在汽車行業，所有技術要從實驗室走向量產，都需要經過驗證的環節。這個驗證包含了企業自己的標準與質量檢測、行業的標準驗證以及國家法律法規的驗證要求。

對于自動駕駛來說，最為尷尬的是，到現在還并沒有一個可以遵循的標準。就如同人要考駕照一樣，我們該如何設置駕駛考試的內容來確定自動駕駛系統確實達到了規定的級別？不同級別的自動駕駛是否需要不同的駕照考試內容？

模擬仿真與實際路測相結合

對于自動駕駛的驗證，有兩個層面的內容：

一是功能安全，自動駕駛系統能否滿足預定的要求，具備對應的駕駛能力；

二是可靠性，或者說是系統的魯棒性，系統需要在任何情況下都保證是能夠安全運行的。

從功能安全角度，自動駕駛，尤其是L3及以上級別的自動駕駛，與ADAS最大的不同在于從單一功能、單一節點的控制變成了復雜功能、多節點的一體化控制。

無人駕駛功能的實現鏈

上圖是dSAPCE先進技術及應用的首席產品經理André Rolfsmeier在第四屆中國國際智能網聯汽車技術年會上演講時所展示的自動駕駛功能的實現鏈。要驗證自動駕駛的可行性，就需要對這個功能鏈進行逐一驗證：感知系統是否正確地進行了感知，有無遺漏；在感知的基礎上，車輛是否對周圍的交通環境能夠正確地分辨與了解；在認知的基礎上，車輛能否做出合適的決策；決策能否被正確和及時地執行。

在這個層面還需要考慮的是系統的規劃決策的策略是否存在問題，這一點也是現在行業與標準設立機構正在討論的問題。此前關于通用的Super Cruise一項策略——當車輛需要駕駛員接管而駕駛員無法接管時，那么車輛會安全停下并打開雙閃，NHTSA就去函討論過這種策略的可行性與合理性。還有一眾倫理道德的話題，是該優先保護行人還是車內的乘員，行人是保護一群孩子還是一個老人？就如此前奔馳曾表示，未來車輛會以駕駛員的安全為優先。相較于前者，倫理道德考慮的問題更多。

從對功能安全的驗證內容上來看，TüV南德意志集團全球智能駕駛研究項目總監Houssem Abdellatif博士在接受車云菌采訪時表示，與普通的汽車相比，自動駕駛的測試與驗證工作有三點特征：

• 1.常規的物理測試，諸如針對轉向、剎車等，會保留，這是與普通的汽車測試相同的環節；

• 2.會有大量針對傳感器的測試，因為在L3及以上的自動駕駛中，駕駛員眼睛和耳朵的功能被傳感器取代；

• 3.場景測試，需要收集大量的場景數據，針對自動駕駛車進行場景測試，這里有兩種實現手段，一種是在封閉環境下進行模擬，還有一種是仿真測試，仿真測試的覆蓋性更大，因為封閉環境下不可能模擬所有的場景，占比也會更高。

而從可靠性的角度來說，要進行驗證，一是需要長期大量的進行驗證，二是要看在極端狀態下，系統是否依然可以正常運行。

綜合這兩點，自動駕駛的驗證會是持續戰。因而，此前MCity發布了一份白皮書，提到加速測試的方法。在車云菌的多方了解中，業內對于這套方法都很認可，并且對于自動駕駛的驗證方法，業內基本達成一個共識：軟件仿真+現實環境模擬+真實環境路測相結合。

自動駕駛驗證的難度在于，真實的交通環境十分復雜，而且存在不可預測性，意外狀態永不可避。但是真實環境和模擬環境類似，無法窮舉所有場景，而仿真測試在軟件中進行相關的場景預設更為簡單便捷，成本和耗費的時間也更少，所以，仿真測試將會成為重要的決策手段。在上周車云菌發布的一篇文章《仿真訓練對于自動駕駛的意義，可能比我們想象的更多》中，對此亦有闡述。

不過隨著技術手段的提升，這三種不同的環境之間未必不能打破疆界。同樣是在第四屆中國國際智能網聯汽車技術年會上，來自密西根大學土木與環境系教授、交通研究所研究員、 智能網聯交通研究中心主任劉向宏介紹了一個新的方式：通過AR的方式來將仿真測試與封閉環境下的測試相結合。

