测试的自动变道—时机选择阶段评价指标体系，确定指标层级权重方法如下：

因素集是以影响评价对象的各种因素为元素所组成的一个普通集合，通常用U表示。

导致目前少许企业的抵扣链条断层的缘由主要包括两方面：首先是现行政策不允许抵扣某些支出，或者没有这方面的抵扣政策；其次是实际操作阶段，抵扣有政策，但是又出现不可抗的因素导致不能及时有效地抵扣税额。

即为影响评价对象的第i个因素。这些因素具有不同程度的模糊性。该文中u1、u2、u3分别为安全性、效能性、智能性。

3.1.1 建立综合评价集

评价集是评价者对评价对象可能做出的各种结果所组成的集合，通常用V表示。

可用不同的等级、评语或数字来表示。该文中对准则层的评价集元素包括重要、一般重要、中等、比较不重要、很不重要，分别对应着评价中的v1、v2、v3、v4、v5。

3.1.2 确定各因素权重

评价工作中，各因素的重要程度有所不同，为此，需给各因素ui赋一个初始权重，各因素的权重集合的模糊集合，用A表示。

在该课题中，确定初始权重集为：

3.1.3 进行单因素模糊评价，获得评价矩阵

这样U中元素分别形成行矩阵R1、R2、R3、R4，按顺序构成矩阵R4*3，即为模糊评价矩阵。

3.1.4 建立综合评价模型

确定单因素评判矩阵R和因素权向量A之后，通过模糊变化将U上的模糊向量A变为V上的模糊向量B，向量B即为U中各元素所附权重，经计算：

3.1.5 应用AHP-熵值组合赋权法进一步确定评价体系权重分配

经模糊综合评价法，已获得准则层权重，下面将对其进行修正，并完成对指标层的权重计算。AHP-熵值组合赋权法采用主观赋权法（AHP）和客观赋权法（熵权法）相结合的组合赋权方法，能够弥补单一赋权带来的不足。将两种赋权方法相结合的加权方法称为组合赋权法。主客观组合权重是：

式中，αj——层次分析法计算所得的权重；βj——熵值法计算所得权重。

最终得出智能性指标层所获得的权重：

3.2 稳定跟车场景下的系统智能性测试评价方法建立

如3.1 所述的研究进程，首先拟定备选的指标层指标，包括接管频率、最大纵向减速度、TTC 均值，后经AHP-熵值组合赋权法计算，对应权重分别为0.42、0.35、0.23。

3.3 基于关键场景的系统智能化公共道路测试评价实施技术路线

基于上述研究，已完成了基于关键场景的系统智能化公共道路测试评价指标体系建立，也充分分析了借助公共道路测试手段测试领航驾驶功能智能性表现的优越性，该节旨在通过实施流程介绍，指导厂商及测试机构执行对该功能进行实际道路测试与评价一体化流程，最终输出评价得分，实施流程如图4 所示。

图4 基于关键场景的系统智能化公共道路测试实施流程

4 总结与展望

该文就面向典型场景的领航驾驶辅助系统功能性测试评价方法展开研究，提出以跟车、换道场景为关键场景的智能性测评理论，建立智能性评价指标体系并确定权重，辅以真实测试数据验证，为领航驾驶功能整车级测试评价方法体系提供支撑。后续将持续对该方向进行研究，挖掘基于典型场景的实际道路测试有效里程，确定并建立场景随机筛选机制，助力领航驾驶辅助技术不断迭代优化。