IV1.0初稿合稿同濟大學北京地平線機器人技術研發(fā)有限公司上海機動車檢測認證技術研究中心有限公司北京五一視界數(shù)字孿生科技股份有限公司2025.01.20V2.0格式修訂同濟大學2025.01.25V3.0同濟大學2025.09.29同濟大學陳君毅、夏天、劉鎮(zhèn)源北京地平線機器人技術研發(fā)有限公司劉澤暉、賈通、楊虎、曹浩龍、強勁、陳珂、胡泉、王靜上海機動車檢測認證技術研究中心有限公司馬雪寒、王瀟屹、邢星宇北京五一視界數(shù)字孿生科技股份有限公司張安春、郜峰 1隨著自動駕駛相關技術的快速進步，汽車行業(yè)正在逐步進入智能網(wǎng)聯(lián)汽車市場廣以及數(shù)據(jù)閉環(huán)體系的探索構建，相關安全測試驗證的需求也進入了新階段。近年來，準入認證的標準化和科學化進程正不斷加速，以確保技術的可靠性、功能的完感知系統(tǒng)作為智能網(wǎng)聯(lián)汽車的“眼睛”，為車輛提供外界真值信息，其魯棒性和可靠性直接關系到汽車行駛過程的安全性。但系統(tǒng)容易受到惡劣天氣條件與復雜交通環(huán)境等各類觸發(fā)條件的影響，使其無法實現(xiàn)預期功能，導致預期功能安全深入探究觸發(fā)條件導致感知系統(tǒng)功能局限的具體機理，有助于改進感知系統(tǒng)功能局限從而提升安全性。任務組在前序工作總結基于事件鏈的感知系統(tǒng)性能局限與觸發(fā)條件分析框架，篩選總結關鍵感知觸發(fā)條件實例，并提出不同觸發(fā)條件的風險評估方法，實現(xiàn)對于觸發(fā)條件的全面探索。而具體到不同觸發(fā)條件，需要進一步探索合適的測試方法與測試維度，明確現(xiàn)階段不同類別觸發(fā)條件測試的主要矛盾，保通過對于觸發(fā)條件實例的分析總結，可以將觸發(fā)條件分為特殊觸發(fā)條件與典型觸發(fā)條件兩大類別。對于特殊觸發(fā)條件，其定義模糊、復現(xiàn)困難或是較為長尾，例如降雨、特殊目標物等，現(xiàn)階段重點在于如何保證觸發(fā)條件模擬的有效性，以得到高置信的測試結論。對于典型觸發(fā)條件，其定義清晰、復現(xiàn)容易且大都常見，例如目標物遮擋等，現(xiàn)階段則需要聚焦于系統(tǒng)層面，確立感知系統(tǒng)在此類觸發(fā)條件下的在特殊觸發(fā)條件方面，任務組以降雨及特殊目標物為例，深入探索兩類觸發(fā)條件的模擬有效性；在典型觸發(fā)條件方面，以前車切出遇靜止車輛為例，初步總結感第一章在機器視覺維度以真實降雨為基準，全面、定性地對比不同降雨模擬方法真定量分析場地模擬降雨的綜合模擬有效性，并在雨滴物理分布維度提出真實度評估方法；第三章對于特殊目標物在實車與仿真層面的感知效果進行對標，探究特殊目2標物類觸發(fā)條件的模擬有效性；第四章探索典型觸發(fā)條件下的感知錯誤可接受水平判定方法，并選取前車切出場景，依托地平線硬件在環(huán)平臺，設計感知系統(tǒng)錯誤可接受水平實驗，通過對標成熟駕駛員制動模型，對于被測系統(tǒng)的感知錯誤水平進行本報告工作重點為感知系統(tǒng)預期功能安全測試評價研究實踐，旨在為智能網(wǎng)聯(lián)提供思路。報告第一章主要由同濟大學與上海機動車檢測認證技術研究中心有限公司共同完成；第二章主要由同濟大學完成；第三章主要由北京地平線發(fā)有限公司與北京五一視界數(shù)字孿生科技股份有限公司共同完成；第四章主要由北京地平線機器人技術研發(fā)有限公司、同濟大學、上海機動車檢測認證技術研究中心3針對降雨這一視覺感知系統(tǒng)高暴露率及高風險觸發(fā)條件，各類降雨模擬方法是主要的測試手段，但模擬降雨復現(xiàn)困難，其真實度也會顯著影響到測試結果的置信度與有效性。為全面探究對比不同降雨模擬方法的真實度，本章從圖像質量與目標檢測兩方面選取指標量化降雨對圖像產生的影響，以真實降雨下指標變化數(shù)值范圍針對智能網(wǎng)聯(lián)汽車測試而言，不同的降雨模擬方法不僅影響原始圖像質量，也可能導致不同的目標檢測結果，使得測試結果存在差異。因此，本節(jié)從圖像質量和4首先，在真實降雨和不同的模擬降雨下，輸出圖像數(shù)據(jù)；然后，基于降雨對機器視覺影響的量化方法，揭示各級真實降雨對于視覺感知系統(tǒng)影響的統(tǒng)計性規(guī)律；再者，對比多類模擬降雨對于機器視覺產生的影響是否一致；最終分析得到降雨模測試方法無雨圖像的指標平均值作為基準，計算指標相較于基準的變化情況來量化降雨對機器視覺不同方面產生的影響，從而避免由于不同測試方法輸出圖像差異導對于圖像質量評價指標，可以分為全參考、半?yún)⒖寂c無參考指標?；谌珔⒖纪ㄟ^計算降雨圖像與基準圖像之間的像素級差異通過指標數(shù)值體現(xiàn)降雨的影響。而真實工況下場景多樣，對于不同模擬方法又難以得到場景完全一致的參考圖像，且方式對于圖像中的細節(jié)或邊界信息進行量化，能夠反映出圖像的整體清晰程度。而圖像細節(jié)被破壞。因此以上指標從原理上可以較好地評Brenner梯度函數(shù)通過間隔像素灰度值的差的平方來計算圖像梯度，評估生成圖像的模糊度。函數(shù)數(shù)值越大，代表細節(jié)信息越豐富DBre(f)=Σi,jIg(i,j)-g(i+2,j)I2(1-1)式中：DBre(f)為圖像Brenner函數(shù)值，f為輸入圖像，g(i,j)為圖像在(i,j)處的Tenengrad梯度函數(shù)使用Sobel算子對于圖像水平與垂直方向的梯度信息進行提取，綜合每個像素點梯度值，評估圖像質量。函數(shù)數(shù)值越大，說明包含更多邊緣信DTen(f)=ΣΣIG(i,j)I，G(i,j)>T(1-2)ji5式中：DTen(f)為圖像Tenengrad函數(shù)值，f為輸入圖像，Gx(i,j)與Gy(i,j)分別為像素點(i,j)處與Sobel水平與垂直檢測算子的卷積；T為設定的邊緣檢測閾值參由于各類模擬方法生成的圖像在分辨率和清晰度上存在差異，Brenner與Tenengrad指標受這些差異影響，無法直接通過數(shù)值反映降雨對圖像的影響。為此，本章將各類方法下無雨圖像的指標均值作為基準，計算不同降雨等級下圖像指標的下降比例，作為圖像質量評價標準，用以綜合比較不同降雨模擬方法的效果。