标签: 智能网联

一、引言 作为实现高阶自动驾驶的方式之一，V2X（vehicle-to-everything）包含车辆与车辆V2V(Vehicle-to-Vehicle)、车辆与基础设施V2I（Vehicle-to-Infrastructure）、车辆与行人V2P(Vehicle-to-Pedestrian)、车辆与外部网络V2N（Vehicle-to-Network）等各种应用通信应用场景，通过现代通信与网络技术，实现车与外界的信息交换共享（实时路况、道路信息、行人信息等一系列交通信息），从而提高驾驶安全性、降低交通拥堵、提高交通效率。 目前C-V2X功能的验证主要采用台架仿真和实车测试两种方式，台架仿真测试基于模拟真实道路环境中的道路场景、机动车、行人、道路事件、标牌、信号灯等信息还实现V2X应用场景，即仿真远车与路侧设备发出的BSM、RSM、RSI、SPAT、MAP消息；在实际的仿真测试系统开发中只能做到尽量高的道路状况信息还原度，无法完全还原真实道路场景与车辆状态。实车测试则是在真实道路环境场景下,采用试验假车、假人及路侧设备发出真实V2X消息实现，优势是车路环境真实，但同时存在安全性无法保证、车辆协调效率低的缺点。 二、C-V2X数字孪生测试方法介绍 基于实车在环的C-V2X数字孪生测试方法采用“虚实结合”的方式，其“实”是指采用真实车辆：车辆状态、运动学及行为决策都是真实的；而“虚”则是指所有除道路和试验车辆外的所有交通参与者（背景车、行人 、路侧设备）都是通过仿真实现，其框架如下图所示： 图1 基于实车在环的C-V2X数字孪生测试方法框架 该方法结合台架仿真和实车测试，具有以下优势： 安全性高 提升测试效率，节省研发费用 不受场地限制：在城市道路及封闭道路皆可进行试验 三、车载测试台架 基于实车在环的C-V2X数字孪生测试方法中，背景车辆、行人、路边单元的V2X信号（BSM、RSM、SPAT、RSI、MAP）的仿真主要通过搭载在试验车辆中的测试台架实现。车载测试台架主要由测试车辆、高精度定位系统、总线通信接口卡、V2X模拟器、CANoe等组成，功能如下： 可进行V2X测试场景搭建，定义仿真背景车辆的运行轨迹； 支持不同国家ITS协议栈仿真，满足欧洲标准EU ITS-G5，美国标准U.S.WAVE和中国标准GB/T 31024-3 / CSAE-53/CSAE-157测试需求； 可显示试验车辆及仿真的所有交通参与者的V2X数据，并可进行集中化的解析显示和测试管理执行。 支持云控管理平台连接，实现远程监控测试执行。 运行自动化测试，支持测试报告自动生成。 图3 车载测试台架框架 测试场景 测试场景覆盖T/CSAE 53标准中除近场支付外的16种典型应用场景测试，如下表所示： 典型测试场景 四、试验过程 试验车辆接收V2X模拟器仿真发送的路测单元消息（RSM、SPAT、RSI、MAP消息），以及仿真背景车辆的BSM消息，仿真的各种V2X消息如图5所示，结合试验车辆OBU内的算法逻辑，完成各测试场景中的V2X功能预警，总线通信接口卡采集车辆总线上的V2X功能预警信号发送给CANoe中，完成功能测试验证。 图4 CANoe接收到的V2X消息 测试过程如下： 结语 北汇信息基于C-V2X数字孪生测试方案，提供V2X试验场地建设、车载仿真测试系统集成、V2X实车功能测试等服务，支持在真实道路环境下完成应用场景仿真和通信环境仿真测试，已在国内实现多套方案落地，极大的帮助客户加速V2X研发验证过程。 北汇信息作为IMT-2020（5G）推进组蜂窝车联（C-V2X）工作组成员，我们致力于在V2X领域积极开展LTE-V2X和5G-V2X的测试验证技术研究等工作，积极推动中国V2X的产业落地，为客户提供V2X成套测试系统及服务。

