为什么自动驾驶测试比看起来更难

大多数人以为自动驾驶最难的部分是技术本身。毕竟，让车辆识别交通标志、检测行人、保持在车道内、并对复杂交通状况做出反应，听起来就是一项非凡的工程挑战。

确实如此。

但许多汽车工程师会认为，更大的挑战在其后。你如何证明系统安全可靠？

随着车辆日益软件化，验证已成为 ADAS 开发中最重要、要求最高的环节之一。ADAS 验证是评估驾驶辅助功能在各种相关驾驶场景、环境条件、系统配置和软件版本下是否可靠运行的过程。挑战不再仅仅是创造智能，而是证明这种智能能在几乎无限多样的情境中可靠运行。

一次成功的试驾还不够

想象一个新的 ADAS 功能成功穿行于繁忙的城市环境。车辆识别交通标志、保持安全距离、并对周围的车辆和行人做出恰当反应。这意味着系统已经就绪了吗？

不一定。一次试驾只代表一种条件组合：

• 一条道路
• 一种交通模式
• 一种天气状况
• 一种光照条件
• 一种车辆配置
• 一个软件版本

下一次驾驶可能完全不同：

• 一个孩子可能突然跑上马路。
• 雨水可能降低能见度。
• 道路标线可能部分褪色。
• 车辆行为可能出乎意料。

真正的挑战不是证明系统能运行一次，而是证明它在无数不同情境中都能稳定运行。

场景问题

在 ADAS 验证中，场景是由道路布局、交通参与者、车辆行为、天气、光照和传感器状态等要素定义的驾驶情境。只改变一个变量就会产生一个新场景。

再把这些变量与自动驾驶系统可能遇到的数千种道路、天气状况、交通情境和车辆配置相乘，结果就是许多工程师所说的场景爆炸问题。可能的组合实在太多，仅靠传统的实车测试无法覆盖。

真正的挑战不是创建场景，而是管理场景

大多数组织已经不再为创建少量测试场景而苦恼。

真正的挑战始于这些场景增长到数千、数十万甚至数百万个变体之时。

现代 ADAS 团队必须回答这样的问题：

• 哪些场景对安全最关键？
• 哪些组合已经测试过？
• 多大的场景覆盖才算足够？
• 软件更新后应重新执行哪些场景？
• 随着开发的推进，回归测试活动如何自动运行？

因此，验证越来越少地关乎单个测试用例，而更多地关乎管理场景组合、衡量覆盖率并持续评估软件变更。

正是在这里，仿真超越了简单的虚拟驾驶，成为更广泛验证流程的一部分。

罕见事件最为重要

具有讽刺意味的是，一些最重要的测试情境恰恰也是最不可能发生的。

这些通常被称为边缘用例：

• 行人突然从停放车辆之间横穿
• 骑行者从意想不到的角度接近
• 临时施工区域
• 异常的交通行为
• 恶劣天气叠加低能见度

这类事件在现实世界中可能很少发生，但它们往往代表着最大的安全风险。仅通过道路测试找到足够多的此类情况实例，可能需要耗费大量的时间和精力。在许多情况下，工程师需要一种方法，能在受控条件下反复重现这些情况。

为什么仅靠物理测试无法规模化

道路测试仍然是车辆开发的关键环节。没有任何方法能完全取代在真实世界中对车辆进行评估。然而，随着 ADAS 功能的发展，物理测试的局限性日益明显：

• 车辆需要大量行驶
• 测试难以精确重复
• 环境条件不断变化
• 罕见事件难以按需遇到
• 成本随规模显著增加

连接虚拟与物理验证

物理测试的局限性并不意味着道路和试验场测试变得不再重要。相反，机会在于将它们与仿真更紧密地连接起来。

一个例子来自 Daimler Truck，该公司公开描述了一种结合仿真、试验场测试和公开道路评估的先进安全辅助系统验证方法。阅读 Daimler Truck 的新闻稿。

在这类工作流程中，仿真可用于探索更广泛的情况，并在选定场景进入受控物理测试之前识别相关的边缘用例。随后，物理测试结果可以为理解系统行为提供另一证据来源。

这反映了 ADAS 验证中的一个重要转变：虚拟测试与物理测试并非相互竞争的方法。当它们连接在同一个验证流程中时，其价值才会增加。

可重复性的价值

连接虚拟与物理验证还凸显了另一个关键要求：可重复性。工程师需要的不只是成功的结果。他们需要对结果可复现的信心。以测试中遇到的险些碰撞事件为例，如果能够反复重现完全相同的情况，工程师就可以：

• 调查根本原因
• 对比不同的软件版本
• 验证修复方案
• 衡量改进效果
• 评估传感器性能

可重复性将测试从观察转变为工程。没有它，理解系统行为就会变得困难得多。

为什么仿真正变得不可或缺

这正是仿真开始改变局面的地方。工程师无需再等待罕见情况在公开道路上发生，而是可以在虚拟环境中创造这些情况。一个场景可以重复数百甚至数千次，同时控制各个变量：

• 天气
• 交通密度
• 车速
• 传感器配置
• 道路基础设施

因此，新兴的验证模式不是“虚拟或物理”的二选一，而是一个连接起来的闭环：仿真帮助确定哪些情况值得进一步研究，而受控的物理测试则为评估系统行为提供额外证据。

仿真还能实现仅靠物理测试无法达到的自动化水平。现代开发团队越来越多地将虚拟验证集成到持续开发工作流中，使软件更新能够触发针对预定义场景库的自动化回归测试活动。这有助于组织更早地发现问题、更一致地评估变更，并在不牺牲信心的情况下加速开发。

前路漫漫

随着车辆不断演进，验证正在成为一个与工程问题同等重要的数据问题。未来的开发工作流将越来越多地结合：

• 基于场景的验证
• ASAM OpenSCENARIO 和 ASAM OpenDRIVE 资产
• 闭环仿真
• 传感器和 ECU 集成
• 持续回归测试
• 云端规模执行

目标不仅仅是运行更多的测试，而是创建能够持续衡量覆盖率、识别差距并提供证据的验证工作流，证明软件在系统演进过程中始终安全运行。

在这一未来中，成功不仅取决于打造智能车辆，还取决于构建能够与之同步扩展的验证流程。

关键要点

ADAS 验证不是要证明系统在某一情况下有效，而是要在广泛的相关驾驶场景中建立信心，包括那些难以仅通过道路测试重现的罕见边缘用例。

探索完整的 ADAS 验证工作流

现代 ADAS 验证需要的不仅仅是场景创建。工程团队需要管理场景库、集成现有工具链、连接传感器和车辆模型、自动化回归测试，并随着日益复杂的软件版本扩展验证。

了解 Cadence VTD 如何支持端到端的 ADAS 和自动驾驶验证工作流，从场景开发和传感器仿真到大规模虚拟测试和持续验证。