《自动驾驶整车在环测试评价理论与方法》围绕自动驾驶整车在环测试与评价体系构建这一核心科学问题，详细阐述各种测试评价理论、算法和技术实现，并重点对作者在数字孪生测试场景、多自由度整车在环测试平台、传感器数据虚实融合注入等领域的研究成果进行系统深入的论述，包括系统的原理、关键算法、测试试验分析和应用案例等。《自动驾驶整车在环测试评价理论与方法》分三个部分，共8章。**部分(第1、2章)对自动驾驶及测试评价技术的发展历程和核心要素进行概要介绍。第二部分(第3～7章)为整车在环测试评价技术的核心内容，具体介绍自动驾驶整车在环测试评价技术方法。第三部分(第8章)为自动驾驶整车在环测试评价技术的应用案例，详细论述了针对自动驾驶决策、规划与控制能力测试的应用情况。

第1章　绪论
　　1.1　自动驾驶发展历程
　　1.1.1　自动驾驶的概念
　　自动驾驶是指车辆通过车身搭载的一系列传感器，对车辆周围的环境进行感知并做出决策控制，在不需要人类驾驶员操作的情况下控制车辆安全、可靠地自主行驶。自动驾驶汽车(autonomous vehicle)也称为无人驾驶汽车，是一种通过先进的计算机系统实现自动驾驶的智能汽车，如图1.1所示。通常来说，自动驾驶汽车是依靠先进的传感器技术、人工智能技术、计算机视觉技术、自动控制技术和全球定位技术，能够在没有人类驾驶员干预的情况下自主完成驾驶任务的车辆[1]。
　　图1.1　自动驾驶汽车示意图[2]
　　智能汽车和智能网联汽车的定义与自动驾驶汽车有所不同，为方便读者区分，智能汽车和智能网联汽车的定义如下。智能汽车(intelligent vehicle)是智能交通系统(intelligent traffic system，ITS)的重要组成部分，它集环境感知、决策规划和控制执行于一体[3]，是电子计算机、人工智能等*新科技成果与现代汽车工业相结合的产物。根据Azim[4]的《智能车辆手册(卷Ⅰ)》中智能汽车的定义，智能汽车是指能够自主完成部分驾驶任务或辅助驾驶员更有效地完成驾驶任务，实现更安全、更高效和更环保行驶的车辆。智能汽车利用传感器技术、信号处理技术、通信技术、计算机技术、人工智能技术等，根据不同类型的传感器所获得的相关数据做出分析判断，辨别车辆当前所处的环境和状态，可以向驾驶员发出提示或报警信息，提醒驾驶员注意规避危险；在紧急情况下帮助驾驶员操作车辆，防止事故的发生；或代替驾驶员操作车辆，实现车辆自动驾驶。
　　智能网联汽车(intelligent connected vehicle，ICV)是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与X(人、车、路、后台等)智能信息交换共享，具备复杂的环境感知、智能决策、协同控制和执行等功能，可实现安全、舒适、节能、高效行驶，并*终可替代人来操作的新一代汽车。智能网联汽车是车联网与智能汽车的有机联合，是一种跨技术、跨产业领域的新兴汽车体系[5]。
　　综上所述，自动驾驶汽车主要关注的是车辆在没有人为干预的情况下能够自主完成驾驶任务，强调的是车辆的自主驾驶能力；智能汽车侧重于汽车的智能化发展层次，即汽车是否具有先进的环境感知、决策规划和一定层级的自动驾驶能力，并未将联网与信息交互功能作为考虑的重点；而智能网联汽车侧重点在其“网联”特性上。智能网联汽车不仅是智能汽车的进一步发展，更是将车辆与外部环境(包括其他车辆、道路基础设施、云端服务等)通过现代通信与网络技术紧密连接起来，形成了一个复杂的智能网络体系。智能网联汽车综合了自动驾驶和智能汽车的特点，通过网络与其他车辆、基础设施和互联网进行通信，实现信息共享和协同驾驶，从而优化整个交通系统的效率和安全性。
