0 引言

智能汽车是汽车产业与人工智能、高性能计算、大数据、物联网等新一代信息技术以及交通出行、城市管理等多领域深度融合的产物，是当前全球汽车与交通出行领域发展及研究最为主要方向之一，已成为各国争抢的战略制高点^[1-2]。

测试评价是智能车辆从开发到实际上路应用的重要保障，包括确定智能化系统上车条件、车辆上路条件、车辆智能化等级水平等。我国北上广深等10余个城市进行了智能汽车的测试验证和试验场地建设，依据专家经验和借鉴国外资料制定了测试规范，这些测试按照试验场地的封闭程度分为封闭场地测试、有限开放道路测试和开放道路测试^[3-6]，仿真测试作为辅助手段可以进一步提高效率^[7-9]，各类测试之间的关联关系需要进一步深入研究；测试场景的构建主要从统计学的角度进行分析凝练^[10-13]，缺少基础理论依据。

测评科学性的本质是与用户实际使用工况的关联性和测试评价的快速性。周炜^[14-16]等研究了汽车试验场可靠性试验的关联模型与加速系数，王建强等^[17]提出了行车风险场等模型，李文亮^[18]等基于风险场理论研究了智能汽车测试工况与用户工况的关联评价模型。本研究对基于行车风险场的危险度模型进行改进，综合考虑用户工况和测试工况的复杂度与危险度覆盖率、最大值及分布情况，构建了基于危险度和复杂度的用户与测试工况关联评价模型，为智能汽车测评理论研究提供了借鉴。

1 理论研究 1.1 改进的危险度模型

行车风险场用来描述道路环境中人、车、路各要素对行驶车辆安全性造成的风险，动能场公式如式(1)所示^[17]：

(1)

式中，E_{V_ij}为物体i产生的动能场场强，方向与r_ij一致；r_ij为物体i和物体j的距离矢量；k₁, k₂, G均为大于零的待定常数；R_i为物体i处的道路条件因子；M_i为物体i的等效质量；v_i为物体i的速度；θ_i为物体i速度方向与r_ij的夹角。

如图 1所示，两车横向距离为h，w_i和w_j分别为车辆i和车辆j的宽度，则：

(2)

式中，定义两车横向安全距离为h₀，当h≥h₀时，物体i在物体j处形成的动能场场强大小为0，此时，θ_i≥α₀(θ_i≤π/2)或π－θ_i≥α₀(θ_i>π/2)，则在公式(1)的基础上改进后的动能场表达式为：

(3)

同时，势能场就是动能场在物体i的速度v_i为0时的形式^[9]。将势能场和动能场合并，无论静止还是运动状态，物体i在物体j处产生的场强都全部整合为动能场，即改进后的行车风险场只由动能场和行为场组成。

改进后的行车风险场统一模型可表示为：

(4)

式中E_{s_j}为风险场在物体j位置处的场强合矢量。

1.2 复杂度模型

复杂度用来描述车辆行驶环境的复杂程度，综合考虑天气、路面情况、光线和周边行人车辆等各种要素的复杂程度。雨雪雾等越大越复杂，传感器识别范围内的物体越多越复杂，物体体积越小越复杂，物体变化越多越不规律越复杂，相对应的复杂度的值越大。

给定复杂度的最大值是100，最小值是0，各种交通环境要素的复杂度取值范围为0~100，如表 1所示。行车环境复杂度为各项要素复杂度之和。

1.3 匹配和评价模型

在危险度匹配和评价的基础上，增加复杂度匹配和评价维度。复杂度与危险度匹配评价采取相同原则^[18]。

等复杂度匹配模型如式(5)所示：

(5)

式中，A_i, B_j为用户和测试工况复杂度，I_i, J_j为统计的工况次数。

复杂度分布相似性表示为：

(6)

式中分别为用户和测试工况复杂度曲线。

样本复杂度覆盖率表示为：

(7)

式中为复杂度i区间内用户工况次数占比。

综合危险度和复杂度，计算有效性指数λ_i。

(8)

式中a_j为7个评价指标各自的权重。

2 实际算例分析 2.1 用户实际工况数据

表 2给出了用户工况次数的危险度分布，由公式可得危险度求和量为14 358.53。根据匹配模型的要求，测试工况的危险度求和量需要接近该数值。

表 3给出了用户工况次数的复杂度分布，由公式可得复杂度求和量为2 630。根据匹配模型的要求，测试工况的复杂度求和量同样需要接近该数值。

将工况次数的危险度、复杂度分布区间用直方图表示，如图 2、图 3所示。

2.2 试验场工况数据

表 4列出了3个测试规程工况次数的危险度分布。

通过计算分析，测试规程1，2，3的危险度求和量分别为14 863.70，14 558.31，14 471.80，3个测试规程的危险度求和均接近实际用户危险度求和，均达到匹配模型的要求。

表 5列出了3个测试规程的详细复杂度及其对应的工况次数。

根据匹配模型公式，3个已有的测试工况在复杂度设计方面均达到匹配模型的要求，保持用户和试验场复杂度求和量一致。

图 4、图 5分别为用户与测试规程的危险度-工况次数分布曲线、用户与测试规程的复杂度-工况次数分布曲线。

可以看出，测试规程与用户数据相比，均减小了小危险度/复杂度的工况次数，增加了大危险度/复杂度的工况次数，从而达到加速试验以及匹配模型的要求。下面根据式(8)来计算3个测试规程的有效性指数，从而评估3个测试规程的优劣。

2.3 有效性评估

3个测试规程的有效性评估结果如表 5所示，当7个影响因素的评价指标权重分配相等时，即当a₁=a₂=…a₇==0.143时，测试规程3的有效性最高，规程2次之，规程1有效性最低。可以看出测试规程3的危险度指标均高于测试规程1和2，尤其是危险度覆盖率和最大危险度两个指标上明显大于前两个规程。

当考虑复杂度指标作为主要评价依据时，即当有效性指数给复杂度方面的指标更大权重时，比如a₁=a₂=a₃=a₄=0.1, a₅=a₆=a₇=0.2，此时测试规程2的有效性指数最高，因为测试规程2在复杂度指标方面优于规程3，所以权重的分配会影响有效性指数的大小。

3 结论

论文对基于行车风险场的危险度模型进行了改进，定义了行车环境各要素的复杂度模型，构建了基于危险度和复杂度的用户与测试工况关联模型，提出了基于有效性指数的测试工况有效性评价模型。后续研究将进一步完善危险度模型、复杂度模型、匹配模型和评价模型，更加科学合理地揭示智能汽车测试工况与用户工况的内在关系，为智能汽车测试场的建设提供理论支撑。