基于大数据统计的智能驾驶MPI测试方法研究

兰华　梁倍铭　刘开勇　阮倩　王国权

摘 要：随着近年来汽车行业的高速发展，智能驾驶技术在各类车型上得到普遍应用，逐步为消费者所熟知。随着消费者对于智能驾驶系统的深入了解，消费者对于智能驾驶系统的功能与性能提出越来越高的要求，这使得智能驾驶系统的升级迭代更具挑战。本文主要介绍一种基于大数据统计的智能驾驶MPI测试方法，通过收集用户的大数据、统计在车辆使用过程中的智能驾驶MPI（平均接管里程）并进行分析，在建立一系列测试标准评判智能驾驶系统的优劣的同时，也能针对性地改进高频接管问题，优化驾驶体验，对智能驾驶系统测试领域具有很好的启发意义。

关键词：智能驾驶 大数据 测试方法

1 引言

对于智能驾驶系统的研发流程而言，测试是验证系统设计可靠性、安全性，推动智能驾驶系统不断进化演变的重要步骤[1]。目前，针对智能驾驶系统的测试技术包括软件测试、仿真测试和实车测试，其中实车道路测试是最为贴近实际用车场景的验证手段，起着检验智能驾驶系统在真实环境中应用能力的作用，也是维系智能驾驶系统智能化与保障用车安全的最后一道防线[2]。为满足当下智能驾驶技术发展需求，很多国家和地区通过建设封闭或半开放式智能驾驶实车测试区域、依托社会公共资源划定智能驾驶测试道路等方式大力推进构建智能驾驶实车道路试验环境[3]。根据相关研究机构的预测，到2040年全球范围内将拥有2千万～3千万辆无人驾驶汽车。届时，我国也将成为全世界最大的智能驾驶汽车市场[4]。

本文提出了一种新的智能驾驶系统实车测试方法，通过基于用户的大数据统计，收集用户使用智能驾驶功能时的MPI（平均接管里程）数据，从而分析研究得出影响用户MPI的几类高频影响因素。借助这种测试方法，结合智能驾驶系统自身的特性，能够针对性地进行性能优化，使智能驾驶系统的性能获得提升。

2 基于用户大数据的MPI統计与分析系统硬件组成

基于用户大数据的MPI统计与分析系统工作流程可以分为车端的数据获取、后台服务器的数据处理以及测试人员对筛选后的数据进行分析、寻找智能驾驶系统提升优化的关键因素三大部分，并以促进智能驾驶系统的迭代升级作为最终目标形成工作流闭环。整个系统所涉及的硬件核心主要在于车端硬件与后台后台硬件，其构成如图1所示。

根据工作内容的不同，车端硬件可分为三个层次：首先，对MPI数据进行统计分析的本质在于了解用户从智能驾驶系统接管车辆操控这一事件发生时驾驶员的状态、车辆的各项参数以及环境因素，因此车端硬件的底层就是信息的采集：诸如监控驾驶员反应的DMS摄像头，获取车辆行驶数据的传感器，感知车辆周围环境的毫米波雷达等，这些都为系统提供了最基础的原始数据信息。其次，由于信息采集层的硬件都分布在车辆的各个位置，因此采集到的数据会先通过线束总成及网关传输至相应的域控制器之中，而后汇总至智能驾驶系统中央控制器。这些信息传输或储存的媒介共同构成信息汇总层。最后，数据将会通过车载通信单元及5G网络组成的信息传输层上传至后台硬件。

3 基于用户大数据的MPI统计与分析系统底层架构

3.1 用户数据收集的触发标签设置

对于利用用户大数据的MPI统计与分析，在用户数据的收集过程中，触发标签的设置尤为重要。一方面需要保证所收集数据类型的真实性、有效性、可用性，另一方面还要根据所采用的硬件水平综合考量数据上传/下载的流量、带宽、速度等各个方面。

此外，在系统中建立触发标签，有利于在海量的用户数据中筛选掉无效信息，快速捕捉目标内容，方便在测试后期分析时对大数据进行梳理。

分析系统中预设的数据触发策略见表１。

上述触发逻辑设计作为条件判据用以确保收集数据类型的真实性、有效性、可用性，为后续统计智能驾驶MPI数据奠定基础。

3.2 用户接管类型分类

基于用户大数据对MPI数据进行统计与分析的过程中，很重要的一部分工作是探寻用户接管智能驾驶系统的原因，围绕用户避免/拒绝使用车辆智能驾驶系统功能的场景，针对性地提出解决/优化的方案与措施，改进系统缺陷、提升系统的功能。