指標DR(1-4)式中：DR（DamageRatio,DR）為降雨對于圖片質量的破壞程度，fb為無雨基-------準圖像，fr為有雨圖像，D(f)為前文Brenner與Tenengrad函數(shù)值，D(fb)為無雨基近年來，基于深度學習的目標檢測算法成為主流，基于結構差異可分為，雙階代表性的單階段YOLOv8算法完成目標物檢測任務，其檢測mAP為43.4%[6]。針對目標檢測效果，從狀態(tài)和存在兩個維度選取分類置信度（ClassificationConfidence,CC）和漏檢率（MissingRate,MR）[7]作為評價指標，量化降雨條件下由算法直接輸出。MR表示以一次檢測任務中目標物未被檢測到的比例，具體計算MR(1-5)其中，MR為漏檢率，F(xiàn)N為假陰樣本例數(shù)，TP為真陽樣本例數(shù)。6本節(jié)介紹真實降雨以及各類降雨模擬方法下圖像采集的結果。由于以真實降雨以獲取其統(tǒng)計性結果。其他各降雨模擬方法，僅采集同一場景下無雨與三級模擬降任務組選取行人作為預期感知要素，圖像采集基礎場景的設置為，視覺傳感器調研現(xiàn)有常用圖像數(shù)據(jù)集結果如表1-1所示?，F(xiàn)有數(shù)據(jù)集大多在良好天氣狀態(tài)下采集，缺乏真實降雨圖像。少數(shù)包含降雨條件的數(shù)據(jù)集，其標注也僅停留在頂層信息（有雨、無雨或者為人工合成的數(shù)據(jù)，無法區(qū)分具體的降雨等級，難以適數(shù)據(jù)集有無雨標注標注類型是否真實場景多樣性數(shù)量（103張）KITTI[8]無/是高BDD100K[9]無/是高Cityscapes[10]無/是高25CADC[11]無/是高7.50Nuscense[12]有有雨/無雨是高40Boreas[13]有有雨/無雨是中Rain800[14]有有雨/無雨否（人工合中0.80Rain12600[15]有否（人工合中12.60SPA[16]有有雨/無雨是低0.15SIRR[17]有有雨/無雨是低1NMRD(ours)有無雨/大雨/中雨/小雨是中本章結合前置研究[18]構建并擴充真實多級降雨圖像數(shù)據(jù)集（NaturalMultilevel1NMRD數(shù)據(jù)集可由開源網(wǎng)站獲取：/raydison/natural-multilev7圖像采集時，參照團標《T/CMSA0013-2019短時氣象服務降雨量等級》[19]中采集雨強進行降雨等級判斷。由于降雨采集設備精度限制，參照天氣預報，將降雨近似定性劃分為小、中、大三個等級。分別采集如圖1-3、圖1-4所示無雨條件及無雨小雨中雨無雨小雨中雨其中，針對圖像質量評價，通過選取盡可能多樣的場景以擴展指標分布區(qū)間，張。針對目標檢測評價，選定其中23個場景，布置目標物，每個包含目標物的場場地物理模擬降雨基于可分級調節(jié)降雨強度的模擬降雨設備開展。為了對比不8無雨小雨大雨無雨小雨同的場景參數(shù)，對于降雨展開仿真模擬，場景參數(shù)設置如表1-2、表1-3示。圖像輸出結果如圖1-7、圖1-8和圖1-9參數(shù)類型參數(shù)名稱參數(shù)設置無雨場景小雨場景大雨場景行人型號walker.pedestrian.0016行人初始縱向距離20m場景參數(shù)道路類型帶人行道雙向四車道太陽高度角90°太陽方位角90°雨0%20%50%云0%70%80%90%地面積水0%50%70%100%濕度0%20%40%無雨小雨大雨9參數(shù)類型參數(shù)名稱參數(shù)設置無雨場景小雨場景大雨場景行人型號PedWithUmbrella行人初始縱向距離20m場景參數(shù)道路類型帶人行道單向雙車道12:00光照強度50%雨0%30%60%90%云0%90%95%100%地面干濕度0%40%70%無雨小雨中雨參數(shù)類型參數(shù)名稱參數(shù)設置無雨場景小雨場景大雨場景行人型號Male_adult行人初始縱向距離20m場景參數(shù)道路類型帶人行道雙向雙車道12:00雨0%25%100%能見度100%100%50%地面反射0%20%50%無雨小雨大雨選取基于生成對抗網(wǎng)絡構建的分級降雨圖像生成模型，RCCycleGAN[18]。該模泛化性，并支持大中小三級降雨圖像的生成。向模型輸入無雨圖像，獲取各級降雨無雨小雨中雨本節(jié)基于機器視覺真實度對比研究框架，揭示真實降雨對于機器視覺影響的規(guī)本節(jié)基于圖像質量與目標檢測評價指標，從指標數(shù)值與趨勢上探究真實降雨對于視覺感知系統(tǒng)產生影響的規(guī)律。通過對于真實降雨樣本進行假設檢驗，若指標滿足各降雨等級之間的差異性檢驗，則同時分析趨勢和數(shù)值范圍的規(guī)律，否則僅探討對于以上指標進行相關性分析?；赟pearman相關性分析，結果顯示兩個指標之間存在強相關性(ρ=0.943,P=0.000<0.05）?；谝陨戏治?，本章后續(xù)只選取a)Brenner梯度b)Tenengrad梯度（P=0.00<0.05）差異顯著，但中雨-大雨差異無統(tǒng)計學意義。隨降雨等級增加，指感知圖像輸入至目標識別算法，計算各降雨強度下的?MR與?CC，其平均值結果下不滿足顯著性檢驗（H=0.841,P=0.66>0.05差異不顯著。?CC計算結果如圖1-13所示。降雨強度?MR?CC小雨0.0000.0090.000-0.026大雨0.0000.014通過計算破壞程度以及分類置信度在三級降雨下的四分位差，即指標分布的75百分位數(shù)與25百分位數(shù)的差值，可以反映在各類模擬降雨特定等級下指標的分布情評價指標DRCC降雨等級小雨大雨小雨大雨場地物理模擬降雨A0.0850.0080.0170.0470.0080.007場地物理模擬降雨B0.0020.0030.0020.0040.0040.006仿真數(shù)字模擬降雨A0.0020.0050.0070.0140.0210.030仿真數(shù)字模擬降雨B0.0020.0020.0020.0100.0210.030仿真數(shù)字模擬降雨C0.0010.0010.0010.0090.0080.012生成模型模擬降雨0.0030.0010.0030.0150.0530.030數(shù)值區(qū)間，波動均較小，因此使用指標平均值表征各類模擬降雨下圖像質量以及目以無雨（基礎場景）下原始感知圖像為基礎，價指標，其結果如圖1-14所示。從圖中可以發(fā)現(xiàn)場地物理模擬降雨A隨著降雨強目標檢測方面，計算兩種場地物理模擬降雨下的目標物的CC，其結果如圖 進一步對于真實降雨和各模擬降雨下圖像質量的指標結果進行匯總分析，其中真實降雨為其他模擬方法的對照基準。