202509月引 第1章降雨觸發(fā)條件模擬方法的機(jī)器視覺真實度定性對 第2章場地模擬降雨的模擬有效性定量分 第3章常見障礙物實車與仿真感知對 第4章典型觸發(fā)條件下感知系統(tǒng)錯誤可接受水平研 第5章總結(jié)與展 總 展 參考文 交通環(huán)境等各類觸發(fā)條件的影響，使其無法實現(xiàn)預(yù)期功能，導(dǎo)致預(yù)期功能安全（SafetyoftheIntendedFunctionality，SOTIF）1所示，后續(xù)章節(jié)結(jié)構(gòu)如下：第一11-11[1]故而選取Brenner[1]與Tenengrad[3]兩個無參考評價指標(biāo)。兩個指標(biāo)通過不同的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????????(??)=∑|??(??,??)???(??+2,

(1?式中：????????(??)Brenner函數(shù)值，??為輸入圖像，??(????)為圖像在(????)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(jìn)行提????????(??)=∑∑|??(??,??)|，??(??,??)>

(1? ??(??,??)=√????(??,??)2+????(??, (1?式中：????????(??)為圖像Tenengrad函數(shù)值，??為輸入圖像，????(????)與????(????)分別為像素點(????)處與Sobel水平與垂直檢測算子的卷積；??為設(shè)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(biāo)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，值范圍為[0,1]，計算方式如下：

