自動駕駛的最終量產，需要一套全國、乃至全球統一的標準，來對產品安全負責和把關。

自動駕駛汽車包含了環境感知、決策規劃、執行控制一整個功能鏈，是一個非常復雜的電子產品。在廣泛應用之前，每個環節都要經過嚴苛的測試驗證。當前行業標準尚未形成，傳統測試驗證也無法滿足需求，因此急需一套全新的方法來檢驗自動駕駛的技術實力。關于新型的自動駕駛環境感知測試驗證，有一些信息需要與公眾分享。

作者雷繩光，亮道智能CTO，原全球首款量產LiDAR算法負責人。

什么是面向量產的自動駕駛？

在介紹驗證測試之前，我們先來回答什么是“面向量產的自動駕駛”。

很多Demo車已經實現了L3、L4的自動駕駛功能，因此給我們帶來一種未來已來的錯覺。事實上，我們距離量產還有很遠的路要走，而且Demo之后的工作，只會更加復雜。

一款真正安全、面向量產的自動駕駛車一定要滿足三個條件：

第一，自動駕駛系統必須要滿足傳統汽車行業對電子產品的相關標準和規范，包括AEC-Q100/200， IATF16949等。

例如有的電子原件溫度適用范圍為-40度到125度，在震動環境中可以長時間正常穩定工作，系統必須滿足電磁兼容的要求等……這些是從傳統汽車行業沿用下來的“老規矩”。

第二，整個自動駕駛系統達到功能安全的要求，也就是保證功能的安全和可靠性。

其中功能安全國際標準ISO26262對不同安全級別產品的開發、測試驗證都做了很詳細的定義。功能安全標準的提出，直接把自動駕駛的技術門檻抬高了一大截。

比如，整個L3自動駕駛系統必須達到ASIL D安全級別的需求，要求對整個環境感知和控制執行做冗余設計。具體到環境感知層面，需要雷達，激光雷達，攝像頭等不同類型的傳感器來確保環境感知的安全可靠。

對于單個傳感器，比如激光雷達，可以分解為ASIL B安全級別，這要求傳感器有很強的自檢能力，傳感器需要時刻知道自己所處的狀態，哪些檢測是可靠的，哪些檢測是不可靠的，并及時上報給中央ECU。

第三，環境感知能力和功能必須通過一個KPI（Key Performance Indicator）考核，我們可以稱為“自動駕駛感知系統的評價體系”。

自動駕駛系統的量產，需要對單個傳感器提出KPI要求，比如環境感知的檢測率、誤報率必須處于一個規定的可接受數值區間，傳感器檢測目標物體的位置和速度必須達到一定的精度要求。同時，經過傳感器融合以后，整個環境感知系統同樣需要滿足一定的KPI要求，這個要求會比單個傳感器的要求更加嚴格，而且覆蓋面更廣。

在當下，隨著自動駕駛的演進，未來將會在全球范圍內，逐漸形成一套統一的規范和標準。

上述三點對于L3、L4的自動駕駛來說，都還沒有實現。

因為較之高級駕駛輔助系統（ADAS），L3、L4自動駕駛汽車的感知技術更加復雜。行業仍然在等待適于集成、高性能、符合車規的激光雷達，以及滿足功能安全和安全KPI考核的傳感器融合系統。未來3-5年，我們會迎來L3、L4自動駕駛汽車在全球范圍的大爆發。正式量產之前，感知系統都要通過“自動駕駛感知系統的評價體系”的考核。

L3-L4自動駕駛需要新型的測試驗證

目前業內針對自動駕駛測試驗證一般會用幾種方法，包括虛擬仿真測試（軟件在環測試、硬件在環測試、車輛在環測試、駕駛員在環測試）、封閉區域測試、真實道路測試。

其中，虛擬仿真測試使用計算機來搭建模擬的駕駛場景，這種測試方法對平臺開發（例如開發激光雷達算法的通用部分）會有一定幫助，可以節約前期的測試成本，但是尚無法滿足產品量產測試的需要。只有將產品放到真實的交通環境測試，才能獲得感知系統的真實表現。

目前行業缺乏一家客觀中立的第三方，來幫助大家完成L3-L4自動駕駛量產前的測試驗證。其中亮道智能提供了一種新型自動駕駛傳感器融合驗證測試，覆蓋量產開發到產品最終形成。測試驗證過程全部基于被測傳感器（Device under Test）在真實路況獲得的場景數據，測試方法以真實道路測試為主，軟件在環、硬件在環測試為輔。

自動駕駛傳感器融合測試驗證車

但是作為產品量產前的安全“把關人”，測試驗證方并不是一個輕易能勝任的角色，相反，基于大數據的自動化測試驗證可能是目前自動駕駛行業技術門檻要求最高的新興領域。和傳統的測試驗證不同，新型的環境感知測試驗證提出了更多挑戰：

第一， 要求測試者具有很強的算法開發能力。

在自動駕駛環境感知測試中，需要建立一整套“客觀真值”（ground truth）參考系統。這些客觀真值一方面可以用來訓練機器學習算法，另一方面可以用來驗證現有感知算法的表現。

目前量產ADAS產品的階段，我們尚且可以通過人工標注的方式得到客觀真值。但這種人工標注方式不但有大量的人工費用支出，更重要的是十分耗時。

到L3和L4自動駕駛，需要采集上百萬公里，數千小時的真實道路數據用于測試。此時如果繼續依賴人工標注的方式，可能會耗費數年時間，無法滿足量產開發的時間要求。

因此，行業迫切需要一套依靠自動化的標注算法建立客觀真值。

第二，新型測試驗證需要高度自動化的測試驗證流程和高度集成的測試工具開發的能力。

新型測試驗證涉及的數據規模非常大，目前某國際知名主機廠要求5000小時的真實采集數據必須在幾天時間內完成算法的測試驗證并給出評價結果。

這部分會涉及整個工具鏈高度集成和自動化，目標是實現高度自動化的測試驗證流程——當測試者點一個按鈕，工具就會自己運行。

這要求整個測試流程的定義必須非常清晰，工具的開發、集成要緊貼流程需求，最后完成IT構架硬件的集成。

第三，測試者需要掌握大數據分析和挖掘的能力。

未來新型測試驗證的數據量龐大，因此如何準確定位所需的測試場景和測試數據，如何利用這些數據來服務于自動駕駛功能的開發，都需要測試者具備大數據分析和挖掘的能力，從大量數據中迅速準確定位到我們需要的數據。

測試方在上述三點都要具有足夠的積累。未來的自動駕駛企業需要在算法開發能力、測試驗證能力、大數據分析和挖掘能力三個方面，夯實自己的核心競爭力。

結語

對于自動駕駛行業的領先者來說，自動駕駛量產系統解決方案的研發工作可能已經逐步實現，然而余下的量產前算法開發和測試驗證工作，卻才剛剛開始。每一款產品需要到真實環境中經歷各種各樣的場景案例，然后身經百戰，最后登上舞臺

沒有一個相對省時省力的方式，可以繞過自動駕駛的測試驗證環節快速完成量產。因為與安全有關的每一步，都不容我們尋找捷徑。