自动驾驶汽车的测试伴随着车辆开发的全流程，包括对标测试、软件在环（SIL，即software-in-loop）、硬件在环（HIL，即hardware-in-loop）、车辆在环（VIL，即vehicle-in-loop），系统标定、再到最后的整车场地、道路测试等方法，涵盖了从零部件到系统再到整车的全链条验证。

为了保证数据采集的准确性，智能驾驶的数据采集车辆搭载了摄像头、雷达等大量不同的传感器。这些传感器从整车布置的安装结构设计、FOV校核，再到实车的装配标定，都需要保证位置准确和稳定，从而支持不同位置传感器数据可以顺利拼接。

实车采集过程中，需要尽可能覆盖各种用户场景。一般来说，道路状态、交通信号和标识、各类车辆和行人目标、天气环境等，都是影响智能驾驶的关键因素，路试采集场景需要涵盖城市、乡村、高速、隧道以及白天和夜晚等，以确保尽可能覆盖用户各种实际场景。

采集过程中，全面的了解测试进展以及测试车辆状态，保证测试数据的有效性，也是测试管理面临的重要挑战。因此需要用到车队管理系统，基于此系统可以实现：1、实时定位监控，车辆位置实时展示，包括车辆实时运动状态、实时车速等；2、实时报警事件消息推送，并在地图上动态展示报警的位置；3、车辆数据统计，包括里程统计、告警统计、状态统计等；4、驾驶员数据统计，具体包含驾驶员行车时间里程统计、告警统计、DMS监控数据统计等；5、驾驶员DMS监测和报警，对于报警消息实时提醒。

通过数据采集系统，可将自动驾驶车辆各类传感器类型的数据进行采集处理，包括常见的CAN、CANFD、 ETH车载以太网数据等。用户可以通过数据中心访问数据，进行后续数据分析、数据标注、数据回注等，从而形成完整的数据闭环。

自动驾驶汽车到底需要哪些类型的传感器？

自动驾驶汽车是集感知、决策和控制等功能于一体的自主交通工具，其中，感知系统代替人类驾驶人的视、听、触等功能，融合摄像机、雷达等传感器采集的海量交通环境数据，精确识别各类交通元素，为自动驾驶汽车决策系统提供支撑。

摄像头按视频采集方式分为：数字摄像头和模拟摄像头两大类。

车载上一般使用的是数字摄像头，它可以将视频采集设备产生的模拟视频信号转换成数字信号，进而将其储存在计算机里。

模拟摄像头只能将捕捉到的视频信号，经过特定的视频捕捉卡将模拟信号转换成数字模式，并加以压缩后才可以转换到计算机上运用。

举个例子来，我们使用的固定电话就属于模拟信号，它在通话过程中容易产生噪音（电流声或听不清）的情况。而我们的手机为了保持很好的通话质量，就将电话的模拟信号进行了数字化，手机之间的通话质量就非常清晰，同样原理使用数字摄像头能有效减少图像中的噪点和提升成像效果。

一句话概括：模拟视频信号是在一定的时间范围内可以有无限多个不同的取值。而数字视频信号是在模拟信号的基础上经过采样、量化和编码而形成的。模拟信号容易产生信号噪音和干扰，已逐步被数字信号取代。

图片来源：博世官网

雷达能够主动探测周边环境，比视觉传感器受外界环境影响更小，是自动驾驶汽车的重要传感器之一。雷达通过向目标发射电磁波并接收回波，从而获取目标距离、方位、距离变化率等数据。根据电磁波波段，雷达可细分为激光雷达、毫米波雷达和超声波雷达等3类。

自动驾驶场景库与虚拟仿真测试

▲ 某自动驾驶仿真软件的运行可视化界面

A-事故场景

事故可以看做是交通安全的一个浓缩机，能够体现出实际交通环境的高危场景，事故场景研究目前以深度事故研究数据为主， 如GIDAS， CIDAS等

B-开放道路场景

开放道路场景来源于人们的日常驾驶数据以及实车道路测试数据，道路场景能够很好地体现随机性、复杂性以及区域特征，可用于分析真实的交通环境和驾驶行为特征

C-法规标准场景

国内外法律法规涉及的场景， 如GB/ISO/ECE/NHTSA/SAE/Euro-NCAP等机构组织的测试标准，法规标准场景是自动驾驶功能在研发和定义阶段需要满足的最基本要求

Ｄ-功能交互场景：

AD AS系统或自动驾驶系统是由横向、纵向-预警或控制等多个子功能构成的， 各个功能之间经常存在功能交互区域， 如ACC和AEB系统都对车辆的纵向运动进行控制， 两功能在交互场景区域作用时是否存在问题需要进行验证；功能交互场景能够测试智能系统功能逻辑交互上的重叠区与间隔区，发现功能交互漏洞与逻辑混乱等问题

E-虚拟重构场景

真实驾驶过程中场景数目是无限的，使用参数随机生成算法可以重组场景：虚拟重构场景，能够补充大量来知工况的测试场景，打破数据采集的局限性。

自动驾驶汽车的场地测试分有两种，一种就是在开发的环境下进行真实的道路测试，而另一种则是在自动驾驶仿真测试平台上进行虚拟测试。而目前几乎所有车企和自动驾驶科技公司，均是以虚拟测试为主，真实的道路测试为辅。