　　1.1.2　自动驾驶及其测试技术发展现状
　　1.自动驾驶发展现状
　　世界上**辆自动驾驶汽车可以追溯到1925年，当年Houdina Radio Control公司通过遥控驾驶的汽车Linrrican Wonder出现在美国纽约的街头。
　　在1950～1960年，通用汽车公司投入研发并公开展示了其Firebirds系列自动驾驶车辆。这一系列车辆的创新之处在于其集成了车载电子导航系统与自动公路通信技术，共同协作以实现车辆的自主行驶控制。
　　1960年，俄亥俄州立大学通信与控制系统实验室率先启动了自动驾驶车辆的研发项目，该项目依赖道路上嵌入的电子设备来引导车辆行驶。与此同时，美国联邦公路局也在考虑构建一条用于测试的电子控制公路，吸引了多个州的竞标。在随后的十年间，Bendix公司积极投身于无人驾驶技术的研发与测试，其无人驾驶车辆通过路面铺设的电缆接收信号并受之控制，同时利用路边的通信设备接收计算机指令以实现自动驾驶。
　　美国国防部高级研究计划局(Defense Advanced Research Projects Agency，DARPA)资助了自动驾驶车辆项目，该项目汇聚了包括马里兰大学、卡内基梅隆大学、马丁 玛丽埃塔公司及斯坦福国际咨询研究所在内的多家研究机构的力量。该项目运用了激光雷达、计算机视觉及自动机器人控制等先进技术，使车辆能够以约30km/h的速度行驶。1987年，美国休斯研究实验室在自动陆地车辆上实现了越野地图与传感器导航技术的*次应用，使车辆能在包括陡坡、沟壑、巨石及茂密植被在内的复杂地形中，以约3km/h的速度成功行驶了约610m。这一成就标志着自动驾驶技术在复杂环境中的应用取得了重要进展。
　　2004～2007年，DARPA成功举办了三项标志性的无人驾驶挑战赛[6]，其核心目标在于加速并优化无人驾驶技术的研发进程。这一系列挑战赛不仅开创了自动驾驶汽车领域长距离竞赛的先河，更在全球范围内激起了对自动驾驶技术变革的深刻思考与广泛参与。2005年，第二届无人驾驶挑战赛于沙漠地带举行，此次赛事为参赛队伍提供了关键地点的全球定位系统(global positioning system，GPS)坐标及障碍物分布信息，旨在增强挑战的真实性与复杂性。*终，五支队伍凭借卓越的技术实力与策略布局，成功穿越了既定赛道。2007年末，DARPA举办了第三届无人驾驶挑战赛，该挑战赛为城市场景。由卡内基梅隆大学研发的2007款雪佛兰Tahoe(图1.2)自动驾驶汽车获得了比赛**名。
　　图1.2 2007款雪佛兰Tahoe自动驾驶汽车
　　2020年，以色列汽车科技公司Mobileye在多个国际城市开展自动驾驶测试，包括慕尼黑、东京和巴黎；同年，Alphabet旗下的子公司Waymo在亚利桑那州推出了**个商业机器人出租车服务Waymo One，成为自动驾驶技术商业化的重要里程碑；2021年，特斯拉正式发布完全自动驾驶系统(full-self driving，FSD)Beta版；2023年，特斯拉扩展了FSD Beta计划，允许更多用户在公共道路上测试其自动驾驶功能；2024年3月，特斯拉向美国部分用户推送FSD V12(Supervised)版本，如图1.3所示。FSD V12(Supervised)是全新的“端到端自动驾驶”，完全采用神经网络进行车辆控制，该神经网络由数百万个视频片段训练而成，车辆从机器视觉到驱动决策都由神经网络进行控制。
　　图1.3 特斯拉完全自动驾驶系统
