基于大數據統計的智能駕駛MPI測試方法研究

蘭華　梁倍銘　劉開勇　阮倩　王國權

摘 要：隨著近年來汽車行業的高速發展，智能駕駛技術在各類車型上得到普遍應用，逐步為消費者所熟知。隨著消費者對于智能駕駛系統的深入了解，消費者對于智能駕駛系統的功能與性能提出越來越高的要求，這使得智能駕駛系統的升級迭代更具挑戰。本文主要介紹一種基于大數據統計的智能駕駛MPI測試方法，通過收集用戶的大數據、統計在車輛使用過程中的智能駕駛MPI（平均接管里程）并進行分析，在建立一系列測試標準評判智能駕駛系統的優劣的同時，也能針對性地改進高頻接管問題，優化駕駛體驗，對智能駕駛系統測試領域具有很好的啟發意義。

關鍵詞：智能駕駛 大數據 測試方法

1 引言

對于智能駕駛系統的研發流程而言，測試是驗證系統設計可靠性、安全性，推動智能駕駛系統不斷進化演變的重要步驟[1]。目前，針對智能駕駛系統的測試技術包括軟件測試、仿真測試和實車測試，其中實車道路測試是最為貼近實際用車場景的驗證手段，起著檢驗智能駕駛系統在真實環境中應用能力的作用，也是維系智能駕駛系統智能化與保障用車安全的最后一道防線[2]。為滿足當下智能駕駛技術發展需求，很多國家和地區通過建設封閉或半開放式智能駕駛實車測試區域、依托社會公共資源劃定智能駕駛測試道路等方式大力推進構建智能駕駛實車道路試驗環境[3]。根據相關研究機構的預測，到2040年全球范圍內將擁有2千萬～3千萬輛無人駕駛汽車。屆時，我國也將成為全世界最大的智能駕駛汽車市場[4]。

本文提出了一種新的智能駕駛系統實車測試方法，通過基于用戶的大數據統計，收集用戶使用智能駕駛功能時的MPI（平均接管里程）數據，從而分析研究得出影響用戶MPI的幾類高頻影響因素。借助這種測試方法，結合智能駕駛系統自身的特性，能夠針對性地進行性能優化，使智能駕駛系統的性能獲得提升。

2 基于用戶大數據的MPI統計與分析系統硬件組成

基于用戶大數據的MPI統計與分析系統工作流程可以分為車端的數據獲取、后臺服務器的數據處理以及測試人員對篩選后的數據進行分析、尋找智能駕駛系統提升優化的關鍵因素三大部分，并以促進智能駕駛系統的迭代升級作為最終目標形成工作流閉環。整個系統所涉及的硬件核心主要在于車端硬件與后臺后臺硬件，其構成如圖1所示。

根據工作內容的不同，車端硬件可分為三個層次：首先，對MPI數據進行統計分析的本質在于了解用戶從智能駕駛系統接管車輛操控這一事件發生時駕駛員的狀態、車輛的各項參數以及環境因素，因此車端硬件的底層就是信息的采集：諸如監控駕駛員反應的DMS攝像頭，獲取車輛行駛數據的傳感器，感知車輛周圍環境的毫米波雷達等，這些都為系統提供了最基礎的原始數據信息。其次，由于信息采集層的硬件都分布在車輛的各個位置，因此采集到的數據會先通過線束總成及網關傳輸至相應的域控制器之中，而后匯總至智能駕駛系統中央控制器。這些信息傳輸或儲存的媒介共同構成信息匯總層。最后，數據將會通過車載通信單元及5G網絡組成的信息傳輸層上傳至后臺硬件。

3 基于用戶大數據的MPI統計與分析系統底層架構

3.1 用戶數據收集的觸發標簽設置

對于利用用戶大數據的MPI統計與分析，在用戶數據的收集過程中，觸發標簽的設置尤為重要。一方面需要保證所收集數據類型的真實性、有效性、可用性，另一方面還要根據所采用的硬件水平綜合考量數據上傳/下載的流量、帶寬、速度等各個方面。

此外，在系統中建立觸發標簽，有利于在海量的用戶數據中篩選掉無效信息，快速捕捉目標內容，方便在測試后期分析時對大數據進行梳理。

分析系統中預設的數據觸發策略見表１。

上述觸發邏輯設計作為條件判據用以確保收集數據類型的真實性、有效性、可用性，為后續統計智能駕駛MPI數據奠定基礎。

3.2 用戶接管類型分類

基于用戶大數據對MPI數據進行統計與分析的過程中，很重要的一部分工作是探尋用戶接管智能駕駛系統的原因，圍繞用戶避免/拒絕使用車輛智能駕駛系統功能的場景，針對性地提出解決/優化的方案與措施，改進系統缺陷、提升系統的功能。

