编者按：随着自动驾驶技术的迅速发展，自动驾驶测试与评价在推动高等级自动驾驶汽车的落地过程中扮演着不可或缺的角色。自动驾驶技术的商业化应用离不开对其性能、安全性和可靠性的严格验证。通过挖掘出具有代表性的测试场景集，结合测试“三支柱”法，可以验证自动驾驶系统在不同场景下的表现，发现并解决潜在问题，从而最大程度地降低潜在风险。
《The Implementation of Safety Acceptance Evaluation for Highly Automated Vehicles》
July 2023International Journal of Automotive Engineering 14(3):58-65
Xinpeng Wang, Tinghan Wang, Shaobing Xu, Yuanxin Zhong, Huei Peng
https://doi.org/10.20485/jsaeijae.14.3_58
摘要：本文介绍了对HAV进行性能测试的所有流程。首先，我们描述了一个高效的测试用例生成方法，生成了切入场景和无保护左转场景的测试用例。然后，设计了基于最优控制的背景车与被测车的同步算法。然后，提出了量化HAV性能的评价标准。最后，我们在仿真和真实世界中进行了测试，实现了准确及可重复的测试，并获得了HAV的定量评价结果。
关键词：安全评价，高级别自动驾驶汽车，控制优化
近年来，高等级自动驾驶汽车（HAVs）的发展重新确立了更安全、更清洁、更公平的道路交通前景。HAVs具有高度的复杂性，所以对安全性有着很高的要求。严谨的验证与确认（V&V）方法对于证明它们的可靠性、鲁棒性以及获得公众信任至关重要。在V&V方面，除了原本由汽车制造商或初创企业采用的自主认证流程之外，由政府机构或可信第三方进行的认证测试也非常重要。
与企业进行的V&V相比，第三方测试具有不同的范围和特性，对测试的实施流程提出了相应的要求：
时间和预算有限：像[1]中所进行的大范围公共道路测试是不可行的。
无法获取HAV系统内部信息：需要对整个车辆进行黑盒评价。
不考虑技术差异，对所有HAVs进行公平的评价。
考虑到上述要求，基于场景的安全评价已成为公认的最佳实施方式，它将常见驾驶行程分解为更简单但具有代表性的驾驶场景[2]。目前，在国际上已经存在使用工具链和测试环境来创建基于场景的评估框架[3]，[4]。在2019年，我们提出了Mcity ABC测试流程[5]作为基于场景的HAV验证测试框架，主要用于在封闭道路上对真实车辆进行测试。ABC测试包括三个主要元素：加速测试、驾驶行为性能和边缘场景。测试的总体目标是全面检查HAV在其操作设计域（ODD）内的鲁棒性。类似的评价方法也可以在[6]中找到。
在ABC测试的三个关键元素中，驾驶行为性能是核心和基础。HAV被要求在选定的驾驶场景中运行，每个场景将有多个随机生成的测试用例。通HAV在不同用例和场景下解决冲突、避免碰撞或近距离事故的能力，来对其进行评价。与该过程相同，加速测试和边缘场景是通过挖掘筛选测试用例参数来实现的。加速测试旨在减少不相关的测试用例，并高效地获得某些聚合性能指标（例如碰撞率、伤害率）的无偏估计，这可以通过搜索方法来实现，包括重要性抽样[7]，[8]，子集仿真[9]或控制变量方法[10]。另一方面，边缘场景是通过使用优化方法[11]，[12]或机器学习方法[13]，[14]主动搜索操作设计域（ODD）内的失败场景来获得的。尽管有大量关于测试用例生成方法的研究，但很少有研究在真实世界道路测试中执行这些测试用例。在本文中，我们专注于驾驶行为性能测试，并针对真实世界测试和仿真测试提供了完整的测试流程，并实现了自动准确的测试。
本文的主要工作是介绍了实施ABC测试的流程，尤其是驾驶行为性能测试。我们以切入和无保护左转两种场景为例，演示了测试用例是如何生成、执行和评分的。图1展示了本文在现实世界测试中的最终成果。本文是基于[15]进行扩展的，在以下几个方面进行了改进：
提供了更全面的文献综述。
增加了HAV测试的评分标准。
介绍了车辆动态模型校准的细节。