汽车行业中，任何一款产品的上线都离不开测试工作，在整个测试 工作 中， 测试人员通过使用不同的测试技术来创建测试用例，保证测试活动的全面性和高效性。 根据ISTQB可以将测试技术分为黑盒、白盒 和 基于经验的测试技术 ： ① 黑盒测试技术（ behavioral or behavior-based techniques ） ：它不依赖于代码的实现细节，而是基于测试依据 （如：正式需求文档、规格说明、用例、用户故事或业务流程） 来测试 被测对象 的正确性和完整性 ， 它 关注 被测对象 的输入和输出，而不考虑其内部结构。 ② 白盒测试技术（ structural or structure-based techniques ） ：主要 通过对架构、详细设计、内部结构或测试对象代码进行分析。与黑盒测试技术不同，白盒测试技术关注 被测对象 的结构和处理过程。 ③ 基于经验的测试技术 ： 利用开发人员、测试员和用户的产品经验来设计、实施和执行测试。这类技术通常与黑盒和白盒测试技术相结合。 以上是较为常用的测试技术分类 ， 测试人员需要结合具体项目需求和测试目标，选取合适的测试技术 来进行测试用例开发 。 目前汽车行业中使用的 V2X（ Vehicle to Everything ）技术是智能交通系统中的核心技术之一，具有广泛的应用前景。V2X技术可以让车辆之间相互通信，实时 获取其他 车辆 的 位置、状态、行驶方向等信息，同时也可以获取周围道路状况、交通信号灯、行人等信息，以此来提高驾驶安全性、舒适性和效率 。 针对 基于场景的V2X功能 测试来说， 测试用例的开发一般是 由 黑盒测试 技术 中的 等价类划分和边界值分析 。等价类划分和边界值分析是测试中常用的两种测试用例设计方法，它们一起使用可以更全面地覆盖输入域，在发现潜在缺陷的同时，也提高了测试的效率。目前，北汇信息在测试用例开发方面有了完整 流程 ，大致总结为以下几个步骤： ①识别输入域：根据需求文档、功能规范或技术协议等资料，确定需要进行测试的输入域。 ②等价类划分：将输入域划分为若干个等价类，每个等价类代表着一组具有相同特征的输入值。 ③边界值分析：对每个等价类，确定其边界取值并分析。 ④组合等价类和边界值：针对测试需求进行功能点整理，主要是提取需求中的等价类，其提取依据是该等价类是否会对被测件的功能产生影响。等价类分为“路网”、“参与者 ” 、“事件板”。其中，路网是指对场景运行道路的说明，包括：车道类型、车道数量、标牌类型、信号灯等；参与者指的是场景参与者，包括：车辆、行人和树木、路灯等物体；事件板是指参与者的行为，包括参与者的初始状态和运行过程中的行为变化。初始状态包括位置、朝向和速度等。然后将不同等价类中的边界值组合起来构造测试用例。 ⑤设计优先级： 优先级需要考虑 ： 功能关键性或重要程度 、 与安全相关的功能 、 功能完成 度、 功能当前验证条件满足性 。根据测试优先级确定测试用例重要程度，并按照优先级顺序进行筛选测试用例。 下面以《 合作式智能运输系统车用通信系统应用层及应用数据交互标准（第一阶段）T/CSAE 53-2020》标准 中的前向碰撞预警 （ FCW ） 场景进行举例，详细介绍测试用例开发方法 ： FCW功能定义：主车（HV）在车道上行驶，与在正前方同一车道的远车（RV）存在追尾碰撞危险时， FCW功能通过HMI对HV驾驶员发出预警 ，帮助驾驶员避免或减轻前向碰撞，提高道路行驶安全。 