交通場景測試的案例
交通場景戰火升級，微信支付加速布局智慧交通
毋庸置疑，交通出行領域擁有巨大的市場潛力，騰訊正在積極布局這一領域。6月15日，騰訊與上海申通地鐵集團正式簽署戰略合作協議，將在移動支付、大數據、人工智能、社交服務等領域展開深入的數字化合作，共同打造從出行到周邊一公里全覆蓋的AI智慧出行生活圈。此前，微信支付已經率先登陸上海地鐵，支持乘客刷碼乘車。
據了解，目前乘車碼已經覆蓋全國46座城市，微信無感支付功能則普及至停車場、高速收費站、加油站等多個場景。再加上此前微信支付接入12306鐵路購票平臺，種種跡象表明，移動支付已經開始滲入衣食住行的“行”領域。
以交通連接多行業場景
通過發揮強大的連接能力和產品能力，微信支付正在試圖打造一個圍繞地鐵、公交、加油站、停車場等場景的“智慧交通”全景圖。但微信支付的腳步似乎不止于此。
“未來，我們將以交通為連接線，實現不同行業間的數據共享和應用，連接各行業間的信息孤島”，“餐飲、民生、住宿、零售和娛樂等高頻消費領域將成為首批被連接打通的行業。”在2018數博會上，雷茂鋒向外界透露了微信支付接下來在交通領域的期望。這意味著智慧交通的價值將不止在于節約管理成本、提升出行效率，還能以出行大數據為核心連通多行業場景，為業主提供深度運營的參考。
交通大數據是世界空間的映射，唯有借助豐富的數據，才能在未來交通出行方面有效整合各種資源，實現真正意義上的智慧出行升級。對于微信支付來說，其獲取的不僅是純位移數據，而是與交通出行緊密關聯、具有更強省份識別能力的數據。通過將孤立的人流、車流，轉化為可視化、可分析的信息流，這些數據可幫助相關運營者建立多元化經營的模式，也為挖掘交通相關業務與周邊商業服務的有機結合提供了數據基礎。
探索智慧城市想象空間
城市公共交通是城市基礎設施的重要組成部分，也是最能反映城市智慧化建設進程的核心場景。
展開 曠視AI復雜場景的交通標志檢測
交通標志本身種類眾多，大小不定，并且在交通復雜的十字路口場景下，由于光照、天氣等因素的影響，使其被精確檢測變得更加困難。提高上述場景下交通標志檢測準確度，將有助于降低十字路口交通事故發生的概率。
提供真實場景的道路圖片，部分圖片給出了交通標志的標注結果，所有交通標志共計 5 個類別，分別為紅燈、直行標志、向左轉彎標志、禁止駛入和禁止臨時停車。
數據示例如下：
初賽1/177，復賽1/12
框架
megengine
算法方案
網絡框架
atss + resnext101_32x8d
訓練階段
mosaic增強
隨機選擇四張圖片，對圖片進行隨機平移10%，尺度縮放(0.5,2.0)，shear 0.1，最后將四張圖片進行組合。
mixup增強
隨機選取兩張圖進行疊加，我們最終選用的比例是0.5 * 原圖+0.5 * 新圖片，同時其進行縮放(0.5,2.0)。
下圖為mosaic+mixup示例圖：
圖片尺寸
最終提交版本輸入圖片尺寸為(1500,2100)
多尺度訓練（最終提交版本未采用）
起初我們將短邊設為(1024, 1056, 1088, 1120, 1152, 1184, 1216, 1248, 1280, 1312, 1344, 1376, 1408)，隨機選取短邊后，長邊按比例縮放，并使長邊長度小于1800，從而進行多尺度訓練，取得了很好的效果。不過后期的mosaic和mixup在增強時對圖片進行了縮放，實則隱含了多尺度訓練，且效果優于上述方法，所以我們最終去掉了多尺度訓練。
展開 產品測試階段數字孿生的典型應用場景漫談
在設計驗證測試階段的側重點在于產品設計完成后的性能測試、壽命測試、缺陷測試等，測試的目的大多在于驗證產品設計是否符合預期以及為產品優化提供數據基礎。在本階段的數字孿生體的測試行為已經不再局限于自身的調整，往往需要配合場景庫一起運行，為產品的不同工況提供測試條件。
3.2 以測試為基礎的數字孿生體應用典型場景
我們雖然將產品測試分為了兩個階段，是因為針對不同的測試階段，其數字孿生體應用場景并不相同：
3.2.1 工程驗證測試階段的數字孿生體應用典型場景
對于工程驗證測試階段說，其外環境往往是不變的，變量在于數字孿生體本身或內環境。在上一節中，我們提到了汽車行業中如何去孕育數字孿生體，并為數字孿生體的功能進行了完善。