由于在真實降雨下，DR存在顯著性差異，表征真實降雨對圖像產生的影響范圍，從而探究模擬降雨指標平均值是否符合真實在指標趨勢上，真實降雨條件下，隨降雨強度的增加，圖像質量在在小雨-中雨以及小雨-大雨滿足上升趨勢。對于各類降雨模擬方法，驗證降雨等級間的差異調整顯著性r降雨等級小雨-中雨小雨-大雨場地物理模擬降雨A0.2200.000**場地物理模擬降雨B0.000**0.000**仿真數(shù)字模擬降雨A0.041*0.000**仿真數(shù)字模擬降雨B0.000**0.000**仿真數(shù)字模擬降雨C0.000**0.000**生成模型模擬降雨0.000**0.000**注：“*”表示顯著性水平為0.05“**”表示顯著性水平為0.01各類降雨下圖像破壞程度結果匯總如圖1-20和表1-8所示。其中場地物理模擬上升，且滿足差異性檢驗。仿真軟件A在各級降雨下的DR均符合真實降雨區(qū)間，仿真軟件B在小雨下DR過高，而C在各級降雨下DR都高于真實降雨，且差距較破壞程度數(shù)值范圍趨勢降雨等級小雨大雨小雨-中雨小雨-大雨真實降雨25百分位數(shù)25.2%44.6%41.3%上升上升75百分位數(shù)53.5%71.1%73.2%場地物理模擬降雨A↑↑√××場地物理模擬降雨B↓√↑√√仿真數(shù)字模擬降雨A√√√×√仿真數(shù)字模擬降雨B↑√√××仿真數(shù)字模擬降雨C↑↑↑√√生成模型模擬↑↑↑√×注：“√”表示符合真實降雨指標變化趨勢或該指標位于真實降雨的第25-75百分位數(shù)范圍內“↑”表示高于此范圍“↓”表示低于此范圍“×”表示不符合真實降雨變化趨勢對于行人目標物，場地物理模擬降雨、生成模型模擬降雨和和仿真數(shù)字模擬降2）?CC對比降雨等級小雨大雨評價指標?CC?CC?CC真實降雨25百分位數(shù)-0.016-0.067-0.01975百分位數(shù)0.038-0.0030.071場地物理模擬降雨A√↑↑場地物理模擬降雨B↑↑√仿真數(shù)字模擬降雨A√↑√仿真數(shù)字模擬降雨B√↑√仿真數(shù)字模擬降雨C√↑↑生成模型模擬降雨√↓√注：“√”表示該指標位于真實降雨的第25-75百分位數(shù)范圍內“↑”表示高于此范圍“↓”表示低于此范圍雨模擬方法。每個維度的真實度得分取決于模擬方法能夠在哪些降雨等級下與真實并沒有降雨模擬方法能夠在所有比較維度均與真實降雨均保持一致。橫降雨等級DR數(shù)值范圍DR趨勢MR數(shù)值范圍?CC數(shù)值范圍綜合真實度場地物理模擬降雨A★☆☆☆☆/★☆☆☆☆☆場地物理模擬降雨B★☆☆★★/★☆☆★☆☆仿真數(shù)字模擬降雨A★★★★☆/★★☆★★☆仿真數(shù)字模擬降雨B★★☆☆☆/★★☆★☆☆仿真數(shù)字模擬降雨C☆☆☆★★/★☆☆★☆☆生成模型模擬降雨☆☆☆★☆/★★☆★☆☆注：“★”數(shù)量表示模擬降雨在特定指標維度下的真實度“/”表示不進行比較本章以降雨觸發(fā)條件為例，以下游視覺感知任務為切入點，全面定性對比多種降雨模擬方法在機器視覺維度上的真實度。首先構建評價指標集，用于量化對比各降雨下指標的規(guī)律為基準，從圖像質量和目標檢測結果兩個維度橫向對比各降雨模擬方法，結果表明仿真數(shù)字模擬降雨相較于其他兩類方法具有相對較高的機器視覺場地模擬降雨通過產生物理降雨實現(xiàn)降雨觸發(fā)條件的模擬，因此廣泛適用于各類感知系統(tǒng)的實車測試，但也帶來降雨在物理層面模擬有效性的問題。本章進一步聚焦場地模擬降雨，通過引入激光雨滴譜儀，采集真實降雨與模擬降雨及對應降雨下的傳感器數(shù)據(jù)，定量分析場地測試降雨模擬在降雨微觀物理分布與對不同傳感器下游任務表現(xiàn)影響層面的綜合模擬有效性，并基于雨滴物理分布提出場地模擬降雨為了從降雨物理分布與下游任務呈現(xiàn)兩方面展開研究，本節(jié)選取降雨與傳感器指標實現(xiàn)量化對比。降雨物理分布層面，本章從微觀層面出發(fā)，引入現(xiàn)有氣象學相本章選取了激光雷達和攝像頭兩類類主流傳感器，更全面地探究兩類降雨對不同傳感器下游感知任務產生影響的一致性。并且依據(jù)傳感器的工作過程可以進一步把傳基于研究背景，降雨的分析與比較應當從微觀分布的層面進行探究，任務組通過使用如圖2-1所示的Parsivel2激光雨滴譜儀實現(xiàn)降雨微觀數(shù)據(jù)的采集。該設備原理示意圖如圖2-2所示，傳感器的變送器單元可以產生一束水平光，當雨滴通過時會遮擋和散射激光束，位于光束另一端的接受器單元接收透過雨滴后的光信號，會12.3.4節(jié)場地模擬降雨真實度評估方法相關研究論文網(wǎng)絡首發(fā)于液態(tài)降水的直徑測量量程為0.2至5毫米，對于固態(tài)降水的量程為0.2本章將雨強作為先驗的降雨核心指標，基于雨強探究微觀指標分布。降雨等級劃分同樣參照團標《T/CMSA0013-2019短時氣象服務降雨量等級》示。由于真實降雨中大雨等級以上的短時降雨出現(xiàn)概率較低，所以把大雨及以上等時段雨強（mm.h-1）30分鐘短時小雨<0.5<1.0<2.0短時中雨0.5~0.91.0~1.92.0~3.9短時大雨1.0~1.92.0~3.94.0~7.9短時暴雨2.0~4.94.0~9.98.0~19.9短時大暴雨5.0~15.010.0~30.020.0~50.0短時特大暴雨>15.0>30.0>50.0響反射散射與衰減，攝像頭表面附著水漬影響清晰度。因此相較于各類目標檢測算激光雷達的原理是通過發(fā)射激光波束并測量其在不同角度和距離位置上的反射信號來獲取目標區(qū)域的三維點云數(shù)據(jù)。本章只選取目標物所在的感興趣區(qū)域（RegionofInterest,ROI）進行量化評估。攝像頭使用感知指標即圖像質量評價指傳感器類型傳感器感知指標指標符號激光雷達平均點云數(shù)量Naverage個平均反射率Raverage%反射率信息熵refbit反射率信噪比SrefdB攝像頭破壞程度DR/不同傳感器有各自的目標檢測算法對于原始感知數(shù)據(jù)進行檢測處理。激光雷達檢測算法多樣，可以分為基于投影、基于體素以及基于多模態(tài)融合的方法。視覺目標檢測算法可以分為兩類，一類為特征提取，另一類基于深度學習，典型算法如YOLO。傳感器檢測指標如下表2-3所示，為區(qū)分不同傳感器設置對應下標。