智能交通技術@300輛無人車200萬公里路測零事故，首次揭秘背后整套安全保障方案
百度Apollo的自動駕駛出租車隊 ， 已經在長沙梅溪湖畔開啟試運營 。 所有長沙市民都可申請成為種子用戶親身試乘 。 但RoboTaxi落地 ， 意義不止是百度自動駕駛邁步新階段 ， 而且也有多項行業性風向標亮點可從中管窺 。
9月26日 ， 首批45輛Apollo與一汽紅旗聯合研發的“紅旗EV”Robotaxi車隊在長沙部分已開放測試路段開始試運營 。
普通長沙市民即可登錄Apollo官網申請成為種子用戶實際試乘 ， 這代表了中國自動駕駛的最新發展水準 。
但是 ， 在自動駕駛落地的拉鋸戰中 ， 跑得穩遠比跑得快更重要 ， 因此 ， “安全”始終是衡量自動駕駛玩家實力的關鍵因素 。
迄今為止 ， 百度測試車輛達到300輛 ， 目前已在13個城市進行測試 ， 開放道路上完成了200萬公里以上的測試 ， 并始終保持著零事故的良好紀錄 。
在這個紀錄的背后是一整套系統全面的質量保障體系 ， 百度的工程師們力求通過最專業的測試方法 ， 確保自動駕駛車輛在開放道路進行規?；瘻y試的安全 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
一個典型的高級別自動駕駛系統包含車輛、傳感器、計算單元、操作系統、算法軟件、云端平臺等多個組成部分 。
對于這樣一個軟硬件結合的多部件系統 ， 如何確定每一行代碼每一個器件都符合原始的設計預期 ， 并且能夠穩定的、高效的協同在一起完成駕駛任務 ， 這是自動駕駛測試面臨的第一個挑戰 。
第二個挑戰來源于復雜多變的交通環境 ， 包括道路結構、交通參與者、天氣環境等 ， 這些元素組織在一起 ， 即構成了場景 。 自動駕駛車輛需要平穩地穿行于各個場景之中 ， 最終把乘客安全地送達目的地 。
因此場景將會成為驅動測試的基礎 ， 建立一個體系化的場景庫 ， 也成為了必不可少的工作 。 為應對這兩個挑戰 ， 百度建立了縱向分層橫向分階段的質量保障體系 ， 以“安全第一”為原則開展各個測試環節的工作 ， 確保任何代碼的改動或者硬件變更都經過了嚴格的測試 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
縱向上 ， 百度將測試體系分為場景層（AutonomousDrivingScenario,ADS）、數據層、測試層三層 。
測試層又分為了離線環境測試、車輛在環測試、道路在環測試三個階段 ， 實現以“安全第一”為原則 ， 對軟件、硬件、車輛進行逐層環環相扣測試 ， 確保自動駕駛系統上路測試的安全性 。
測試體系核心驅動力：測試場景庫
自動駕駛測試場景庫是百度自動駕駛測試體系基礎 ， 驅動自動駕駛車輛測試各個環節 。
自動駕駛測試場景庫包含典型的日常行駛場景、高碰撞風險場景、法律法規場景等 ， 同時也包含已經形成行業標準的場景 ， 例如AEB功能的標準測試場景 。
測試場景庫一方面基于經驗和相關交通場景數據庫（例如：事故數據庫）進行正向設計 ， 另一方面基于路測數據自動化場景挖掘手段進行逆向補充 ， 隨著道路測試數據的積累 ， 這個場景庫將變得越來越高覆蓋度 。
目前百度測試場景庫已累積數百萬個場景 ， 目前仍不斷在增長 。 運行一輪測試場景庫 ， 相當于百萬公里的實際道路測試 。
為了高效地管理大規模測試場景 ， 百度建立基于自動駕駛能力特征、場景特征、區域特征等上百個維度標簽體系 ， 實現大規模測試場景結構化的管理體系 ， 從而達到場景集靈活選取和配置 ， 按需達到不同的測試目的 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
