奧迪、寶馬、奔馳是怎麽做自動駕駛測試的？

“

作為德系汽車三強，奧迪、寶馬、奔馳在自動駕駛研發方面一直保持著穩健的作風，產品化進程也絲毫沒有放鬆。

”

作為德系汽車三強，奧迪、寶馬、奔馳在自動駕駛研發方面一直保持著穩健的作風，產品化進程也絲毫沒有放鬆。在2018年量產了全球首款高速擁堵路況L3自動駕駛後，奧迪透露要在2021年將支持城市環境複雜道路狀況的自動駕駛產品推向市場；寶馬集團計劃2021年量產具備L3自動駕駛功能的車型；奔馳想在2021年後完成城市 L4自動駕駛車輛的大規模部署。

SOP前的量產研發工作正在緊鑼密鼓地展開。和概念驗證階段的工作不同，實現90%的安全相對容易，但是無限接近100%安全的過程，就變得極具挑戰。在自動駕駛汽車量產上路之前，測試驗證是確保安全的前提。德系三強在自動駕駛測試驗證上的態度和實踐，或許可以給我們帶來一些啟發。

測試驗證不是收尾工程，而是量產研發的重要組成部分

自動駕駛是一個全新的領域，行業內還沒有形成成熟的正向研發流程。目前業內普遍做法是基於經典的軟體開發V模型（如下圖）進行自動駕駛產品的量產研發。V模型左側是產品設計開發，右側為測試驗證，左右兩側共同組成了產品量產研發的完整過程。

透過V模型我們可以看到，測試驗證不是產品定型後的收尾工作，而是關聯到每個階段質量把控的重要環節，開發和測試同時進行，可以縮短開發周期，快速開發出滿足需求的產品。理想狀態下，在產品設計和功能安全定義時，就該對要做哪些測試驗證心中有數。

值得注意的是，自動駕駛是一個複雜的大系統，測試驗證工作也隨之變得複雜起來。並且，自動駕駛測試驗證不僅要評測產品功能，也要保證整個產品開發過程符合功能安全。目前ISO26262 也已經將功能安全的相關工作部署到了V模型中，來確保自動駕駛產品足夠安全可靠。

奔馳在一份公開材料中，用一頁內容專門介紹了自動駕駛測試驗證的複雜流程，以及如何保證批量生產的一致性和可靠性。

為了讓自動駕駛汽車保持相同的安全質量，每個模塊、功能、子系統、系統集合，都要進行充分的驗證測試。梅賽德斯-奔馳在單個模塊（比如雷射雷達傳感器、計算單元，以及執行器）開發時就啟動了測試驗證工作。經過試驗台、硬體在環（HIL）、模擬仿真等方法來驗證單個模塊、子系統的性能和魯棒性。

順利通過上述步驟，梅賽德斯-奔馳才會把不同模塊和不同模塊構成的子系統部署到可以自動控制的車上做進一步的測試。這些車不會直接進入真實的交通環境，它們會經歷實驗室、測試道、模擬仿真環境驗證之後，才會進入路測環節。

自動駕駛產品的軟體和硬體的測試驗證會分開進行，並且各自會經歷不同級別的測試驗證，最後整合到一起。以軟體為例，原始代碼本身一定要滿足嚴格的質量需要，多數源代碼會被標準化寫入汽車控制器。不同方面的軟體行為和功能可以在虛擬仿真環境中或者在硬體在環測試台測試。通過對軟體的持續測試，研發人員讓軟體行為更加安全，並且富有彈性。

測試驗證要平衡準確性、經濟性和安全性

據彭博社2018年5月的一篇文章統計，大眾集團在自動駕駛和電動車研發的投入為84億美元，戴姆勒集團每年在自動駕駛的預算為9億美元，寶馬集團在自動駕駛方向的年支出為6.3億美元。雖然三大集團沒有公布自動駕駛測試驗證的預算，但可以預測，隨著SOP時間節點的臨近，越來越多的投入將會用於測試驗證。

只需做一個粗略的統計，你就會發現德系三強重金投入的原因。自動駕駛測試驗證成本將是一筆龐大的支出，包括但不限於以下費用：實驗室建設費用、基礎設施成本、員工成本、車輛成本、工程支出、能源成本、測試場地租賃成本、路測牌照申請成本、保險支出、數據挖掘成本，以及最貴的時間成本。

