目前，各汽车厂商宣布将在2020年发布自动驾驶车辆(L3)，而对于完全自动驾驶(L4)车辆的制度制定，政府和企业都表现出了积极的态度。自动驾驶辅助系统刚开始进入市场时，部分支持“加速、减速、控制方向盘”的产品占主流。但是，随着从“辅助”到“自动”的变化，各种各样的图像相机/毫米波雷达等传感器数量也随之增加，传感器的感知范围也在不断扩大，这就要求自动驾驶车辆在市场中具有极高的安全性。要想确保高安全性，需要大量的市场行车数据收集和高度分析。

图1 自动驾驶系统发展路线图

自动驾驶技术及其测评

在传感器领域，除了毫米波雷达之外，还使用相机作为传感器，成为实现自动驾驶的“眼睛”。这些传感器由传感器主体以及识别算法所构成，为了能够开发出更好的产品，了解目标系统的性能要求的同时，模拟在市场上的使用方式进行开发也十分重要。比如自动停车系统的传感器，要求具备能够应对各种停车场景的性能。在确保“自动化”系统性能方面，知名制造商企业已经采取了行动，用高达数百万公里的道路行驶数据和大规模的模拟环境来构成测评环境。这种测评方法的规模要比传统产品的测评体量要大的多，今后这规模还会再随之扩大（图2）。从世界形势来看，测评方法需要进行根本性的改革。

图2 在不同的自动化定级的测评范围

 测评过程应该是什么样的？

我们认为评价过程应该是这样的：

①基本性能测评(Bench)

②市场模拟评价(Field)

③市场环境评价(市场)。 

图3 用于测评相机的目标识别性能流程

图3示出了通过照相机来测评物体的识别性能的流程：

①仅在限定的环境（移动并且明亮）下测评；

②在车辆上安装相机，并在模拟市场环境中执行测评；

③在实际环境下(市场)获得综合性能测评。

近年来，传感器的开发在V字型开发工程的最终阶段会出现大问题。当在最终验证阶段出现基本设计的问题，需要变更的设计范围就会扩大，导致大规模的手动返工和开发延迟等。因此，为了不在最终阶段发生大问题，在前期阶段的评估（基本性能测评，市场模拟测评）中，如图4所示，我们根据市场环境，将假定模拟市场环境的评估内容提前提出，并与基本性能评估相结合，明确定义了各阶段的完成度指标，以便在最后阶段不会出现重大问题。另外，在市场环境评价方面，我们应该要能实现涵盖了各种各样市场环境的评估。

图4 评估技术的流程

自动驾驶技术及其评估

为了实现上述评估过程，我们将先阐述目前正在研究的的物标识别性能评估。

为了正确地判断产品功能，必须采用定量且效率的评估方法。因此，我们根据不同的评估阶段，开发了与之相对应的评估技术/设计/工具，来进行评估和分析。

①基本性能评估：

根据图像来识别目标，使用标准目标来评估目标物是否按预期运行。

在这个阶段，对性能识别来说，最重要的是识别的正确值，以及量化影响误差的因素。一旦明确了传感器和识别目标的位置关系，与识别出的结果进行比较，就能剖析出明确的问题所在。因此，可以采用一种再现车辆轨迹的装置（图5）。

图5 3轴评估设备

如图6，在X轴/Y轴运行方向的帧的交点上搭载传感器。在这个交点上增加θ方向的回转功能（传感器转向），同时控制这三个轴（X、Y和θ），再现了搭载在车辆上的传感器的运动轨迹。由于可以通过绝对坐标计算出交点的位置，如果知道原点和要识别的对象之间的位置关系，则可以将实际位置关系与识别结果进行比较。利用该设备，可以验证设计的可行性和稳定性。

图6 3轴评估设备样式

②市场模拟评估：在此阶段，将使用搭载相机的车辆和待检测物体，确保安全的基础上确认在实际环境中的性能。因此，必须对环境和驾驶模式进行安全且定量的评估，设想系统如何在市场中使用。 我们在2017年建立了一个测试现场（Field）（图7）。 在该场地中，再现了市场上存在的各种停车架。 另外，被评估的车辆配备有高精度GPS（Global Positioning System）和LiDAR（(Laser Imaging Detection and Ranging），将待检测物体的实际位置与检测结果进行比较，从而能够进行评估。

图7 自动驾驶泊车评估现场

③市场环境评价：在这个阶段，我们将适应实际的市场环境进行。这里的难题是如何将场景加入误差因素，并在巨大的场景的市场环境中进行评估。在这里，我们将介绍为了扩大市场环境场景覆盖率所做的努力，并对其进行有效评估。首先，利用基于过去的图像数据和其他数据，全面提取出市场中存在的识别对象，以及将会影响到识别目标的物品。接下来，按类型对提取的目标部分进行分组。为方便起见，将其作为“目录”。将被识别目标分类到目录中，并且具有诸如颜色，形状和大小作为属性，定义速度，轨迹等行为为被识别对象的方法。通过属性/方法，定量表达那些被量化为参数。

图8 被识别对象系统化示例

如图8所示，当汽车被视为识别对象时，颜色、形状和尺寸可以表示为属性，并且通过定义其速度和轨迹等行为为方法。对于各目录的项目，可以选择属性/方法/方法/调试器，并将其组合成图9所示的评评估场景。

图9 按目录创建评估场景

把所有“目录”中的被识别对象简单地组合起来，就变成了庞大的模式。在自动判断市场环境的系统中，这些场景必须保证质量。但是，完成所有这些巨大的评估模式是不现实的。 因此，我们应该尝试根据难度级别来缩小参数范围。例如，可以通过利用停车道框线与路面之间的对比度（光暗对比）来提取边缘，就可以检测停车道标记的线段了。

图10 通过颜色评估的组合

如图10所示，首先检查过去的图像数据和路面涂料颜色，并创建颜色图表。

接下来，假设真实市场环境，以各种光照度来测量亮度。可以看出，在亮度差小的测量颜色的组合中，难以提取边缘。在图10中，当使用白线作为参考时，难以检测浅蓝色路面颜色之间的最小亮度差的线段。

如果使用这些组合可以进行边缘提取，则这些难易度低的组合就避免了常规提取白线的复杂操作，并且对于颜色属性/参数来说，还可以减少可能图案的数量。对于其他参数也实施这种方式，就能有效进行测评了。

另外，预测数据即使在压缩之后也很大，因此管理和操作变得十分重要。

在管理/操作方面，当进行数据分析和模拟时，需要进行数据分析和模拟，以各种方式搜索数据，并高速处理。因此，您可以选择开发了自己的数据库。数据库应用程序使用PHP（超文本预处理器）+的MySQL，创建基于Web的GUI（图形用户界面），这样一来数据管理员可以不用负担太大的压力。关于NAS（网络附加存储），在数据增加时，必须想办法避免降低数据访问速度。为了解决这些问题，可以引入了横向扩展NAS，它易于在NAS扩展时提高系统性能（图11）（如需数据存储和搜索解决方案请联系：17621392996）。

图11 NAS扩展

 最后

自动停车系统的开发，非常需要一种有效的评估技术。在自动驾驶系统的未来发展中，随着系统变得复杂，评估范围将越来越大。

我们不仅要评估真实环境，还要利用虚拟技术/人工智能来进行评估，以确保最终的评估质量。