今年，特斯拉完全駕駛系統測試版釋出後，市場上關於特斯拉自動駕駛事故的新聞引起了人們的關注。我們對自動駕駛出現在日常基礎的出行服務中充滿期待，也希望自動駕駛能夠出現在高速公路貨物運輸、低速自動駕駛物流配送中，為人類工作提升效率和服務水平。
但我們又深知在普及應用前，這一賽道涉及了監管環境、自動駕駛車輛測試及部署、責任劃分、資料隱私與安全、以及 5G 與通訊等多個方面，還需要對技術進行多方探索。其中，自動駕駛系統測試與人們的出行安全相關性極高，有關自動駕駛系統測試技術的討論愈發熱烈。
絡繹學術Online 第十一期，
我們邀請到了
清華大學交叉資訊核心技術研究院（西安）可信人工智慧
創新
中心主任、西安交通大學講座教授、深信科創公司創始人楊子江
為大家分享：
自動駕駛測試技術。
楊子江認為，自動駕駛是人類近百年交通工具中最大的變革。隨著雲計算的發展和產業升級，自動駕駛可以將從 A 到 B 的過程變成一個更標準化的服務。
圖 | 自動駕駛是近百年交通最大的變革，來源：楊子江教授分享
美國汽車工程師學會（Society of Automotive Engineers，簡稱 SAE ）
將自動駕駛定義了 6 個級別，範圍從無自動化（級別 0）到完全自動化（級別 5）。每個自動化級別都為車輛規定了更高程度的自主駕駛功能。這就對處理能力和資料路徑連線性提出了更高要求。隨著車輛由人控制轉變為汽車自主控制，安全性變得愈發重要，並且成為 ADAS 系統設計中最為關鍵的要素之一。
圖 | 自動駕駛的 6 個級別，來源：SAE ，絡繹知圖整理
自動駕駛系統
（
Autonomous Driving System，ADS
）是一種整合高精度感測器、人工智慧和地圖導航系統等模組的
資訊物理融合系統
。自動駕駛軟體已經逐漸應用於民用
汽車輔助駕駛器
、
自動物流機器人
、
軍用無人機
、
無人艦
以及
群體智慧蜂群作戰系統
等領域。
該類系統中的自動駕駛軟體完成了從高階輔助駕駛到無人駕駛任務中關鍵的感知、定位、預測、規劃和控制任務。隨著深度學習和強化學習等人工智慧技術的發展和車載硬體裝置的不斷升級，高級別的自動駕駛軟體已經逐漸應用於多種安全攸關的場景中，保障其執行
穩定性
與
可靠性
的測試技術逐漸成為學術界和產業界的研究重點。
圖 | 自動駕駛系統示意圖，來源：馮洋教授分享
自動駕駛系統可以分為
感知層
、
決策層
、
執行層
。
感知層
包含了對環境資訊和車內資訊的採集與處理，涉及道路邊界檢測、車輛檢測、行人檢測等多個方面。這一層會採用一種先進
感測器
技術，其採用的感測器包括鐳射雷達、攝像頭、毫米波雷達、超聲波雷達、速度和加速度感測器等。攝像頭有著解析度高、速度快、傳遞的資訊豐富、成本低等優勢。依賴深度學習對複雜資料的強大學習能力能極大提高環境感知的分類能力；毫米波雷達有著反應速度快、操作簡單、無視遮擋等優勢，能在各種條件下的提供目標有效的位置和速度；鐳射雷達有著精確的 3D 感知能力、對光線變化不敏感、資訊豐富等優勢。影象資料無法提供準確的空間資訊、毫米波雷達擁有極低的解析度、鐳射雷達有著十分昂貴的價格。自動駕駛汽車的平穩執行需要適應不同的環境，因此
多感測融合
技術比單一感測器更具優勢。
決策層
包含了依據感知資訊來進行決策判斷，確定適當工作模型，制定相應控制策略，替代人類駕駛員做出駕駛決策。在這一過程中，自動駕駛系統會從環境感知模組中獲取道路拓撲結構資訊、實時交通訊息、障礙物（交通參與者）資訊和主車自身的狀態資訊決策規劃等重要資訊。在獲得這些資訊後，決策層需要對當前環境作出分析，然後對底層控制執行模組下達指令。決策層的理論包括模糊推理、強化學習、神經網路和貝葉斯網路技術等。場景和路況的多樣化對駕駛決策的演算法最佳化提出了更高的要求，在資料處理和模型最佳化上需要不斷突破瓶頸。
執行層
包含了系統在做出決策後，按照決策結果對車輛進行控制。線控執行主要包括
線控制動
、
轉向
和
油門
。車輛的各個操控系統都需要能夠透過匯流排與決策系統相連線，並且按照決策系統發出的匯流排指令，精確地控制加速程度、制動程度、轉向幅度、燈光控制等駕駛動作，從而實現車輛的自主駕駛。制動控制是自動駕駛執行系統的重要部分。目前 ADAS 與制動系統高度關聯的功能模組包括 ESP（車身穩定系統）/ AP（自動泊車）/ ACC（自適應巡航）/ AEB（自動緊急制動）等。
