1. 课程导入

智能驾驶正从“高速辅助”走向“城市领航”，NOA（Navigate on Autopilot，领航辅助驾驶）成为量产车型竞争的核心卖点。但真正决定NOA能否交付的，不是算法在演示视频里的惊艳表现，而是它在海量真实场景中的稳定性、可验证性与可追溯性。本课程围绕“场景测试”与“量产验证”两条主线，帮助学习者建立从需求到数据、从数据到场景、从场景到测试、从测试到量产放行的完整工程能力。

一、核心概念：NOA、场景、测试与量产验证

NOA不是单一功能，而是一组能力的集合：车道保持、自动变道、匝道汇入汇出、跟车启停、避障绕行、限速响应、人机共驾接管等。它的运行依赖感知、定位、预测、规划、控制五大模块的协同，同时受ODD（运行设计域）约束。理解NOA，首先要理解它的“能力边界”——在哪些道路、天气、交通流条件下可以启用，在哪些条件下必须降级或退出。

“场景”是测试的最小工程单元。一个完整场景通常包含道路结构、交通参与者、环境条件、自车状态和任务目标五个要素。例如“城市主干道右转遇外卖骑手横穿”就是一个典型场景。场景测试的本质，是把无限的真实世界压缩为有限但高覆盖的测试集合。

“量产验证”则强调证据链与放行标准。它不同于研发阶段的单点调试，要求测试可重复、数据可追溯、结论可审计。量产验证关注的是：在目标ODD内，系统是否达到可接受的失效概率与接管率，是否满足法规与功能安全要求。

二、方法流程：从场景到放行的五步法

工程实践中，NOA场景测试与量产验证通常遵循一条可复用的流程。第一步是需求分解：把NOA功能拆解为可测试的子功能，并明确每个子功能的ODD约束。第二步是场景设计：基于自然驾驶数据、事故数据和专家经验，构建逻辑场景与具体场景，并进行参数泛化。第三步是测试执行：按照“仿真优先、台架补充、实车确认”的策略，逐层验证。第四步是数据分析：统计接管率、失效模式、场景覆盖率，定位薄弱环节。第五步是放行评审：对照准入指标，形成证据链，完成量产放行。

这条流程的关键在于“左移”与“闭环”。左移意味着尽可能在仿真和台架阶段暴露问题，降低实车测试成本与风险；闭环意味着每一次路测发现的问题都要回流到场景库，形成新的测试用例，防止同类问题再次逃逸。

三、案例/场景：城市NOA右转遇骑手

以“城市主干道右转遇外卖骑手横穿”为例。该场景中，自车在右转车道准备转弯，右侧非机动车道有骑手快速横穿，同时后方有车辆跟车。测试关注点包括：感知是否及时识别骑手、预测是否判断其横穿意图、规划是否选择让行或避让、控制是否平顺减速、人机交互是否及时提示接管。

在仿真中，可以通过调整骑手速度、横穿角度、自车车速、光照条件等参数，生成数百个变体用例。在实车测试中，则需要在封闭场地或指定开放道路复现关键变体，验证系统在真实传感器噪声与执行器延迟下的表现。最终，该场景的测试结果会纳入场景覆盖率统计，并作为量产放行评审的输入之一。

四、误区与复盘：常见认知偏差

复盘时，建议团队建立“问题—场景—用例—版本”的关联表，确保每个已修复问题都有对应的回归用例。同时，定期评估场景库的覆盖度与新鲜度，避免场景库老化导致测试盲区。

五、核心概念速查清单

六、行业背景与学习建议

当前，NOA正从高速场景向城市场景快速扩展，行业面临三大挑战：场景长尾难以穷举、仿真与实车一致性不足、量产放行标准尚未统一。与此同时，法规层面逐步完善，功能安全与预期功能安全要求日益严格。这意味着NOA场景测试与量产验证工程师需要同时具备系统思维、数据思维与工程落地能力。

学习本课程时，建议带着三个问题：我的系统ODD是什么？我的场景库覆盖了哪些风险？我的测试证据能否支撑量产放行？围绕这三个问题，逐步构建自己的工程方法论。

# 示例：场景用例参数化片段
scenario: urban_right_turn_cyclist
params:
  ego_speed: [15, 25, 35]        # km/h
  cyclist_speed: [10, 15, 20]    # km/h
  crossing_angle: [60, 90, 120]  # deg
  illumination: [day, dusk, night]
  weather: [clear, rain]
assert:
  min_ttc: 1.5s
  max_decel: 3.5m/s²
  no_collision: true

从本章开始，我们将沿着“概念—场景—测试—验证—放行”的路径，逐层深入NOA场景测试与量产验证工程的核心方法与实践工具。