及時消除系統安全隱患關鍵：大規模離線測試
這里的離線是指未包含車輛的測試 ， 大部分工作是在實驗室里完成的 。
這個階段包含了模型在環測試（MIL）、軟件在環測試（SIL）、硬件在環測試（HIL） 。
自動駕駛技術目前處于高速發展的階段 ， 迭代速度是相當快的 ， 在離線測試階段 ， 百度通過高度自動化手段對軟件算法進行充分的測試 ， 目的是盡早發現系統的缺陷或安全隱患 。
離線測試需要海量的數據作為支撐 ， 百度從2013年開始布局自動駕駛技術 ， 目前已經覆蓋的路網范圍達到450平方公里 ， 積累了大量真實道路數據 。 這些數據構成了百度自動駕駛車輛安全上路的基石 。
在離線測試階段 ， 百度建立了高度自動化的測試系統 ， 以保證每一行代碼都能被充分及時的測試 。 當軟件發生修改后 ， 系統會逐一自動觸發各個測試環節 ， 直至達到安全的上車測試標準方進入車輛在環測試階段及道路在環階段 。
道路在環測試階段發現問題會進行下一輪的代碼修改 ， 開始下一次的循環 。 經過一輪又一輪的閉環 ， 使得自動駕駛能力不斷提升 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
模型在環測試（MIL）
自動駕駛核心算法包含了多種模型 ， 對這些模型最高效的測試方法不是在道路在環測試 ， 而是在離線測試階段 。
模型在環測試利用大規模數據集對感知、預測、定位、控制等核心算法模型進行精確的評估 ， 通過模型評估后的各項指標度量模型能力變化 ， 通過自動化挖掘在早期暴露算法問題和BadCase ， 避免遺留到后續測試過程 。
以感知模型測試為例 ， 百度會使用幾十萬幀的真值數據衡量當前的準確率 ， 這些被用來測試的真值數據無論在類型上還是難度上都是經過了精心的篩選 ， 以達到充分測試的目的 。
百度會用一些復雜的數據進行測試 ， 在評估模型效果的同時關注系統性能 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
一個復雜的路口——包含車輛、摩托車、行人以及一些矮小的隔離樁 。
同時 ， 會利用一些“異常”的數據來測試模型是否存在缺陷或漏洞 。
一輛很長的車：
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
一棵可能會移動的樹：
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
軟件在環測試（SIL）
對自動駕駛來說 ， 虛擬仿真器是最有效的軟件在環測試工具 。 百度目前每天能夠進行百萬公里級別仿真測試 ， 仿真場景到達四百萬個 ， 實現對三百多種判斷規則的自動化檢驗 。 而支撐這些的是IDC中心7x24小時不停運轉的幾千臺服務器 ， 以及用于加速運算的GPU 。
虛擬仿真測試中百度會測試自動駕駛系統在各種場景下的感知、決策、規劃和控制能力 。 百度構造了大量的場景 ， 并且通過參數擴展的方法將單一的場景自動化生產規?；膱鼍?， 以提高測試的覆蓋度 。
例如 ， 讓一輛障礙車每次在路口按照不同的轉彎曲率完成左轉 ， 用來測試自動駕駛系統是否選擇了合理的方式應避免沖突 。
同時 ， 百度也將采集到的數據通過一系列的數據處理轉化為虛擬仿真測試場景 ， 這類場景可以真實還原道路交通環境 ， 為系統提供了最真實的測試場景 。