自動駕駛系統的發展為自動駕駛汽車行業的發展提速做了技術儲備，在行業測試標準政策尚未統一的情況下，自動駕駛測試的挑戰也很大。普遍認知，自動駕駛需要 1。5 億英里的測試，才能使自動駕駛系統超過人類駕駛員的安全水平，這在算力要求上是非常高的。
目前的汽車軟體系統有
1 億
行以上的程式碼，超過波音 787 ，FB 的程式碼量，而自動駕駛汽車程式碼量超過
5 億
行，比前者更甚。自動駕駛測試融合了實時
嵌入式軟體
、
雲計算軟體
、
AI 軟體
、
消費者軟體
、
模擬模擬軟體
和
大規模多智慧體協同系統軟體
，是現代軟體行業的
集大成者
。
自動駕駛系統的複雜性對
安全性
和
可靠性
提出了更高的要求，主要體現在以下三個方面：
高整合度的執行環境
自動駕駛軟體是在基本的車輛平臺上新增的一個認知智慧層。系統和車輛內部各類軟硬體主體實現聯接互動十分重要。軟體質量也會同時受到影響，線管缺陷也會被外部模組放大。
高複雜度的資料驅動軟體系統
傳統汽車輔助駕駛軟體對於這類汽車內外部資料一般不做直接處理，少量語義豐富資料，如影象會直接轉由駕駛人員自行判斷。複雜資料和複雜功能邏輯使得自動駕駛軟體規模和複雜程度極高。
高不確定性的系統行為
部分智慧模型演算法本身理論上具有不可解釋性和黑盒執行下的不透明性。使用者難以劃分模型執行的中間狀態，進而無法直接挖掘出模型錯誤行為的觸發機理。
目前，自動駕駛軟體系統的測試技術主要在四個方面：
軟體測試、模擬測試、實景測試、元件測試
。
軟體測試
面向系統程式碼級別的軟體測試手段相關研究目前開發的還比較少。傳統測試方法，如覆蓋測試、分支測試等不再有效。對自動駕駛軟體原始碼普遍龐大的程式碼規模來說，相應的測試用例生成和測試規範標準建立也是研究人員面臨的另一個難點。
模擬測試
模擬測試提供了在虛擬環境中重現真實車輛系統特徵的方法，它構建了與系統相互作用的內外部因素和條件，從而能在不同程度上模擬自動駕駛車輛面臨的多種場景條件。一個完整的自動駕駛模擬平臺，需要包括靜態場景還原、動態案例模擬、感測器模擬、車輛動力學模擬、並行加速計算等功能，並能夠較為容易的接入自動駕駛感知和決策控制系統。自動駕駛模擬測試平臺必須要具備真實還原測試場景的能力、高效利用路採資料生成模擬場景的能力、雲端大規模並行加速的能力這幾種核心能力。模擬測試必須滿足自動駕駛感知、決策規劃和控制全棧演算法的閉環，符合汽車
“V” 字
開發流程。
圖 | “V”字開發模型示意圖
模擬測試不能代替道路測試，但是模擬測試是一種重要的測試方法，在安全性和效率上具有優勢。模擬測試對交通場景模擬的要求包括交通標誌、車道線-規則與破損、道路特徵、複雜立交、模仿人類動作、動物、球模型、固定加速度行為等。
模擬測試具有
簡單
、
低成本
且
易於複製
的特點，測試結果的可靠性高度依賴模擬感測器，因此對車輛和環境模型的準確性要求也比較高。
實景測試
封閉場景測認識很難再現所有的複雜交通場景，而公路實景測試受限於真實車輛部署執行成本和人員測試效率，同時需要考慮對應的社會風險。
實景測試的確能去除理想化資料模型的不足，為自動駕駛軟體提供符合真實道路交通場景的測試資料和測試條件，但是其成本相對較高，規模通常較小，無法對輸入域及車輛執行環境進行較為完整的覆蓋。
元件測試
自動駕駛元件內嵌的神經網路模型演算法存在
不可解釋性
，模型結果與模型程式碼結構不存在類似傳統軟體中的
強相關性
，這使得如程式碼覆蓋、分支覆蓋等測試方法無法直接應用。因此，資料驅動測試的概念再自動駕駛元件測試中極為重要。
自動駕駛測試系統的元件測試主要包括
感知元件
、
決策規劃元件
以及
控制組件
。感知元件測試屬於深度學習模型測試技術，基本上是對一般 AI 模型缺陷測試方法再道路駕駛垂直領域的延伸，主流的手段包括測試生成和模型演算法分析。
測試生成包含大規模的測試資料擴增和有針對性的特殊測試資料構建。以 L3 級自動駕駛功能為例，車企確定好感測器選型之後，就進入到感知模組量產前的測試驗證階段。決策規劃元件測試需要傳統車輛路徑規劃演算法、專家系統和機器學習的有效結合，以提高自動駕駛汽車規劃和決策能力，這也為新的測試理論方法提供了思路。控制組件測試設計對應的