　　与欧美发达国家相比，我国有关自动驾驶方面的研究起步较晚，从20世纪80年代才正式开始。1980年，“遥控驾驶防核化侦察车”项目立项，该项目由哈尔滨工业大学、中国科学院沈阳自动化研究所及国防科技大学联合研究，并于1995年通过鉴定。“八五”计划期间，清华大学、国防科技大学、北京理工大学、浙江大学及南京理工大学五所国内**大学成功研发出我国*台自动驾驶汽车ATB-1(Autonomous Test Bed 1)。ATB-1于1996年进行演示，该车在直线道路自主行驶速度*高可达21km/h，弯道速度*高为12km/h。ATB-1的问世标志着中国自动驾驶技术的探索正式起步。“九五”期间，第二代自动驾驶汽车ATB-2应运而生，在2001年的演示中，ATB-2的*高速度突破了74km/h，平均速度也稳定在30.6km/h。2005年，第三代自动驾驶汽车ATB-3成功问世，该车在环境感知、多传感器融合的目标识别与跟踪，以及全天候导航的性能上得到了进一步的提升。
　　在国家高技术研究发展计划(863计划)和国防科学技术委员会的资助下，2003年清华大学成功研制了THMR-V(Tsinghua Mobile Robot V)智能车(图1.4)，该车能够实现结构化道路环境下的车道线跟踪和复杂环境下的道路避障等功能。2009年，由西安交通大学承办的*届中国智能车未来挑战赛在西安举行，湖南大学研制的自动驾驶汽车(图1.5)获得冠军，该车顺利完成了所有参赛任务。2010年，由国家自然科学基金委员会主办的2010年广汽丰田杯中国智能车未来挑战赛在西安举行，中国科学院合肥物质科学研究院先进制造技术研究所研制的“智能先锋号”自动驾驶汽车(图1.6)发挥稳定、表现突出，以优异的成绩摘得比赛桂冠。2016年，同济大学在上海无人驾驶汽车测试基地的开园仪式上展示了自动驾驶电动清扫车，该车搭载了可区域示范运行的低速自动驾驶汽车环境感知系统、驱动/制动/转向线控系统及北斗高精度定位系统等自动驾驶控制关键技术。2018年，由上海交通大学开发的校园无人小巴系统正式开始试运行，该系统是标准的L4级自动驾驶系统，无方向盘和加速踏板，通过多传感器融合的方式实现自动驾驶。2022年，由中国汽车技术研究中心有限公司承办的世界智能驾驶挑战赛在天津举行，长安大学“信达号”自动驾驶汽车(图1.7)获得**名，该车顺利完成了协同管控与环岛通行、突发性交通事件避让、城市红绿灯路口通行、无信号灯十字路口区、传感器抗干扰测试区、动态规划与定点停车等六大综合场景的比赛测试，推动了智能网联汽车技术的发展，也为未来智能交通系统的建设提供了有力支持。 图1.4 清华大学THMR-V智能车[7] 图1.5 湖南大学自动驾驶汽车[8] 图1.6 “智能先锋号”自动驾驶汽车[9] 图1.7 长安大学“信达号”自动驾驶汽车 与此同时，国内传统汽车制造商、互联网信息技术企业也开始自动驾驶及其相关技术的研究。2015年，长安汽车发布了智能化汽车“654战略”，即建立6个基础技术体系平台，开发5大核心应用技术，分4个阶段逐步实现车辆从单一智能到全自动驾驶。**阶段以2015年底为节点，实现具备驾驶辅助功能的产品量产上市；第二阶段是到2018年，实现半自动驾驶技术开发及产业化；第三阶段和第四阶段分别以2020年和2025年为界，实现全自动驾驶和产业化应用。2016年，北京汽车集团有限公司在北京车展上展示了基于EU260打造的无人驾驶汽车。车辆通过加装毫米波雷达、高清摄像头、激光雷达和GPS天线等传感器来识别道路环境，同时配合高精度地图进行路线规划实现无人驾驶。2013年，百度公司启动了无人驾驶汽车项目，该项目研发的关键成果为“百度汽车大脑”。2016年，百度无人驾驶汽车在国内*次实现了城市、环路和高速公路混合路况下的全自动驾驶，测试时的*高速度达100km/h。