(1?式中：????（DamageRatio,DR）為降雨對于圖片質(zhì)量的破壞程度，????為無雨基準(zhǔn)圖像，????為有雨圖像，??(??)BrennerTenengrad函數(shù)值，????(??????)?為無雨基DR時使用盡可能多樣背景無雨圖FasterR-CNN[4]YOLO[5]等。本章選取了具有YOLOv8mAP43.4%[6]。針對目標(biāo)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(biāo)，量化降雨條件下CC表示檢測結(jié)果屬于某一類的概率，由算法直接輸出。MR表示以一次檢測任務(wù)中目標(biāo)物未被檢測到的比例，具體計算????=????+ (1?其中，????為漏檢率，????為假陰樣本例數(shù)，????下指標(biāo)規(guī)律為對比基準(zhǔn)，任務(wù)組采集多樣場景下的無雨及各級降雨圖像共1950張，501080×700。調(diào)研現(xiàn)有常用圖像數(shù)據(jù)集結(jié)果如1-1所示。現(xiàn)有數(shù)據(jù)集大多在良好天氣狀態(tài)1-1（??????張NMRD本章結(jié)合前置研究[18]構(gòu)建并擴(kuò)充真實多級降雨圖像數(shù)據(jù)集（NaturalMultilevelRainDataset,NMRD）1，采集分級真實降雨下多樣場景的圖片，并且設(shè)置有目標(biāo)物，1-2圖像采集時，參照團(tuán)標(biāo)《T/CMSA0013-2019短時氣象服務(wù)降雨量等級》[19]中近似定性劃分為小、中、大三個等級。分別采集如1-3、1-41-31-4800張。針對目標(biāo)檢測評價，選定其中23個場景，布置目標(biāo)物，每個包含目標(biāo)物的場50張圖像，以此對行人進(jìn)行檢測。雨、中雨、大雨四個工況進(jìn)行模擬，實驗設(shè)置如前文所述，其輸出結(jié)果如圖1-5、圖1-6所示。 1-61-6選取現(xiàn)有三款主流的仿真軟件，后文以仿真軟件A、B、C代稱。通過調(diào)整不示。圖像輸出結(jié)果如1-71-81-9所示。1-2A 1-71-81-81-4C 1-9選取基于生成對抗網(wǎng)絡(luò)構(gòu)建的分級降雨圖像生成模型，RCCycleGAN[18]。該模CycleGAN[20]DerainCycleGAN[21]更好的保留圖像結(jié)構(gòu)信息，減強(qiáng)度圖像，1-10展示了的模型生成結(jié)果。 1-10K-W（Kruskal-Wallis）檢驗。圖像質(zhì)量方面，基于各級真實降雨的圖像，首先計算Brenner和Tenengrad梯度對于以上指標(biāo)進(jìn)行相關(guān)性分析?；赟pearman相關(guān)性分析，結(jié)果顯示兩個指標(biāo)之間存在強(qiáng)相關(guān)性（ρ=0.943P=0.000<0.05?；谝陨戏治?，本章后續(xù)只選取BrennerDR。 b)Tenengrad梯1-11以真實無雨下的圖像的Brenner函數(shù)的平均值為基礎(chǔ)，計算并比較各級降雨對1-12Brenner函數(shù)的破壞程度在三級降雨下差異顯著（H=100.213,P=0.00<0.05，Bonferroni法調(diào)整顯著性水平，進(jìn)行-（P=0.00<0.05）-大雨1-12MRCC相較于無雨時的變化值，表征降雨對于圖像檢測效果的影響。將各場景原始感知圖像輸入至目標(biāo)識別算法，計算各降雨強(qiáng)度下的?MR與?CC，其平均值結(jié)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(jié)果如圖1-13所示。1-51-13真實降雨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(biāo)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(biāo)的分布情況，計算結(jié)果匯總?cè)?-6。1-6價指標(biāo)，其結(jié)果如1-14A隨著降雨強(qiáng)度的增加，DRBDR增加。1-14目標(biāo)檢測方面，計算兩種場地物理模擬降雨下的目標(biāo)物的CC，其結(jié)果如圖1-15A隨著降雨強(qiáng)度增加，CCB隨著降雨強(qiáng)度的增加，CC先增后減。1-15雨等級的增加，DR先減后增；模擬降雨B隨降雨等級增加，DR先增后減；模擬降C隨降雨等級增加，DR先增后平。1-16CC1-17所示，隨著降雨強(qiáng)度的增加，CC均無1-17DR1-18，隨著降雨強(qiáng)度增加，DR呈先增后減1-18CC1-19所示，且隨著降雨強(qiáng)度的增加，CC呈1-19真實降雨為其他模擬方法的對照基準(zhǔn)。由于在真實降雨下，DR存在顯著性差異，DR的數(shù)值與趨勢兩方面與各降雨模擬方法展開對比。在指標(biāo)趨勢上，真實降雨條件下，隨降雨強(qiáng)度的增加，圖像質(zhì)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性，結(jié)果匯總?cè)?-7。除去場地物理模擬降雨A在小雨-中雨等級沒有顯著性差異，1-7DR1-20和1-8所示。其中場地物理模擬ADR最大，且小雨和中雨的破壞程度均高于真實降雨，與真實降雨的趨勢不符。