由于傳感器類型傳感器檢測指標指標符號激光雷達漏檢率MRLiDAR/縱向檢測距離誤差σxLiDARm橫向檢測距離誤差σyLiDARm攝像頭分類置信度CCcamera/漏檢率MRcamera/研究主要通過實驗的手段探討場地模擬降雨在微觀分布與下游任務中的模擬有置兩部分實驗，分別采集真實降雨與模擬降雨的微觀數(shù)據(jù)以及兩類降雨下的傳感器的速度直徑-數(shù)量的分布矩陣，也能夠基于內部擬合的算法輸出雨強等信息。對于降雨微觀數(shù)據(jù)，按分鐘進行采集劃分，以每分鐘作為一組數(shù)據(jù)。目標物方面，考慮其中激光雷達配備RS-LiDAR-Algorithms目標檢測算法，攝像頭采用Y雷達型號RS-RubyLite波長905nm水平角分辨率豎直角分辨率<0.1。水平視場角360。垂直視場角40。最大探測距離230m距離精度±3cm攝像頭型號IFV300分辨率1920*108030FPS水平視場角52°垂直視場角39°動態(tài)范圍MobileyeEQ3激光雷達與攝像頭集成于如圖2-3所示的數(shù)據(jù)采集平臺，真實降雨實驗場地的選擇需要考慮到實驗平臺搭建、目標物放置位置降雨不受周圍建筑等影響，因此需要相對開闊的場地。真實降雨實驗場地如圖2-4所示。全長405m，設置有雙向四車道，道路兩側設置有降雨模擬噴頭，模擬降雨實驗場地如圖2-5所示。圖2-6為模擬降雨設備的示意圖。道路兩側的模擬降雨設備水泵的疊加組合對應著不同的輸出壓力。設備存在小中大雨三種噴頭，從設計的角本節(jié)主要可以分為兩部分，真實降雨數(shù)據(jù)采集與模擬降雨數(shù)據(jù)采集實驗，為后借助激光雨滴譜儀收集不同等級真實降雨微觀數(shù)據(jù)，為與模擬降雨對比提供基礎。在空曠處布置激光雨滴譜儀，按每分鐘一次頻率分均勻性結果如圖2-8所示。結果表明縱向均勻，后續(xù)只考慮橫向差異。最終在指定0m5m10m15m20m本節(jié)采集兩類降雨下傳感器對假人目標物的感知與檢測數(shù)據(jù)，對比不同降雨對基于篩選出的模擬降雨工況，探究不同傳感器在分級模擬降雨下對目標物的感知受影響程度。實驗同步采集模擬降雨數(shù)據(jù)，以驗證集到傳感器數(shù)據(jù)，實驗過程如圖2-9。作為對比基準。選擇空曠地帶，以假人為目標物采集傳感器數(shù)據(jù)，與真實降雨采集數(shù)據(jù)類型小雨/組大雨/組總計/組降雨微觀數(shù)據(jù)真實降雨391712模擬降雨///34傳感器數(shù)據(jù)真實降雨21模擬降雨///對于真實降雨分布的規(guī)律進行總結，并同樣對比模擬降雨下的趨勢與差異，對比分的行對應不同的雨滴粒徑區(qū)間，列對應不同的雨滴速度區(qū)間。矩陣元素表示采如圖2-11所示，為某一真實降雨樣本的速度粒徑-顆粒數(shù)分布熱力圖。其中橫坐標表示雨滴粒徑，其上的數(shù)字表示雨滴粒徑的范圍；縱坐標表示雨滴粒子速度，軸上的數(shù)字表示雨滴速度的范圍；圖中每一個格子內的顏色深淺反映了對應粒徑速度等級下雨滴顆粒數(shù)的多少。由于在極高速與大粒徑區(qū)間不會分布雨滴，因此熱力a)真實降雨樣本分布熱力圖b)模擬降雨樣本分布熱力圖總體上來看，隨雨強增加模擬降雨并不像真實降雨那樣具有非常明顯統(tǒng)一的變化的規(guī)律。相較于真實大雨，模擬降雨中低速小粒徑的雨滴粒子在大雨強下仍然占據(jù)很高的比重。而在真雨樣本中，在雨強增大的過程里，雨滴粒子粒徑顯著增加，粒子速度也會對應增加。因此模擬降雨熱力圖中的著色區(qū)域在分布形態(tài)上會更加向此外存在個別模擬降雨樣本，與其他模擬降雨的分布形態(tài)顯著存在差異。如雨強12.6mm/h的模擬降雨，整體的分布熱力圖本身雖然能夠進行最為直觀的比較，但是無法很好地從數(shù)量級上探究雨滴的分布。所以研究進一步從把熱力圖降維到速度-顆粒數(shù)與粒徑-顆粒數(shù)兩個維度圖2-13為不同雨強真實降雨樣本（左）和模擬降雨樣本（右）的粒徑-顆粒數(shù)二維分布。隨著雨強的增加，雨滴顆粒數(shù)的增加集中在一定范圍內。從小雨得到中超過小粒徑雨滴數(shù)量。就模擬降雨粒徑-顆粒數(shù)分布而言，不同雨強下形態(tài)相對一a)真實降雨樣本粒徑-顆粒數(shù)分布b)模擬降雨樣本粒徑-顆粒數(shù)分布圖2-14為不同雨強真實降雨（左）和模擬降雨（右）的速度-顆粒數(shù)二維分布。模擬降雨的降雨顆粒主要集中在小粒徑中低速的區(qū)間上，并且隨著雨強的增加，顆粒數(shù)的增量也仍然出現(xiàn)在以上區(qū)間上；而真實降雨隨著雨強的增加，主要的增量會出現(xiàn)在大粒徑中高速的區(qū)間上。另一方面，模擬降形態(tài)，而真實降雨隨著雨強的增加會逐漸變?yōu)殡p峰，主峰出現(xiàn)在大粒徑中高速的區(qū)a)真實降雨樣本速度-顆粒數(shù)分布b)模擬降雨樣本速度-顆粒數(shù)分布以上兩種分布的分析仍然基于激光雨滴譜儀的較。而氣象降雨相關研究會通過把速度維度折算進數(shù)濃度指標，以此得到降雨雨滴譜分布。數(shù)濃度提供了一個單位體積內雨滴數(shù)量的標準化度量，使得不同時間、地點或條件下的測量數(shù)據(jù)可以直接比較，不會受到測量體積大小差異的影響。因此本章也對于不同雨強下的數(shù)濃度分布展開比較，并總結規(guī)律。圖2-15為不同雨強降雨a)真實降雨樣本雨滴譜分布b)模擬降雨樣本雨滴譜分布模擬降雨的離散雨滴譜分布并沒有隨著雨強增加有一致的變化趨勢，并且部分樣本的呈現(xiàn)存在明顯的不同。相較于同雨強的真實降雨，模擬降雨的粒徑跨度區(qū)間明顯更窄，但是峰值的數(shù)值更高。另一方面，真實降雨隨著雨強的增加基于前序章節(jié)分析，場地模擬降雨在物理分布上與真實降雨存在較大差異，因本節(jié)選擇雨滴譜儀直接輸出得到的雨滴分布矩陣作為真實度評估的基礎，其包含了降雨樣本粒徑、速度和數(shù)量的雨滴分布信息，是描述降雨特征最基礎、最直接的物理量，已被廣泛應用于氣象降雨觀測模擬研究中，也是其他降雨確定場地模擬降雨在雨滴分布層面比較的評估基準，是量化分析場地模擬降雨在微觀分布上與真實降雨之間的差異或是近似程度的關鍵。本節(jié)基于真實降雨樣本的雨滴分布矩陣作為構建真實度評價基準的基礎。但由于真實降雨樣本按分鐘劃分，每個樣本都存在特異性與不確定性，單個樣本的雨滴分布矩陣無參照氣象學相關研究[24]，可以將降雨樣本基于雨強劃分等級，求取平均分布以探究雨滴分布的共有規(guī)律。