1. 课程导入

智能驾驶系统的安全性，不能仅靠“跑了很多公里”来证明。真正决定系统能否上路的，是它是否见过足够多样、足够危险、足够边缘的场景，并且在这些场景中做出了正确响应。本课程围绕场景覆盖与里程验证两条主线，建立一套可量化、可复现、可审计的工程方法体系。

一、学习目标

完成本课程后，学习者应能独立完成以下工作：

• 理解场景、场景库、场景覆盖度、ODD（运行设计域）等核心概念及其工程含义；
• 掌握从功能定义到场景抽取、参数化、泛化的完整场景构建流程；
• 能够设计里程验证方案，区分真实里程、仿真里程与等效里程的统计意义；
• 使用覆盖率、暴露率、危险场景命中率等指标评估验证充分性；
• 识别“里程堆砌”“场景过拟合”“长尾遗漏”等常见验证误区。

二、核心概念与整体框架

智能驾驶验证的本质，是在有限资源下回答一个问题：系统在多大范围、多高概率的场景空间中已被证明安全？这需要三个层次的概念支撑。

第一层是ODD，即运行设计域，它定义了系统被允许工作的道路、天气、光照、交通、速度等边界条件。第二层是场景，即在ODD内对自车、他车、行人、静态设施及其交互关系的一次具体描述。第三层是场景覆盖，即已测试场景集合相对于目标场景空间的占比与分布质量。

里程验证则从统计角度补充场景验证：通过真实路测、仿真回放和影子模式积累里程，用暴露率与故障率估计系统风险。场景覆盖回答“测全了没有”，里程验证回答“测够了没有”，二者缺一不可。

三、方法流程：从场景到里程的验证链路

工程实践中，验证链路通常按以下步骤推进：

1. 功能与ODD定义：明确系统要解决哪些驾驶任务，在哪些条件下允许激活。
2. 场景抽取：从事故数据库、自然驾驶数据、专家经验中提取功能场景与逻辑场景。
3. 参数化与泛化：对车速、距离、角度、摩擦系数等参数进行组合采样，生成具体场景。
4. 场景筛选与优先级排序：按危险度、暴露率、可测性排序，优先覆盖高风险场景。
5. 仿真与实车执行：在仿真平台批量运行，在封闭场地和公开道路验证关键场景。
6. 里程积累与统计：记录真实里程、仿真里程和等效里程，计算暴露率与故障率。
7. 覆盖度评估与缺口分析：对比目标场景空间，识别未覆盖区域并迭代补充。

场景验证配置示例（YAML）
scenario:
  name: cut_in_highway
  odd: highway_day_dry
  parameters:
    ego_speed: [80, 100, 120]      # km/h
    cutin_gap: [10, 20, 30]        # m
    cutin_speed_diff: [-20, -10, 0]
  priority: high
  target_coverage: 0.95
mileage:
  real_km: 50000
  sim_km: 2000000
  equivalent_km: 350000
  exposure_rate: 0.012

四、案例与场景：一次高速切入验证

以“高速前车切入”为例。若只在晴天、干燥路面、车速100km/h、切入间距20m的条件下测试，即使跑十万公里，也不能证明系统在雨天、夜间、间距10m、相对速度-20km/h时安全。正确的做法是：先定义逻辑场景“相邻车道车辆切入自车前方”，再对天气、光照、路面、车速、间距、相对速度进行参数泛化，形成数百个具体场景，并按危险度排序执行。

里程验证则回答另一个问题：这些场景在真实世界中出现的频率有多高？如果切入场景的暴露率是1.2%，那么要积累足够多的切入样本，就需要相应规模的里程。仿真可以放大危险场景比例，但必须通过等效里程折算，避免高估验证效果。

五、常见误区与复盘