對于場地物理模擬降雨B，DR在小雨-中雨和小雨-大雨的趨勢上呈DR位于真實降雨指標(biāo)分布區(qū)間內(nèi)。在仿真數(shù)字模擬中，只有仿真軟件C的趨勢在小雨-中雨和小雨-大雨等級間均A的模擬效果最佳，BC存在一定偏差。1-201-8各類模擬降雨與真實降雨DR真實降雨和各模擬方法下?CC結(jié)果對比如1-9所示，其中真實降雨為其他模內(nèi)。而仿真軟件A、仿真軟件B與生成模型降雨模擬下的?CC在小雨和大雨等級下1-9各類模擬降雨與真實降雨?CCDR數(shù)值范圍、DR趨勢以及?CC數(shù)值范圍三個維度橫向比較各類降降雨模擬方法，在機(jī)器視覺真實度方面仿真數(shù)字模擬降雨A最接近真實降雨，仿BB次之，其他模擬方法存在一定偏差。1-10DRDRMR?CC/”表示不進(jìn)行比較2處模擬降雨測試場地、31個生成模型進(jìn)行降雨模擬測試；最后以真實第2章場地模擬降雨的模擬有效性定量分析2-2所示，傳感器的變送器單元可以產(chǎn)生一束水平光，當(dāng)雨滴通過時2-1Parsive212.3.4[22]2-2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至25毫米，0.220m/s1min54cm2。設(shè)備會32*32的矩陣中[23]。級的降雨歸入大雨等級進(jìn)行統(tǒng)計，便于劃分等級與對照，處理方式同1章。2-110301信號來獲取目標(biāo)區(qū)域的三維點云數(shù)據(jù)。本章只選取目標(biāo)物所在的感興趣區(qū)域（RegionofInterest,ROI）進(jìn)行量化評估。攝像頭使用感知指標(biāo)即圖像質(zhì)量評價指1章保持一致，為通過無參考指標(biāo)下降率構(gòu)建的破壞程度。2-2?refYOLO。傳感器檢測指標(biāo)如下2-3數(shù)據(jù)采集背景保持一致，因此檢測指標(biāo)不參照1章中計算降雨與無雨場景下指標(biāo)2-32章中選取的指標(biāo)集，設(shè)avel232*32的速度直徑-數(shù)量的分布矩陣，也能夠基于內(nèi)部擬合的算法輸出雨強(qiáng)等信息。對于RS-LiDAR-AlgorithmsYOLOv8進(jìn)行2-4RS-Ruby802-5IFVMobileye激光雷達(dá)與攝像頭集成于如2-31章所述采集平2-3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2-4所示。2-4全長405m，設(shè)置有雙向四車道，道路兩側(cè)設(shè)置有降雨模擬噴頭，模擬降雨實驗場地如2-5所示。2-52-63個水泵供水，2-67122-7所示。2-7均勻性結(jié)果如2-8所示。結(jié)果表明縱向均勻，后續(xù)只考慮橫向差異。最終在指定345-138mm/h，部 影響程度。實驗同步采集模擬降雨數(shù)據(jù)，以驗證降雨效果。最終在10種工況下采集到傳感器數(shù)據(jù)，實驗過程如2-9。同步，確保數(shù)據(jù)對應(yīng)。最終得到166組數(shù)據(jù)，其中小雨129組、中雨17組、大雨21組，實驗過程如2-10。RS-Rain（Real&SimulatedRainDataset，采集情況匯總于2-6166組真實降雨下傳感器數(shù)據(jù)對應(yīng)的降雨微觀數(shù)據(jù)包含712組降雨微觀數(shù)據(jù)中，模擬降雨數(shù)據(jù)不基于雨強(qiáng)劃分等級。對于采集得到的每S加序號代表。ij個區(qū)間的雨滴數(shù)量。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06.5mm0.510m/s。圖2-12不同雨強(qiáng)降雨分布熱力圖為基于不同雨強(qiáng)選取的部分真實降雨樣本（左） b)模擬降雨樣本分布熱力12.6mm/h的模擬降雨，整體的分布與其他模擬降雨的分布截然不同，整體上的圖2-13為不同雨強(qiáng)真實降雨樣本（左）和模擬降雨樣本（右）的粒徑-雨的變化中，主要是0.mm至mm1mm區(qū)間的顆粒數(shù)量增加顯著，最終大粒徑雨滴數(shù)量超過小粒徑雨滴數(shù)量。就模擬降雨粒徑-顆粒數(shù)分布而言，不同雨強(qiáng)下形態(tài)相對一致，呈現(xiàn)單峰的形態(tài)。雨滴顆粒主要集中在小于1mm粒徑范圍的區(qū)間內(nèi)，隨著雨 b)模擬降雨樣本粒徑-顆粒數(shù)分2-14為不同雨強(qiáng)真實降雨（左）和模擬降雨（右）的速度-顆粒數(shù)二維分布。 b)模擬降雨樣本速度-顆粒數(shù)分章也對于不同雨強(qiáng)下的數(shù)濃度分布展開比較，并總結(jié)規(guī)律。圖2-15為不同雨強(qiáng)降雨 b)模擬降雨樣本雨滴譜分由實驗采集得到真實小雨樣本391組、真實中雨樣本141組、真實大雨樣本180組，計算得到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 32*32的降雨雨滴分布矩陣可視化的結(jié)果，因此參照圖形相節(jié)選用全參考指標(biāo)結(jié)構(gòu)相似度（StructuralSimilaritySSIM）計算樣本與基準(zhǔn)的相似得到[0,1]1，表示樣本與基準(zhǔn)越相似。SSIM??(??,??)=?????????????????????(??, 1???????????+ + ≤