MCity采用AR測試方式

劉向宏表示，車輛在MCity內進行測試中，會通過這種AR的方式將仿真模型中出現的數據傳輸到真實的車上，比如前方突然出現的行人和前方車輛緊急剎車等，車輛收到信號之后，會針對性地做出決策。這樣做帶來的好處是降低了模擬現實環境的成本，而且可以針對一些極端危險的場景進行模擬，并且收集到系統的真實數據。當然，因為所有的數據都是直接發送到車輛的控制中心，所以這種方式無法驗證車輛的感知系統是否能夠正常工作。

場景庫的建立十分重要

既然方法有了，那么問題在哪呢？dSPACE的Rolfsmeier提到，自動駕駛的驗證中，仿真模型的質量最為關鍵。劉向宏也告訴車云菌，場景庫的建立十分重要，在此前的加速測試白皮書中，使用的是此前項目的數據，但是這些數據遠遠不夠，而且因為大多是人類駕駛的，所以還缺少車輛自動駕駛的數據。

所以，留下的問題就是在于場景庫的建立上，尤其是危險場景。目前有很多機構都在進行這項工作，供應商和車企也都在進行這樣工作，大家之所以踴躍申請路測的牌照，其中目的之一就是為了得到車輛在真實環境中自動駕駛的各項數據。這些數據，一方面可以用來訓練機器，讓感知和決策系統可以有更好的表現；另一方面，也可以作為危險場景庫建立的基礎。

這也是此前特斯拉公布將會采集小視頻數據時，有人表態特斯拉將會超越谷歌的地方——擁有車輛是核心優勢，可以擁有數據采集的主動權。谷歌此前的300萬公里數據將很容易被超越，不過當前谷歌也找到了自己的車企合作伙伴，誰能更勝一籌還沒有定論。

不過對于如何場景庫的建立，當前業內還沒有統一的結論。TüV南德的Houssem Abdellatif博士認為，場景庫的建立會從以下三個方面入手：

• 1.按照交通法規，需要考慮到交通設施的設置，比如車道、交通燈等

• 2.事故場景的還原，針對已經發生的事故進行場景還原

• 3.從大的范圍來說，需要建立一些場景的模型，這個模型必須要是通用的，不同的廠商可以通過輸入一些可變的參數來快速進行場景的驗證，而這個場景的模型需要收集大量的數據

自動駕駛還有一個獨特之處在于，不同的廠商，在策略的設置上會有所不同，就像不同的人駕駛風格不同一樣。在符合交通規則的大原則下，個性化差異將必然存在。那么，針對這些不同的個體，是否能夠有一個通用的標準和方式進行測試呢？Houssem Abdellatif博士認為，驗證的標準化是一定的，從驗證工作來說，也必須要保證這種通用性和中立性。這也是他提到要建立通用場景模型的原因，未來必須要有一個公共開放的數據庫，面向行業的所有人開放，便于他們進行技術的驗證和測試。在驗證原則一致的基礎上，針對個性化的個體，所使用的手段可能不一。

車云小結

技術的發展往往要領先于標準和法規。反過來說，你無法對尚不存在的產品制定規則。因而，產品先行的現象已是常規。就以AEB為例，上個世紀就有AEB的Demo產品開始展示了，在上一個十年里，也有很多廠商在量產車型上部署AEB產品，但是很多國家關于AEB的行業標準與測試標準才剛開始出臺，或者仍在制定中。

那么自動駕駛會不會出現這種情況呢？就比如奧迪的量產A8上已經宣稱有L3技術了，但是現如今還沒有L3的標準出現。當然，從SAE的定義來看，這項技術并沒有完全達到L3的要求，最多能算作是限定場景下的L3。

至于自動駕駛的問題，其實不必擔心。從法規角度，在標準出臺之前，是可以通過準入的方式來限定技術是否上路的，就如同路測法規一樣，可以在準入階段，就進行限制。而關于法規限定與技術發展的均衡，那就是另外一個話題了。