11月1日，2018智电汽车投资者大会在武进高新区举行，来自全国各地的汽车领域专家、行业精英齐聚一堂，围绕“破旧局、立新路”的主题展开讨论，探寻汽车产业转型之路，挖掘投资价值与合作机会。
以下是中汽研（常州）工业工程研究院有限公司副总工程师高博麟发言全文：
高博麟：非常荣幸能够站在这里跟大家做这个报告，我的报告题目是未来智能驾驶汽车测试方法的初探。这个题目里面包含了三个问题，第一个，对于智能驾驶汽车，现在的测试方法是什么？第二个，未来这种测试方法有没有改变或者演变成什么样子？第三个，我们在这件事情上目前做了哪些探索？
到目前为止，智能驾驶汽车从手段上四种测试方法，我们可以叫做虚拟仿真的测试方法，台架的测试方法，场地的测试方法和公共公开道路的测试方法，虚拟仿真是汽车企业开发过程中CAE仿真分析的过程，把自动驾驶或者智能驾驶的功能在电脑上模拟出来，台架包含了传感器在环的台架以及驾驶员在环的台架，场地测试，这个测试指的是我们会在一片封闭的场地里面，这里面是没有任何其他的外部参与者，只有我们自己，在这个场地里面我们用人造的自己模拟出来的交通参与者，包括假人、假车、假的自行车来测试这辆汽车的功能，开放道路测试，把带有智能驾驶功能的汽车直接开到公开道路上去做。在这里需要说一下，智能驾驶这个车是非常宏观的概念，LAE L1级到L5级所有概念的范畴，基本上只要具有智能化的驾驶功能，我们都可以叫它智能驾驶。
这四类测试从真实性上讲，显然在开放道路上是最真实的，人也是真实的，本车也是真实的，环境也是真实的，从测试用力的数量来说，公开道路测试数量是最多的，接下来是纯仿真的测试，能够实施很多案例，由于有一部分东西变成真的了，另一部分还是虚拟的，这个条件受到了很大的约束，台架测试的数量就会再少一点。除了车是真的，其他所有环境都是我们人造的或者都是用我们假的目标来参与的，导致场地测试的数量其实最少了。
真实性上讲，公开道路测试最真实，数量上测试案例上也是最多的，但是它是不是最好的？显然不是，如果是的话，我们早就现在铺天盖地的让自动驾驶的汽车公开道路上做了。大概至少有三个问题，公开道路测试首先费时费力，上万公里的测试基本上一个车跑一个多月，在这一个多月里面真正有效的测试工况可能从时间上讲，不超过它的千分之一，所以费时费力，其次是安全风险，对于一个开发尚未完整或者说尚未可靠的智能驾驶功能的汽车来说，把它开上道路直接去做测试，对自己不安全、对别人也是不安全的，它的危险性比较高。再往下是验证困难，因为周围都是真正的交通参与者，你不可能对其他的参与者进行非常危险或者非常极端的工况测试，这个在公开道路上是不允许的，公开道路测试不是我们最主要的测试手段，但它非常必要。我们为了这一点能做什么？我们可以把开放道路上的数据信息化采集下来，其次，我们把我们在公开道路过程中一些典型的场景、危险的场景提取和挖掘出来，我们把挖掘出来的场景在虚拟的手段下复线出来，建立的多了分门别类起来，我们就可以构建出驾驶场景库。这个东西至少三个好处，安全、便捷，其次是重复迭代，因为在虚拟环境下无限重复，另外一个是加速验证，原来跑一个多月的实验，现在有了场景库，一上午、一两个小时跑完了，它的加速验证比较好，这个过程叫做浓缩的机制，智能驾驶场景库的浓缩机制。
刚才提到了场景，我们拿这幅图举例子，这是一个典型的黑车在跟着前面的灰色车奔驰，地点是高速公路上，光照是白天，又下着雨，交通状态假设较为繁忙，这是一次典型的车对车的跟车实验，刚才这些描述叫做对场景的描述，场景是什么？场景是包含了本车环境中的其他车，我们所在的道路设施、天气、光照所有综合因素的一个过程，这个就是一个场景。这里面光照、天气、道路，这几个我们认为它是静态场景，基本上不变的，如果光照和天气长时间变，但是在我们关注的那一个案例里面几乎是不变的，所以我们叫它静态或者主静态场景。交通还有前面的目标车，其他的目标物，本车这些都是动态场景，这部分我们叫它静态场景。静态要素和动态要素叠加在一起才是一个完整的驾驶场景的全部含义，任何一个驾驶场景都是一定包含这些元素的。
我们说场景是一个非常重要的东西，为什么？首先智能场景是智能驾驶汽车研发的起点和终点，我说我是L4、L3级，你拿什么来说，一定是有一个层次的驾驶场景库，你通过了，你就是这个档次，在研发的起点由他提出来的要求，最后研发出来到底证明是否自己达到了这个标准，也是拿它来做测试的。其次，应该说这个场景是整个研发过程中都是贯穿的，不论是在设计环节、仿真分析环节、CAE环节，样车出来以后测试环节还是量产车测试环节，整个都是贯穿汽车研发周期的，它是我们汽车自动驾驶场景功能的习题库也是最后的试题库，更是加速我们测试的有效途径。如果要证明一个车的安全性，智能驾驶汽车足够安全，对它的等效测试距离好像41英里，要么就是81英里。
