4. 场景测试用例设计方法论

在Mobileye EyeQ的感知性能验证中，测试用例的质量直接决定了验证结论的可信度。如果只写“前车紧急制动，验证AEB是否触发”，这样的用例既无法复现，也无法度量，更无法判断失败时是感知问题还是规控问题。场景分层方法论的核心价值，就是把一个模糊的驾驶情境，逐步收敛为参数明确、可执行、可判定的测试用例。

三层场景的定义与收敛关系

功能场景（Functional Scenario）用自然语言描述驾驶任务，不涉及具体参数。例如“本车在直道上跟随前车，前车减速”。它回答的是“测什么能力”，适合作为测试覆盖度的顶层清单。

逻辑场景（Logical Scenario）把功能场景中的关键变量抽象为参数空间。仍以上述为例，可定义：本车车速 v∈[30, 80] km/h，前车减速度 a∈[-2, -6] m/s²，初始时距 THW∈[0.8, 2.0] s，光照条件∈{白天、黄昏、夜间}。逻辑场景回答的是“在什么参数范围内测”，它决定了测试的边界和组合爆炸风险。

具体场景（Concrete Scenario）从逻辑场景的参数空间中选取一组确定值，并绑定EyeQ的感知输出接口与判定阈值。例如：v=60 km/h，a=-4 m/s²，THW=1.2 s，白天，目标为CIPV（Closest In-Path Vehicle），要求EyeQ在TTC≤2.5 s时输出有效目标距离，误差≤5%。具体场景回答的是“这一条用例怎么跑、怎么判”。

从逻辑场景到具体场景的采样策略

逻辑场景的参数空间不能穷举，必须用采样策略覆盖关键边界。常用方法有三类：

• 边界值采样：取每个参数的最小值、最大值和典型值。例如THW取0.8 s、1.2 s、2.0 s，重点验证感知在极限时距下的稳定性。
• 正交实验设计：当参数维度较多时，用正交表减少组合数。例如4个参数各取3水平，全组合81次，正交表L9只需9次即可覆盖主效应。
• 危险度优先采样：优先选取TTC小、减速度大、光照差的组合，因为这些工况最容易暴露EyeQ感知的漏检或延迟。

以“前车减速”逻辑场景为例，若按边界值采样，可生成3×3×3×3=81条具体场景。实际工程中通常先按危险度排序，取前20～30条作为首轮回归集，再根据失败分布补充边界组合。

EyeQ感知输出的绑定与判定设计

具体场景必须绑定EyeQ的实际输出接口，否则用例无法执行。EyeQ通过CAN或以太网输出感知结果，关键信号包括：目标ID、目标类型、纵向距离、横向距离、相对速度、置信度、跟踪状态。测试用例中应明确：

• 触发条件：例如当CIPV的TTC≤2.5 s时开始记录。
• 观测窗口：从触发前0.5 s到触发后2.0 s，采样率不低于20 Hz。
• 判定指标：距离误差≤5%或≤0.5 m（取大者）；目标丢失连续帧数≤3帧；跟踪状态在触发后200 ms内进入“稳定跟踪”。
• 失败归因：若距离误差超标但目标未丢失，归为测距精度问题；若目标丢失，归为检测或跟踪问题。

可复现性的三个保障条件

用例可复现的前提是：初始状态确定、输入激励确定、环境条件确定。在仿真测试中，初始状态包括本车与前车的初始位置、速度、航向角；输入激励是前车的减速度曲线，通常用分段线性或正弦函数描述；环境条件包括光照、天气、道路曲率。在实车测试中，还需记录GPS轨迹、时间戳和CAN日志，确保同一用例可在不同时间回放。

一个常见的错误是只记录“前车减速”而不记录减速度曲线。若前车以-4 m/s²匀减速和以-2 m/s²减速到-6 m/s²，EyeQ感知输出的距离误差曲线完全不同。因此具体场景必须把激励曲线作为用例的一部分固化下来。

可度量性的指标设计

可度量意味着每个用例都有明确的通过/失败判据，且判据可量化。建议从三个维度设计指标：

这些指标应逐条写入具体场景用例表，并在测试报告中以曲线或统计表形式呈现。只有指标可度量，才能判断EyeQ感知性能是否满足场景要求，也才能在不同软件版本之间做回归对比。

分层方法在EyeQ验证中的实际价值

功能场景层保证覆盖度，避免遗漏关键驾驶任务；逻辑场景层保证参数空间的系统性，避免只测“好走”的工况；具体场景层保证可执行和可判定，避免用例停留在纸面。三层之间是收敛关系：功能场景→逻辑场景是参数化，逻辑场景→具体场景是采样与绑定。实际项目中，建议先建立功能场景清单（约20～30项），再为每项展开逻辑场景参数表，最后按危险度采样生成具体用例集。这样既能控制用例规模，又能保证关键边界不被遗漏。