自动驾驶测试评价技术已成为自动驾驶实现大规模应用的关键问题，是零部件供应商、整车厂、汽车行业、国家部委等多个层面的研究热点。本书是一部阐述汽车自动驾驶技术测试评价体系的研究型论文。本书应用车辆动力学、统计学原理、人工智能等基础原理，从自动驾驶技术黑箱建模、行驶安全性计算方法、评价流程体系架构等角度深入浅出地介绍了该领域的核心问题，并给出了解决方案。

本书可作为自动驾驶测试领域研究人员的参考读物。

第1章 引言

基于多源数据挖掘的汽车智能驾驶系统有效性评价第1章引言〖1〗1.1概述近年来，随着汽车电控技术的发展，汽车的智能驾驶系统，例如自动紧急制动（autonomous emergence braking，AEB）、车道偏离预警（lane departure warning，LDW）、自适应巡航控制（adaptive cruise control，ACC）乃至无人驾驶被大量引入。这些系统的应用可以减少事故发生的概率。减小事故后果的安全措施（被动安全技术），例如安全带和安全气囊，已经在全球不同的新车评价规程（new car assessment programme，NCAP）的测试试验中展示出其性能。但是相比与被动安全技术，目前还没有针对这些智能驾驶系统的被广泛认可的测试方法。

从车辆使用者的角度考虑，如果相关部门设立了针对智能驾驶系统功能的有效性评价试验，那么车辆使用者也会逐渐意识到智能驾驶技术的重要性，并且可在购买车辆时对比不同品牌之间的智能驾驶性能。保险公司等投资机构也需要第三方对每个汽车公司的智能驾驶系统功能进行独立可靠的评价，以作为其投保的重要参考。更进一步讲，政府也需要根据技术预期的效果来制定汽车行业的发展导向。

从企业技术开发的角度出发，各大汽车公司投入大量资金和研发人员对汽车智能驾驶系统进行开发，其不得不面对这样一个事实： 通常情况下，各种技术所能带来的好处只有在产品投入到市场一段时间后才能得到验证。几乎每一个汽车公司都希望在产品进入市场之前对安全技术效果进行验证，这样有助于公司投资及研发方向的确定，同样，若针对不同国家或地区的交通状况评价某些产品效果，则可根据其结果对该技术进行适应改进。

因上述智能驾驶系统评价的重要性，美国、欧盟、日本等发达国家或地区均给予了极大关注与项目经费支持。第三方机构与汽车企业纷纷开展了智能驾驶系统评价相关的理论与实验研究。由于智能驾驶系统集成了感知、决策和控制等多种功能，涵盖了交通、人工智能、机械等多学科领域，该系统的评价方法，不能简单借鉴以往被动安全技术评价方法。两者的区别主要有以下几点：

1. 测试环境的未知性

被动安全技术的应用不会影响驾驶员的驾驶行为，那么，驾驶员所遇到的交通运行环境不会因其改变。因此基于目前已有的事故情况，提炼可表征交通环境的场景，即可对被动安全技术进行评价。相对而言，智能驾驶系统的功能则会与驾驶员行为产生未知的耦合作用，这一点在该系统应用前是不可预估的，造成其测试环境不能通过现有的交通环境分析提取得到。

2. 待评价对象的未知性

目前材料科学研究较为完善，且车身材料较为公开，能够方便地通过有限的碰撞数据来推断出未测试的碰撞情形下的结果。不同厂家实现智能驾驶系统功能所采用的硬件配置存在着较大差异，且其决策控制逻辑具有保密性。任一款智能驾驶系统对于第三方来说均是一个黑箱。

3. 评价指标的综合性

NCAP仅依靠几个典型场景的综合评分即可对被动安全技术予以定量评价。而由于上述的测试环境与对象的未知性，评价指标仅能选取事故避免率、乘员损伤避免率、乘员死亡避免率等综合性指标。其中乘员损伤避免率因其能够综合反映由于技术应用带来的安全性的提高程度，而最为常用。

4. 评价方法的综合性

由于智能驾驶系统评价的特殊性（测试环境与对象的未知性、评价指标的综合性），该系统的评价方法应能够综合实现测试环境搭建、系统辨识、碰撞过程分析、乘员损伤计算等功能，并保证满足可扩展性、精度高、运算快速和结果可重复等要求。

智能驾驶系统评价方法由于其测试环境与对象的未知性、评价指标和评价方法的综合性等特点，已经成为国际研究热点。本书将从评价指标、系统辨识、有效性评价方法三个方面进行深入研究：