??????????+????????>??????????=∑??(????,??≠0??????????,??= ????????=∑??(|????,???????,??|> 式中，??為待評樣本與評估基準(zhǔn)在雨滴分布上的相似性，由總懲罰系數(shù)??????與待評降雨樣本雨滴分布矩陣??和評估基準(zhǔn)??之間的結(jié)構(gòu)相似性相乘得到。總懲罰系數(shù)??????的設(shè)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)????與異常數(shù)值元素數(shù)????。其中，??統(tǒng)計待評樣本中非零，但在基準(zhǔn)中對應(yīng)位置元素為零的異常分布元素的數(shù)量；而????則統(tǒng)計待測樣本中數(shù)值與基準(zhǔn)矩陣中?? 0<??≤

3?=

1<??<

??????????????

??≥ ??<1??????>???1<??≤3?

3<??<{ ??≤

???=

3<??<

8≥??≥式中，???????，????????，?????分別是小中大雨三級的模糊隸屬度，R為待測RelimofRaidropitribuion,D??????=???????????????????????+?????????????????????????????+???????????? 式中：???????????，??????????????，???????????分別代表待評樣本與小中大三級真實度評估基1。因此本節(jié)提出的方法只適用于模擬降雨樣本的真實度的量化，而估。結(jié)果表明，34RRD0.490.14，其雨等級區(qū)間[4,8]mm/hS3S417（a基于數(shù)值結(jié)果，樣本S3具備更高的雨滴分布真實度，能夠更真實地模擬真實大雨 較。其中，RRDS3，在雨滴分布的形態(tài)以及數(shù)量級上與真實降雨樣本一致性較高。而樣本S4中存在大量低速小粒徑的雨滴粒子，整體分布集中于熱而言，即使雨強(qiáng)近似，微觀分布也存在極大的差異。而本節(jié)方法能夠?qū)τ跇颖維4中不符合真實降雨雨滴分布的異常矩陣元素進(jìn)行區(qū)分，故而在RRD計算結(jié)果上兩0.17的差距，體現(xiàn)出了區(qū)分性。布的模擬效果進(jìn)行評估。本節(jié)提出的RRD指標(biāo)相較于雨強(qiáng)，能夠從微觀雨滴分布3級模擬降雨與真實降雨樣本進(jìn)行比較，在較高數(shù)值波動；平均反射率refaverage分別為8.29%、7.24%、6.68%僅小雨-大雨顯著，整體呈下降趨勢；反射率信息熵?ef分別為1.64bit1.53bit、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SRef分別為1.64bit、1.53it、1.7bit，存在差異且僅小雨-大雨顯著，圖2-19所 ?ref 圖2-19三級模擬降雨下激光雷達(dá)感知指標(biāo)數(shù)值與趨勢圖（a）為三級模擬降雨下navere的數(shù)值與趨勢。指標(biāo)的趨勢與真實降雨相符2.3的分析，推?ref視覺感知指標(biāo)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)2-20DRDR數(shù)值分布如2-20所示。小雨等級（H=205.7,P=0.00<0.05，其中小雨-中雨（P=0.00<0.05）-（P=0.00<0.05）以及中雨-大雨=0.000.05）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(zhì)量的破壞程度逐漸增大。指標(biāo)整體趨勢與1.3.1中指標(biāo)結(jié)果接近，其中本章RS-LiDAR-Algorithms算法檢測假人目標(biāo)物，漏檢率MRLiDAR0.01，等級間無顯著差異；縱向檢測距離誤差σxLiDAR在三級降雨下三級模擬降雨下激光雷達(dá)檢測指標(biāo)情況如圖2-21所示。在模擬小雨與模擬中雨 0.01，三級降雨下也無顯著差異。攝像頭的視覺檢測指標(biāo)在三級真實降雨以及三級模擬降雨下的情況如圖2-22所 （b）視覺漏檢2-7分別從三級模擬降雨的指標(biāo)數(shù)值是否位于真實降雨的分布區(qū)間以及趨勢?ref2-23所示。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軟件與子功能模塊功能效果進(jìn)行MIL和SIL驗證，大大加快研發(fā)迭代速度；在系統(tǒng)集成形成域控制器后，HIL測試也能承擔(dān)域控上車前的集成驗證任務(wù)，很大程度上減少特征（坑洼、碎石路、不同車輛和行人（異形車、特殊姿態(tài)行人在開發(fā)流程中，通過仿真測試，針對SOTIF設(shè)計并執(zhí)行了一些觸發(fā)場景，能夠況，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1（道路結(jié)構(gòu)誤識別）b)2（車輛誤識別3-1PIL（ProcessorinLoop）的圖像回灌模式，UE4b暫不做探究。