因此如圖2-16所示，對于真實降雨樣本劃分為小中大雨三級，由此為基礎計算各級降雨下的平均分布熱力圖，并作為代表各級降雨雨滴分布的真實度評估基準，避免了特異性帶來的偏差，突出特定等級下真實降雨樣本共由實驗采集得到真實小雨樣本391組、真實中180180組，計算得到圖2-16所示三級真實降雨下的平均分布熱力圖作為后續(xù)真實度評估基準。三級平均分布熱力圖同樣符合真實降雨雨滴分布隨雨強的變化趨勢，即雨a)小雨評估基準構建b)中雨評估基準構建a)大雨評估基準構建基于雨滴分布評估基準，即真實降雨下的平均分布熱力圖，通過量化待評場地模擬降雨樣本在雨滴分布熱力圖維度與評估基準之間的相似性，由此量化場地模擬似性計算的方式可以量化樣本與基準之間的相似度，從而評估雨滴分布真實度。本性，把模擬降雨樣本與真實降雨基準的原始數(shù)據(jù)矩陣元素類比于像素點輸入公式，在此基礎上，通過分析采集得到的模擬降雨樣本的雨滴分布矩陣，主要存在兩方面的異常雨滴分布。一方面，部分樣本中大量低速小粒徑的雨滴分布在真實降雨樣本中是不存在的；另一方面，部分模擬降雨在矩陣元素的數(shù)值量級上遠高于對應雨滴分布情況進行識別與區(qū)分，幫助更有針對性地評估真實度，具體相似度計算公S(X,Y)=ptotal.SSIM(X,Y)(1)i,ji,ji,ji,j式中，S為待評樣本與評估基準在雨滴分布上的相似性，由總懲罰系數(shù)ptotal與待評降雨樣本雨滴分布矩陣X和評估基準Y之間的結構相似性相乘得到?？倯土P系數(shù)ptotal的設置，考慮到待評樣本雨滴分布矩陣中兩部分異常元素：異常分布元素數(shù)pdist與異常數(shù)值元素數(shù)pval。其中，pdist統(tǒng)計待評樣本中非零，但在基準中對應位置元素為零的異常分布元素的數(shù)量；而pval則統(tǒng)計待測樣本中數(shù)值與基準矩陣中對應元素存在數(shù)值量級差異的異常數(shù)值元素的數(shù)量。通過將兩者加和并與待評樣本計算平均分布熱力圖得到。而當樣本雨強位于降雨等級劃分的邊界時，其分布會與相鄰基準之間均有較高的相似性。為解決以上問題，本節(jié)引入降雨等級的模糊隸屬度，模糊待評降雨樣本等級劃分的邊界，并以隸屬度數(shù)值作為權重，將樣本與所有等級基準的相似度加權求和，以得到最終的雨滴分布真實度計算結果?；谔菪文Ｊ街?，μlight，μmedium，μheavy分別是小中大雨三級的模糊隸屬度，R為待測降雨樣本的雨強數(shù)值。由于真實降雨僅被劃分為三個等級，因此對于雨強高于大雨等級的待評樣本歸入大雨等級中。最終，通過分別計算被測樣本與三級評估基準之間的相似性，再以隸屬度作為權重進行加權加和，得到場地模擬降雨雨滴分布真實度（RealismofRaindropRRD=μlight*slight+μmedium*smedium+μheavy*sheavy(8)式中：slight，smedium，sheavy分別代表待評樣本與小中大三級真實度評估基需要闡明的是，由于本方法使用樣本的雨滴分布矩陣與評估基準之間的相似度作為雨滴分布真實度，即使是真實降雨樣本也會存在與基準之間的差異，使得樣本應用本節(jié)提出方法，對于實驗采集得到的模擬降雨樣本進行雨滴分布真實度評準?？紤]到部分模擬降雨雨強過大，缺少對應等級的評估基準，因此從雨強位于大基于數(shù)值結果，樣本S3具備更高的雨滴分布真實度，能夠更真實地模a)樣本S3b)樣本S4a)樣本R650b)樣本R664c)樣本R670d)樣本R675較。其中，RRD值更高的樣本S3，在雨滴分布的形態(tài)以及數(shù)量級本一致性較高。而樣本S4中存在大量低速小粒徑的雨滴粒子，力圖的左下區(qū)域，與真實降雨的雨滴分布差異較大。由此可見，對于模擬降雨樣本而言，即使雨強近似，微觀分布也存在極大的差異。而本節(jié)方法能夠對于樣本S4從模擬降雨測試設置的角度來看，基于單一雨強指標無法對于模擬降雨雨滴分布的模擬效果進行評估。本節(jié)提出的RRD指標相較于雨強，能夠從微觀雨滴分布驗證模擬和真實降雨對下游任務影響的相似性?；趦深惤涤甑膫鞲衅鲾?shù)據(jù)，對比不同傳感器對特定目標物的感知、檢測情況是否一致來驗證。整體思路上，通過檢驗不同等級真實降雨下傳感器指標結果的差異性是否顯著，探究真實降雨下傳感器指標數(shù)值分布與變化規(guī)律，通過對比模擬降雨傳感器指標結果是否與真實降雨規(guī)律對于不同降雨等級下各項感知指標的差異性進行檢驗，當存在顯著差異則比較指標數(shù)值范圍與趨勢，否則只比較指標結果的數(shù)值范圍，由此驗證場地模擬降雨是在三級真實降雨下，激光雷達的平均點云數(shù)量naverage在小雨、中雨、大雨等級在較高數(shù)值波動；平均反射率refaverage分別為8.29%、7.24%、6.68%，存在差異且僅小雨-大雨顯著，整體呈下降趨勢；反射率信息熵E-ref分別為1.64bit、1.53bit、1.47bit，存在差異且小雨-中雨、小雨-大雨顯著，整體先減小后在低數(shù)值波動；反射率信噪比SNRref分別為1.64bit、1.53bit、1.47bit，存整體呈下降趨勢。激光雷達感知指標在三級真實模擬降雨下數(shù)值與趨勢如圖2-19所示，其中箱圖表示真實降雨下指標分布范圍，紅色點為模擬降雨下指標數(shù)值，線段（a）平均點云數(shù)量naverage（b）平均反射率refaverage（c）反射率信息熵E-ref圖（a）為三級模擬降雨下naverage的數(shù)值與趨勢。指標的趨勢與真實降雨相符合，隨著降雨等級的增加，數(shù)量先上升后平穩(wěn)。并且除去模擬小雨等級下點云數(shù)量略低于真實降雨的分布，中大雨等級下，平均點云數(shù)量均位于真實降雨指標分布的圖（b）為三級模擬降雨下refaverage的數(shù)值與趨勢。整體趨勢上，模擬小擬大雨，平均反射率下降，符合真實降雨趨勢；但在數(shù)值上，均低于三級真實降雨下的平均反射率。表明場地模擬降雨對于反射率的影響十分顯著，結合2.3的分析，致，但是數(shù)值均低于三級真實降雨?？紤]到反射率信息熵的計算方式以及平均反射率指標的數(shù)值，在三級模擬降雨下，大部分點云的反射率數(shù)值聚集到一個比較小的低于真實小雨，最終趨勢上與真實降雨不同。但是模擬中雨與模擬大雨的數(shù)值整體在真實降雨的指標分布區(qū)間內。模擬小雨下的較低數(shù)值表明在該工況下，點云反射率的數(shù)值波動很大，使得指標數(shù)值較低。推測原因可能是由于輸出壓力的不足，降視覺感知指標在三級模擬降雨下的數(shù)值趨勢如圖2-20所示，并與真實降雨的數(shù)視覺感知指標為破壞程度，三級降雨下DR數(shù)值分布如圖2-20所示。