根據用戶的使用行為，設置如下的接管類型分類，見表2。

對于真實的用戶駕駛過程，根據上述設定的接管類型統計分類，區分、收集用戶具有高頻接管特點的因素，結合回歸算法，實現智能駕駛系統問題或缺陷的閉環管理。

4 某車型智能駕駛系統基于大數據統計MPI分析與性能測評

為更好地對系統工作流程進行展示，由上述的收集、統計、分析方法，本研究對某款車型智能駕駛功能的MPI指數進行了統計和性能測評，用于評價其在智能駕駛性能上的表現，同時針對發現的高頻問題進行跟蹤與回歸。

4.1 智能駕駛MPI數據統計分析

對某車型分別在市區道路與高速公路環境下進行全年的實車測試，根據回傳的用戶使用智能駕駛的總里程數，結合用戶總接管次數，分析對比得出某車型在城區工況與高速路、快速路工況下當月平均MPI指數與月均累積平均數，如圖2、圖3所示。

從收集到的某車型MPI數據分析得出，該車型在市區工況下全年智能駕駛平均接管里程為6.05km，表明在復雜的市區工況下該智能駕駛系統的應對能力較強，系統不需要駕駛員進行過多的接管操作。各月份之間的MPI數值雖有波動，但基本保持在5.75km以上的水平。

相較于車多路堵得市區環境，在高速工況下，系統平均接管里程達到262km，反映出該系統極強的高速智能駕駛性能，全年平均水平穩定在240km左右。

4.2 觸發場景數據統計

為形成數據規模、使數據能夠反映真實的用車狀況，實驗對280輛某具備智能駕駛功能的車型進行為期一年的實車測試。在測試期內，共有255輛試驗車向后臺進行MPI數據回傳，回傳率達95%，說明系統在車輛端的運行良好，能夠有效收集數據。需要注意的是，夜間或是雨霧天氣所造成的能見度因素給攝像頭帶來的影響一定程度上會增加觸發場景的數量，因此在開發智能駕駛系統時，有必要針對這些特殊場景進行專門的優化，見表3。

根據上文表1、表2的觸發標簽設計及用戶場景分類，在系統收集用戶的MPI大數據過程中，統計各類觸發場景，并根據高頻問題和觸發場景進行回歸驗證，有助于持續提升迭代智能駕駛系統的性能。

4.3 用戶接管場景優化

用戶在使用智能駕駛系統的過程中，系統在應對復雜路口、大曲率彎道、光線不足的夜間、VRU等弱勢場景時，往往會收到軟件本身的性能限制，造成路口非預期轉向、彎道偏出、夜間性能退化、行人漏檢等情況，從而導致駕駛員接管退出。因此針對這幾類高頻的問題場景，通過上述采集系統采集5000段數據場景問題數據。將高頻場景問題采集數據樣本進行學習迭代，通過數據仿真回灌驗證后提升智能駕駛系統整體性能，增強同類觸發場景的反應能力，保持智能駕駛系統的可靠性。

對某車型智能駕駛系統路口應對、車道保持、夜晚、縱向應對5大功能進行針對性優化后，在測試條件保持不變的情況下重新進行實車驗證，所獲得的某車型市區工況和高速工況智能駕駛MPI數據提升情況詳見圖4、圖5。

可以看到，通過對智能駕駛實車測試MPI數據進行系統性的分析，精準鎖定數據回傳觸發場景，再針對性地提升智能駕駛系統在該場景下的功能與性能，其效果是十分明顯的，特別是環境較為復雜的市區工況，平均接管里程提升達約80.8%，而高速工況也能有近44.8%的增加。以上實驗結果充分說明了基于大數據統計的智能駕駛MPI測試方法不僅切實可行，而且對于實車測試來說有極強的指標性與針對性，能夠從大數據中挖掘潛在的目標場景，使智能駕駛系統的開發與迭代方向更清晰、功能更具體。

5 結語

本文基于用戶大數據統計智能駕駛平均接管里程數據，通過設計觸發標簽收集影響用戶MPI指數的高頻接管原因，并通過回歸模型不斷迭代問題數據，進而提升智能駕駛的整車性能。結果表明，基于大數據統計智能駕駛MPI的測試方法可以有效的收集、分析、改進系統的駕駛問題，幫助智能駕駛系統的開發不斷改進性能，提高系統駕駛的連續性。同時，在數據統計的過程中，通過觸發標簽，可以收集各類智能駕駛問題場景，從而建立有效的數據場景庫，提高智能駕駛實車測試效率和覆蓋度。

參考文獻：

[1]張翔，李智.智能網聯汽車技術的發展現狀及趨勢[J].汽車與配件，2018（8）：2.

[2]馮洋，夏志龍，郭安，等.自動駕駛軟件測試技術研究綜述[J]. 中國圖象圖形學報，2021.

[3]李驍馳，趙祥模，徐志剛，等.面向智能網聯交通系統的模塊化柔性試驗場[J].中國公路學報，2019，32（6）：10.

[4]辛業華.先進汽車輔助駕駛系統（ADAS）發展現狀及前景［J］.內燃機與配件，2019（19）：192-194.

[5]楊英，趙廣耀，武華棟.汽車智能駕駛系統中運動圖像的實時檢測與跟蹤[J].東北大學學報：自然科學版，2005，26（10）：4.