深蓝汽车：数据驱动的智能辅助驾驶测试评估体系

2025年7月22日，在第八届智能辅助驾驶大会上，深蓝汽车科技有限公司辅助驾驶测试副总工文谢指出，当前智能辅助驾驶技术正迈向L3级关键阶段，虽然法规尚未出台，但众多企业已积极布局。当前，系统设计趋向多重冗余，智能辅助驾驶控制器、底盘、转向、供电多重备份。这显著增加了测试工作量。同时，功能安全与预期功能安全在L3阶段需产品化落地。他指出，测试工作面临场景复杂、测试周期延长及成本上升的挑战，传统测试手段已难以满足需求。

为应对挑战，文谢提出构建数据驱动的智能辅助驾驶测试评估体系。他指出，该体系应强调路采数据反哺仿真系统，实现场景库与测评体系的有效联动。同时，需通过采集与测试一体化、数据分析云端化、以及利用神经网络等技术实现场景虚拟化，构建高置信度、高覆盖率的测试评估体系。

深蓝汽车科技有限公司辅助驾驶测试副总工

以下为演讲内容整理:

目前，智能辅助驾驶正处于从L2向L3级别跨越的关键临界阶段。尽管相关法规尚未出台，但众多智能辅助驾驶解决方案提供商已开始着手推进相关工作。可以预见，在未来一至两年内，将有大量L3级别的智能辅助驾驶系统投入使用。当前，智能辅助驾驶领域正处于技术积累、政策法规制定以及商业模式探索加速推进的阶段。

图源:演讲嘉宾素材

在此背景下，作为测试工作者，我们不能等到L3级智能辅助驾驶系统大规模应用时才开展相关工作，而应提前构建更加稳健的测试评估体系。从现有智能辅助驾驶解决方案的发展趋势来看，系统正朝着多芯片、多控制器方向发展，动力底盘、供电系统等方面均采用多重冗余设计。这种冗余设计无疑将让我们的测试工作量大幅增加。

另一个关键方面是功能安全与预期功能安全带来的挑战。在L1、L2阶段，功能安全与预期功能安全虽然被提及，但主要还是在流程体系上。进入L3阶段后，需切实落到产品应用上。这势必导致测试难度加大，测试体量成倍增长。L2级智能辅助驾驶系统能处理超过95%的场景，剩下的5%场景仍需人工接管。而在L3阶段，我们需要投入95%的精力来覆盖这剩余的5%场景。

从场景分布的角度来看，我将其设定为一个三维矩阵。其中，横轴可视为机动操作能力，涵盖巡航、切入切出、拨杆变道等操作；纵轴则代表用户能感知到的各类智能辅助驾驶场景，包括ACC、LCC、NOA、AVP等。在此基础上，还需叠加ODD，例如道路结构、天气环境等要素。

图源:演讲嘉宾素材

目前常用的测试手段包括SIL、Replay、HIL测试、以及封闭道路测试和开放道路测试等。若要应对L3级智能辅助驾驶系统变复杂、场景数量增加带来的挑战，只依赖原有的测试手段已经无法满足要求。我认为还需要充分利用数据来做系统性的优化。

首先，需要打通路采数据与仿真数据的链路，充分利用实车采集的场景来丰富、完善仿真场景，通过实车测试反哺仿真测试。

其次，应构建全生命周期的测试评估系统。在不同产品开发阶段，设定智能辅助驾驶系统的模块级、系统级和整车级评价指标。

第三，要建立场景库与测评体系之间的联动机制。场景库的积累有时候是盲目的，需要基于测试评估的结果做针对性的补充与完善。

图源:演讲嘉宾素材

此外，持续挖掘与迭代场景也很关键。随着实车数量增多，绝大部分场景将转变为低价值的重复场景。需要建立有效的机制，充分挖掘高价值的CornerCase。

关于数据运用，我们不可将数据闭环与测试闭环割裂开来，不能忽视数据基础设施建设的潜在价值，应从多维度构建测试体系。首先是数据采集，可先构建一个小闭环，涉及采集与运营。在当前阶段，我们可将采集车与测试车整合为同一架构，无需单独构建所谓的数据采集车。

图源:演讲嘉宾素材

二是数据分析，我们应将数据分析工作迁移至云端，开展数据回放、归类整理等工作，以此构建采集场景库。

三是聚焦于测试本身，可采用数据回灌或仿真测试的方式执行。但如何建立数据与仿真之间的联系呢？关键在于实现可闭环的虚拟化，这也是当前行业内热议的话题。我们计划利用3D高斯等技术手段来实现这一目标。

我们目前的思路是充分挖掘实车数据的价值，将这些数据转化为数字资产，服务于虚拟仿真。大致的思路可以分为几个步骤:第一步，对特定道路进行多次数据采集；第二步，对采集到的数据用自动化标注工具进行分类标注；第三步，采用3D高斯等方式建立高置信度静态场景；最后，采用高实时仿真引擎配置动态交通流和传感器模型。完成以上步骤后，整个数据驱动的仿真系统才算搭建完成。

关于测试评估体系，我们从模块级、系统级、整车级三个维度进行评估。在基于规则的开发方式下，模块级评估非常有效。例如，在对感知模块进行评测时，我们会针对交通参与目标、红绿灯、交通标志等方面进行单独测评，规划控制模块也会单独测试。当前技术迭代迅速，端到端、VLA、世界模型等各种新技术不断涌现。在技术演进过程中，原有的模块级评测方式将不再适用。若采用两段式端到端架构，其中间接口为显性表达，仍保留可评测的接口；但一段式端到端系统则不存在显性接口，无法单独进行模块级评测。

系统级评测与整车级测评维度具有相似性，但系统级测评更全面，通常采用仿真手段实现。系统级测评要求有更高的测试覆盖率，依靠实车测试难以实现。实车测试属于被动测试，例如，要测试一个目标车切入的场景，从上海嘉定至浦东行驶一圈也未必能遇到一个，即使遇到了，目标对应的速度、切入距离未必是想要的。而仿真测试是一种主动测试，可以随心所欲设置各种变量。当然，前提是仿真测试需要解决置信度问题。若基于前述数据驱动的高逼真场景生成方式，则系统级仿真测试在覆盖度、效率与成本上有巨大优势。

总体而言，我认为场景库是连接仿真与实车测试的关键纽带，二者应形成互补、协同的关系。实车测试中发现的问题可推动仿真链路优化，仿真测试中暴露的缺陷也可指导实车测试做针对性设计。其次，数据应该高效被利用，可以通过新技术手段充分激活其价值。具体来看，可运用3D高斯、世界模型等技术，将开环的路采场景转化为可闭环测试的仿真资源。这一路径对于高阶智能辅助驾驶系统的开发尤为关键。此外，随着端到端、VLA、世界模型等技术的演进，将让高置信度仿真系统展现巨大潜力。预计未来一至两年，其应用范围将进一步扩大。面向L3甚至L4级智能驾驶开发，必须攻克剩余5%的长尾问题。采用更高效、置信度更高的仿真技术成为必然选择，也是实现高阶智能驾驶落地的必由之路。