CSAE 53-2020 中介绍了以下四种FCW的 主要场景。 场景一：HV行驶，RV在HV同一车道正前方停止： 1)HV正常行驶 ， RV在位于HV同一车道的正前方停止； 2)HV和RV需具备短程无线通信能力； 3 ) HV行驶过程中在即将与RV发生碰撞时， FCW功能通过HMI对HV驾驶员发出预警 ，提醒驾驶员与位于正前方的车辆RV存在碰撞危险 ； 4)预警时机需确保HV驾驶员收到预警后，能有足够时间采取措施，避免与RV发生追尾碰撞。 场景二：HV 行驶，RV 在HV相邻车道前方停止： 1) HV 正常行驶，RV 在位于 HV 相邻车道的前方停止； 2) HV 和 RV 需具备短程无线通信能力； 3) HV 行驶过程中不会与 RV 发生碰撞， HV驾驶员不会收到HMI发出的FCW预警信息 。 场景三：HV 行驶，RV 在HV同一车道正前方慢速或减速行驶： 1)HV正常行驶，RV 位于HV同一车道的正前方慢速或减速行驶； 2)HV和RV需具备短程无线通信能力； 3)HV行驶过程中在即将与RV发生碰撞时， FCW功能通过HMI对HV驾驶员发出预警，提醒驾驶员与位于正前方的车辆RV存在碰撞危险 ； 4) 预警时机需确保HV驾驶员收到预警后，能有足够时间采取措施，避免与RV发生追尾碰撞。 场景四：HV行驶，HV视线受阻，RV-1在HV同一车道正前方停止： 1)HV跟随RV-2正常行驶，RV-1在同一车道上RV-2的正前方停止，HV的视线被RV-2所遮挡； 2)HV和 RV-1 需具备短程无线通信能力，RV-2 是否具备短程无线通信能力不影响 功能 场景的有效性； 3)RV-2为了避开RV-1进行变道行驶； 4)HV行驶过程中在即将与RV-1发生碰撞时， FCW功能通过HMI对HV驾驶员发出预警，提醒驾驶员与 位于正前方的RV-1存在碰撞危险 ； 5)预警时机需确保HV驾驶员收到预警后，能有足够时间采取措施，避免与 RV-1发生追尾碰撞。 根据以上场景，将对FCW功能产生影响的因素通过等价类划分和边界值分析方法将其分为路网、参与者、事件板，分类如下图所示。 结合FCW 功能文档 以及测试的优先级对其组合的case进行筛选整理，最后生成完整的测试用例。 根据以上测试用例 开发流程可以提高 被测系统的覆盖面，进而提高测试的有效性和全面性 ，能够更全面地发现潜在的缺陷和问题，保障被测件功能健全。 北汇信息作为蜂窝车联（C-V2X）工作组成员， 持续深耕 V2X 测试领域，测试 方案覆盖终端接入层一致性、协议栈一致性 、 场景功能测试 和信息安全测试等 ，为客户提供专用测试设备、成熟的测试解决方案和测试服务， 让汽车变得更安全、更舒适、更智能 。

智能网联汽车集中运用了计算机、现代传感、信息融合、模式识别、通信网络及自动控制等技术，是一个集环境感知、规划决策和多等级自动驾驶控制于一体的技术综合体。 为此在智能网联汽车研发过程中测试和验证面临巨大的挑战。一方面，需要新的测试方法以改进传统路测方法，解决传统测试中需要大量行驶里程所带来的一些问题。另一方面，由于发展初期有限的市场渗透率，测试验证过程还需考虑混合交通环境下其他交通参与者的驾驶行为对自动驾驶汽车功能产生的重大影响。 北汇信息作为Vector、Rohde & Schwarz、IPG、Pi innovo公司、PikeTec、HQRadar公司的技术合作伙伴，将为中国汽车客户提供智能网联相关测试系统及服务，主要包括L1-L5自动驾驶控制系统的快速原型开发工具、MIL/HIL/VIL测试系统、车联网功能测试系统、FOTA功能测试，毫米波雷达测试及仿真系统等，全面助力智能网联汽车的研发与生产。 