2018年，百度Apollo与金龙客车自主研发的“百分百国产”无人驾驶小巴“阿波龙”(图1.8)进行了试运行，并进入运营阶段。2018年宇通客车在其发布会上宣布已具备面向高速结构化道路和园区开放通勤道路的L4级别自动驾驶能力。2020年疫情期间，新石器慧通(北京)科技有限公司投入了L4级的自动驾驶汽车在武汉雷神山、医院和社区参加了防疫、消杀以及无人配送等工作。2021年，百度发布全新升级的自动驾驶出行服务平台“萝卜快跑”。2024年2月，“萝卜快跑”自动驾驶汽车(图1.9)驶过武汉杨泗港长江大桥和武汉白沙洲大桥，完成了自动驾驶的万里长江**次跨越，武汉成为全国*个实现智能网联汽车横跨长江贯通示范运营的城市。
　　图1.8 自动驾驶小巴“阿波龙”[10]
　　图1.9 “萝卜快跑”自动驾驶汽车[11]
　　2.自动驾驶测试技术发展现状
　　2024年世界智能网联汽车大会在中国北京召开[12]，工业和信息化部相关负责人表示，目前我国的自动驾驶汽车产业正处于从测试验证与示范应用阶段转向规模化产业发展的关键时期。对自动驾驶汽车进行科学有效的测试与评价，是自动驾驶汽车大规模落地应用的必由之路[13]。
　　自动驾驶汽车测试方法主要包括模型在环测试、硬件在环测试和整车在环测试[14]。模型在环测试的关键在于多自由度车辆动力学建模、高置信度传感器建模、行驶环境物理特征建模等[15]。Dieter等[16]对车辆动力学建模与仿真进行了系统的总

目录
前言
第1章 绪论 1
1.1 自动驾驶发展历程 1
1.1.1 自动驾驶的概念 1
1.1.2 自动驾驶及其测试技术发展现状 2
1.1.3 自动驾驶及其测试面临的主要问题 7
1.2 自动驾驶测试方法 9
1.2.1 开放道路测试 12
1.2.2 模型在环测试 12
1.2.3 软件在环测试 13
1.2.4 硬件在环测试 13
1.2.5 整车在环测试 14
1.3 本书主要内容 15
参考文献 16
第2章 自动驾驶整车在环测试评价体系 19
2.1 概述 19
2.2 整车在环一体化测试平台 22
2.3 数字孪生测试场景 25
2.3.1 数字孪生技术概述 25
2.3.2 静态场景构建方法 26
2.3.3 动态场景构建方法 27
2.4 测试场景交通流建模 28
2.4.1 交通流模型分类 29
2.4.2 微观交通流建模方法 29
2.5 临界测试场景加速生成 31
2.5.1 临界测试场景加速生成的意义与挑战 31
2.5.2 临界测试场景加速生成方法框架 31
2.6 传感器建模与物理信息生成 34
2.6.1 自动驾驶典型传感器 34
2.6.2 毫米波雷达建模与物理信息生成 35
2.6.3 超声波雷达建模与物理信息生成 35
2.6.4 视觉传感器建模与物理信息生成 36
2.6.5 组合导航传感器建模与物理信息生成 36
参考文献 37
第3章 基于数字孪生技术的虚拟测试场景构建方法 38
3.1 概述 38
3.2 虚拟测试场景组成及构建方法 39
3.2.1 静态场景要素 41
3.2.2 动态场景要素 42
3.2.3 基于蒙特卡罗方法的虚拟测试场景构建 43
3.2.4 自动驾驶汽车虚拟场景测试用例 47
3.3 数字孪生模型实现及双向交互方法 47
3.3.1 数字孪生模型实现方法 48
3.3.2 数字孪生场景交互方法 50
3.4 基于航拍的大范围虚拟测试场景构建方法 54
3.4.1 倾斜摄影三维重建原理 55
3.4.2 三维重建渲染优化方法 59
3.5 基于手持设备的精细化场景要素建模方法 63