在仿真器的使用方面 ， 百度還建立了精細的度量體系 ， 通過一系列的度量工具 ， 可以自動化地判斷仿真過程中發生的碰撞問題、違反交規問題、體感問題、路線不合理問題 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
在同樣的場景下通過仿真對比車輛的不同決策 ， 可以幫助我們直觀的評估安全風險 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
車輛在虛擬的城市里24小時不間斷的行駛 。
硬件在環測試（HIL）
硬件在環測試階段 ， 百度會把軟件和硬件集成到一起 ， 以測試軟硬件系統的兼容性和可靠性 。 智能交通技術@300輛無人車200萬公里路測零事故，首次揭秘背后整套安全保障方案
通常硬件的故障發生都有一定的概率 ， 帶有一定的偶然性 ， 因此百度會在硬件在環測試階段基于真實和虛擬硬件結合方式進行成千上萬真實場景的還原測試 。
并且24小時不間斷的對自動駕駛系統施加壓力 ， 以模擬系統在不同資源極限條件下（比如：GPU資源不足 ， CPU使用率過高）的性能和穩定性表現 。
同時在這個階段模擬了大量的硬件故障 ， 測試在硬件故障的情況下系統的反映 ， 如硬件失效、斷電、丟幀、上下游接口異常等 ， 確保系統符合ISO26262功能安全要求 。
車輛在環測試階段（VIL）：基于臺架開展測試驗證車輛安全性
車輛在環測試階段會先進行基于臺架的測試 ， 在臺架上完成各項車輛線控功能、性能和穩定性測試 ， 以確保自動駕駛系統可以按照意圖控制車輛 。
完成對車輛線控的測試之后VIL環節會進入封閉場地 ， 基于真實的道路構建虛實結合的場景測試自動駕駛系統在真實車輛上的表現 。
百度會評估每個版本對于危險場景的應對和處理能力 ， 例如行人突然沖出、社會車輛逆行、道路強行擠占等極端的危險場景 ， 覆蓋NHTSA危險場景數據庫和國內交通事故數據庫場景 。
同時百度也構造一些不太常見的場景 ， 來驗證自動駕駛車輛的安全性 。
一個綠燈亮起 ， 但是充滿行人的路口：
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
一個行為異常的行人：
道路在環測試階段（RIL）：常見城市道路場景考核車輛安全性
在離線測試和車輛在環測試階段通過后（每個環節都有嚴格的測試通過標準） ， 百度會在封閉場地內構建真實的場景來測試車輛的自動駕駛各項能力和安全性 。
目前百度有2個自建測試場 ， 以及4個合作測試場 。 涵蓋了常見的城市道路及高速道路 ， 包括直行道路、彎道、路口、坡路、隧道及停車場等 。 另外 ， 通過假人、假車等測試設備構造各種低頻場景 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
國家智能汽車與智慧交通（京冀）示范區亦莊基地
這類低頻場景在社會道路上存在 ， 但是出現的頻率較低 ， 在開放道路上不易得到充分驗證 。 例如逆行的自行車、突然沖出的行人、路段積水等場景 。
在完成自測之后 ， 百度會向第三方監管機構提出路測許可申請 ， 通過層層的測試和考核 ， 獲得上路測試許可牌照 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
國家智能汽車與智慧交通（京冀）示范區亦莊基地
開放道路測試是道路在環測試的最終環節 ， 也是自動駕駛車輛完成測試評估所必須經過的重要環節 。
開放道路測試是循序漸進開展的 ， 百度會將最新的系統部署在少量車上進行測試 ， 確認安全后再部署到更大規模的車隊 。