小雨等級下平均DR為0.30，中雨等級下為0.47，大雨等級下0.60。DR在三級降雨下存在差異（H=205.7,P=0.00<0.0（P=0.00<0.05）之間均存在顯著差異，整體趨勢隨著降雨等級的增大，降雨對于圖像質量的破壞程度逐漸增大。指標整體趨勢與1.3.1中指標結果接近，其中本章中大雨等級間的趨勢呈現(xiàn)可能是由于一致的數(shù)據(jù)采集背景，同時本章降雨等級劃分與真實降雨下的趨勢吻合。但是在指標數(shù)值上，場地模擬降雨對于圖像的破壞程度均高于真實降雨。推測原因可能有兩方面：首先是模擬降雨中小顆粒對于圖像清晰度帶來的破壞；其次由于降雨模擬設備產生的降雨因為角度等原因會更加容易濺射MRLiDAR平均小于0.01，等級間無顯著差異；縱向檢測距離誤差σxL存在差異，小雨-大雨差異顯著，且隨降雨等級增加逐漸減??；橫向檢測距離誤差三級模擬降雨下激光雷達檢測指標情況如圖2-21所示。在模擬小雨與模下，激光雷達的漏檢率均較小，但是在模擬大雨下出現(xiàn)一定的漏檢。σxLiDAR在三級模擬降雨下的數(shù)值均高于真實降雨下的指標分布，并且隨著降雨等級的增加，誤差快速增加，趨勢上與真實降雨不符。σyLiDAR在三級模擬降雨下整體數(shù)值均高于真實a)漏檢率b)縱向檢測距離誤差c)橫向檢測距離誤差攝像頭的視覺檢測指標在三級真實降雨以及三級模擬降雨下的情況如圖2-22所示。在三級模擬降雨下，視覺分類置信度均位于真實降雨的分布范圍內。視覺漏檢基于以上的分析與對比，本節(jié)對于模擬降雨下三類傳感器各項指標的數(shù)值范圍表2-7分別從三級模擬降雨的指標數(shù)值是否位于真實降雨的分布區(qū)間以及趨勢傳感器類趨勢小雨大雨激光雷達感知naverage↓√√√refaverage↓↓↓√ref↓↓↓√SNRref↓√√×檢測MRLiDAR√√↑/σxLiDAR↑↑↑×σyLiDAR↑↑↑/攝像頭感知DR↑↑↑√檢測√√√/MRcamera√√↑/數(shù)值傳感器指標注：數(shù)值部分，“√”表示位于真實降雨數(shù)值分布范圍內，“↑”“↓”表示高于或低于真實降雨數(shù)值分布范圍趨勢部分，“√”表示符合真實降雨趨勢，“×”表示不符合真實降雨趨勢，“/”表示不對趨勢進行比較就感知指標來看，基于真實度評價選出的三級模擬降雨，在多數(shù)感知指標趨勢上與真實降雨相符，能體現(xiàn)不同降雨等級對傳感器影響的差異。激光雷達點云數(shù)量指標數(shù)值匹配良好，但點云反射率相關指標數(shù)值低于真實降雨分布范圍，這或許是大量小粒徑雨滴對激光雷達信號散射與吸收所致。攝像頭的感知指標趨勢也與真實降雨一致，然而各級模擬降雨對圖像質量的破壞程度均高于真實降雨，可能是降雨模擬設備的降雨噴灑方向致使雨滴更易附著在傳感器表面，降低圖像清晰度，如圖2-23所示。就檢測指標而言，各級模擬降雨對檢測算法影響均大于真實降雨，激光雷達與視覺檢測在真實降雨下基本無漏檢，模擬大雨有漏檢，激光雷達檢測誤差在模擬降雨中大幅增加?？傮w上，三級模擬降雨對傳感器感知與檢測挑戰(zhàn)高于真實降雨，雖部分指標能一定程度復現(xiàn)真實降雨影響，但無法完全對應真實降雨，有效性難以保本章聚焦于場地模擬降雨這一降雨觸發(fā)條件物理模擬手段，通過對比真實降雨和模擬降雨在微觀分布和傳感器影響上的相似性，定量分析了模擬降雨的綜合模擬有效性，并在降雨物理分布維度提出真實度評估方法。研究結果表明，被測場地模擬降雨在高速大粒徑雨滴的模擬上存在差異，基于評估方法能夠有效篩選高真實性的模擬降雨工況。同時，模擬降雨對下游感知任務的影響大于真實降雨，在傳感器道路中障礙物的多樣與隨機對于智能駕駛感知系統(tǒng)帶來實車測試受限于較高的測試成本且測試效率不足，因而通過仿真測試的方法是較優(yōu)的選擇。本章針對特殊目標物類觸發(fā)條件，選取各類常見障礙物作為研究對象，通過仿真重建的方式，進行了實車與仿真感知結果的對標，從而探索常見障礙物仿真在現(xiàn)階段自動駕駛系統(tǒng)ADS快速開發(fā)迭代的環(huán)境下，基于三支柱法（仿真測試、封閉場地測試、開放道路測試）的測試執(zhí)行策略已經在行業(yè)內得到了廣泛的應用。其中，仿真測試憑借其測試場景獲取方便且可復現(xiàn)、測試成本較低，以及可加速并行高效測試的特點，成為了測試執(zhí)行的重要方法。理想情況下，在ADS軟件開發(fā)周期內，具備完善場景集的成熟仿真測試系統(tǒng)可以迅速地對新增或改進的模型形成域控制器后，HIL測試也能承擔域控上車雖然仿真測試具備諸多優(yōu)勢，但一些明顯的缺陷也限制了其在測試領域發(fā)揮更大價值。首當其沖的是仿真器渲染場景的真實性問題，仿真無法全面準確地還原現(xiàn)實中無限復雜的駕駛環(huán)境和相關對象，例如天氣變化（大霧、暴雨、眩光）、路況（錐桶、紙箱、輪胎）。大多數(shù)情況下，仿真軟件中的相關目標和真實世界中的相同目標，存在著肉眼可見的差異。在仿真中不能完全還原真實世界中的目標，仿真發(fā)現(xiàn)了一些意料之外的問題。如在仿真測試中，存在將路邊的護欄誤檢為車輛的情況，如下圖3-1a；對于并排行駛的大貨車，識別輸出為兩輛車（截斷如下圖3-1b。將以上仿真中的問題在實車測試中進行復現(xiàn)，尋找到類似的護欄或者大貨車場景（護欄類型和車輛外形并非完全一致發(fā)現(xiàn)基本上沒有出現(xiàn)相關感知問題。a)觸發(fā)場景示例1（道路結構誤識別）b)觸發(fā)場景示例2（車輛誤識別）為了探究仿真測試中的感知和面向真實世界的感知究竟有何差距，以及造成這個差距的原因，我們希望通過設計實驗來進行驗證。為此我們提出了幾個仿真與真a)仿真器中的車、人、障礙物等素材的建模和真實世界的素材在外觀、尺b)仿真器中的渲染引擎渲染出的圖像和真實世界的圖并已經根據(jù)實車傳感器配置情況在仿真器中進行了相關傳感器參數(shù)配置，所以本章由于仿真器中的渲染效果主要受限于渲染引擎，本實驗中的仿真測試均基于假設a，即仿真器中素材的建模和真實世界的素材在外觀、尺寸、質感等方面并不下圖3-2中根據(jù)是否存在SOTIF觸發(fā)條件與真實世a)在道路上設置典型的障礙物場景（本實驗僅將相關障礙物隨意擺放至合理b)根據(jù)典型障礙物的樣式和尺寸，在仿真資源庫中進行精細化1:1建模，并c)使用建設的精細化模型，在Simone中對實車測試的場景進行還原，形成可e)將實車感知結果與在仿真中還原的場景感知結果進行對比分搭載地平線過程版本軟件與設備的測試車輛；集成了與實車版本一致軟件包的PIL測試平臺，PIL平臺利用域控處理器板端進行感知回灌，利用模擬器的動力學模塊進行規(guī)控閉環(huán)，用于功能的性能摸底和指標分析其鏈實驗收集常見障礙物如表3-1所示。