海量数据的挑战下，如何进行高效场景测试与性能安全评估？

▍文章来源于 康谋自动驾驶

点击下方 卡片 ，关注“ 康谋自动驾驶 ” 公众号

获取更多自动驾驶资讯

随着自动驾驶技术的快速发展， 庞大的测试数据 和 复杂的场景需求 为 性能与安全评估 带来了巨大挑战。如何 高效管理海量数据、挖掘关键场景 ，并满足以 Euro NCAP （European New Car Assessment Programme，欧洲新车安全评鉴协会）为代表的严格评估标准，已成为行业亟待解决的核心问题。

这不仅关乎技术研发的效率与精度，更是智能驾驶车辆进入市场、提升竞争力的关键前提。 本文我们将围绕如何应对海量数据所带来的挑战进行探讨，分享提高场景测试与性能安全评估的见解。

在自动驾驶技术的研发与测试过程中， “场景” 是一个核心概念，也是验证自动驾驶系统性能和安全性的关键手段之一。无论是行业专家还是普通关注者，谈及自动驾驶测试时，都会提到“场景”以及“基于场景的测试”。

图 1 自动驾驶场景概念图

场景 通常由 静态要素 （道路、交通标志、建筑物等）、 动态目标 （车辆、行人等）、 环境条件 （天气、光照等）、 行为模式 （变道、急刹车等）组成，旨在描述车辆可能面临的各种复杂情况。由于内容极为丰富， 国际标准ISO 34501通过四层抽象分级模型 对其进行分类，即 功能场景 、 抽象场景 、 逻辑场景 和 具体场景 ，后两者便是当下关注的重点。

图 2 四层抽象分级模型与场景测试挑战

对于测试而言，除了在各个场景下的性能表现，通常还得 满足一些法规或者评估标准 。例如，对于车辆的安全性而言，最广为人知的便是 Euro NCAP的评级 。

Euro NCAP的评级结果 不仅会为消费者选购车辆提供重要参考，也是诸多汽车制造商和技术开发者研发过程中明确的安全目标。 无论是传统燃油车还是智能驾驶车辆，获得Euro NCAP的高评分都是进入欧洲市场、提升市场竞争力的重要前提。

然而，随着自动驾驶技术的高速发展，测试需求与标准的日益复杂化，自动驾驶研发与测试中所产生的数据日益增加，对逻辑场景与具体场景的需求也逐步攀升，这也就为场景测试带来了 诸多挑战 ：

自动驾驶测试需要处理极其庞大的场景库和测试数据，如何高效地管理和利用这些数据成为一大难题。

随着测试指标的逐渐增加，如何对测试结果进行全面、准确的分析，以及如何高效地管理测试数据，都是亟待解决的问题。

自动驾驶系统的性能和安全性评估需要高效快捷的方法，以应对大规模测试的需求。

为了实现重复测试，需要将真实场景高效地转化为仿真场景，即LogSim到WorldSim的转化。

应对上述种种挑战需要投入大量的资源，包括人力、时间和资金。

面对这些挑战， 我们尝试在云端搭建一个模块化的数据管理与场景挖掘平台，并集成Euro NCAP 道路稳健性协议 （包括速度辅助系统、车道支持系统和辅助驾驶），进而实现了 高效场景测试与性能安全评估 。

图 3 数据管理与场景挖掘概览

在自动驾驶测试中，海量的驾驶数据与复杂的场景构建是基础，同时也是挑战。如何高效地管理这些数据，并从中提取出有意义的场景，成为 验证自动驾驶系统性能与安全性 的关键环节。 3、4章节 将从 数据管理 、 聚合分析 、 场景提取与评估技术 以及 场景导出 四个方面 ，详细探讨如何高效处理海量数据并挖掘关键场景。

对于场景测试或者以Euro NCAP为代表的性能评估而言，通常会产生 大量的驾驶数据 ，例如 Euro NCAP 2026年新版安全驾驶汽车辅助协议 （Safe Driving Vehicle Assistance）就明确提出 部分功能的评估需要满足至少2000公里的测试 。

面对海量的驾驶记录与复杂的场景需求， 数据管理 需要 兼顾高效性、灵活性与协作性 。对此，我们尝试 基于云搭建模块化的数据管理平台 ，旨在实现驾驶数据的高效处理、评估与检查。

通过鼠标单击查看驾驶记录的摘要信息，获取清晰的驾驶数据概览，并采用 事件 （Event）、 操作设计域 （ODD）或 场景 （Scenario）三类标签，以 组合的方式快速查询 需要的驾驶记录。

图 4 快速摘要与高级查询

基于相机视角、感知还原、GPS轨迹、车辆速度等 多维度创建可视化界面 ，对场景进行深入分析。同时，采取 URL分享 的方式，实现团队成员之间的 高效协作 与 共同分析数据 。