測試道路的選擇同樣也是從較低難度的區域開始逐步擴展 ， 在低難度區域內完成一定量的里程積累 ， 并且達到目標MPI后再進入下一難度 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
國家智能汽車與智慧交通（京冀）示范區亦莊基地
目前百度已經在全國包括北京、長沙、重慶等多個城市地區獲得超過百張測試牌照 ， 安全路測里程200萬公里 ， 百度的自動駕駛系統經歷了北京一年四季的變換 ， 也經受住了長沙連綿梅雨季節的考驗 。
通過部署規?；詣玉{駛車輛不斷在實際道路上進行測試和驗證 ， 形成實際路上場景和自動駕駛能力不斷閉環 ， 使自動駕駛車輛在智能度、安全性等方面持續提升 ， 從而逐漸接近具備自動駕駛車輛走進千家萬戶的能力 。
為了更加安全地測試 ， 百度為每一輛開放道路測試車輛配備了兩名安全員 。 其中一名安全員在駕駛席上 ， 負責監視實際道路的情況 ， 當出現任何緊急情況或安全風險時對車輛進行第一時間接管 。
這一人工接管切換過程每輛車上路前都必須經過反復測試并保證接管成功率100% ， 且系統會在第一時間將車輛控制權交給安全員 。
另外一名安全員通過可視化的工具監視自動駕駛系統的運行情況 ， 第一時間發現安全的隱患并提醒駕駛位安全員接管 。
一名安全員需要通過自動駕駛理論和實際操作技能培訓考核 ， 在封閉場地完成2000公里以上的練習 ， 才能正式成為一名合格的自動駕駛測試安全員 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
構建面向量產的質量管理體系硬件質量管理
自動駕駛車輛是一個高度復雜的產品 ， 其中每一個硬件的質量表現都直接影響整車的質量 ， 在產品裝車之前進行有效的質量管控是自動駕駛車輛穩定持久運行的基礎 。
我們按照IATF16949的要求 ， 從供應商開發、管理、質量控制、可靠性驗證等多個方面建立了完整的符合汽車工業要求的工作流程及管理體系 ， 在產品的生產、收貨檢驗、集成檢驗等環節都進行了嚴格的質量把控 ， 保證產品開發高效 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
整車集成質量保證
在整車集成環節 ， 我們制訂并實施了完整的車輛試驗項目 ， 包括整車淋雨、涉水、EMC、操穩性、制動性和主觀評價等 ， 確保自動駕駛車輛的安全性、舒適性和可靠性 。
智能交通技術@300輛無人車200萬公里路測零事故 ， 首次揭秘背后整套安全保障方案//草丁生活 http://life.caoding.cn/
寫在最后
安全是自動駕駛永恒的話題 ， 專業嚴謹的測試體系是一切信心的來源 。
脫離這個測試體系 ， 也許可以完成一兩次“完美”的demo ， 但絕對不能支撐起更大規模的開放道路測試 。
在自動駕駛落地的拉鋸戰中 ， 跑得穩、遠 ， 比跑得快更重要 ， 因此 ， “安全”始終是衡量自動駕駛玩家實力的關鍵因素 ， 也是自動駕駛落地新階段中的核心競爭力所在 。
一個典型的高級別自動駕駛系統包含車輛、傳感器、計算單元、操作系統、算法軟件、云端平臺等多個組成部分 。
對于這樣一個軟硬件結合的多部件系統 ， 如何確定每一行代碼每一個器件都符合原始的設計預期 ， 并且能夠穩定的、高效的協同在一起完成駕駛任務 ， 這是自動駕駛測試面臨的第一個挑戰 。
第二個挑戰來源于復雜多變的交通環境 ， 包括道路結構、交通參與者、天氣環境等 ， 這些元素組織在一起 ， 即構成了場景 。 自動駕駛車輛需要平穩地穿行于各個場景之中 ， 最終把乘客安全地送達目的地 。