編號障礙物名稱示意圖材質尺寸1嬰兒車金主體-塑料頂棚、座椅-防水布底部到頂棚高105cm，前輪軸心橫向間距42cm，后輪中心橫向間距58cm，前后輪軸心縱向距離66cm，把手最高離地距108cm，底盤離地距離7cm，嬰兒座艙寬36cm，嬰兒坐艙空間高70cm，前輪直徑18cm，后輪直徑25cm。2手推車鋁合金長71cm，寬47cm,板面離地高度10cm，厚度4cm，把手寬43cm，離地高度84cm。3輪胎橡膠輪胎內徑45cm，外徑66cm，厚度22cm4大紙箱牛皮卡紙長50cm,寬33cm,高20cm5小紙箱牛皮卡紙長30cm,寬24cm,高20cm6障金屬總高60cm，直徑7cm7雪糕筒底座直徑（邊長）30cm,底座高4cm，總高度64cm,上直徑（邊長）7cm,下直徑（邊長）18cm。8色底座邊長27cm,離地5cm，下截面邊長18cm,頂截面邊長8cm，總高70cm9色底座總邊長寬35cm,去掉棱角部分的邊長為12cm,總高69cm,下截面邊長20cm，上截面邊長9cm用于提供仿真環(huán)境和場景的渲染，作為域控感知部分的輸入。同時，51world相關按照圖3-6中的測試步驟執(zhí)行實車測試與仿真測試，分別獲得實車條件下和仿復現(xiàn)的場景，其中場景1為包含行人+正常狀場景1感知效果對標如下方圖3-7與圖3-8所示。根據(jù)感知模型檢出的效果進行統(tǒng)計得到如圖3-9所示結果，仿真與實車的模型場景2感知效果對標，如下方圖3-10與圖3-11所示。根據(jù)感知模型檢出的效果進行統(tǒng)計得到如圖3-12所示結果，仿真與實車的模根據(jù)以上兩份對標結論，可以看到對于精細化建模的目標，同一版本軟件在實車測試和Simone仿真測試中的檢出效果其中，對于正常狀態(tài)障礙物的識別效果均良好，當障礙物傾倒后，實車和仿真的檢出效果下降也是較為一致的。因為，我們可以認為對于精細化建模的非標障礙物（上述障礙物列表覆蓋的仿真測試的結論還是具有一定可信度的，同時也可以一定程度上覆蓋相關的測試任務。對于動態(tài)障礙物，以及考慮特殊天氣、光照的場等關鍵目標在仿真測試中的真實性，研究其不同動態(tài)狀態(tài)下對感知真實性帶來的挑渲染方面的能力得到了大幅度提升。我們也將基于圖3-2中列出的四象限，進一步長久看來，自動駕駛開發(fā)中的仿真測試不可或缺，如何提升仿真場景的真實性和可靠性，也是仿真軟件開發(fā)和使用方都倍加關注的問題。我們希望通過持續(xù)的驗證和對標，盡可能明確當前仿真軟件的能力邊界，使其更精準高效地為自動駕駛發(fā)典型觸發(fā)條件具有明確的定義、易于復現(xiàn)且較為常見，通過從系統(tǒng)層面的整體評估，探討在此類觸發(fā)條件下感知系統(tǒng)的錯誤可接受原則，從而實現(xiàn)對感知系統(tǒng)預期功能安全的測試與驗證。本章以人類駕駛員駕駛表現(xiàn)作為基線，提出典型觸發(fā)條件下感知系統(tǒng)錯誤可接受水平判定方法，并通過選取前車切出遇靜止前車的場景，在感知系統(tǒng)預期功能安全的討論中，典型觸發(fā)條件通常包含那些定義明確、容易復現(xiàn)且在實際應用中頻繁出現(xiàn)的情況。這些條件通常與常見的系統(tǒng)行為、環(huán)境因素或傳感器的工作狀態(tài)相關。例如，環(huán)境光照變化、傳感器被遮擋、或是車輛行駛中的典型障礙物等，都是典型觸發(fā)條件。典型觸發(fā)條件的重要性在于它們能夠幫助算法在對應觸發(fā)條件下的測試大多是充分的。因而，針對典型觸發(fā)條件，應當聚焦于系統(tǒng)層面，通過整車表現(xiàn)對于感知系統(tǒng)發(fā)生錯誤的可接受水平進行探究，并總結感知錯誤可接受判定準則。這不僅有助于設計階段預防潛在的安全隱患，確保系統(tǒng)在真實道路環(huán)境中的穩(wěn)定運行，還能夠在事故發(fā)生后幫助對于感知系統(tǒng)錯誤歸因與像頭、雷達、激光雷達等傳感器）在獲取、處理和解釋環(huán)境信息時所產生的偏差或失誤。這些錯誤可能表現(xiàn)為誤檢、漏檢或錯誤分類等，即感知系統(tǒng)無法準確識別、感知錯誤的發(fā)生與具體觸發(fā)條件密切相關，出現(xiàn)誤通常由環(huán)境因素、傳感器特性、算法局限性等問題引起。在系統(tǒng)層面分析由于典型觸發(fā)條件導致的感知錯誤對整車表現(xiàn)的影響時，需要通過系統(tǒng)在環(huán)測試或是錯誤素（可能危害）時，例如慢速前車、樁筒或是橫穿行人等，系統(tǒng)需要快速識別目標元素并執(zhí)行恰當?shù)谋茏残袨椤６斎鐖D4-1所示，典型觸發(fā)條件導致感知錯誤發(fā)生時，如對于目標元素的漏檢或誤檢，VUT決策控制環(huán)節(jié)會出現(xiàn)相應的延遲，使得在包含可能危害的具體場景中，被測車輛可以采取不同的避撞策略，包括緊急制動與緊急轉向等，最終是否能夠避免碰撞的發(fā)生同樣與VUT的避不同避撞策略成功的前提均是保證與目標元素（可能危害）之間具有足夠的距離，綜上，當感知錯誤發(fā)生時，感知系統(tǒng)響應情況、VUT避撞能力與具體場景參知錯誤是否可接受，需要綜合考慮以上所有因素，并對系統(tǒng)在不同邏輯場景下的性性時，必須確保新方案在整體上至少與現(xiàn)有方案或基線方案同等有效或更好；ALARP原則主張風險應降低到“合理可行的最低水平”，需要權衡風險水平與降低風險的成本；MEM原則關注系統(tǒng)改進后相較于現(xiàn)有系統(tǒng)風險引起的死亡或危害風險不會顯著增加；PBR原則考量新系統(tǒng)的總體風險，而不受限于對于典型觸發(fā)條件導致的感知預期功能安全問題，需要在具體場景中測試分析錯誤可接受水平的基準，得到如圖4-2所示的感知錯誤可接受原則，即系統(tǒng)在典型由4.1.1小節(jié)的分析，感知錯誤是否可接受與感知系統(tǒng)響應情況、被測車輛避撞能駛且慢于自車。此時，在具體場景中，被測車輛避撞能力確定，可以通與目標元素的距離是否足夠VUT進行極限避撞進行判定。