概述 随着技术的发展，汽车量产搭载的自动驾驶技术已经由初级的L1/L2辅助驾驶，向L3甚至更高级别演进。高级别的自动驾驶技术依赖更多传感器，那么在环境感知、多传感器融合、决策规划、车辆控制执行、功能安全等方面测试的挑战将日益增大。 北汇信息作为国内一流测试方案服务商，为各主机厂、控制系统/传感器供应商在研发的各阶段提供解决方案。 智能驾驶车辆架构设计 北汇信息提供PREEvision架构设计工具，给用户一个完整的协同开发平台，支持从电子电气架构设计到产品系列开发的全过程。 智能驾驶快速原型 北汇信息提供OpenECU快速原型开发工具。该工具可在Matlab/Simulink环境进行开发，具有高效的自动代码生成功能，可为自动驾驶控制原型开发提供有效支撑。 智能驾驶仿真测试：MIL/SIL/HIL/VIL 美国兰德公司研究表明，自动驾驶需要行驶数亿、甚至数千亿英里验证其可靠性，实车驾驶需要行驶数十年、甚至数百年才能完成可靠性验证。同时美国N-FOT项目研究表明“完成一次公共道路测试的成本至少在100万美元以上”。 基于时间和成本的综合考量，我们可以通过虚拟仿真技术，对道路环境、交通、感知系统、决策规划系统和执行系统进行仿真建模，在实验室环境下实现智能驾驶系统的虚拟仿真测试，加速智能驾驶研发。 智能驾驶仿真测试与传统仿真测试相比，对车辆动力学仿真精度要求更高，更关注车与环境的交互， 更重视测试场景的分析和测试场景数据库的建设。 智能驾驶MIL/SIL解决方案 MIL/SIL测试主要测试算法模型的功能逻辑。北汇信息基于行业主流的虚拟仿真软件（如IPG公司的CarMaker、TESIS公司的DYNA4等）和PikeTec公司的TPT自动化测试工具，提供完整智能驾驶MIL/SIL解决方案，覆盖AEB、LDW、TSR、HMA、LCDA、LKA、IACC、TJP、TJA、APA等决策规划控制算法MIL测试，同时也能覆盖传感融合算法MIL测试。 CarMaker统筹场景模型、传感器模型和车辆动力学模型的仿真。使得测试环境部署在统一工具链下，保证了测试过程数据交互具有非常高的一致性。 TPT提供了一套高效的测试建模方法，可以控制多种虚拟场景元素的参数输入，并且能实现从测试执行到测试报告生成的自动化。 智能驾驶HIL解决方案 北汇信息基于行业主流的虚拟仿真软件，主流的HIL硬件平台、高性价比的雷达模拟器，提供包含 雷达回波仿真、视频暗箱、视频流数据注入、超声波回波仿真/数据流注入、激光雷达点云仿真等多种传感仿真手段，同时也提供多自由度驾驶模拟器、制动控制台架、转向控制台架等解决方案。从而覆盖单自动驾驶控制器到自动驾驶域的HIL测试。 HIL测试框架如下： 在HIL测试方案中，北汇信息将根据客户不同的测试需求和对象提供多层次的传感器仿真方式。 毫米波雷达回波模拟方案 基于华清瑞达雷达模拟器，提供多种组合的雷达回波模拟方案。可提供单方向4目标，双方向8目标，甚至1000点以上目标（基于成像雷达技术）的回波仿真方案。产品特性： 可模拟3个点目标或面目标 范围：23~27GHz，76~81GHz 距离范围：0~1Km 速度范围：±1000Km/h 角度范围：可以定制 可模拟对方来车干扰 可模拟真实路口、汇车、上下坡、十字路口 可模拟道路场景，如障碍物、限高杆、不同气象条件等 毫米波雷达数据流仿真方案 使用射线追踪方法模拟电磁雷达波的传播，具备全实时仿真功能。 产品特性： 多路径传播 重复路径回声 相干加法 多普勒频移 误报仿真 摄像头数据流注入仿真方案 通过仿真摄像头数据流的方式进行图像处理相关智能驾驶应用的测试。