因此場景將會成為驅動測試的基礎 ， 建立一個體系化的場景庫 ， 也成為了必不可少的工作 。 為應對這兩個挑戰 ， 百度建立了縱向分層橫向分階段的質量保障體系 ， 以“安全第一”為原則開展各個測試環節的工作 ， 確保任何代碼的改動或者硬件變更都經過了嚴格的測試 。
縱向上 ， 百度將測試體系分為場景層（AutonomousDrivingScenario,ADS）、數據層、測試層三層 。
測試層又分為了離線環境測試、車輛在環測試、道路在環測試三個階段 ， 實現以“安全第一”為原則 ， 對軟件、硬件、車輛進行逐層環環相扣測試 ， 確保自動駕駛系統上路測試的安全性 。
測試體系核心驅動力：測試場景庫
自動駕駛測試場景庫是百度自動駕駛測試體系基礎 ， 驅動自動駕駛車輛測試各個環節 。
自動駕駛測試場景庫包含典型的日常行駛場景、高碰撞風險場景、法律法規場景等 ， 同時也包含已經形成行業標準的場景 ， 例如AEB功能的標準測試場景 。
測試場景庫一方面基于經驗和相關交通場景數據庫（例如：事故數據庫）進行正向設計 ， 另一方面基于路測數據自動化場景挖掘手段進行逆向補充 ， 隨著道路測試數據的積累 ， 這個場景庫將變得越來越高覆蓋度 。
目前百度測試場景庫已累積數百萬個場景 ， 目前仍不斷在增長 。 運行一輪測試場景庫 ， 相當于百萬公里的實際道路測試 。
為了高效地管理大規模測試場景 ， 百度建立基于自動駕駛能力特征、場景特征、區域特征等上百個維度標簽體系 ， 實現大規模測試場景結構化的管理體系 ， 從而達到場景集靈活選取和配置 ， 按需達到不同的測試目的 。
及時消除系統安全隱患關鍵：大規模離線測試
這里的離線是指未包含車輛的測試 ， 大部分工作是在實驗室里完成的 。
這個階段包含了模型在環測試（MIL）、軟件在環測試（SIL）、硬件在環測試（HIL） 。
自動駕駛技術目前處于高速發展的階段 ， 迭代速度是相當快的 ， 在離線測試階段 ， 百度通過高度自動化手段對軟件算法進行充分的測試 ， 目的是盡早發現系統的缺陷或安全隱患 。
離線測試需要海量的數據作為支撐 ， 百度從2013年開始布局自動駕駛技術 ， 目前已經覆蓋的路網范圍達到450平方公里 ， 積累了大量真實道路數據 。 這些數據構成了百度自動駕駛車輛安全上路的基石 。
在離線測試階段 ， 百度建立了高度自動化的測試系統 ， 以保證每一行代碼都能被充分及時的測試 。 當軟件發生修改后 ， 系統會逐一自動觸發各個測試環節 ， 直至達到安全的上車測試標準方進入車輛在環測試階段及道路在環階段 。
道路在環測試階段發現問題會進行下一輪的代碼修改 ， 開始下一次的循環 。 經過一輪又一輪的閉環 ， 使得自動駕駛能力不斷提升 。
模型在環測試（MIL）
自動駕駛核心算法包含了多種模型 ， 對這些模型最高效的測試方法不是在道路在環測試 ， 而是在離線測試階段 。
模型在環測試利用大規模數據集對感知、預測、定位、控制等核心算法模型進行精確的評估 ， 通過模型評估后的各項指標度量模型能力變化 ， 通過自動化挖掘在早期暴露算法問題和BadCase ， 避免遺留到后續測試過程 。
以感知模型測試為例 ， 百度會使用幾十萬幀的真值數據衡量當前的準確率 ， 這些被用來測試的真值數據無論在類型上還是難度上都是經過了精心的篩選 ， 以達到充分測試的目的 。
百度會用一些復雜的數據進行測試 ， 在評估模型效果的同時關注系統性能 。
一個復雜的路口——包含車輛、摩托車、行人以及一些矮小的隔離樁 。
同時 ， 會利用一些“異?！钡臄祿頊y試模型是否存在缺陷或漏洞 。
一輛很長的車：
一棵可能會移動的樹：
軟件在環測試（SIL）
