行家來信 | 300輛無人車200萬公里路測零事故，首次揭秘背後整套安全保障方案
- 2019 年 10 月 10 日
- 筆記
來信行家：百度Apollo團隊 量子位 出品 | 公眾號 QbitAI
編者按：百度Apollo的自動駕駛計程車隊，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。
比如首批45輛RoboTaxi服役車「紅旗EV」，是Apollo與一汽紅旗專門為自動駕駛打造的量產車型，意味著中國自動駕駛跨過了「改裝」時代。
另外，從一輛車到一個型號的車隊上線運營，背後涉及的技術挑戰，並非只是簡單物理相加，還有一系列從系統設計、測試到運營管理的難題。
所以Apollo Go背後，究竟是如何解決這些問題的？在「紅旗EV」揭秘之後，此次百度Apollo團隊，分享了200萬公里零事故背後的安全保障方案。
在自動駕駛和RoboTaxi不斷推進的當前，或許能對未來行業標準制定，提供參考。
要點
- 如何建立體系化測試場景庫
- 怎樣進行大規模離線測試
- 如何逐步展開車輛在環測試
- 如何安全地推進道路在環測試
- 怎樣構建面向量產的品質管理體系
專欄全文
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，並始終保持著零事故的良好紀錄。
在這個紀錄的背後是一整套系統全面的品質保障體系，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模化測試的安全。
一個典型的高級別自動駕駛系統包含車輛、感測器、計算單元、作業系統、演算法軟體、雲端平台等多個組成部分。
對於這樣一個軟硬體結合的多部件系統，如何確定每一行程式碼每一個器件都符合原始的設計預期，並且能夠穩定的、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。
第二個挑戰來源於複雜多變的交通環境，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於各個場景之中，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品質保障體系，以「安全第一」為原則開展各個測試環節的工作，確保任何程式碼的改動或者硬體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（Autonomous Driving Scenario, 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，對軟體、硬體、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於經驗和相關交通場景資料庫（例如：事故資料庫）進行正向設計，另一方面基於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，相當於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，百度建立基於自動駕駛能力特徵、場景特徵、區域特徵等上百個維度標籤體系，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
這裡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）、軟體在環測試（SIL）、硬體在環測試（HIL）。
自動駕駛技術目前處於高速發展的階段，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體演算法進行充分的測試，目的是儘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範圍達到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，以保證每一行程式碼都能被充分及時的測試。當軟體發生修改後，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程式碼修改，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）
自動駕駛核心演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、控制等核心演算法模型進行精確的評估，通過模型評估後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演算法問題和BadCase，避免遺留到後續測試過程。
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。
百度會用一些複雜的數據進行測試，在評估模型效果的同時關注系統性能。
一個複雜的路口——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：
一棵可能會移動的樹：
軟體在環測試（SIL）
對自動駕駛來說，虛擬模擬器是最有效的軟體在環測試工具。百度目前每天能夠進行百萬公里級別模擬測試，模擬場景到達四百萬個，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7×24小時不停運轉的幾千台伺服器，以及用於加速運算的GPU。
虛擬模擬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，並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衝突。
同時，百度也將採集到的數據通過一系列的數據處理轉化為虛擬模擬測試場景，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。
在模擬器的使用方面，百度還建立了精細的度量體系，通過一系列的度量工具，可以自動化地判斷模擬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模擬對比車輛的不同決策，可以幫助我們直觀的評估安全風險。
車輛在虛擬的城市裡24小時不間斷的行駛。
硬體在環測試（HIL）
硬體在環測試階段，百度會把軟體和硬體集成到一起，以測試軟硬體系統的兼容性和可靠性。
通常硬體的故障發生都有一定的概率，帶有一定的偶然性，因此百度會在硬體在環測試階段基於真實和虛擬硬體結合方式進行成千上萬真實場景的還原測試。
並且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體故障，測試在硬體故障的情況下系統的反映，如硬體失效、斷電、丟幀、上下游介面異常等，確保系統符合ISO26262功能安全要求。
車輛在環測試階段（VIL）：基於台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於台架的測試，在台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後VIL環節會進入封閉場地，基於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於危險場景的應對和處理能力，例如行人突然衝出、社會車輛逆行、道路強行擠占等極端的危險場景，覆蓋NHTSA危險場景資料庫和中國交通事故資料庫場景。
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：
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後（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。
△國家智慧汽車與智慧交通（京冀）示範區亦庄基地
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、突然衝出的行人、路段積水等場景。
在完成自測之後，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。
△國家智慧汽車與智慧交通（京冀）示範區亦庄基地
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，確認安全後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，並且達到目標MPI後再進入下一難度。
△國家智慧汽車與智慧交通（京冀）示範區亦庄基地
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慧度、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覆測試並保證接管成功率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並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。
構建面向量產的品質管理體系
硬體品質管理
自動駕駛車輛是一個高度複雜的產品，其中每一個硬體的品質表現都直接影響整車的品質，在產品裝車之前進行有效的品質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、品質控制、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品質把控，保證產品開發高效。
整車集成品質保證
在整車集成環節，我們制訂並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。
寫在最後
安全是自動駕駛永恆的話題，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。
— 完 —