因此，很多人將自動駕駛比作一場馬拉松，要在這場馬拉松中最後抵達終點，不僅要以安全為目標，讓不同的測試驗證方法更好地服務產品研發，而且要精打細算花好每一分錢。

仿真測試可以節約時間，而且相比不成熟的產品直接開啟自動駕駛模式上路測試，要更加安全。

模擬器可以非常方便地“製造”測試驗證場景，因此你不用到物理世界中“追逐”不同的氣象（比如雨雪、光照等變化）。模擬仿真環境可以大大節約時間成本，寶馬在一份資料中介紹，利用模擬仿真，每天測試驗證的場景數量可以達到兩百萬個。

▲梅賽德斯奔馳利用仿真軟體進行測試驗證，可以設置不同光照和交通參與者的情況（來源：奔馳公開資料）

對環境感知系統測試驗證時，為了確保仿真測試結果的真實性和有效性，需要對傳感器、交通環境、不同交通環境中傳感器的表現分別建模。奧迪全資自動駕駛公司Autonomous Intelligent Driving的自動駕駛模擬仿真測試合作方是以色列公司Cognata，後者的產品特色之一，就是重建了世界各地的城市交通模型。

隨著建立的仿真模型越來越逼近真實的物理模型，建模的技術難度和投入成本都在不斷增加。並且，建模要求工程師對傳感器本身有非常深刻的理解，但是雷射雷達等自動駕駛必備傳感器還在研發過程中，因此對傳感器建模來說又增加了不小的難度。

並且，仿真環境與真實環境相比，永遠存在Gap。不少業內人士認為，傳感器表現對真實環境的依賴很強，如果以量產為目標，最理想的測試驗證環境是真實的物理環境。

奧迪工程師在向媒體開放展示A8自動駕駛功能時，特地強調在真實環境測試驗證感知系統的重要性，只有在真實路測時，你才能確定在大雨天、在光影變化的隧道裡、在路面水塘反光或者是陽光直射的下午3點，環境感知系統一樣有效、可靠。同時，自動駕駛產品要針對不同的交通環境，開展本土化研發。奧迪官方曾表示，在奧迪A8自動駕駛功能完美進入不同市場之前，要進行至少6個月的真實路測，來驗證軟體系統在不同交通環境中足夠安全可靠。

自動駕駛測試驗證需要的新能力——大數據挖掘

自動駕駛測試驗證中，傳感器采集大量的環境數據，測試驗證涉及的數據量飆升。這些數據會被存儲起來，更好地服務自動駕駛軟體算法的開發工作。因此，主機廠必須具備分析、管理、運營數據的能力，並且要避免數據垃圾，努力縮短數據分析的時間。

在大數據測試驗證方面強調最多的是寶馬。

大量有效數據從哪裡來？答案是自建數據采集車隊。寶馬與英特爾和Mobileye聯盟從2017年下半年開始，陸續推出了40輛自動駕駛數據采集和路測車。根據寶馬的計劃，2019年計劃部署的汽車數量將達到90輛高度自動駕駛汽車、50輛全自動駕駛汽車，在全球展開自動駕駛測試驗證和數據采集工作。

這些測試車在世界各地采集環境數據。根據寶馬的一份官方資料，每輛寶馬高度自動駕駛汽車產生的數據量將達到2TB/h，全自動駕駛汽車每小時產生的數據量更多，將達到40TB/h。

這些車每天完成測試驗證環節後，工程師會將存儲數據的硬碟會從測試車上取下，將數據拷貝至研發中心的伺服器中。隨後，這些存儲了數據的伺服器隨後會被轉運到大數據中心。在經過數據質量控制、處理等步驟之後，寶馬的大數據工程師完成PB級的數據搜索，通過大數據分析後，為算法開發工程師迭代更新算法提供參考。

寶馬在介紹大數據測試驗證的工作時，常常提到的一個詞——“大數據驅動”。自動駕駛測試驗證涉及的數據量將達到PB級別。為此，寶馬在慕尼黑專門自建了全新的大數據中心用於自動駕駛的研發。據介紹，2017年寶馬的數據中心規模具備了存儲70PB數據能力，目標在2019年達到200PB的能力，並且在之後持續增長。

隨著測試驗證需求不斷湧現，未來OEM需要更多懂得大數據的服務商來幫助主機廠建立雲平台和數據中心。並且，自動駕駛產品的一大特點是在落地後持續學習進步，對大數據的使用與分析將貫穿量產產品的生命周期。

小結

從德系三強的分享中，我們看到了前瞻創新和產業研發之間的不同。當我們以“研發安全、可靠的自動駕駛產品”為目標時，就需要用系統工程的思維來看待量產研發和測試驗證。量產研發涉及的大數據采集、處理、分析流程，不僅事關技術，也依賴量產項目的經驗積累，以及持久的人力資金投入。自動駕駛量產不是一件容易的事，為安全兌現量產承諾的每一分努力，都不奢侈。

車 雲 推薦