對自動駕駛來說 ， 虛擬仿真器是最有效的軟件在環測試工具 。 百度目前每天能夠進行百萬公里級別仿真測試 ， 仿真場景到達四百萬個 ， 實現對三百多種判斷規則的自動化檢驗 。 而支撐這些的是IDC中心7x24小時不停運轉的幾千臺服務器 ， 以及用于加速運算的GPU 。
虛擬仿真測試中百度會測試自動駕駛系統在各種場景下的感知、決策、規劃和控制能力 。 百度構造了大量的場景 ， 并且通過參數擴展的方法將單一的場景自動化生產規模化的場景 ， 以提高測試的覆蓋度 。
例如 ， 讓一輛障礙車每次在路口按照不同的轉彎曲率完成左轉 ， 用來測試自動駕駛系統是否選擇了合理的方式應避免沖突 。
同時 ， 百度也將采集到的數據通過一系列的數據處理轉化為虛擬仿真測試場景 ， 這類場景可以真實還原道路交通環境 ， 為系統提供了最真實的測試場景 。
在仿真器的使用方面 ， 百度還建立了精細的度量體系 ， 通過一系列的度量工具 ， 可以自動化地判斷仿真過程中發生的碰撞問題、違反交規問題、體感問題、路線不合理問題 。
在同樣的場景下通過仿真對比車輛的不同決策 ， 可以幫助我們直觀的評估安全風險 。
車輛在虛擬的城市里24小時不間斷的行駛 。
硬件在環測試（HIL）
硬件在環測試階段 ， 百度會把軟件和硬件集成到一起 ， 以測試軟硬件系統的兼容性和可靠性 。
通常硬件的故障發生都有一定的概率 ， 帶有一定的偶然性 ， 因此百度會在硬件在環測試階段基于真實和虛擬硬件結合方式進行成千上萬真實場景的還原測試 。
并且24小時不間斷的對自動駕駛系統施加壓力 ， 以模擬系統在不同資源極限條件下（比如：GPU資源不足 ， CPU使用率過高）的性能和穩定性表現 。
同時在這個階段模擬了大量的硬件故障 ， 測試在硬件故障的情況下系統的反映 ， 如硬件失效、斷電、丟幀、上下游接口異常等 ， 確保系統符合ISO26262功能安全要求 。
車輛在環測試階段（VIL）：基于臺架開展測試驗證車輛安全性
車輛在環測試階段會先進行基于臺架的測試 ， 在臺架上完成各項車輛線控功能、性能和穩定性測試 ， 以確保自動駕駛系統可以按照意圖控制車輛 。
完成對車輛線控的測試之后VIL環節會進入封閉場地 ， 基于真實的道路構建虛實結合的場景測試自動駕駛系統在真實車輛上的表現 。
百度會評估每個版本對于危險場景的應對和處理能力 ， 例如行人突然沖出、社會車輛逆行、道路強行擠占等極端的危險場景 ， 覆蓋NHTSA危險場景數據庫和國內交通事故數據庫場景 。
同時百度也構造一些不太常見的場景 ， 來驗證自動駕駛車輛的安全性 。
一個綠燈亮起 ， 但是充滿行人的路口：智能交通技術@300輛無人車200萬公里路測零事故，首次揭秘背后整套安全保障方案
一個行為異常的行人：
道路在環測試階段（RIL）：常見城市道路場景考核車輛安全性
在離線測試和車輛在環測試階段通過后（每個環節都有嚴格的測試通過標準） ， 百度會在封閉場地內構建真實的場景來測試車輛的自動駕駛各項能力和安全性 。
目前百度有2個自建測試場 ， 以及4個合作測試場 。 涵蓋了常見的城市道路及高速道路 ， 包括直行道路、彎道、路口、坡路、隧道及停車場等 。 另外 ， 通過假人、假車等測試設備構造各種低頻場景 。
國家智能汽車與智慧交通（京冀）示范區亦莊基地
這類低頻場景在社會道路上存在 ， 但是出現的頻率較低 ， 在開放道路上不易得到充分驗證 。 例如逆行的自行車、突然沖出的行人、路段積水等場景 。
在完成自測之后 ， 百度會向第三方監管機構提出路測許可申請 ， 通過層層的測試和考核 ， 獲得上路測試許可牌照 。