通过在多个测试用例上进行广泛试验，更新了真实世界道路测试的结果，并提供了VUT的评分结果。
图1. 进行真实世界道路测试，分别为(a) 切入场景和 (b) 无保护左转场景。在每个图中，左侧车辆为POV，右侧车辆为VUT。
驾驶行为性能测试旨在通过一组选定的测试场景及对应的测试用例测试，评价每辆HAV的安全性能。与Euro NCAP等组织实施的测试矩阵方法相比[16]，该方法采用公平而随机的方式生成测试用例，而不是使用确定的测试用例。
ABC测试的关键概念是"场景"，它将复杂的驾驶任务分解为可重复测试和评价的简单驾驶场景。目前，研究已提供了包含50个场景的列表[5]。其中涉及至少一个其他道路使用者的场景包括一辆被测试车辆（VUT）和其他与VUT交互的主要车辆（POVs）。我们将这些场景分为以下几类：
互动场景：VUT对不遵守规则的POV做出响应，VUT有优先权。示例：切入，无保护左转，行人过街等。
单边互动情景：VUT对POV的反应，而POV的行为不受VUT影响。示例：车辆跟随。
双边互动情景：POV和VUT在决策和运动规划方面相互影响。示例：高速公路合流。
类似的交通场景分类也被(17]采用。本文的两个目标场景，切入和无保护左转，都是带有一个POV的互动情景。测试的实施涉及以下任务：
测试用例生成：从一组测试用例参数中进行抽样，例如距离、速度等。
车辆运动闭环同步：将每个POV的运动与VUT同步，以便达到准确的目标测试参数。
开环执行：POV执行测试动作，并记录测试结果。
评分：以客观分数评价VUT的性能。
A．示例场景描述
1)切入场景：在切入场景中，POV和VUT沿着相邻的车道在直线道路上行驶，POV在前。然后，POV将切入到VUT的车道，如图2(a)所示。我们对POV的变道动作出以下假设：
该过程中，POV的速度保持恒定。 忽略POV的偏航运动。 变道的持续时间固定为秒，参考大型自然驾驶数据库[9]的平均变道持续时间。 车道变换的横向运动遵循全周期正弦加速度曲线，参考[18]。
因此，车道变道的横向加速度和位移曲线可以写成：
其中为车道宽度。对于切入场景，我们考虑在变道开始时刻测量的以下关键变量：
：速度差；。
：POV与VUT之间的纵向距离；，其中 和 都是在车辆质心处测量的;是车辆的长度。
2)无保护左转弯(ULT)场景：该场景中，POV在VUT前方无保护左转弯，而VUT正直行通过十字路口，如图2(b)所示。做以下假设：
左转轨迹是一个半径恒定的90度弧线。 POV在转弯时保持恒定的速度。 VUT直接穿过十字路口。
根据之前的工作[19]，我们在时刻使用3个变量对左转测试的初始条件进行建模，对应POV开始转弯的时刻，(即，弧线的开始)：
：POV与VUT之间的纵向距离。 ：POV的速度。 ：VUT的速度。
B． 生成测试用例
1)挑战等级测试集的定义:我们根据挑战等级将参数空间分解为不同的区域，挑战级别由VUT需要的动作的速度/难度来定义，如[20]，[21]所讨论。
我们假设VUT的基本行为是行驶一段时间，然后以恒定的减速度制动。然后，使用VUT避免碰撞所需的和作为对该场景的挑战等级建模的参数。基于不同的和，我们将场景的测试用例空间划分为以下挑战等级测试集(CLSs):
图2. (a)切入场景和(b)无保护左转场景
图3. 切入场景的挑战等级测试集。基于(a)自然驾驶数据分布和(b)加速评估分布，采用比率，生成了300个测试用例。参数空间被划分为不可行 (红色)、高难度(橙色)、中难度(黄色)和低难度(绿色) 的挑战测试集。
不可行的挑战测试集：即使假定最小的和，VUT也不能避免碰撞 高/中/低难度挑战测试集：VUT有可能避免碰撞，但需要一定程度的努力。 不重要的测试集：即使VUT不采取任何行动，也不会发生碰撞。
图3和图4显示了切入和ULT场景的挑战测试集。详细内容见[21]。
2)获取测试用例参数：在分析了参数空间的挑战等级后，我们从高、中、低难度的挑战测试集中采样生成测试用例。假设需要生成总共N0个测试用例，且每个CLS中测试用例比例为，我们可以在每个CLS中随机生成测试用例。采用的比率将决定加速评价的顺序。注意，我们假设不需要知道加速的明确顺序。