這里我們繼續以汽車制造行業舉例。在車輛設計的工程驗證測試階段，需要對整機的輔助電源、驅動電壓、功率應力、磁性元件、反饋環、外圍電路、環境壓力等多項指標進行測試。因為人的參與和樣機性化差異，單次測試并不能保證測試準確，再加上測試線路復雜，可能存在部分機構無法測試的情況。所以為了保證測試質量就要提升測試迭代次數，延長測試時間。
使用數字孿生技術介入工程驗證測試的場景下，首先數字孿生體可以取代實體測試，數字孿生體與物理實體傳承了同樣的數據基因，他們的功能與參數完全一致。其次平臺為數字孿生體提供了完備的標準測試場景庫，場景庫中可以設置環境參數，如溫度、濕度等。樣機進行測試的核心技術是內置于場景庫的仿真插件，仿真插件由不同領域內的專業仿真公司提供，包括流體、熱、電磁、結構等多種領域，用戶使用不同的插件可快速實現針對同一孿生體，在特定環境下進行不同領域的仿真或耦合仿真。
展開 如何高效構建與測試非結構化道路場景？
1 引言
隨著智能駕駛仿真測試等技術的快速發展，行業評估體系已從單一的“測試里程數”向更全面的“場景覆蓋度”及“邊緣場景”檢驗演進。在此趨勢下，實車測試向仿真環境遷移已成為提升驗證效率與安全的必然選擇。統計數據表明，一套成熟的自動駕駛算法驗證通常遵循“99.9%仿真測試 + 0.09%封閉場地測試 + 0.01%公開道路測試”的黃金比例。
然而，當前市場上主流的仿真工具所構建的場景，大多集中于結構清晰、標線完整的規范化道路環境，如城市高架、筆直高速及標準停車場。這些“結構化道路”雖然是現代路網的重要組成部分，卻遠未涵蓋真實世界路況的多樣性。當智駕系統需要向更高階的L3、L4級別邁進，或當車輛需進入礦區、鄉野、山地等特殊區域時，那些缺乏清晰車道線、路面起伏不平的“非結構化道路”，便成為制約系統實際落地與可靠運行的關鍵瓶頸。
因此，實現高效、真實且可擴展的非結構化道路仿真能力，已成為當前智能駕駛測試驗證領域的核心挑戰與迫切需求。在此背景下，本文旨在系統闡述非結構化道路仿真的必要性、當前面臨的技術難點及其解決方案。
2 非結構化道路測試必要性
在傳統的ODD（運行設計域）定義中，非結構化道路常被歸類為“特定場景”。然而在實際交通環境中，城鄉結合部、復雜山路、臨時施工路段以及各類園區內部道路等場景占有相當比例。
AI生成，僅供參考
對智駕算法而言，結構化道路具備高精地圖先驗信息、清晰的車道線與規范交通標志，測試條件相對明確。而非結構化道路則缺乏此類結構化信息，系統必須完全依靠自身感知與決策能力：
1、車道標識缺失或模糊：車輛需依賴視覺、雷達等多源數據實時判斷可行駛區域，無法直接依賴車道線進行跟蹤。
展開 
面向智能駕駛測試的仿真場景構建技術綜述
它能夠為機器學習提供大量帶標注的數據集，可包含豐富的、具有邊界特征場景內容的數據，這為深度學習的感知、強化學習的規劃算法奠定了堅實的數據基礎。
另一方面，智能駕駛測試需要大量多樣性的測試樣本來反映復雜多變的智能駕駛汽車應用環境。然而從真實道路上和試驗場地得到的路采數據往往場景內容單調、不易泛化。如交通安全事故一些邊緣或極端行駛工況，屬小概率事件。對小概率事件的測試需要巨大的數據樣本，并且事故樣本的獲取具有危險性且難以復制，需要很長的測試周期。構建高逼真度的仿真場景數據集，不僅需要滿足ASIL（Automotive Safety Integrity Level）和 ISO26262 等在內的各種測試標準、規范以及測試需求，重構高速、城區和鄉村等各類豐富的駕駛場景測試用例。同時它需要滿足內容、類型和屬性的多樣性需求，利用道路、交通和天氣光照各要素模型自動生成大規模數據集，體現場景的典型性、極限邊界性特征，實現智能駕駛汽車全天候、全工況的自動化測試、驗證和評價。
因此，面向智能駕駛測試的仿真場景構建技術已成為當前汽車智能化新的研究課題和世界性的研究熱點，作為一種新興技術仍面臨許多挑戰，其方法有待深入研究。本文在國內外仿真場景構建技術研究工作的基礎上，綜述了包括場景自動構建方法、交通仿真建模方法的自動駕駛軟件測試技術，重點分析一些值得深入研究的問題，為進一步研究提供參考。
場景構建方法
場景內涵與架構
場景作為行駛環境與汽車駕駛情景的一種綜合體現，描述了車輛外部行駛環境的道路場地、周邊交通、氣象( 天氣和光照) 和車輛自身的駕駛任務和狀態等信息，是影響和判定智能駕駛功能與性能因素集合的一種抽象與映射，具有高度的不確定、不可重復、不可預測和不可窮盡等特征。
展開 無人駕駛汽車虛擬測試場景構建的關鍵技術分析
