什麼是自動駕駛「正向開發」？量產標準是什麼？「GGAI視角」

自動駕駛系統通過什麼樣的測試才能符合量產的標準？

大多數行業專家估計，自動駕駛量產前最多的需要數十億英里的測試。豐田表示，自動駕駛測試達到量產的標準，大約需要88億英里（142億公里）。部分歐洲主機廠和系統供應商認為大概需要1億小時的測試，而寶馬正式宣布的是自動駕駛需要至少2.3億公里測試。

自主品牌吉利表示，自動駕駛開發需要完成10億公里的測試，甚至定義其中的90%在虛擬環境當中測試，10%在實際道路上測試。

格物汽車CEO杜光輝認為，按照平均10億公里測試的預估，即使10%的里程在實際道路上測試的話代價也很大，所以有效的模擬測試將是自動駕駛開發中最重要的環節之一。

為了更好的服務於中國市場上的自動駕駛系統開發，近日格物汽車同國家汽車檢測機構-重慶車檢院簽訂了自動駕駛測試的合作協議，雙方從場景、測試標準及評估體系等方面進行深度戰略合作，該合作將為自動駕駛在中國的開發和落地提供更便捷和有效的服務和支持。

格物基於自身的優勢立足於測試驗證和系統釋放領域，將很快向主機廠及系統供應商等客戶提供能夠實現有效模擬測試的場景及模擬環境車輛，該模擬環境車輛能夠和被測自動駕駛系統車輛（可涵蓋各級智能車輛系統）進行真實互動博弈，能夠有效的縮短開發周期和大幅度減少開發成本。

一、現有自動駕駛測試缺乏系統支撐

目前的自動駕駛系統模擬測試方法有這麼三種：

第一種是是基於對ADAS測試的理解，收集Corner case並在模擬器中測試自動駕駛的軟體及演算法。

這種方式本身存在較大問題，截至目前ADAS產品就是將採集的數十個常見的Corner case作為最後一道系統釋放的驗證標準，通過驗證的話就可以釋放了。

但這種做法可行的前提是ADAS系統中駕駛員主導駕駛權，對於不可預見的問題、場景，都由駕駛員自己來處理。但L3級及以上自動駕駛系統在部分區域、場景甚至高速上全程接管人類的駕駛權，理論上Corner Case的題庫需要覆蓋系統工作時所能遇到的所有極端場景，但這顯然是做不到的。

因此，以當前ADAS測試所收集到的常見Corner case的方式去驗證自動駕駛系統可靠性，就是刻舟求劍。

第二種是聯合主機廠、檢測機構、院校及研究機構收集了大量的場景，和模擬環境供應商共同開發自動駕駛模擬測試體系。

這裡已然是比第一種方法在開發理念上更前進了一步，但在實現方法上還是存在硬傷，這裡大多是將真實道路上的場景（含交通流）利用車載或路端的感測器採集後在模擬環境中再現，更進一步的還會嘗試將每個車的行為模型提取出來用於和目標自動駕駛車進行互動。

但問題是通過AI（目前絕大部分是基於深度學習的）是沒辦法提取真實行為模型的，因為深度學習適用的一個重要前提是數據的確定性，顯然隨機採集的交通流數據是沒有確定性可言的。

第三種是基於自動駕駛汽車通用模擬工具鏈，用於關鍵場景（Critical scenario）的模型在環識別，通過相關指標評估篩選得到關鍵場景，最後通過這些場景來評估自動駕駛系統各項指標及釋放標準。

如歐洲的PEGASUS項目已經整合了很多的主機廠，包括德國的大眾、賓士、寶馬這些企業都在裡面。PEGASUS的目標是填補高度自動化駕駛功能測試領域的關鍵空白。

但是這種方法還停留在採用一些關鍵場景，內容上還是基於Corner case的擴展，覆蓋面上雖然擴大了但也還是遠遠不夠的，即在歐美的市場上可能不會有太大問題，但面對中國複雜場景時很難達到測試、開發的要求。