对于切入场景，测试参数直接从和的二维空间中采样。我们采用分段均匀分布的方式对每个维度独立采样。对于ULT场景，初始由HAV控制。因此，需要确定的初始条件只有和，这两个条件也构成了二维空间。
使用上面的过程，我们可以随机有效地从期望的挑战等级测试集中生成个测试用例。在图3和图4中，我们针对切入场景[7]和ULT场景[19]分别比较了根据我们提出的方法和根据自然驾驶模型生成的测试用例。结果表明，由自然驾驶数据分布生成的用例大多是碎片化的或者低难度挑战等级的，这会导致VUT的测试过于容易。另一方面，由我们提出的方法生成的用例可以被调整到不同的挑战等级，使测试更具挑战性、更高效。此外，测试用例独立于VUT，这确保了来自不同公司的不同HAV测试过程的公平性。
图4. 当时，ULT场景的挑战等级测试集。基于(a)自然驾驶数据分布和(b)加速评估分布，采用比率，生成了300个测试用例。参数空间被划分为不可行 (红色)、高难度(橙色)、中难度(黄色)和低难度(绿色) 的挑战测试集。
A．问题阐述
前一节介绍了如何定义测试用例参数，而如何在现实世界中准确可靠地达到这些测试初始条件是另一个挑战。POV需要与VUT同步运动，这样它才能在指定的条件下初始化驾驶动作。现有的车速规划与控制研究多关注于乘客舒适度[22]或燃油节能[23]，与现有研究相比，我们要求POV能够根据VUT的运动实时灵活、准确地调整车速。由于VUT行为的不确定性和POV非线性的动力学模型，解决该问题具有重要意义。在本节中，我们提出了的一个用于POV速度规划和控制的算法来解决同步问题。
我们做了以下假设。首先，POV通过通信获得VUT的位置和速度信息，本项目中使用了4G蜂窝网络。此外，POV已知VUT的目标速度或参考速度，记作。
B．切入场景的运动同步
对于切入场景，运动同步的目标是准确地达到变道所需的初始条件。由于所有的目标切入场景，在切入开始时，POV的移动速度都会比VUT慢，直觉上认为POV会在VUT前先增加其距离，然后达到设定的速度，最后等待VUT跟上。
测试开始时，POV的初始目标速度为，直到，其中和为数值较小的正数。
POV跟踪目标速度。
当达到目标距离时启动变道动作。
C．左转弯场景的运动同步
在ULT场景中，运动同步的目标是在离VUT 的距离时，使POV以目标速度到达交叉口起点，并以的速度进行左转，通过VUT前方的交叉口。
将运动同步问题表述为具有有限时域的最优控制问题(OCP)，并利用Pontryagin极大值原理(PMP)求解。POV的纵向动力学可以用双积分器来建模。则状态空间模型为：
其中：
我们假设初始条件和结束条件都是固定且已知的，时间持续时间为，由VUT左转动作开始的时间决定。为了实现平滑高效的速度曲线，目标函数设为：则该OCP的哈密顿量为:
可以证明。然后，根据PMP，我们有：
因此，最优速度轨迹将具有恒定的加速度导数(jerk)。给定初始和最终条件，我们可以通过求解和来计算最优加速度曲线。在每个时间步长，基于POV和VUT的最新运动学测量结果更新速度曲线。
为了估计结束时间，我们预测未来VUT的平均速度是目标速度和VUT当前速度的映射组合。然后，通过将VUT的距离除以速度来估计。
在这个过程中存在一个实际的问题：建议的速度配置文件将试图准确匹配结束时间。当预测为零时，所需的加速度曲线可能会超过加速度极限。为了解决这个问题，我们增加了一个额外的条件来放宽结束条件:当低于阈值(2s)时，POV将只尝试与速度跟踪控制器匹配。由于在整个时间段内一直在搜索，因此最后几秒钟累积的误差将被限制，如结果部分所示。
图5. 实验车辆(a)油门图(b)制动图。
D．速度跟踪与预测控制
为了准确地跟踪上述速度分布，我们采用预测控制算法作为POV的底层速度控制器。预测控制基于线性二次最优控制理论，其中期望的参考信号被映射到一个扩大的状态空间模型中[22]。与PID控制相比，系统的滞后和延迟在动态模型中得到了明确的表示。与目前流行的模型预测控制(MPC)相比，预测控制不需要实时数值求解优化问题，从而大大减少了计算量。
1)系统模型: 2015款林肯MKZ混合动力车作为POV的试验车辆。系统的纵向动力学解释了油门/制动输入与速度和由此产生的加速度之间的关系，可以表示为:
其中，为与速度相关的道路荷载(空气动力阻力和滚动阻力)；为道路坡度;是油门/刹车踏板输入到轮胎处推进力/制动力之间的非线性映射。和的标定详见[22]。
由于与车辆相关，我们在实际试验中对试验车辆进行标定。标定在Mcity的一条直线上进行，其倾斜度恒定且已知。通过线控接口将固定的油门或刹车指令发送给车辆，并记录车辆的速度曲线。选取不同的油门/刹车输入值，重复进行此操作。由此产生的油门/刹车图如图5所示。基于这些图，我们能将目标加速度转化为对车辆的油门和刹车指令。
由于只考虑踏板输入与轮胎力之间的准静态关系，因此需要一个单独的动态模型来模拟车辆动力系统中的滞后和延迟。我们用一个带延迟的线性动力学模型来描述纵向动力学。输入是加速指令，输出是车辆的实际加速度和速度。滞后和延迟通过实验确定并建模:
与[22]相比，模型中明确考虑了延迟。然后，假设延迟是时间步长的倍数，我们可以将离散系统模型改写为线性状态空间模型:
其中：
2)预测控制规律:我们设计了预测跟踪控制器，该控制器接收未来期望的速度曲线。然后，我们应用[24]中的增量输入公式，变换后的系统将具有扩展状态空间，定义为:
它将修改后的输入作为原始输入的增量：。
随后，我们制定了一个OCP，其成本函数定义为:
其中和是加权矩阵。这个问题就变成了一个标准的线性二次调节器(LQR)。它具有最优线性定常反馈控制，可通过求解离散代数Riccati方程得到。注意，由于控制时域是无限的，而预测时域是有限的，我们将时域以外的预测速度设为零，因为它们对最终控制的影响可以忽略。
最后，将最优控制增益分解为，则最终控制方程为:
综上所述，整体运动同步算法如图6所示，该算法由上层速度规划模块和底层速度跟踪控制器组成。上层控制器通过求解简化的车辆纵向动力学模型的OCP，计算出运动与VUT匹配的最优速度曲线。然后，使用预测控制算法的底层控制器跟踪上层的速度分布。上层模块将我们的工作与其他速度控制方案区分开来，在其他速度控制方案中，我们提前计划在测试初始条件下协调POV与VUT的运动。该算法可以直接应用于十字路口的许多其他测试场景，包括环形交叉口、直线交叉路径等。
图6. 运动同步算法
评分标准旨在从安全性、舒适性和驾驶效率三个方面评价自动驾驶汽车的性能。我们将100分作为满分，如果VUT的表现不如人类司机的平均水平，就会被扣分。
由于安全是最重要的方面，一旦在测试过程中发生碰撞，VUT只能得到0分。下面的讨论仅在没有碰撞的情况下考虑。为了安全，考虑了最小纵向距离和最小碰撞时间(TTC)。这两个指标越大，安全得分越高。一旦这两个指标大于某一数值，表示情况安全，就不会有处罚。安全评分定义如下:
式中和分别为最小纵向距离和最小TTC。，其中为建议车头时距(2s) [25]， 为每种情况下的初始车头时距速度。这是一个常数(6s)，参照文献[25]。
舒适度评分采用加权平均加速度:
其中T是场景的总测试持续时间，是在自然条件下观察到的VUT的最大绝对加速度驾驶数据，为VUT加速度
其中和由自然驾驶数据决定，用来惩罚剧烈加速或减速。
在行驶效率方面，VUT行驶速度越快，得分越高。考虑到POV的影响，允许VUT的行驶速度比无POV时稍慢。驾驶效率评分定义如下:
其中和和是常数。是所有的总测试持续时间的场景。为无POV时的持续时间，用于将惩罚范围调整到[0,100]。
总分定义如下:
其中，、、是根据风险等级确定的三个参数，。对于高风险级别，安全性的优先级高于其他风险级别，因此应增加。此外，为了确保分数的有效性，我们需要邀请人类驾驶员在相同测试下给VUT打分。然后，对这三个参数进行校准，使计算出的分数接近于人类驾驶员给出的分数。此外，我们需要让人类驾驶员控制VUT，并以他们的测试结果作为基线。尽管人类驾驶员的行为通常被认为是自动驾驶汽车的良好基准，但它们并不完美。因此，通过调整这三个参数，他们的平均得分将被控制在80-90。
A．运动同步仿真结果