根据用户的使用行为，设置如下的接管类型分类，见表2。

对于真实的用户驾驶过程，根据上述设定的接管类型统计分类，区分、收集用户具有高频接管特点的因素，结合回归算法，实现智能驾驶系统问题或缺陷的闭环管理。

4 某车型智能驾驶系统基于大数据统计MPI分析与性能测评

为更好地对系统工作流程进行展示，由上述的收集、统计、分析方法，本研究对某款车型智能驾驶功能的MPI指数进行了统计和性能测评，用于评价其在智能驾驶性能上的表现，同时针对发现的高频问题进行跟踪与回归。

4.1 智能驾驶MPI数据统计分析

对某车型分别在市区道路与高速公路环境下进行全年的实车测试，根据回传的用户使用智能驾驶的总里程数，结合用户总接管次数，分析对比得出某车型在城区工况与高速路、快速路工况下当月平均MPI指数与月均累积平均数，如图2、图3所示。

从收集到的某车型MPI数据分析得出，该车型在市区工况下全年智能驾驶平均接管里程为6.05km，表明在复杂的市区工况下该智能驾驶系统的应对能力较强，系统不需要驾驶员进行过多的接管操作。各月份之间的MPI数值虽有波动，但基本保持在5.75km以上的水平。

相较于车多路堵得市区环境，在高速工况下，系统平均接管里程达到262km，反映出该系统极强的高速智能驾驶性能，全年平均水平稳定在240km左右。

4.2 触发场景数据统计

为形成数据规模、使数据能够反映真实的用车状况，实验对280辆某具备智能驾驶功能的车型进行为期一年的实车测试。在测试期内，共有255辆试验车向后台进行MPI数据回传，回传率达95%，说明系统在车辆端的运行良好，能够有效收集数据。需要注意的是，夜间或是雨雾天气所造成的能见度因素给摄像头带来的影响一定程度上会增加触发场景的数量，因此在开发智能驾驶系统时，有必要针对这些特殊场景进行专门的优化，见表3。

根据上文表1、表2的触发标签设计及用户场景分类，在系统收集用户的MPI大数据过程中，统计各类触发场景，并根据高频问题和触发场景进行回归验证，有助于持续提升迭代智能驾驶系统的性能。

4.3 用户接管场景优化

用户在使用智能驾驶系统的过程中，系统在应对复杂路口、大曲率弯道、光线不足的夜间、VRU等弱势场景时，往往会收到软件本身的性能限制，造成路口非预期转向、弯道偏出、夜间性能退化、行人漏检等情况，从而导致驾驶员接管退出。因此针对这几类高频的问题场景，通过上述采集系统采集5000段数据场景问题数据。将高频场景问题采集数据样本进行学习迭代，通过数据仿真回灌验证后提升智能驾驶系统整体性能，增强同类触发场景的反应能力，保持智能驾驶系统的可靠性。

对某车型智能驾驶系统路口应对、车道保持、夜晚、纵向应对5大功能进行针对性优化后，在测试条件保持不变的情况下重新进行实车验证，所获得的某车型市区工况和高速工况智能驾驶MPI数据提升情况详见图4、图5。

可以看到，通过对智能驾驶实车测试MPI数据进行系统性的分析，精准锁定数据回传触发场景，再针对性地提升智能驾驶系统在该场景下的功能与性能，其效果是十分明显的，特别是环境较为复杂的市区工况，平均接管里程提升达约80.8%，而高速工况也能有近44.8%的增加。以上实验结果充分说明了基于大数据统计的智能驾驶MPI测试方法不仅切实可行，而且对于实车测试来说有极强的指标性与针对性，能够从大数据中挖掘潜在的目标场景，使智能驾驶系统的开发与迭代方向更清晰、功能更具体。

5 结语

本文基于用户大数据统计智能驾驶平均接管里程数据，通过设计触发标签收集影响用户MPI指数的高频接管原因，并通过回归模型不断迭代问题数据，进而提升智能驾驶的整车性能。结果表明，基于大数据统计智能驾驶MPI的测试方法可以有效的收集、分析、改进系统的驾驶问题，帮助智能驾驶系统的開发不断改进性能，提高系统驾驶的连续性。同时，在数据统计的过程中，通过触发标签，可以收集各类智能驾驶问题场景，从而建立有效的数据场景库，提高智能驾驶实车测试效率和覆盖度。

参考文献：

[1]张翔，李智.智能网联汽车技术的发展现状及趋势[J].汽车与配件，2018（8）：2.

[2]冯洋，夏志龙，郭安，等.自动驾驶软件测试技术研究综述[J]. 中国图象图形学报，2021.

[3]李骁驰，赵祥模，徐志刚，等.面向智能网联交通系统的模块化柔性试验场[J].中国公路学报，2019，32（6）：10.

[4]辛业华.先进汽车辅助驾驶系统（ADAS）发展现状及前景［J］.内燃机与配件，2019（19）：192-194.

[5]杨英，赵广耀，武华栋.汽车智能驾驶系统中运动图像的实时检测与跟踪[J].东北大学学报：自然科学版，2005，26（10）：4.