这比使用摄像头暗箱方式能提供更真实的图像来源，同时能够仿真像素误差、遮挡等故障场景。产品特性： 同时仿真4路摄像头信号 单路摄像头最高分辨率大于1080p 最高帧率大于70fps 超声波雷达仿真方案 根据超声波传感器换能特性来完成超声波回波仿真，同时也支持超声波硬线传输协议仿真。产品特性： 支持12路超声波的仿真 每一个传感器的超声反射时间都可调 支持换能器驱动与硬线仿真模式 频率范围20-100kHz 模拟距离0-10m范围 智能驾驶VIL解决方案 在车辆在环测试中，实车提供了真实的车辆动力学，我们只需使用仿真软件模拟车辆周边各种测试场景和交通流即可。北汇信息结合智能驾驶传感仿真技术提供自动泊车、行车等车辆在环解决方案。 智能驾驶实车测试方案 实车路试是智能驾驶车辆研发过程中举足轻重的一环，通过路试能真实评估各个传感系统和自动驾驶功能的性能指标。北汇信息基于Vector和b-plus公司的CANape、Brick PC推出智能驾驶路测数据采集整体解决方案，能同步采集实车运行数据和各种传感器数据。 雷 达传感器下线检测设备 北汇信息基于Rohde & Schwarz的仪器仪表提供雷达传感器下线检测成套解决方案，覆盖雷达发射/接收性能、目标识别、方位区分、目标距离、RCS等方面测试。

在上期文章中，我们提到了自动驾驶的HIL测试中目前需要考虑的两个问题： 对于同步，需要考虑： 如何处理HIL测试的同步化和时钟系统？ HIL模拟器和GNSS模拟器能否使用一个共同的时钟源？ 对于时延： 从HIL模拟器的输入（自动驾驶仪命令）和GNSS模拟器的输出（GNSS射频信号）如何使他们的延迟最小化，以保证模拟的实时性呢？ 同步问题解决方案 应对同步的问题可以使用网络时间服务器作为HIL模拟器和GNSS模拟器的共用时钟源，确保HIL仿真器和GNSS模拟器上的操作系统在数百微秒内紧密同步。在HIL模拟器和GNSS模拟器中均使用Linux系统，并配置精确时间协议（PTP）将时钟与网络时间服务器同步。 HIL模拟器接收到自动驾驶仪发送过来的数据后，会为数据添加时间戳，保证数据与GNSS模拟器共用同一个时钟源，以最大限度减少二者之间的抖动和漂移。接着通过HIL客户端把真实的位置信息发送到GNSS模拟器上，通过GPU生成IQ数据并发给SDR产生射频信号。需要注意，SDR也属于模拟器部分，同样需要进行同步，所以需要从同一时钟源接收PPS来进行时间同步。这样就实现了HIL模拟器和GNSS模拟器的安全同步。 延迟问题解决方案 存在延迟的原因： 在自动驾驶中，从自动驾驶仪命令输入真实信息给HIL模拟器，再到GNSS模拟器生成RF信号的过程中不可避免的会存在延迟。在这一个过程中，延迟存在于三个环节中： 在HIL模拟器中确定真实轨迹（也就是自动驾驶仪发送过来的信息）所需时间，而HIL模拟器对这些信息的采样率不同可能会影响仿真器的处理时间。 HIL模拟器处理完成并输出计算的真实位置到GNSS模拟器的传输时间，这一传输的时间是不可避免的。 GNSS模拟器处理收到真实位置并创建与轨迹对应的射频信号的时间，通常称这个时间为引擎延迟。