（1） 待评价对象辨识精度直接决定着有效性评价结果的准确性与合理性。合理地利用常见汽车运行数据，综合通用车辆动力学特点对待评价系统的关键参数和控制逻辑进行辨识，是实现有效性评价的关键基础工作。智能驾驶系统通常会将车辆控制处于稳态区域。这样轮胎滑移率或侧偏角均较小，参数间的相互影响较大。仅依靠时域信息的观测方法难以剥离其他参数对待估计参数的影响。本书通过引入频域分析方法，实现该对象关键参数的估计，进一步采用神经网络学习智能驾驶系统的控制逻辑。

（2） 为计算乘员损伤风险，往往将其表述为车辆在碰撞前后运动状态变化量的函数，其中最为常见的是速度变化量。而该变化量的获得过程较为复杂，需要专业人员对事故情形进行深入调查。我国事故深入调查数据库的建立尚处于起步阶段，故拥有的样本量还不足以拟合出可信的以速度变化量为自变量的乘员损伤风险函数。那么，本书将基于事故数据，利用基本统计、回归分析、聚类分析等多种数据挖掘方法，论证车身变形深度作为评价乘员损伤风险指标的合理性，在此基础上，提出了基于变形深度的乘员损伤风险计算方法。

（3） 有效性评价方法应同时满足可扩展性、精度高、运算快速和结果可重复等要求。首先，不同智能驾驶系统的评价方法是相通的，考虑到所提出的评价方法将应用于不同智能驾驶系统评价，其应该采用模块化的方式进行搭建，通过替换待评价对象所对应模块，避免重复性开发工作。其次，该方法只有在具有较高精度的条件下，才能够应用于车辆智能驾驶系统的匹配验证和损伤风险估计，因此所提出的汽车智能驾驶系统有效性评价方法应该尽量准确反映车辆在不同场景下的运动状态与碰撞过程。再次，由于随机变量多样，运行场景数目繁多，评价过程中的运算快速性必须得到满足。最后，为了比较相同工况下不同算法的效果以便设计合理的控制参数，该方法需要满足可重复性。

1.2汽车智能驾驶系统有效性评价方法研究现状

汽车智能驾驶系统有效性评价方法研究总体分为四大类： 实车道路实验、测试矩阵、危险场景评价、蒙特卡罗仿真。

1.2.1评价方法详细介绍〖*2〗1.2.1.1实车道路实验自然驾驶实车道路实验（naturalistic field operational tests，FOT）\[1\]已经被广泛采用，用以评价不同种类的智能驾驶系统。在自然驾驶实车道路实验中，由多名驾驶员驾驶着装配有该系统的车辆，进行长时间的数据收集工作\[2\]。美国进行了大量的FOT项目，见表1.1。〖=G〗表1.1美国主要的FOT项目〖=G1〗项目名称〖〗执行

机构〖〗时间〖〗里程/

1000英里①〖〗传感器〖〗车辆

数目〖〗驾驶员〖〗关注点100 Car

Naturalistic

Driving Study\[3\]〖〗弗吉尼亚

理工大学〖〗2001—

2009年〖〗2000〖〗摄像头〖〗100〖〗241〖〗追尾

碰撞ACAS\[4\]〖〗密歇根

大学〖〗2004—

2005年〖〗137〖〗摄像头、

毫米波雷达〖〗11〖〗96〖〗前撞

预警RDCW\[5\]〖〗密歇根

大学〖〗2005—

2006年〖〗83〖〗摄像头、

毫米波雷达〖〗11〖〗11〖〗车道偏

离预警SeMiFOT\[6\]〖〗密歇根

大学〖〗2008—

2009年〖〗107〖〗摄像头、

毫米波雷达〖〗14〖〗39〖〗多种驾驶

辅助系统IVBSS\[7\]〖〗密歇根

大学〖〗2010—

2011年〖〗815〖〗摄像头、

毫米波雷达〖〗26〖〗126〖〗集成式

预警谷歌无人

驾驶车〖〗谷歌〖〗2012年

至今〖〗1300〖〗激光雷达、

摄像头、

毫米波雷达〖〗约50〖〗未知〖〗全自动

无人驾驶① 1英里=1.609344千米。

〖=X〗其中，由弗吉尼亚理工大学主持的项目100 Car Naturalistic Driving Study关注于事故发生的原因。它的数据被用于研究在紧急事件、接近事故、事故发生等条件下的驾驶员行为、道路环境和其他影响因素\[3\]。由密歇根大学主持的多个FOT项目（包括the Automotive Collision Avoidance System Project（ACAS）、 the Road Departure Crash Warning（RDCW）、the SwedenMichigan Naturalistic Field Operational Test（SeMiFOT）、the Integrated VehicleBased Safety Systems（IVBSS））主要关注于评价多种驾驶辅助系统对驾驶员行为的影响。以谷歌\[8\]、百度\[9\]、奥迪为代表的无人车品牌纷纷在美国加利福尼亚州申请了无人驾驶测试牌照，被允许进行上路测试。