因此，本實驗探究的主要是上文中假設(shè)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(zhì)感等方面并不12進(jìn)行對標(biāo)。主要包括圖3-3所示的如下實驗步驟：3-3PIL測試平臺，PIL平臺利用域控處理器板端進(jìn)行感知回灌，利用模擬器的動力學(xué)模塊進(jìn)行規(guī)控閉環(huán)，用于功能的性能摸底和指標(biāo)分析其鏈路如下圖5的攝像頭圖像對外輸出（以太網(wǎng)H265格式，按照回灌的3-43-1圓管-鋁合頂棚、座椅底部到頂棚高105cm42cm58cm66cm手最高離地距108cm離地距離7cm36cmcm18cm25cm71cm47cm,10cm443cm84輪胎內(nèi)徑45cm，外徑cm223-150cm33cm,2030cm,24cm,20圓柱路60cm7底座直徑（邊長）30cm,底直徑（邊長）7cm,下直徑（邊長）18cm類棱錐路障-純18cm,8cm70類棱錐路障-混35cm,12cm,69cm,下截面邊長209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(guān)1:1精準(zhǔn)建模，覆蓋了障礙物正常狀態(tài)和傾倒Simone中，可供場景搭建使用，如下3-5所示。按照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1為包含行人+2為包含行人1感知效果對標(biāo)如下方3-73-8根據(jù)感知模型檢出的效果進(jìn)行統(tǒng)計得到如3-93-9感知模型檢出結(jié)果對比2感知效果對標(biāo)，如下方3-103-11所示。根據(jù)感知模型檢出的效果進(jìn)行統(tǒng)計得到如圖3-123-1251world的專家們一起，一方面繼續(xù)探究動態(tài)障礙物（車輛、行人、兩輪車）戰(zhàn)。另一方面，2024年下半年，51SimoneUE5，在環(huán)境渲染方面的能力得到了大幅度提升。我們也將基于3-2中列出的四象限，進(jìn)一步當(dāng)場景中存在需要被測車輛（VehicleunderTestVUT）進(jìn)行避撞響應(yīng)的目標(biāo)元素（可能危害）元素并執(zhí)行恰當(dāng)?shù)谋茏残袨?。而?dāng)如4-1所示，典型觸發(fā)條件導(dǎo)致感知錯誤發(fā)生時，如對于目標(biāo)元素的漏檢或誤檢，VUT決策控制環(huán)節(jié)會出現(xiàn)相應(yīng)的延遲，使得制動與緊急轉(zhuǎn)向等，最終是否能夠避免碰撞的發(fā)生同樣與VUT的避撞能力相關(guān)。綜上，當(dāng)感知錯誤發(fā)生時，感知系統(tǒng)響應(yīng)情況、VUT避撞能力與具體場景參goodasreasonablypracticable）、MEM（Minimalendogenousmortality）以及（Positiveriskbalance）等[28]GAMAB原則強(qiáng)調(diào)在評估系統(tǒng)或措施的可接受性時，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(fēng)險應(yīng)降低到“合理可行的最低水平”，需要權(quán)衡風(fēng)險水平與降低風(fēng)險的成本；MEM原則關(guān)注系統(tǒng)改進(jìn)后相較于現(xiàn)有系統(tǒng)風(fēng)險引起的死亡或危害風(fēng)險不會顯著增加；PBR原則考量新系統(tǒng)的總體風(fēng)險，而不受限于系統(tǒng)部分方面的風(fēng)系統(tǒng)層面的整車表現(xiàn)，GAMAB原則更為適用。通過選取人類駕駛員模型作為感知錯誤可接受水平的基準(zhǔn)，得到如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(yīng)情況、被測車輛避撞能力以及場景具體參數(shù)均相關(guān)。因此，從風(fēng)險可感知時刻開始，VUT是否避撞成功0實現(xiàn)推斷。方法預(yù)設(shè)場景前提條件如下：目標(biāo)元素不進(jìn)行減速，于VUT前方進(jìn)行勻速行離??1VUT勻速行駛????????時長后，與目標(biāo)元素的距離是否足夠VUT進(jìn)行極限避撞進(jìn)行判定。因此，當(dāng)目標(biāo)元素不進(jìn)行減??1≤1? (4???

(4?