我们首先给出了所提出的运动同步方法在ULT场景下的仿真结果。实验车辆在Mcity内实际行驶时，使用[26]中介绍的规划控制模块记录VUT速度曲线，如图7(d)中蓝色曲线所示。由于该路线在十字路口有多个转弯，因此速度曲线具有多个加速和减速阶段，这对POV的速度同步提出了挑战。在仿真中，纵向动力模型与第4-D.1节中讨论的相同。
我们将所提出的方法(OCP+Preview)的结果与另外两种方法进行了比较:1. OCP用于速度规划+ PID控制用于速度跟踪:2.采用[21]中的速度规划方法(记为FSP) +预测控制作为底层控制器。我们用相同的初始条件对所有测试用例进行仿真。结果如图7(a)-(c)和表1中所示，所提出的方法在针对和的多个测试用例中误差最小。对于其他两种方法，它们在某些工况下(例如，当目标时)都达到了相似的精度，但在其他工况下，特别是当增加时，它们就不一样了。在图7(d)中，我们比较了三种方法得到的速度曲线。虽然这三种方法的逐点目标性能相似，但所提出的方法产生的速度曲线最平滑，并且能够更准确地跟踪转弯后的目标速度。
图7. ULT场景下，三种运动同步方法的仿真结果
B．场地测试
然后，我们将切入场景和ULT场景的测试流程应用在POV的车载平台上，并在Mcity场地内使用真实的VUT进行场地测试，如图1所示。两辆车都装备一台RTK GPS (Oxford RT3003)，能够提供精确的运动学测量(±2厘米)。采用4G蜂窝网络实现通信，将每辆车的运动信息以基本安全信息(BSMs)的形式发送给其他车辆。POV使用上述方法进行纵向速度规划和控制，同时使用[27]中的预测控制器跟踪预设路径，进行横向控制。POV算法采用c++语言实现，布置在Ubuntu OS和Robot Operating System (ROS)上。控制频率为25hz。VUT采用[26]中的规划和控制算法。为每个场景执行9个预先设定的测试用例，以展示测试执行和评分的能力，其初始条件列在表2中。所有测试用例均为低风险。对于ULT场景，用例4、7是容易的，其他用例的风险都很低。
对于切入场景，POV和VUT在双车道直路上行驶。当目标和满足时，POV进行变道，如图8(a)所示。所有用例下的运动同步结果如图8(b)所示。所提出的方法可以实现在目标初始条件下，所有用例下都能准确地执行切入变道。
对于ULT场景，我们首先给出图9(a)-(c)中一个测试用例的测试结果。POV和VUT的轨迹如图9(a)所示。POV准确地实现了目标初始条件，为VUT创造了一个具有挑战性的场景，并迫使其减速。
表IV. 切入场景评分结果
为了测试运动同步方法的一致性，我们对这个测试用例重复了5次试验。得到的结果为,，如图9(c)所示。POV能够始终准确的达到目标初始条件。然后，我们在图9(d)中展示了实际测试中所有测试用例的运动同步结果。所有初始条件都可以被POV准确实现。
C. 评分结果
测试完成后，我们对两种场景下的每轮测试给出一个分数，如表IV和表V所示。(14)-(18)见表III。从表格中，我们可以观察到， HAV和人类驾驶员之间的表现仍然存在巨大差距。特别地，当测试用例变得更危险时(具有更高的或相对速度)时，安全分数显著下降。
D. ABC测试DEMO
最后，我们尝试将此测试方法扩展到更多场景。我们在2021年6月进行了Mcity ABC测试示范，VUT测试了7种挑战场景。场景及其编排如图10所示。
图8. (a)切入场景下POV和VUT的轨迹。(b)多个切入场景下的运动同步结果。
图9. 场地测试中ULT场景下的动态同步结果。(a)UTL场景下POV和VUT的轨迹。(b)速度分布:虚线表示速度。(c)一个测试用例重复运行5次后获得的结果。(d)多个ULT测试用例的结果。
本文介绍了自动驾驶汽车在切入和无保护左转弯两种场景下的闭环道路测试方法。我们首先用关键参数对这两种场景进行建模，并根据POV和VUT的运动学特征将其参数空间划分为不同的CLSs。有了这些结构化的参数空间，我们可以有效地、随机地从期望的CLSs中生成测试用例。然后，为了解决测试执行中的运动同步问题，提出了综合速度规划和控制算法，利用PMP计算出最优速度，然后发送给基于预测控制算法的速度跟踪控制器，该控制器解决了考虑复杂的动力系统动力学和期望速度目标的控制规律。此外，我们从三个关键点提出了一套量化VUT性能的评分标准。最后，我们提供了两种场景的仿真和场地测试结果，表明我们可以重复、准确地进行驾驶行为能力测试，并提供了评分结果。