FOT虽然能够全面分析一个系统的适用性，但具有明显的局限性。由于危险事件在自然驾驶过程中出现的概率极低\[10\]，因此FOT需要进行极长时间的实验和庞大的资金支持\[11，12\]。这种方法可以用于整车厂进行技术的开发验证，不适用于第三方对于不同产品的快速评价过程。

目录

第1章引言

1.1概述

1.2汽车智能驾驶系统有效性评价方法研究现状

1.2.1评价方法详细介绍

1.2.2各方法归类对比分析

1.3汽车智能驾驶系统辨识研究现状

1.3.1车辆关键参数估计

1.3.2控制逻辑辨识

1.4汽车智能驾驶系统测试评价指标研究现状

1.4.1智能化评级指标

1.4.2有效性评价指标

1.5本书研究内容

第2章汽车智能驾驶系统有效性评价体系研究架构

2.1智能驾驶系统有效性评价体系方案设计

2.1.1智能驾驶有效性评价的数据来源

2.1.2蒙特卡罗仿真的理论模型基础

2.1.3基于蒙特卡罗仿真的有效性计算流程

2.2汽车智能驾驶系统有效性评价体系关键技术规划

第3章基于汽车运行数据挖掘的智能驾驶系统辨识方法

3.1智能驾驶系统辨识目标制定

3.2基于频响特性的车辆关键参数估计方法

3.2.1基于转向系统频响特性的轮胎刚度估计

3.2.2基于驱动系统频响特性的时间延迟系数估计

3.2.3基于整车纵向频响特性的整车质量估计

3.2.4本节小结

3.3基于机器学习的智能驾驶控制逻辑辨识方法

3.3.1控制逻辑辨识问题的内在本质探讨

3.3.2基于神经网络的控制逻辑辨识方法

3.4本章小结

第4章基于事故数据的乘员损伤风险估算方法

4.1乘员损伤风险估算方法研究方案

4.2车辆变形深度作为乘员损伤评价指标的可行性论证

4.2.1基于GIDAS数据的乘员损伤评价指标选取

4.2.2基于NASSCDS数据的乘员损伤评价指标验证

4.3基于车辆变形深度的乘员损伤风险估算方法

4.3.1基于车辆碰撞变形深度的损伤模型

4.3.2基于变形能量的车辆变形深度估算方法

4.3.3基于事故仿真软件的乘员损伤风险计算流程

4.4本章小结

第5章基于多源数据挖掘的智能驾驶系统有效性评价方法

5.1有效性评价方法总体要求

5.2基于多源数据挖掘的有效性评价方法架构

5.3基于多源数据的模型挖掘层关键方法

5.3.1随机前车模型

5.3.2随机后车模型

5.3.3自车跟车模型

5.4事故筛选与再现仿真层关键技术

5.4.1CarSimSimulink联合动力学仿真模块

5.4.2PC CrashrateEFFECT联合事故再现仿真模块

5.5单位行驶里程平均乘员风险层关键方法

5.5.1基于随机场景的单位行驶里程平均乘员

风险计算方法

5.5.2基于车辆碰撞位置坐标的变形长度计算方法

5.6本章小结第6章有效性评价相关方法的验证与应用

6.1基于汽车运行数据挖掘的智能驾驶系统辨识方法验证

6.1.1基于频响特性的车辆关键参数估计方法验证

6.1.2基于神经网络的智能驾驶系统控制逻辑辨识

方法验证

6.2基于事故数据的乘员损伤风险估算方法验证

6.2.1损伤风险与ΔV的回归关系

6.2.2基于变形深度与基于ΔV的两方法对比分析

6.3汽车智能驾驶系统有效性评价方法应用

6.3.1基于事故再现数据库的有效性评价分析

6.3.2基于随机场景的有效性评价分析

6.4本章小结

第7章结论