点击上方【车云】，关注并查看更多往期内容。
在汽车行业，所有技术要从实验室走向量产，都需要经过验证的环节。这个验证包含了企业自己的标准与质量检测、行业的标准验证以及国家法律法规的验证要求。
对于自动驾驶来说，最为尴尬的是，到现在还并没有一个可以遵循的标准。就如同人要考驾照一样，我们该如何设置驾驶考试的内容来确定自动驾驶系统确实达到了规定的级别？不同级别的自动驾驶是否需要不同的驾照考试内容？
对于自动驾驶的验证，有两个层面的内容：
一是功能安全，自动驾驶系统能否满足预定的要求，具备对应的驾驶能力；
二是可靠性，或者说是系统的鲁棒性，系统需要在任何情况下都保证是能够安全运行的。
从功能安全角度，自动驾驶，尤其是L3及以上级别的自动驾驶，与ADAS最大的不同在于从单一功能、单一节点的控制变成了复杂功能、多节点的一体化控制。
▲无人驾驶功能的实现链
上图是dSAPCE先进技术及应用的首席产品经理André Rolfsmeier在第四届中国国际智能网联汽车技术年会上演讲时所展示的自动驾驶功能的实现链。要验证自动驾驶的可行性，就需要对这个功能链进行逐一验证：感知系统是否正确地进行了感知，有无遗漏；在感知的基础上，车辆是否对周围的交通环境能够正确地分辨与了解；在认知的基础上，车辆能否做出合适的决策；决策能否被正确和及时地执行。
在这个层面还需要考虑的是系统的规划决策的策略是否存在问题，这一点也是现在行业与标准设立机构正在讨论的问题。此前关于通用的Super Cruise一项策略——当车辆需要驾驶员接管而驾驶员无法接管时，那么车辆会安全停下并打开双闪，NHTSA就去函讨论过这种策略的可行性与合理性。还有一众伦理道德的话题，是该优先保护行人还是车内的乘员，行人是保护一群孩子还是一个老人？就如此前奔驰曾表示，未来车辆会以驾驶员的安全为优先。相较于前者，伦理道德考虑的问题更多。
从对功能安全的验证内容上来看，TÜV南德意志集团全球智能驾驶研究项目总监Houssem Abdellatif博士在接受车云菌采访时表示，与普通的汽车相比，自动驾驶的测试与验证工作有三点特征：
1.常规的物理测试，诸如针对转向、刹车等，会保留，这是与普通的汽车测试相同的环节；
2.会有大量针对传感器的测试，因为在L3及以上的自动驾驶中，驾驶员眼睛和耳朵的功能被传感器取代；
3.场景测试，需要收集大量的场景数据，针对自动驾驶车进行场景测试，这里有两种实现手段，一种是在封闭环境下进行模拟，还有一种是仿真测试，仿真测试的覆盖性更大，因为封闭环境下不可能模拟所有的场景，占比也会更高。
而从可靠性的角度来说，要进行验证，一是需要长期大量的进行验证，二是要看在极端状态下，系统是否依然可以正常运行。
综合这两点，自动驾驶的验证会是持续战。因而，此前MCity发布了一份公开自动驾驶快速测试方法论的白皮书，提到加速测试的方法。在车云菌的多方了解中，业内对于这套方法都很认可，并且对于自动驾驶的验证方法，业内基本达成一个共识：软件仿真+现实环境模拟+真实环境路测相结合。
自动驾驶验证的难度在于，真实的交通环境十分复杂，而且存在不可预测性，意外状态永不可避。但是真实环境和模拟环境类似，无法穷举所有场景，而仿真测试在软件中进行相关的场景预设更为简单便捷，成本和耗费的时间也更少，所以，仿真测试将会成为重要的决策手段。在上周车云菌发布的一篇文章《仿真训练对于自动驾驶的意义，可能比我们想象的更多》中，对此亦有阐述。
不过随着技术手段的提升，这三种不同的环境之间未必不能打破疆界。同样是在第四届中国国际智能网联汽车技术年会上，来自密西根大学土木与环境系教授、交通研究所研究员、 智能网联交通研究中心主任刘向宏介绍了一个新的方式：通过AR的方式来将仿真测试与封闭环境下的测试相结合。
