ADAS系统测试场景与用例设计 - 第1节
1.1 ADAS 的定义与分级
ADAS，全称是 Advanced Driver Assistance Systems，中文叫高级驾驶辅助系统。说白了，就是帮驾驶员开车的一套电子系统。它不是让车自己开，而是在关键时刻拉你一把——比如你走神了，车帮你刹一脚；你变道没看后视镜，车嘀嘀嘀提醒你。
我刚开始接触 ADAS 时，总觉得这东西离量产很远。直到 2016 年参与一个 AEB 项目，才真正意识到：ADAS 不是炫技，是实打实的安全件。那次测试，我们用的假车目标，时速 40km/h 刹停，结果系统在最后 0.3 秒才介入，吓得测试工程师一身冷汗。从那以后，我对 ADAS 的敬畏心就上来了。
1.1.1 SAE J3016 分级标准
目前行业通用的分级标准是 SAE J3016，把驾驶自动化分为 L0 到 L5 六个等级。我习惯用一个简单的判断标准：谁在负责「动态驾驶任务」？是人还是系统？
| 等级 | 名称 | 核心特征 | 典型功能 |
|---|---|---|---|
| L0 | 无自动化 | 驾驶员全程操控 | FCW（前向碰撞预警） |
| L1 | 驾驶辅助 | 横向或纵向单一控制 | ACC（自适应巡航）、LKA（车道保持辅助） |
| L2 | 部分自动化 | 横向+纵向同时控制，驾驶员需监控 | TJA（交通拥堵辅助）、APA（自动泊车） |
| L3 | 有条件自动化 | 系统完成全部驾驶任务，驾驶员需接管 | 高速公路领航（HWP） |
| L4 | 高度自动化 | 限定场景下完全自动驾驶，无需接管 | Robotaxi（限定区域） |
| L5 | 完全自动化 | 全场景、全工况，无限制 | 真正的无人驾驶 |
关键认知：目前量产车最高只到 L2+。L3 以上涉及法规、责任认定、系统冗余等复杂问题，不是技术单点突破就能解决的。我见过不少创业公司宣称「L4 量产」，结果连 L2 的 AEB 误触发都没搞定。
1.2 ADAS 系统架构
ADAS 系统架构，我习惯把它拆成三层：感知层 → 决策层 → 执行层。你想想看，这跟人开车是一个道理——眼睛看路（感知），大脑判断（决策），手脚操作（执行）。
1.2.1 感知层
负责采集环境信息。核心器件就是各种传感器：摄像头、毫米波雷达、激光雷达、超声波雷达。感知层的输出是「目标列表」——前方有车，距离 50 米，相对速度 -10km/h。嗯，这里要注意：感知不是完美的，传感器有盲区、有噪声、有延迟。我在测试中遇到过摄像头把路牌上的广告误识别为行人，差点导致 AEB 误触发。
1.2.2 决策层
负责融合感知数据，做出驾驶决策。比如：前车减速了，我该跟着减速还是变道？决策层通常运行在域控制器或中央计算平台上，算法包括融合、预测、规划、控制。我个人习惯把决策层再细分为「行为决策」和「运动规划」两个子层——行为决策决定「做什么」，运动规划决定「怎么做」。
1.2.3 执行层
负责执行决策指令。包括线控制动、线控转向、线控油门。执行层的响应速度和精度直接影响系统表现。我曾经测试过一个项目，决策层算好了制动减速度 -3m/s²，结果执行层响应延迟了 200ms，导致实际碰撞速度比预期高了 8km/h。这就是典型的「决策快、执行慢」问题。
测试视角：做 ADAS 测试时，一定要把感知、决策、执行分开标定和验证。不能只测「整车功能通过」，要拆开看每一层的延迟、精度、鲁棒性。否则出了问题，你根本不知道是哪个环节的锅。
1.3 ADAS 传感器介绍
传感器是 ADAS 的「眼睛」。不同传感器各有优劣，没有一种传感器能包打天下。我经常跟团队说：传感器选型不是选最好的，而是选最合适的组合。
1.3.1 摄像头
摄像头是 ADAS 最核心的传感器。它能提供丰富的语义信息——车道线、交通标志、行人、车辆类型。但摄像头也有致命弱点：怕暗、怕逆光、怕雨雾。
- 类型：单目、双目、三目、环视
- 分辨率：目前主流 1.3MP~8MP
- 帧率：30fps~60fps
- 探测距离：单目最远约 150m（需标定），双目可达 200m
- 典型应用：车道保持、交通标志识别、行人检测
避坑指南：我曾经在隧道出口测试时，摄像头因为亮度突变导致 2 秒内完全「失明」。从那以后，我要求所有摄像头方案必须包含 HDR（高动态范围）和 LED 闪烁抑制功能。另外，摄像头标定是门手艺活——内参、外参、畸变校正，一个不对，测出来的距离全是错的。
1.3.2 毫米波雷达
毫米波雷达是 ADAS 的「距离专家」。它直接测量目标的距离和速度，不受光照影响。但它的缺点也很明显：角度分辨率低，无法识别目标类型。
- 频段：24GHz（短距）、77GHz（长距）——77GHz 是当前主流
- 探测距离：长距雷达可达 250m
- 测距精度：±0.1m
- 测速精度：±0.1km/h
- 典型应用：ACC、AEB、FCW、BSD
我做过一个对比测试：同一场景下，摄像头测距误差约 5%，而毫米波雷达测距误差小于 1%。但毫米波雷达会把路边的金属护栏识别为「静止目标」，导致 AEB 误触发。所以，雷达必须和摄像头做融合，互相补短板。
1.3.3 激光雷达
激光雷达是「精度之王」。它通过发射激光束，直接获取三维点云数据。但成本高、怕雨雪、寿命有限。
- 线束：16线、32线、64线、128线
- 探测距离：主流 150m~200m，高端可达 300m
- 角分辨率：0.1°~0.4°
- 典型应用：L3+ 自动驾驶、高精地图构建
我的观点：激光雷达不是 ADAS 的必需品。L2 及以下，摄像头+毫米波雷达足够。L3 以上，激光雷达是安全冗余的关键。但别迷信「线束越多越好」——128 线激光雷达的点云数据量巨大，对计算平台和算法都是挑战。
1.3.4 超声波雷达
超声波雷达是「近场小能手」。它成本低、技术成熟，但探测距离短、受温度影响大。
- 频率：40kHz~60kHz
- 探测距离：0.2m~5m
- 精度：±0.02m
- 典型应用：APA、PDC（倒车雷达）、盲区检测
嗯，超声波雷达有个坑：温度漂移。夏天 40°C 和冬天 -20°C，声速变化约 15%，测距误差会明显增大。我建议在测试用例中增加「温度补偿验证」这一项。
1.3.5 传感器对比总结
| 传感器 | 优势 | 劣势 | 典型场景 |
|---|---|---|---|
| 摄像头 | 语义信息丰富、成本低 | 受光照影响大、测距精度低 | 车道线、交通标志、行人 |
| 毫米波雷达 | 全天候、测距测速准 | 角度分辨率低、无法分类 | ACC、AEB、FCW |
| 激光雷达 | 三维点云、精度极高 | 成本高、怕雨雪 | L3+ 自动驾驶 |
| 超声波雷达 | 成本极低、近场可靠 | 距离短、受温度影响 | APA、PDC |
测试建议：做传感器测试时，别只测「功能通过」。要测极限工况——比如摄像头在隧道出入口的亮度突变、毫米波雷达在多径反射场景下的虚警、激光雷达在雨雾中的点云衰减。这些才是真正考验系统鲁棒性的地方。