在未来，我们计划使用第3节中采样的所有测试用例执行完整的测试试验，为给定的VUT提供全面的安全性评价。此外，我们将以人类驾驶员的行为为基准，参考人类驾驶员的分数来确定式(18)中的评分参数，以保证评分的合理性和公平性。我们还计划对不同的VUT进行测试，以比较它们的性能，并验证所提出的评估方法的通用性。
图10. Mcity ABC测试demo。
参考文献
M. Schwall, “Waymo Public Road Safety Performance Data,” 2020.
S. Riedmaier, T. Ponn, D. Ludwig, B. Schick, and F. Diermeyer, “Survey on scenario-based safety assessment of automated vehicles,” IEEE Access, vol. 8, pp. 87 456–87 477, 2020.
“Pegasus method-pegasus-en.” [Online]. Available: https: //www.pegasusprojekt.de/en/pegasus-method
“SAKURA Project.” [Online]. Available: https://www.sakura-prj.go.jp/
H. Peng and R. McCarthy, “Mcity abc test,” 2019. J. Sun, H. Zhang, H. Zhou, R. Yu, and Y. Tian, “Scenario-based test automation for highly automated vehicles: A review and paving the way for systematic safety assurance,” IEEE Transactions on Intelligent Transportation Systems, 2021.
D. Zhao, H. Lam, H. Peng, S. Bao, D. J. LeBlanc, K. Nobukawa, and C. S. Pan, “Accelerated Evaluation of Automated Vehicles Safety in Lane-Change Scenarios Based on Importance Sampling Techniques,” IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 3, pp. 595–607, 3 2017.
S. Feng, Y. Feng, C. Yu, Y. Zhang, and H. X. Liu, “Testing scenario library generation for connected and automated vehicles, part i: Methodology,” IEEE Transactions on Intelligent Transportation Systems, vol. 22, no. 3, pp. 1573–1582, 2020.
S. Zhang, H. Peng, D. Zhao, and H. E. Tseng, “Accelerated Evaluation of Autonomous Vehicles in the Lane Change Scenario Based on Subset Simulation Technique,” in 2018 21st International Conference on Intelligent Transportation Systems (ITSC). IEEE, 11 2018, pp. 3935–3940.