底盤硬體
，包含幾種主要型別、速度控制、轉向控制、制動控制和穩定控制。在針對傳統控制邏輯和控制演算法的測試上，
形式化
方法作用仍然佔據主要的地位。
在實際案例分享中，楊子江也同時分享介紹了
深信科創
自主研發的自動駕駛模擬測試平臺 SelfDriveGuard 。
圖 | 自動駕駛模擬測試平臺 SelfDriveGuard，來源：楊子江教授分享
SelfDriveGuard 作為具有圖形介面的自動駕駛汽車模擬測試平臺，它集成了駕駛環境模擬模擬器和自動駕駛控制車輛模擬器。它能夠幫助開發者或者測試團隊將模擬模擬測試應用到無人車安全測試環節中。
平臺提供簡潔的 UI 和使用者介面，開發者只需要做一些簡單的操作就可以實用進行模擬測試。平臺具有
執行引擎可擴充套件
、
自研場景描述語言
和
部署靈活
這三個特徵。SelfDriveGuard 提供直觀簡潔的自研場景描述語言 Scenest，這種場景描述語言符合
自然語言表達習慣
，使用者透過指定起點、終點、中間途徑的方式，可以規劃 NPC 車輛的行駛路徑，模擬路況。使用者不需要了解駕駛環境模擬器的技術細節，也不需要複雜的操作，撰寫符合語法規範的測試指令碼和測試參照後，SelfDriveGuard 會自動解析並進行模擬測試。模擬測試結束後，自動分條羅列出模擬過程中實際情況與測試參照不一致的地方。
SelfDriveGuard 在模擬碰撞異常和複雜路況的情況時都有不俗的表現。碰撞異常的場景下，使用者可以撰寫測試參照，指定預期的汽車狀態、應該遵循的規則。透過攝像頭的影象反饋，可以對實時地圖的視角進行檢視。
當控制車輛發生碰撞的時候，模擬即結束，在頁面的下方的“
Assert關鍵點
”區域報告碰撞錯誤。複雜路況的情況下，可編寫多指令碼，生成多個 NPC 車輛的能力讓透過平臺頁面看倒環島地段交通擁堵成為可控。
截至 2021 年 1 月底，無人駕駛技術公司在 2021 年已募集了總計 30 億美元。據 CB Insights 資料，全球目前已經有 80 多家典型佈局開發自動駕駛汽車以及支援自動駕駛技術的元件和軟體系統的科技企業。
圖 | 超 80 家企業佈局自動駕駛汽車及其相關技術，來源：CB Insights
楊子江認為屬於自動駕駛系統測試技術的
市場空間是足夠大的。
現在的商業化路徑已經相對清晰，產業鏈的承接水平也跟得上，在這樣的情況下。商業化關鍵時間點就是現在。安全不是錦上添花，而是必備。
當然自動駕駛測試的
技術門檻是比較高
的，尤其是模擬模擬測試。
自動駕駛測試領域技術目前是比較多的。在模擬測試技術方面，方法是多樣的。大型科技公司多采用實際採集的資料去各個城市去做模型跑資料，而小公司則更注重在細分技術的突破上。
目前以色列的
Mobileye
在這一領域做的比較好。Mobileye 由以色列希伯來大學的 Amnon Shashua 教授和 Ziv Aviram 於 1999 年創立。Mobileye 致力於開發和推廣一個視覺系統，以協助駕駛員在駕駛過程中保障乘客安全和減少交通事故。
2017 年，
英特爾
以過 150 億美元的價格收購了 97。3% 的 Mobileye 流通股。目前 Mobileye 的業務主要分為輔助駕駛和自動駕駛兩方面。輔助駕駛透過售賣帶有嵌入式軟體的 EyeQ 晶片和提供自動駕駛域控制器創收；自動駕駛透過提供自動駕駛系統（SDS）、車輛即服務（VaaS）業務和出行即服務（MaaS）業務創收。
目前深信科創已經獲得了訂單，向
商業化
的階段性目標邁進。談起從科學家走向創業者的經歷，楊子江頗有感觸。他認為
技術和商業落地還是有差異
的。正因為自己的切身體會，他所帶領的深信科創才想推出一個
自動駕駛
的
科研社群
，在這個科研社群內將實際問題注入，將高校的工作轉為
開原始碼
，透過這一過程促進研究向落地走下去。
關於絡繹知圖
絡繹知圖是集科技資料、智慧分析、學術服務於一體的科技大資料平臺，以透視未來的科技本質為使命，面向學者、高校、科研機構以及從事科研成果轉化的相關群體，提供研究型資料庫、分析工具、學術會議、學術社群等功能，並透過媒體傳播原創研究有效放大學術研究的影響力。
