2. 基础知识

在进入场景覆盖与里程验证的工程实践之前，必须先建立一套共同语言。智能驾驶的研发、测试、认证与运营涉及整车厂、传感器供应商、算法团队、测试机构与监管部门，如果对“L3”“ODD”“接管”“有效里程”等概念理解不一致，后续的数据统计、指标定义和结论判定都会失去可比性。本章围绕分级、场景、里程验证术语、典型应用与工程挑战五个方面，梳理后续章节反复使用的基础概念。

一、智能驾驶分级：从辅助到自动的责任迁移

目前行业普遍采用 SAE J3016 的 L0～L5 分级框架，其核心不是“功能多少”，而是动态驾驶任务（DDT）由谁执行、谁负责监控、谁在失效时兜底。L0～L2 属于驾驶辅助，驾驶员始终是责任主体；L3 在限定条件下由系统执行 DDT，但驾驶员需在请求时接管；L4 在限定运行范围内系统可完成 DDT 与失效应对，通常不要求人类接管；L5 则无运行范围限制。

理解分级的关键在于“责任边界”而非“能力高低”。例如同样是自动变道，L2 下驾驶员需持续监控并承担后果，L3 下在 ODD 内系统承担主责。工程上，分级直接决定了测试重点：L2 关注人机共驾与误用，L3 关注接管时序与最小风险状态，L4 关注 ODD 边界与远程协助。

二、场景定义：从自然语言到可计算对象

“场景”是智能驾驶测试与验证的基本单元。工程中通常把场景拆解为若干可枚举、可参数化的要素，形成结构化描述。常见分层包括：道路层（道路类型、车道数、曲率、坡度）、交通层（交通参与者类型、数量、轨迹）、环境层（光照、天气、路面附着）、任务层（本车意图、速度、驾驶模式）。

场景不是简单的“故事描述”，而应能被数据采集、仿真回放和指标计算共同引用。例如“前车急刹”这一自然语言场景，需进一步定义为：本车速度 60 km/h、跟车时距 1.2 s、前车减速度 6 m/s²、路面干燥、白天，才具备可复现性。场景库的颗粒度决定了覆盖度评估的可信度。

三、里程验证基本术语

里程验证是用真实或仿真行驶数据证明系统安全性与覆盖度的过程。以下术语在后续章节频繁出现，需统一口径：

需要特别区分“总里程”与“有效里程”。大量高速巡航里程虽然数字可观，但对城区交叉口、施工区、弱势交通参与者等高风险场景的覆盖贡献有限。里程验证的价值不在于跑了多少公里，而在于在哪些场景下跑了多少公里、暴露了多少问题。

四、常见应用场景与工程挑战

从工程落地看，智能驾驶的典型应用场景可分为以下几类：

• 高速巡航与领航辅助：车道保持、自适应巡航、自动变道、匝道汇入汇出。
• 城区点到点：无保护左转、环岛、行人横穿、加塞、施工绕行。
• 低速泊车：垂直/侧方/斜列车位、窄通道、地库弱定位。
• 园区与限定区域：固定路线接驳、低速无人配送、封闭场地作业。

这些场景带来的工程挑战高度集中：长尾场景稀疏且难以主动复现；传感器在雨雾、逆光、隧道出入口等条件下性能下降；人机共驾中驾驶员注意力与接管能力难以建模；仿真与实车之间存在感知与动力学差异；数据合规与跨区域法规差异增加验证成本。

五、核心原理与验证流程

里程验证的基本逻辑是：以 ODD 为边界，以场景为索引，以里程为样本，以指标为判据。其流程可概括为：定义 ODD 与场景空间 → 采集或生成数据 → 筛选有效里程 → 场景标注与命中统计 → 指标计算与缺口分析 → 补充测试与回归。

输入：ODD 定义、场景库、路测/仿真数据
步骤：
  1. 数据清洗，剔除无效、重复、越界片段
  2. 按场景标签切分里程，统计命中密度
  3. 计算接管率、脱离率、MTBF、覆盖度
  4. 对比目标场景空间，输出缺口清单
输出：覆盖度报告、风险场景清单、补充验证计划

该流程的关键在于闭环：覆盖度分析必须能反向驱动场景库扩充与测试用例生成，否则里程数据只是“沉睡资产”。

六、常见误区与复盘

初学者容易陷入三个误区。其一，把分级当作功能清单，忽视责任迁移，导致测试目标错位。其二，把场景等同于自然语言描述，缺少参数化，导致无法复现和统计。其三，把总里程当作安全证据，忽视有效里程与场景分布，导致结论虚高。

下面用一张关系图概括本章核心概念之间的结构：分级决定责任与 ODD，ODD 约束场景空间，场景空间指导里程采集与验证，验证结果又反向修正 ODD 与场景库，形成持续迭代的闭环。