因此行減速時，被測車輛是否能夠避撞可以通過如下公式進行判定，即感知錯誤可接受始距離中，實現(xiàn)完全避撞所需要距離的占比；Terr為感知錯誤時長，為風險可感知時刻到感知系統(tǒng)穩(wěn)定感知時刻的時長；TTC0為風險可感知時刻的TTC值，基于場景初始距離D0以及被測車輛與目標元素的相對速度計算得到；D1為極限避撞距離，外基于感知錯誤可接受判定公式，能夠得到如圖4-3所示的感知錯誤可接受判定坐此外，當R1>1，表征過程中感知系統(tǒng)完全沒有檢測到目標元效區(qū)域；當R2>1，表征在對應場景初始參數(shù)下，受限于基于以上的判定坐標系，同樣可以將人類駕駛員在相同場景下的駕駛表現(xiàn)繪制員制動模型在前車切出場景中的表現(xiàn)繪制如圖4-4與圖4-5所示的人類駕駛員基準如圖4-4所示，當人類駕駛員未發(fā)生碰撞時，人類駕駛員基準點落在左下方區(qū)域。依據(jù)感知錯誤可接受標線與人類駕駛員基準點，可以將坐標系分為三個區(qū)域：（1）當被測車輛坐標點位于區(qū)域①,表征VUT成功避撞，但感知響應慢于人類（2）當被測車輛坐標點位于區(qū)域②,表征VUT成功避撞且感知響應優(yōu)于人類，（3）當被測車輛坐標點位于區(qū)域③,表征VUT未能避撞，感知錯誤不可接受。如圖4-5所示，當人類駕駛員發(fā)生碰撞時，人類駕駛員基準點位于右上方區(qū)域。依據(jù)標線與基準點可以將坐標系分為三個區(qū)域：感知錯誤可接受區(qū)域，感知錯誤不（1）當被測車輛坐標點位于區(qū)域①,表征VUT成功避撞，感知錯誤可接受；（2）當被測車輛坐標點位于區(qū)域③,表征VUT未能避撞且感知響應慢于人類，（3）當被測車輛坐標點位于區(qū)域④,表征VUT未能避撞，但感知響應優(yōu)于人類基于4.1小節(jié)提出的感知錯誤可接受水平判定方法，任務組選取了前車切出后試平臺，開展了針對基于視覺感知的域控制器的感知錯誤可接受水平實驗，實現(xiàn)方實驗選取如圖4-6所示的前車切出遇靜止車輛場景作為測試場景。此類場景中包含明確的觸發(fā)條件即靜止前車被部分遮擋，感知錯誤為不能穩(wěn)定感知被遮擋目標車。對于被測車輛而言，需要感知系統(tǒng)快速穩(wěn)定識別被部分遮擋的靜止前車，從而實驗整體框架如圖4-7所示，通過篩選具體測試場景，分別獲得感知系統(tǒng)與對標人類駕駛員在相同場景下的制動表現(xiàn)，實現(xiàn)感知系統(tǒng)錯誤可接受水平的評估在具體測試場景的選擇上，任務組參照《面向智能網(wǎng)聯(lián)汽車的成熟駕駛模型白選場景進行搭建，得到如圖4-8所示的仿真測試場景。序號VUT與GVT1跟車距離（m）VUT與GVT1行駛速度（m/s）GVT1變道距離GVT1變道時間18.3223320442555307622.1272038254930535627.720225330440545633.320230335445520556如圖4-9所示，地平線硬件在環(huán)平臺通過PC、F環(huán)測試系統(tǒng)。PC端使用51-Simone仿真工具構建執(zhí)行感知與規(guī)劃控制，輸出執(zhí)行感知與規(guī)劃控制，輸出AEB響應，而后自車的行為通過車輛動力學在仿真器實驗目的為探究被測感知系統(tǒng)在靜止目標車部分暴露時的檢測表現(xiàn)，是否能夠及時實驗依托地平線硬件在環(huán)（HIL）測試平臺，被測系統(tǒng)為基于視覺感知的域控的場景文件接入硬件在環(huán)平臺。域控通過輸入的圖像對于場景元素進行識別，當連由于感知可接受水平判定過程需要明確制動過程，后盒模型確定。因而如圖4-11所示，HI任務組參照白皮書中如表4-2所示的成熟駕駛員制動模型，在前車切出場景中建壓，最大制動減速度為-7.93m/s^2?；谙卤硭镜闹苿幽Ｐ停梢垣@得人類駕模型參數(shù)參數(shù)值決策響應時間（s）制動效能提升時間（s）0.51自車最大制動減速度（m/s^2）-7.93車輛的完整制動過程進行計算。此外，通過綜合對比人類駕駛員與AEB模型在相同工況下的制動表現(xiàn)，基于如圖4-12所示的混淆矩陣進行可視化，得到如圖4-13所示的散點圖。圖4-13中，灰色點表征對應場景下，前車無法完成切出行為與靜止前車發(fā)生碰撞；圖中藍色點表征前車順利切出，且人類駕駛員能夠完成避撞行駛的AEB模型模型A模型B模型C30kph40kph切出速度切出速度50kph60kph段制動過程，能夠在低速場景中與人類駕駛員基本保持一致，在高速場景中發(fā)生較對于前車切出場景，其場景示意圖如圖4-14所示?；诰唧w場景狀態(tài)參數(shù)，可占比；Dbra為極限制動距離，基于制動模型參數(shù)以及場景初始狀態(tài)參數(shù)理論計算確通過將20組前車切出場景下的實驗結果進行坐標點計算，并與人類駕駛員制動基準點進行對比，匯總獲得如表4-3所示的統(tǒng)計結果，其中分別統(tǒng)計了不同制動分實驗案例下，感知系統(tǒng)錯誤均可以被接受；當整體制動效果較為保守時，感知系統(tǒng)錯誤時長占比過高會導致碰撞的發(fā)生而不可幾首。此外由于被測域控制器在輸出不同區(qū)域案例數(shù)量模型A模型B模型C①感知錯誤可接受區(qū)域87②感知響應優(yōu)于人類駕駛員區(qū)域///③感知錯誤不可接受區(qū)域2④感知錯誤可容忍區(qū)域///進一步，選擇兩個典型的案例進行錯誤可接受水平的具體分析，如圖4-15與圖4-16所示。兩個案例均使用模型A進行制動過程的計算。在避撞案例中，人類駕駛員與被測系統(tǒng)均未發(fā)生碰撞，因而兩者的坐標點均出現(xiàn)在感知錯誤可接受標線左下方。然而由于其感知響應不如人類駕駛員迅速，因此位于感知錯誤可接受區(qū)域內。在碰撞案例中，被測系統(tǒng)發(fā)生碰撞，而人類駕駛員未發(fā)生碰撞，因此被測系統(tǒng)坐標點位于表現(xiàn)右上方，屬于感知錯誤不可接受區(qū)域。分析碰撞原因，可以發(fā)現(xiàn)感知系本章提出了典型觸發(fā)條件下，感知系統(tǒng)錯誤可接受水平的判定方法，并能夠基車切出場景對于被測域控制器開展感知錯誤可接受水平實驗，由此實現(xiàn)了對于判定本章提出判斷方法預設了前車勻速行駛的前提，通過后續(xù)方法迭代改進，嘗試涵蓋更多的場景，如前車緊急制動場景。任務組將嘗試調整判定條件的構建方式并進一步理解坐標系的深層表征，實現(xiàn)方法的推廣應用，支撐感知錯誤可接受水平的本報告重點關注感知系統(tǒng)預期功能安全測試評價問題，針對現(xiàn)階段觸