ADAS 传感 感知背景 在ADAS/AD仿真测试中，多传感器融合已经成为L3级别以上的ADAS/AD测试的主流解决方案。通过运用摄像头、毫米波雷达、激光雷达和超声波雷达等不同的传感器，安装在车身的不同位置。 这些传感器类似人的感官系统，主动感知周围的环境。通过收集数据、进行静态和动态的物体辨别、探测和追踪，并结合导航仪等地图数据，进行系统的运算和分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车行驶的安全性和智能舒适性。 在ADAS传感感知方面，不同信号级别的传感器信号如下图1所示，从环境场景中感知真实传感器前端的光、电、声信号，到数字信号处理后得到的飞行时间、多普勒频移等原始信号，最后经过感知算法和目标跟踪得到的目标列表信号。 图1 传感器不同阶段信号 A DAS 传感器 模型 目前主流的 ADAS传感仿真可以基于三种不同级别的传感器模型，可以应用于不同的开发测试场景： 理想传感器 根据环境感知和障碍物追踪，提供路面实况信息。 生成的目标列表与传感器的物理特性无关，此类传感器非常容易进行参数配置，主要用于快速原型 /概念验证。 高精度传感器 此传感器提供的目标列表会根据使用的传感器的特性（如雷达）的不同而不同。 如高精度雷达传感器考虑到目标 RCS、回波损耗、信噪比、不同天气信号衰减和目标遮挡等物理特性，比较贴近真实传感模型。 可通过传感器的分辨单元对两个对象的融合进行建模，并且还包括延迟和噪声。在环境感知方面，具有传播衰减的特性。高精度传感器主要用于功能开发 /测试。 原始信号传感器 与提供目标列表不同，该传感器提供原始信号，这些信息将被用于信号处理及目标追踪算法。 原始信号传感器可以输出不同的物理效果。如雷达原始数据传感器可生成天线增益图（主天线和俯仰角天线），并融合天线增益图，以此方式来建模。原始信号传感器 主要用于部件级 /原始信号处理开发与测试。 毫米波 雷达感知 雷达主要通过发射电磁波，利用目标对电磁波的反射来发现目标并对目标进行定位。 随着雷达技术的发展，雷达的任务不仅仅是测量目标的距离、方位和仰角，而且还包括测量目标的速度，以及从目标回波中获取更多有关目标的信息。 雷达感知作为ADAS感知系统的重要组成部分，良好的雷达性能为ADAS测试提供更加准确的环境感知信息，有利于ADAS系统决策规划，从而控制车辆转向系统，制动系统和动力系统，进行预警和主动干预控制。 因此，在ADAS测试过程中，雷达的感知算法和目标分类算法测试不可或缺，雷达感知在ACC自适应巡航、BSD盲点探测、前碰撞预警FCW等实际应用中比较广泛。 原始数据的获取 为了更系统的了解雷达感知的内容，下面就来了解下：如何基于原始数据流来进行雷达算法的感知测试？ 首先，需要了解什么是雷达的原始数据。 本次涉及的雷达原始数据是由快速傅里叶变换（FFT）的数据输出，未经过雷达算法信号处理，即还未进行点凝聚和追踪的数据。原始数据的获取流程如下图所示： 图 2 传感器数据处理流程 那么雷达的原始数据该如何获取呢？ 可通过场景仿真软件的物理传感器模型来获取雷达的原始数据流。 该原始信号传感器模型基于知名雷达厂商大陆相关协议进行开发，根据传感器的物理特性可直接输出原始数据流，能保证输出原始数据的有效性和可靠性。 一般来说，雷达原始数据获取后，用户需要自己做算法处理，包括目标跟踪和信号处理，从而验证雷达算法的策略。 对于雷达开发商来说，输入的原始数据类型和格式都会影响雷达算法的性能测试。因此对于测试人员来讲，首先原始数据输出要保证正确有效，从而才能很好验证雷达算法的性能，加快和完善雷达开发进程。 原始数据传播特性 雷达原始信号传感器可模拟虚拟环境中电磁波的传播产生原始数据流。 在探测目标时，应该考虑到目标遮挡和物理传播的影响，如多路径/重复路径传播、多普勒频移和假阳性/阴性的影响，来获得更加真实的原始数据流。然后通过对单个点的信道做出脉冲响应，实现多个点数据来重建模拟信号。 另外，环境温度、雨量和雾天的可视化距离等，都会影响雷达传感器原始数据的探测，因此在实际原始数据传播过程中，应该充分考虑这些环境条件对雷达的影响。 