▲MCity采用AR测试方式
刘向宏表示，车辆在MCity内进行测试中，会通过这种AR的方式将仿真模型中出现的数据传输到真实的车上，比如前方突然出现的行人和前方车辆紧急刹车等，车辆收到信号之后，会针对性地做出决策。这样做带来的好处是降低了模拟现实环境的成本，而且可以针对一些极端危险的场景进行模拟，并且收集到系统的真实数据。当然，因为所有的数据都是直接发送到车辆的控制中心，所以这种方式无法验证车辆的感知系统是否能够正常工作。
既然方法有了，那么问题在哪呢？dSPACE的Rolfsmeier提到，自动驾驶的验证中，仿真模型的质量最为关键。刘向宏也告诉车云菌，场景库的建立十分重要，在此前的加速测试白皮书中，使用的是此前项目的数据，但是这些数据远远不够，而且因为大多是人类驾驶的，所以还缺少车辆自动驾驶的数据。
所以，留下的问题就是在于场景库的建立上，尤其是危险场景。目前有很多机构都在进行这项工作，供应商和车企也都在进行这样工作，大家之所以踊跃申请路测的牌照，其中目的之一就是为了得到车辆在真实环境中自动驾驶的各项数据。这些数据，一方面可以用来训练机器，让感知和决策系统可以有更好的表现；另一方面，也可以作为危险场景库建立的基础。
这也是此前特斯拉公布将会采集小视频数据时，有人表态特斯拉将会超越谷歌的地方——拥有车辆是核心优势，可以拥有数据采集的主动权。谷歌此前的300万公里数据将很容易被超越，不过当前谷歌也找到了自己的车企合作伙伴，谁能更胜一筹还没有定论。
不过对于如何场景库的建立，当前业内还没有统一的结论。TÜV南德的Houssem Abdellatif博士认为，场景库的建立会从以下三个方面入手：
1.按照交通法规，需要考虑到交通设施的设置，比如车道、交通灯等
2.事故场景的还原，针对已经发生的事故进行场景还原
3.从大的范围来说，需要建立一些场景的模型，这个模型必须要是通用的，不同的厂商可以通过输入一些可变的参数来快速进行场景的验证，而这个场景的模型需要收集大量的数据
自动驾驶还有一个独特之处在于，不同的厂商，在策略的设置上会有所不同，就像不同的人驾驶风格不同一样。在符合交通规则的大原则下，个性化差异将必然存在。那么，针对这些不同的个体，是否能够有一个通用的标准和方式进行测试呢？
Houssem Abdellatif博士认为，验证的标准化是一定的，从验证工作来说，也必须要保证这种通用性和中立性。这也是他提到要建立通用场景模型的原因，未来必须要有一个公共开放的数据库，面向行业的所有人开放，便于他们进行技术的验证和测试。在验证原则一致的基础上，针对个性化的个体，所使用的手段可能不一。
技术的发展往往要领先于标准和法规。反过来说，你无法对尚不存在的产品制定规则。因而，产品先行的现象已是常规。就以AEB为例，上个世纪就有AEB的Demo产品开始展示了，在上一个十年里，也有很多厂商在量产车型上部署AEB产品，但是很多国家关于AEB的行业标准与测试标准才刚开始出台，或者仍在制定中。
那么自动驾驶会不会出现这种情况呢？就比如奥迪的量产A8上已经宣称有L3技术了，但是现如今还没有L3的标准出现。当然，从SAE的定义来看，这项技术并没有完全达到L3的要求，最多能算作是限定场景下的L3。
至于自动驾驶的问题，其实不必担心。从法规角度，在标准出台之前，是可以通过准入的方式来限定技术是否上路的，就如同路测法规一样，可以在准入阶段，就进行限制。而关于法规限定与技术发展的均衡，那就是另外一个话题了。
车 云 推 荐
点击图片，查看活动详情