图 5 自定义可视化界面

除了单一场景的快速查询与分析，针对 海量驾驶数据的整体规律分析 同样至关重要。为此，我们使用 聚合分析 的方法，通过 多级指标 （Metrics）对驾驶数据进行整理、分类和聚类分析，加速发现数据中的潜在规律。

图 6 聚合分析

通过采取 感知 、 行为 、 舒适度 等 多级指标 进行分析。例如，当想要了解“自动驾驶系统开启状态”、“特定速度区间”、“白天”的违规率，就可以 设定对应指标 ， 构建指标矩阵与直方图 ，随着指标的增加，矩阵与直方图会产生 动态变化 ，得以快速掌握概况以及各个指标下统计出的违规率。

聚合分析技术能够基于 指标矩阵 对驾驶记录进行 自动聚类 ，并支持 关键场景的快速跳转 。单击矩阵中的特定数值即可直接查看对应的场景列表，并 快速跳转 到 可视化界面 ，查看场景细节，进行深入分析。

为了在大量驾驶数据的挑战下 提高场景测试与评估的效率 ，我们 基于感知算法 从原始驾驶数据中提取出场景，将原有的大量里程与时间 浓缩为了一系列特定场景， 并结合了 自定义标准 与 Euro NCAP标准 建立了 多种预设评估方式 ， 保障效率与准确性 的同时尽可能 节省时间与精力 。

如何从大量的驾驶数据中 提取有意义的场景 并进行性能评估，是自动驾驶测试的重要环节。我们通过对激光雷达、相机、GPS 等原始传感器 输入的数据进行 感知 ，从真实或仿真数据中 高效挖掘场景 ，提供 多维度的性能与安全见解 。

图 7 场景挖掘流程示意图

驾驶数据中通常存在大量没有特殊事件发生的 空驶里程 ，占据了大量存储空间但对测试无意义。我们通过 设定场景提取的条件 ，例如自车速度、障碍物速度、自车与障碍物纵向距离等， 自动剔除 这些“空驶里程”，准确提取出 常用场景 （如SOTIF、ISO 26262、Euro NCAP等标准规定的场景），进而节省时间成本。

提取的场景可以基于 预设的Euro NCAP 或 自定义标准 进行 性能评估 。例如，设定最大速度或碰撞时间（TTC）等指标，就可以 快速筛选 出不符合预期的场景，并通过 可视化界面 查看详细信息。对于失败的场景， 一键点击跳转 到数据管理与分析平台，查看感知还原的场景、相机视频、速度等细节进行 深度分析 。

图 8 自定义标准与Euro NCAP标准的场景评估

为了推动 仿真测试的便捷化 ，我们基于相机图像、激光雷达点云、GPS定位信息 等原始驾驶数据 ，通过 内部的感知算法 将其转化为仿真场景，完成了从 LogSim到WorldSim 的高效转换。转化后的仿真场景能够被导出为 仿真所需 的ASAM标准文件格式（OpenSCENARIO与OpenDrive），实现 数字孪生 。

图 9 场景导出器：一键导出与自定义导出

数据输入支持 多种数据格式 （如RosBag、LCM、ADTF等），并可以根据需求 自定义导出场景的时间范围 （最长30秒），导出的场景文件可以 直接导入 支持 标准OpenX格式文件 的 仿真器（如aiSim5） ，根据需要进行修改后运行仿真测试。

图 10 联动aiSim仿真器的场景仿真示例

为了更快速且可靠地对驾驶系统性能安全进行评估，并帮助在未来 Euro NCAP的安全辅助评估 中拿到 高评分 ， 数据管理与分析平台（DAP） 内将集成 Euro NCAP道路评估器 （On-road Evaluator），获得基于海量驾驶数据的深刻见解。

通过在数据管理与分析平台中 集成Euro NCAP道路评估器 ，可以支持对道路ADAS性能 快速提供评估结果 ，减少评估时间和成本，同时确保严格遵守既定的标准，帮助在评定中 获得更高的星级 。

图 11 道路评估器三大评估板块

Euro NCAP道路评估器主要针对Euro NCAP 2026协议归纳出三大板块进行评估：

• SAS（Speed Assist System，速度辅助系统）

• LSS（Lane Support System，车道支持系统）

• AD（Assisted Driving，辅助驾驶）

这些板块进一步被 细分为多个功能模块 ，例如AEB（自动紧急制动）、LKA（车道保持辅助）、SLIF（速度限制信息功能）等，覆盖了智能驾驶车辆在不同场景下的关键安全功能。

通过道路评估器可以快速测试ADAS功能，例如SLIF与LKA，并快速评估Euro NCAP KPI， 自动生成反馈报告 ，使得 直击问题根源与优化系统性能 变为可能，进而在最终评定中得以获得 更高的星级 。

图 12 Euro NCAP道路评估器工作流程

道路评估器的工作流分为以下几个步骤：

1. 基于参考传感器硬件设备采集驾驶数据