=

(4?能風(fēng)險）而導(dǎo)致的避撞響應(yīng)延遲的時間占比；??2始距離中，實現(xiàn)完全避撞所需要距離的占比；????????為感知錯誤時長，為風(fēng)險可感知初始距離??0以及被測車輛與目標(biāo)元素的相對速度計算得到；??1為極限避撞距離，VUT的避撞表現(xiàn)可以被計算為坐標(biāo)點(??2??1)。此外基于感知錯誤可接受判定公式，能夠得到如4-3所示的感知錯誤可接受判定坐標(biāo)系。坐標(biāo)系中，存在感知錯誤可接受標(biāo)線??1=1???2，當(dāng)坐標(biāo)點位于斜線左下部此外，當(dāng)??1>1，表征過程中感知系統(tǒng)完全沒有檢測到目標(biāo)元素，屬于感知失效區(qū)域；當(dāng)??2>1，表征在對應(yīng)場景初始參數(shù)下，受限于車輛的避撞能力，無法完4-44-5所示的人類駕駛員基準(zhǔn)4-4所示，當(dāng)人類駕駛員未發(fā)生碰撞時，人類駕駛員基準(zhǔn)點落在左下方區(qū)4-5所示，當(dāng)人類駕駛員發(fā)生碰撞時，人類駕駛員基準(zhǔn)點位于右上方區(qū)域。4.1小節(jié)提出的感知錯誤可接受水平判定方法，任務(wù)組選取了前車切出后51-Simone進(jìn)行場景搭建，依托地平線硬件在環(huán)測實驗選取如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AEB的及時介入，完成最終的制動，避免或減輕碰撞危害。實驗整體框架如4-7所示，通過篩選具體測試場景，分別獲得感知系統(tǒng)與對系統(tǒng)的感知表現(xiàn)（AEBFlag響應(yīng)時刻，以及對應(yīng)時刻的具體場AEBAEB4-751-Simone中對于所選場景進(jìn)行搭建，得到如4-8所示的仿真測試場景。4-84-9PC、FPGA和域控制器組成完整的閉環(huán)測試系統(tǒng)。PC51-Simone仿真工具構(gòu)建車輛動力學(xué)模型和仿真環(huán)境，并輸出HDMI/USBFPGA，F(xiàn)PGARGB圖像格RAWLVDS接口傳輸?shù)接蚩刂破鳌Ｓ蚩亟邮軋D像數(shù)據(jù)，執(zhí)行感知與規(guī)劃控制，輸出AEB響應(yīng)，而后自車的行為通過車輛動力學(xué)在仿真器中體現(xiàn)，同時仿真環(huán)境形成閉環(huán)。最終完整的仿真過程會以Pack的形式進(jìn)行輸出。任務(wù)組于2024年9月，在上海市地平線自動駕駛研發(fā)中心（汽車·創(chuàng)新港）開HIL臺架實驗，探究被測系統(tǒng)在前車切出后遇靜止前車工況下的錯誤可接受水平。發(fā)AEBFlag并最終完成制動，為后續(xù)與人類駕駛員的制動過程對比提供數(shù)據(jù)支撐制器（AEB功能20組具體測試場景接入測試平臺，實AEBFlag由于感知可接受水平判定過程需要明確制動過程，后續(xù)AEB由于感知可接受水平判定過程需要明確制動過程，后續(xù)AEBAEB介入時刻的場景參數(shù)，作為制動過程計算的輸入。由于需要對于AEBFlag響應(yīng)后的車輛制動過程進(jìn)行解析，因此任務(wù)組選取了三AEBTTCAEBTTC理想AEB模型以及安全距離觸發(fā)線性減壓AEB模型（后簡稱模型A、B、C）[25][26][27]。10m/s3，制動時通過線性增幅實現(xiàn)平滑減速。表4-2建壓，最大制動減速度為-7.93m/2?；谙卤硭镜闹苿幽Ｐ?，可以獲得人類駕駛員在20車輛的完整制動過程進(jìn)行計算。此外，通過綜合對比人類駕駛員與AEB模型在相4-12所示的混淆矩陣進(jìn)行可視化，得到如4-13所示的散點圖。圖4-13中，灰色點表征對應(yīng)場景下，前車無法完成切出行為與靜止4-12AAEB制動模型，由于其B與C制動存在分對于前車切出場景，其場景示意圖如圖4-14所示?；诰唧w場景狀態(tài)參數(shù)，可4-14-3轉(zhuǎn)化為如下三式：??1≤1? (4???