J. Yang, H. Sun, H. He, Y. Zhang, S. Feng, and H. X. Liu, “Adaptive safety evaluation for connected and automated vehicles with sparse control variates,” arXiv preprint arXiv:2212.00517, 2022.
C. E. Tuncali, T. P. Pavlic, and G. Fainekos, “Utilizing S-TaLiRo as an automatic test generation framework for autonomous vehicles,” IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, no. ii, pp. 1470–1475, 2016.
X. Wang, H. Peng, S. Zhang, and K.-H. Lee, “An interaction-aware evaluation method for highly automated vehicles,” in 2021 IEEE International Intelligent Transportation Systems Conference (ITSC). IEEE, pp. 394–401, 2021.
S. Zhang, H. Peng, S. Nageshrao, and H. E. Tseng, “Generating socially acceptable perturbations for efficient evaluation of autonomous vehicles,” IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, vol. 2020June, pp. 1341–1347, 2020.
B. Chen, X. Chen, Q. Wu, and L. Li, “Adversarial evaluation of autonomous vehicles in lane-change scenarios,” IEEE Transactions on Intelligent Transportation Systems, 2021.
X. Wang, S. Xu, Y. Zhong, and H. Peng, “The implementation of acceptance testing for highly automated vehicles,” in 15th International Symposium on Advanced Vehicle Control, AVEC’22., 2022.
NCAP, “European New Car Assessment Programme - TEST PROTOCOL – AEB systems,” Tech. Rep., 2015.
Y. Ma, C. Sun, J. Chen, D. Cao, and L. Xiong, “Verification and validation methods for decision-making and planning of automated vehicles: A review,” IEEE Transactions on Intelligent Vehicles, 2022.
V. A. Butakov and P. Ioannou, “Personalized driver/vehicle lane change models for adas,” IEEE Transactions on Vehicular Technology, vol. 64, no. 10, pp. 4422–4431, 2014.
X. Wang, D. Zhao, H. Peng, and D. J. LeBlanc, “Analysis of unprotected intersection left-Turn conflicts based on naturalistic driving data,” in IEEE Intelligent Vehicles Symposium, pp. 218–223, 2017.
X. Wang, H. Peng, and D. Zhao, “Combining Reachability Analysis and Importance Sampling for Accelerated Evaluation of Highly Automated Vehicles at Pedestrian Crossing,” in Proceedings of the ASME 2019 Dynamic Systems and Control Conference. American Society of Mechanical Engineers, 10 2019.
X. Wang, Y. Dong, S. Xu, H. Peng, F. Wang, and Z. Liu, “Behavioral competence tests for highly automated vehicles,” in 2020 IEEE Intelligent Vehicles Symposium (IV). IEEE, pp. 1323–1329, 2020.
S. Xu, H. Peng, Z. Song, K. Chen, and Y. Tang, “Accurate and Smooth Speed Control for an Autonomous Vehicle,” in 2018 IEEE Intelligent Vehicles Symposium (IV), vol. 2018-June. IEEE, 6 2018, pp. 1976–1982.
A. Vahidi and A. Sciarretta, “Energy saving potentials of connected and automated vehicles,” Transportation Research Part C: Emerging Technologies, vol. 95, pp. 822–843, 2018.
F. Borrelli, A. Bemporad, and M. Morari, “Predictive Control For Linear and Hybrid Systems,” 2017.
K. Vogel, “A comparison of headway and time to collision as safety indicators,” Accident analysis & prevention, vol. 35, no. 3, pp. 427– 433, 2003.
S. Xu, R. Zidek, Z. Cao, P. Lu, X. Wang, B. Li, and H. Peng, “System and experiments of model-driven motion planning and control for autonomous vehicles,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021.
S. Xu and H. Peng, “Design, Analysis, and Experiments of Preview Path Tracking Control for Autonomous Vehicles,” IEEE Transactions on Intelligent Transportation Systems, vol. PP, pp. 1– 11, 2019.
| 联系人：唐老师 |
| 电话：13917148827 |
| 邮箱：tangyanqin@tongji.edu.cn |
点“阅读原文”获取论文
