3. ADAS系统概述

ADAS（Advanced Driver Assistance System，高级驾驶辅助系统）是整车动力学与虚拟验证工程中最核心的应用对象之一。它通过传感器感知环境、通过算法理解场景、通过执行器干预车辆运动，从而在特定条件下辅助驾驶员完成驾驶任务。理解ADAS的分级逻辑、典型功能边界、传感器配置与系统架构，是后续开展虚拟验证、场景构建与性能评估的前提。

一、ADAS分级：从L0到L5的责任边界

ADAS分级通常参考SAE J3016标准，核心区别不在于“功能多少”，而在于动态驾驶任务（DDT）由谁执行、谁监控、谁兜底。L0为纯人工驾驶，系统仅提供报警；L1为纵向或横向单一维度辅助，如ACC或LKA单独工作；L2为纵向与横向组合辅助，但驾驶员必须持续监控并随时接管；L3为有条件自动驾驶，系统在限定ODD内完成DDT，但驾驶员需在请求时接管；L4为高度自动驾驶，系统在ODD内完成DDT并具备兜底能力；L5为完全自动驾驶，无ODD限制。

在虚拟验证中，分级直接决定测试策略：L1/L2重点验证功能触发边界与误触发率；L3及以上必须验证接管请求时序、最小风险策略（MRM）与ODD退出逻辑。很多项目在仿真中只关注“功能是否触发”，却忽略分级所隐含的责任转移，导致测试用例覆盖不足。

二、典型功能：AEB、ACC、LKA、APA

ADAS功能可按纵向、横向、泊车三大类划分。纵向功能以AEB和ACC为代表：AEB通过雷达与摄像头融合识别前方目标，计算TTC（碰撞时间），在驾驶员未响应时自动制动；ACC则通过雷达跟踪前车，实现定速巡航与跟车距离保持。横向功能以LKA为代表，通过摄像头识别车道线，在车辆偏离时施加转向扭矩或请求EPS转向。泊车功能以APA为代表，利用超声波雷达与环视摄像头识别车位，规划泊车轨迹并控制转向、挡位与车速。

这些功能的共同点是：感知—决策—执行闭环。不同点在于触发条件、执行器接口与安全等级。例如AEB通常要求ASIL D级功能安全，而APA的实时性要求相对较低，但对超声波测距精度和车位识别率要求极高。

三、传感器配置：感知层的“眼睛”与“耳朵”

ADAS传感器主要包括摄像头、毫米波雷达、超声波雷达、激光雷达与GNSS/IMU。摄像头擅长识别车道线、交通标志与目标类别，但对光照和天气敏感；毫米波雷达测距测速精度高、穿透雾雨能力强，但对静止目标与横向分辨能力有限；超声波雷达成本低，适用于近距离泊车；激光雷达点云密度高，但成本与数据处理复杂度高。实际配置中，常采用多传感器融合方案，例如1个前视摄像头+1个前向毫米波雷达+4个角雷达+12个超声波雷达+1个环视摄像头，覆盖前向、侧向与后向感知。

传感器配置不是越多越好，而是要与功能需求、ODD和成本匹配。例如仅实现AEB和ACC，前视摄像头+前向雷达即可；若要实现LKA与APA，则需增加环视与超声波；若要做L3以上，还需增加激光雷达与高精定位。

四、系统架构：从信号到执行的闭环

ADAS系统架构通常分为感知层、融合层、决策层与执行层。感知层负责原始信号采集与预处理；融合层完成时间同步、空间对齐与目标关联；决策层运行各功能算法并输出控制请求；执行层通过EPS、ESP、动力系统等执行器完成车辆运动控制。各层之间通过CAN/CAN FD、以太网或FlexRay通信，并需满足功能安全与实时性要求。

在虚拟验证中，架构映射至关重要。例如，若仿真模型只模拟了决策层输出，却未考虑执行层的响应延迟与饱和特性，则AEB的制动距离验证结果会偏乐观。因此，建议在仿真中建立“传感器模型—融合模型—决策模型—执行器模型—车辆动力学模型”的完整链路，确保信号流与真实系统一致。

五、常见误区与复盘

误区一：把ADAS分级等同于功能数量。实际上，L2可以包含AEB、ACC、LKA多个功能，但责任主体仍是驾驶员。误区二：传感器配置“堆料”即可提升性能。若融合算法与标定不匹配，多传感器反而引入冲突目标。误区三：仿真中忽略执行器延迟。真实EPS响应通常在100ms以上，ESP建压也有数十毫秒延迟，忽略这些环节会导致控制策略在仿真中“过于理想”。

复盘建议：在项目初期建立传感器配置表与架构信号流图，明确每个功能的输入输出、通信矩阵与安全等级；在仿真中逐步加入延迟、噪声与故障注入，验证系统在边界条件下的鲁棒性。只有将分级、功能、传感器与架构统一到同一验证框架中，ADAS虚拟验证才具备工程可信度。