二、自動駕駛開發的主流協作方式和挑戰

國外自動駕駛開發是以主機廠開發為主，自己開發系統需求，做系統集成，最後完成測試、驗證及釋放。傳統零部件或系統供應商承擔的是提供感測器、域控制器和執行器等，另外還有一些新型系統和零部件公司提供定位、感知、駕駛員監控、模擬測試等軟體和演算法產品。

但即使這樣國際主機廠開發過程中也還是遇到了一些技術和資源的問題，還需要引入更多的新生技術力量，比如新型模擬技術、測試雲平台等。

歐美等地區的L3自動駕駛系統都是計劃在2021年左右於當地釋放，除非遇到新的技術屏障或法規問題。

但國外開發好的L3進入中國市場的時候，其實是非常需要基於當地的道路場景、駕駛員行為習慣等調整甚至重新開發系統方案。目前已經有L3的原型車運到中國準備測試，但都還沒有具體的測試方案。

國內主機廠也在和ABCD等系統供應商合作開發自動駕駛系統，有的主機廠甚至直接承擔系統集成的工作，但是由於中國道路場景的複雜性導致國內的自動駕駛系統的開發工作更有挑戰。

事實上國內主機廠也已經遇到了很多問題，比如怎樣對系統進行有效的測試並定義釋放要求、怎樣定義自動駕駛需要的場景、哪些場景在實際道路測試，哪些在模擬中測試、怎樣定義系統的KPI……

三、正向開發的重要性

自動駕駛系統的正向開發可以分為5個核心部分：

1）產品定義：明確功能及使用場所。首先考慮的大多是在高速上使用，不適合有行人、電動車的環境。

2）場景開發：使用場景所包含的一些重要元素，比如差異化駕駛行為和習慣，如果缺乏足夠重視必然導致自動駕駛系統無法有效工作。

3）系統需求開發：根據場景的種種現實條件定義自動駕駛系統需要達到一定的性能、安全及效率等KPI。

4）子系統開發：分解系統的KPI到零部件或子系統層面並作為具體的設計要求，構建平衡狀態。

舉例而言，目前自動駕駛系統中感知系統包含毫米波雷達、激光雷達、超聲波感測器、攝像頭等感測器，基於系統需求從成本、性能等方面來選擇能夠優劣勢互補的感測器組合方案，達到系統層面的平衡狀態，而平衡的標準就來自於系統的KPI。

5）測試驗證及系統釋放：首先需要量化的KPI來評估，其次需要有效的測試驗證體系和實施手段（模擬/路試），以確保自動駕駛開發的成熟度和風險的可控度，這些都是急需開發和完善的。

對於國內汽車行業而言，困難是現實存在的，解決之道是擁有正向開發的能力。

過去對於新技術，國內主機廠可以直接借鑒國外技術，但在今天，自動駕駛技術的應用非常依賴交通場景，國外主機廠基於當地道路場景開發和積累的技術沒法適應中國的情況。

同時由於涉及到網路、地圖等安全敏感問題，每個國家都會在這方面做出必要的約束。因此自動駕駛技術的中國化應用，需要依賴本土的汽車產業鏈自我積累和消化，以及鼓勵創新性的研發和測試驗證。

杜光輝表示，因為國內場景複雜，想要實現本土化的自動駕駛，對系統的預測能力要求比國外高得多，對系統決策和控制方面也需要更好的魯棒性和更快的響應。

簡而言之，打造中國場景下的自動駕駛如果只是依賴拷貝或模仿是不可能有所突破的，只能正視中國場景的複雜性並做好系統自主開發的充分準備，可喜的是國內汽車產業鏈已經重視並加快正向開發的能力建設。

杜光輝認為，中國汽車產業從來沒有遇到過如此重要的機遇，即自主品牌的自動駕駛開發可以和國際巨頭們齊頭並進、共同面對中國場景的挑戰！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！