电磁波的传播特性很大程度上影响了物体探测的正确性和目标距离/速度等精度。 在实际雷达传感器发射的电磁波传播过程中，应当考虑路边的3D建筑物、反射和散射对道路前方交通目标所造成的干扰和影响，雷达对前方交通目标的探测很大程度上依赖于相对电场强度幅值，需要考虑传播损耗、大气阻尼、材料和偏振相关的反射等物理特性。 一般来说，原始信号传感器输出的原始数据流包括： 通道数量 飞行时间/距离 取决以极化的相对电场强度 相对多普勒频移 反射次数 发送/接收电磁波的方向（仰角/方位角） 雷达模型 原始 数据注入原理 那么问题来了，了解了原始数据流输出 的特性 ，如何实现雷达 算法 的感知测试呢？ 不用急，下面以雷达模型为例 来进行 详细讲解 。 图 3 雷达模型 原始 数据注入 原理 理想传感器以及高精度传感器可直接输出目标列表信息，包括目标的速度、距离、角度以及相应的横向、纵向分量等信息。 而在雷达算法的测试过程中，模型需要的输入是单个目标点的距离、速度、角度和相对电场强度等。 一般来说，雷达原始数据传感器得出的是目标点的飞行时间、相对多普勒频移等，即不能直接得到目标点的速度、距离和角度以及相应的横向、纵向分量，因此需要对输出的原始数据做一些转换和计算。 如输出的原始数据，想要得到目标点的速度，需要根据多普勒频移来进行计算转换，目标距离也需要根据飞行时间/飞行距离进行换算等。 原 始 数据的 信号 处理 在了解雷达原始数据的输入原理和相关转换后，该如何将雷达的原始数据注入给雷达模型呢？ 首先，我们需要了解雷达模型的输入接口特性，如输入变量含义和单位、输入的数据类型和输入的数据格式，从而保证注入原始数据的正确性。 在整个模型测试系统中，将单个点的原始数据的类型和格式进行正确转换，然后进行打包处理，输入给雷达模型，雷达模型对这些数据进行信号处理，经过点凝聚和追踪，最后可聚类得出目标的输出信息。 如下图4（a）和（b）所示，分别为输入的原始数据和聚类输出的目标列表数据。 图 4 （a ） 雷达模型输入原始 数据 图 4 （ b ） 雷达模型聚类输出数据 总结 图 5 不同类型传感器 应用 总的来说，理想传感器/高精度传感器可直接输出目标列表信息，然后注入给ADAS功能模块，如ACC/FCW模型等，可以验证ADAS模型的功能。 原始信号传感器，适用于雷达模型的策略验证/图像处理等算法验证，通过原始信号传感器把不同脉冲通道的点数据注入给雷达模型，然后雷达算法对原始数据进行点凝聚、追踪处理，最后聚类成输出的目标信息。 聚类得出的数据可以和理想传感器/高精度传感器直接输出的目标数据作比较，可以很好的验证雷达算法的策略，及时发现雷达算法开发过程中存在的问题。 雷达算法策略较好时，可以将雷达模型处理输出的目标列表数据输入给FCW/ACC等功能模块，从而验证ADAS MIL功能，从而加快感知算法和控制策略算法的开发和测试。 如下图6（a）和（b）所示，为ACC功能的一个应用场景，ACC定速后，按下ACC增速开关实现加速的过程。 图 6 （a）A CC 定速 图 6 （b）A CC 加速 小伙伴们对基于原始数据流的雷达感知测试有了基本的认知后，是否想进一步对ADAS HiL测试有更多的了解？针对ADAS HiIL测试，如何实现ACC/FCW功能 测试、雷达回波模拟器仿真测试？ 欢迎联系北汇信息，我们将竭诚为您提供智能网联成套测试系统及服务：覆盖自动驾驶系统MiL/HiL/ViL测试、车联网测试、ADAS及雷达感知测试等。 也请您关注后续北汇信息分享的相关技术文章。