國家智能汽車與智慧交通（京冀）示范區亦莊基地
開放道路測試是道路在環測試的最終環節 ， 也是自動駕駛車輛完成測試評估所必須經過的重要環節 。
開放道路測試是循序漸進開展的 ， 百度會將最新的系統部署在少量車上進行測試 ， 確認安全后再部署到更大規模的車隊 。
測試道路的選擇同樣也是從較低難度的區域開始逐步擴展 ， 在低難度區域內完成一定量的里程積累 ， 并且達到目標MPI后再進入下一難度 。
國家智能汽車與智慧交通（京冀）示范區亦莊基地
目前百度已經在全國包括北京、長沙、重慶等多個城市地區獲得超過百張測試牌照 ， 安全路測里程200萬公里 ， 百度的自動駕駛系統經歷了北京一年四季的變換 ， 也經受住了長沙連綿梅雨季節的考驗 。
通過部署規模化自動駕駛車輛不斷在實際道路上進行測試和驗證 ， 形成實際路上場景和自動駕駛能力不斷閉環 ， 使自動駕駛車輛在智能度、安全性等方面持續提升 ， 從而逐漸接近具備自動駕駛車輛走進千家萬戶的能力 。
為了更加安全地測試 ， 百度為每一輛開放道路測試車輛配備了兩名安全員 。 其中一名安全員在駕駛席上 ， 負責監視實際道路的情況 ， 當出現任何緊急情況或安全風險時對車輛進行第一時間接管 。
這一人工接管切換過程每輛車上路前都必須經過反復測試并保證接管成功率100% ， 且系統會在第一時間將車輛控制權交給安全員 。
另外一名安全員通過可視化的工具監視自動駕駛系統的運行情況 ， 第一時間發現安全的隱患并提醒駕駛位安全員接管 。
一名安全員需要通過自動駕駛理論和實際操作技能培訓考核 ， 在封閉場地完成2000公里以上的練習 ， 才能正式成為一名合格的自動駕駛測試安全員 。
構建面向量產的質量管理體系硬件質量管理
自動駕駛車輛是一個高度復雜的產品 ， 其中每一個硬件的質量表現都直接影響整車的質量 ， 在產品裝車之前進行有效的質量管控是自動駕駛車輛穩定持久運行的基礎 。
我們按照IATF16949的要求 ， 從供應商開發、管理、質量控制、可靠性驗證等多個方面建立了完整的符合汽車工業要求的工作流程及管理體系 ， 在產品的生產、收貨檢驗、集成檢驗等環節都進行了嚴格的質量把控 ， 保證產品開發高效 。
整車集成質量保證
在整車集成環節 ， 我們制訂并實施了完整的車輛試驗項目 ， 包括整車淋雨、涉水、EMC、操穩性、制動性和主觀評價等 ， 確保自動駕駛車輛的安全性、舒適性和可靠性 。
寫在最后
安全是自動駕駛永恒的話題 ， 專業嚴謹的測試體系是一切信心的來源 。
脫離這個測試體系 ， 也許可以完成一兩次“完美”的demo ， 但絕對不能支撐起更大規模的開放道路測試 。
在自動駕駛落地的拉鋸戰中 ， 跑得穩、遠 ， 比跑得快更重要 ， 因此 ， “安全”始終是衡量自動駕駛玩家實力的關鍵因素 ， 也是自動駕駛落地新階段中的核心競爭力所在 。
- 紙幣|2020年版第五套人民幣5元紙幣 防偽技術和印制質量有哪些改進和提升？
- 7nm|中興已量產7nm芯片 5nm芯片正在技術導入
- 暴行|微軟暫停提供面部識別技術 反對暴力執法和種族偏見
- #車家號#不管開車技術多高，請養成這3大好習慣，別不把生命當回事
- 汽車之家@手動擋技術老舊還難開，但為啥不停產呢？車企：我們又不傻
- 「ZAKER網」德國造車技術這么“?！?，為啥改不了燒機油？專家：冤枉了德系車！
- 「蛋蛋懂車」為什么英國皇室成員駕駛技術很糟糕，時常發生超速罰款和撞車事故
- 「鄭州星云互聯軟件技術」企業管理中溝通的有效技巧
- [汽車棒棒堂]手搖式點火的中國“第一車”，當年公認的難開，技術堪比開賽車
- 「家有汽車」飛機駕駛技術常識-自動駕駛儀