3.5.1 基于正态分布变换算法的三维激光匹配方法 64
3.5.2 融合视觉里程计的场景要素赋色方法 68
3.5.3 航拍图像与激光点云联合的三维场景重建方法 69
参考文献 70
第4章 自动驾驶典型传感器建模及物理信息生成方法 72
4.1 概述 72
4.1.1 自动驾驶典型传感器简介 72
4.1.2 自动驾驶典型传感器物理信息生成方法 74
4.2 毫米波雷达建模及物理信息生成方法 74
4.2.1 毫米波雷达工作原理 74
4.2.2 考虑天气要素的改进毫米波雷达模型 77
4.2.3 基于毫米波雷达模型的物理信息生成方法 86
4.3 超声波雷达建模及物理信息生成方法 90
4.3.1 超声波雷达工作原理 90
4.3.2 超声波雷达模型 92
4.3.3 基于超声波雷达模型的物理信息生成方法 95
4.4 视觉传感器建模及物理信息生成方法 97
4.4.1 单目视觉传感器工作原理及建模方法 97
4.4.2 基于视觉传感器模型的物理信息生成方法 104
参考文献 109
第5章 整车在环一体化测试平台构建方法 111
5.1 概述 111
5.2 道路载荷模拟 114
5.2.1 基于道路行驶的车辆动力学模型构建 114
5.2.2 基于转鼓试验台的车辆动力学模型构建 118
5.2.3 基于扭矩控制的道路载荷模拟方法 123
5.3 道路*率模拟 127
5.3.1 转向随动系统控制架构 128
5.3.2 基于永磁同步电机的控制模型 130
5.3.3 基于滑模变结构的转向随动控制模型 136
5.4 道路坡度模拟 138
5.4.1 基于Stewart并联机构解耦控制的路面坡度模拟方法 139
5.4.2 基于试验台的车辆俯仰动力学模型构建 141
5.5 车-路耦合状态重构性能验证与分析 144
5.5.1 试验场地与设备选取 144
5.5.2 试验方案设计 147
5.5.3 评价指标设计 148
5.5.4 试验结果分析 149
参考文献 151
第6章 面向整车在环测试的交通流建模方法 153
6.1 概述 153
6.1.1 交通仿真模型的分类 153
6.1.2 微观仿真模型概述 155
6.2 基于元胞自动机的城市交通网络基础元素建模 156
6.2.1 路段建模 156
6.2.2 交叉口建模 157
6.2.3 交通信号灯建模 159
6.2.4 断面发车模型 160
6.3 基于元胞自动机的车辆动态行为建模 166
6.3.1 车辆行为建模原理 166
6.3.2 车辆跟驰行为建模 175
6.3.3 车辆换道行为建模 180
参考文献 185
第7章 面向整车在环测试的临界测试场景加速生成方法 186
7.1 测试场景临界度指标设计 186
7.1.1 临界度指标选取 186
7.1.2 制动威胁指数计算 187
7.2 基于Gipps模型的临界场景全局优化搜索算法 192
7.2.1 GCFO算法设计 193
7.2.2 GCFO算法验证与分析 200
7.3 基于敏感性分析的局部自适应搜索算法 206
7.3.1 PAWN敏感性建模 207
7.3.2 基于高斯过程回归的自适应搜索算法 208
7.3.3 PAWN-GPR搜索方法的性能验证 214
7.4 跟驰场景加速生成方法验证 221
7.4.1 测试场景描述 221
7.4.2 试验结果与分析 223
参考文献 227
第8章 整车在环测试应用案例：运动规划与控制系统的测试及评价 230
8.1 自动驾驶运动规划与控制系统参考轨迹生成 230
8.2 基于整车在环测试平台的测试试验与结果分析 250
参考文献 265