说到场景，大概有四大类，第一大类是标准的法规场景，法规标准场景通常来源于对日常交通事故的统计获得的，也就是说最典型的交通事故，最危险的交通事故，对人民财产损失最大的交通事故通常是法规里面优先考虑的场景。交通事故场景其实是对整个驾驶过程中的场景中最危险的场景，这些危险的场景不可避免的时候，就会形成事故，所以说交通事故场景其实是对驾驶过程中危险场景里面的一种最典型性的工作，标准的场景小于交通事故场景，交通事故场景小于日常道路的场景，道路场景是来源于自然人的驾驶，把这个过程中的监控记录下来，采集下来形成一些典型的信息组合，这就是道路场景。
还有一类是功能交互场景，刚才提了前三类场景都是单一功能场景测试，当一辆车有很多种驾驶辅助功能的时候，这些功能之间的切换模式、交互模式成为我们考察的依据。还有一类是虚拟重构，我们采集的数量永远是有限的，怎么样把有限的工作给它放大，变出更多各种各样的场景，我们需要通过这种虚拟重构的方法，提取关键要素，通过这种组合的方式数量无限放大。
通常在道路采集过程中，可能会用到什么呢？我们首先一定会用到激光传感器，今天速腾聚创的同事也在，激光传感器在道路采集过程中必不可少，其次是毫米波雷达，前方带有目标识别功能的摄像头和行车记录仪，整车看上去的信息都是必不可少的信息。
我们通常是找一些典型的城市，在华东地区，我们常州院地处常州，武进给了很好的测试条件，常州地区、南京地区，在华北天津还有一个总部，我们在天津以及天津核心市区对我们进行地毯性道路数据的采集和记录。记录下来的数据有这样几个问题，多源异构、TB-PB级数据量，把这些工况从999种提取出来，也是一个难度，以及工况随机性很强。
按功能来提取，像我们对于前碰预警专门提出一个工况，对于偏离预警也可以提取一个工况。这样一个场景库在初期的时候，是按照ADAS单一功能把它提取出来，做针对性的测试，当提取的场景多了以后，自动驾驶功能其实是很多种驾驶辅助功能同时的作用和叠加，我们就能推起做L3级、L4级、L5级的测试工况，这样自动驾驶测试体系就会逐渐丰满起来。
我举几个简单的例子，这是开车过程中遇到非常典型的，在同向跟车的过程中，旁边有一个车辆插队或者说加塞，左边这幅图是行车记录仪记录下来的工况，右边这幅图是仿真事故处理的情况。这上面所有车，尤其面前这两辆车，都是非常真实的。第二类和对向车辆的冲突型，当道路非常狭窄，同时又有车辆占道的时候，跟对向车辆的冲突是非常普遍的，它存在后方车辆会被遮蔽，在这个过程中，如何处理好跟左前方这辆车的速度关系是我们FCW特别重要的一个点。第三类是工况记录下来的非常多，而我们去典型的北美出了37种类型里面去找很难找到，后来国外有位朋友说，这种工况是很难出现的，这是一个非常典型的路权问题，在我们国家路权问题，在我们的意识里面没有那么强，这种工况没有那么多。当你有一些工况在国外找不着，只有国内能找着的时候，这个就是这个问题。还有一种非常典型的叫做非机动车道的穿越，大家看这种横向的穿越都是非垂直的，我们很少遇到骑自行车的人士横向垂直穿越的，基本上都是斜向穿越的，多少角度，这里面其实是有讲究的，我在后面说，还有一类就比较复杂了，两种非机动车在入口的穿越，我前面这两个目标车都不走，它是三个曲线之间的冲突类型。
这里面有一些难点，第一个难点相当于刚才那辆白色的依维柯，目标大小非常重要，它的大和小直接影响了这次避撞是否发生。对于刚才说的横穿，我说它走斜线，它也并不是直线，它是斜着拐弯的一个线，大家看一下这个情况，所以如何在我们做场景库的过程中把这些要素很逼真的复现出来也是非常重要的技术，这个做不好，你做多的场景库也没必要，因为它不真实。
我们作为人类驾驶员我们可以考虑的危险工况有很多，我们做智能驾驶汽车，因为是人类编程人员一定是按照自己的思维去编智能驾驶汽车的驾驶，我们能处理这么多工况，是不是我们编程出来的智能驾驶汽车也能出现这么多动工况，这是不一定的，因为感知手段和人类不一样，如果一辆车做到终极状态是一个摄像头就够了。另外一个问题，测试场景其实是无限的，大家说是81公里，能保证81公里之后不出问题吗？如何在有限的时间、有限的人力资源、有限的成本资源情况下，尽可能做到无限的测试，这才是我们做这种测试场景库的最大意义所在。