(4? ??=

(4? 占比；????????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動基準(zhǔn)點進(jìn)行對比，匯總獲得如4-3所示的統(tǒng)計結(jié)果，其中分別統(tǒng)計了不同制動模型下在各個區(qū)域內(nèi)的案例點數(shù)量。由表可知，當(dāng)AEB模型制動效果理想，大部AEBFlag響應(yīng)時要求算法對于目標(biāo)物能夠有連續(xù)且穩(wěn)定的檢出，因此導(dǎo)致實驗案例進(jìn)一步，選擇兩個典型的案例進(jìn)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(jìn)行制動過程的計算。在避撞案例中，人類駕駛HIL20組前1RainSense數(shù)據(jù)集可由開源網(wǎng)站獲?。?IVtest-Lab/RainSense；且數(shù)據(jù)集信息同步更新于SOTIF工作組數(shù)據(jù)池平臺::52790/。陳君毅,夏天,劉鎮(zhèn)源,等.針對降雨模擬方法的機(jī)器視覺真實度對比研究[J].汽車工程,2025,47(3):449-459.BRENNERJF,DewBS,HortonJB,etal.Anautomatedmicroscopeforcytologicresearchapreliminaryevaluation[J].JournalofHistochemistry&Cytochemistry,1976,24(1):100-111.TenenbaumJM.Accommodationincomputervision[M].StanfordUniversity,RENS,HEK,GIRSHICKR,etal.FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2017,39(6):1137-1149.REDMONJ,DIVVALAS,GIRSHICKR,etal.Youonlylookonce:unified,real-timeobjectdetection[C]//2016IEEEConferenceonComputerVisionandPatternRecognition(CVPR).IEEE,2016:779-788.MAM,PANGH.SP-YOLOv8s:AnImprovedYOLOv8sModelforRemoteSensingImageTinyObjectDetection[J].Appl.Sci.2023,13,8161.JHONGSY,CHENYY,HSIACH,etal.Nighttimeobjectdetectionsystemwithlightweightdeepnetworkforinternetofvehicles[J].JournalofReal-TimeImageProcessing,2021,18(4):MENZEM,GEIGERA.Objectsceneflowforautonomousvehicles[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2015:3061-3070.YUF,CHENH,WANGX,etal.Bdd100k:Adiversedrivingdatasetforheterogeneousmultitasklearning[C]//ProceedingsoftheIEEE/CVFconferenceoncomputervisionandpatternrecognition.2020:2636-2645.CORDTSM,OMRANM,RAMOSS,etal.Thecityscapesdataset[C]//CVPRWorkshopontheFutureofDatasetsinVision.sn,2015,2.PITROPOVM,GARCIADE,REBELLOJ,etal.Canadianadversedrivingconditionsdataset[J].TheInternationalJournalofRoboticsResearch,2021,40(4-5):681-690.CAESARH,BANKITIV,LANGAH,etal.nuscenes:Amultimodaldatasetforautonomousdriving[C]//ProceedingsoftheIEEE/CVFconferenceoncomputervisionandpatternrecognition.2020:11621-11631.BURNETTK,YOONDJ,WUY,etal.Boreas:Amulti-seasonautonomousdrivingdataset[J].arXivpreprintarXiv:2203.10168,2022.ZHANGH,SINGDAGIV,PATELVM.Imagede-rainingusingaconditionalgenerativeadversarialnetwork[J].IEEEtransactionsoncircuitsandsystemsforvideotechnology,2019,30(11):3943-3956.FUX,HUANGJ,ZENGD,etal.Removingrainfromsingleimagesviaadeepdetailnetwork[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2017:3855-3863.WANGT,YANGX,XUK,etal.Spatialattentivesingle-imagederainingwithahighqualityrealraindataset[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2019:12270-12279.WEIW,MENGD,ZHAOQ,etal.Semi-supervisedtransferlearningforimagerainremoval[C]//ProceedingsoftheIEEE/CVFconferenceoncomputervisionandpatternrecognition.2019:3877-3886.LIUZY,JIAT,XINGXY,etal.Hierarchical-leve