復雜的道路條件和交通環境對于無人駕駛的挑戰非常大。無人駕駛汽車在上路前必須經過不同場景的適應性測試，主要包括虛擬仿真測試、封閉場地測試和路測，但當前各個環節都存在一些明顯的短板。文章通過梳理無人駕駛汽車虛擬測試場景模型層開發的原則，提出了一系列在搭建仿真場景時需要注意的關鍵問題，對于提高無人駕駛汽車仿真測試的有效性具有一定的借鑒價值和現實意義。
關鍵詞：無人駕駛;智能網聯;汽車;虛擬仿真測試;
0 引言
無人駕駛技術是當今世界汽車行業和交通運輸行業都非常關注的領域，一些發達國家早在五年前就出臺相關政策法規對此進行支持，中國在《汽車產業中長期發展規劃》中也指出要重點攻關無人駕駛相關技術，在北京和上海等城市建設無人駕駛汽車封閉試驗場并逐步進行小范圍開放道路測試。但無人駕駛車在世界各國的開放道路測試中出現安全隱患和交通事故的事例也層出不窮，2018年美國Uber和福特ArgoAI無人駕駛車接連出現交通事故，并造成人員傷亡，給全世界敲響了警鐘[1]。學界對此態度不一，部分專家認為無人駕駛車當前尚不具備開放道路實驗的技術積累，應當首先完善虛擬場景測試，在確保無虞的情況下逐步進行封閉測試。基于場景的測試技術對于無人駕駛車的實驗至關重要，所以如何構建合理的虛擬測試場景，就成了當前此項技術突破的關鍵問題。
1 無人駕駛汽車運行過程中的風險分析
1.1 無人駕駛汽車風險的定義
無人駕駛汽車道路交通風險的定義為特定范圍的道路交通系統在將來一定時期內，可能出現的無人駕駛汽車造成交通系統內未知的人身傷亡和財產損失的風險。無人駕駛汽車交通風險出現的時間并不具有特定性，具有不可預測性，一旦發生風險，則確定會造成嚴重后果[2]。其他道路交通參與者的行為都會對無人駕駛汽車出現交通事故產生較大的影響。
展開 拉力、壓力、彎曲力學測試設備的適用場景
（一）拉力測試設備：聚焦材料抗拉伸性能檢測
拉力測試設備通過對試樣施加軸向拉力，模擬材料在實際使用中承受拉伸載荷的工況，主要用于檢測材料的抗拉強度、屈服強度、伸長率、彈性模量等關鍵指標，適用場景廣泛覆蓋多個行業：
金屬材料領域：在汽車制造中，用于檢測車身用鋼板、發動機連桿用合金材料的拉伸性能，確保材料在車輛行駛過程中能承受顛簸、碰撞等帶來的拉伸應力；在航空航天行業，對鈦合金、鋁合金等航空材料進行拉力測試，保障飛行器零部件在高空高壓環境下的結構穩定性。
高分子材料領域：塑料、橡膠、纖維等材料的拉伸性能直接決定其制品的使用壽命。如包裝行業中，檢測塑料薄膜的抗拉強度和斷裂伸長率，避免薄膜在運輸、封裝過程中出現撕裂；橡膠行業則通過拉力測試，評估橡膠制品（如輪胎、密封件）的彈性恢復能力和抗老化后的拉伸性能變化。
紡織與建材領域：紡織行業用于檢測紗線、面料的抗拉強度，確保衣物、家紡產品在穿著和使用過程中不易破損；建材領域中，對玻璃纖維、土工布等材料進行拉力測試，驗證其在建筑加固、道路鋪設等場景下的承載能力。
（二）壓力測試設備：針對材料抗壓縮性能評估
壓力測試設備通過對試樣施加軸向壓力，模擬材料在受壓工況下的力學行為，主要檢測材料的抗壓強度、抗壓彈性模量、壓縮變形率等指標，核心適用場景包括：
建筑與建材行業：對混凝土試塊、磚塊、石材等進行壓力測試，判斷其是否滿足建筑結構的抗壓要求，避免因材料抗壓性能不足導致墻體開裂、地基沉降等問題；同時，也用于檢測保溫材料、泡沫材料的壓縮回彈性能，確保其在施工和使用過程中保持形態穩定。
展開 智能駕駛測試場景庫的開發和應用
來源 |
自動駕駛測試驗證技術創新論壇
雷達場景仿真測試如何助力自動駕駛研發？
還有些解決方案采用了只包含少數幾個 RTS 的天線墻，這意味著目標可以出現在場景中的任何地方，但不能同時出現。在靜態或準靜態環境下，這種方法可以測試橫向移動的少數幾個目標，但受到機械臂速度的限制。這些方案的視場（FOV）也很有限，無法分辨距離小于 4 米的目標。在測試雷達傳感器時，如果目標數量不夠多，就無法反映出完整的駕駛場景，重現真實環境中的復雜情況。
場景仿真測試的優勢
是德科技此次發布的雷達場景仿真器，結合使用幾百個微型射頻（RF）前端構成一個可擴展的仿真屏幕，最多可以呈現 512 個雷達目標，仿真距離最近為 1.5 米，支持客戶在實驗室中仿真復雜的真實駕駛場景并進行測試。
從是德科技發布的信息來看，這款雷達場景仿真器具有三個方面的優勢。一是，視野寬廣。可以幫助雷達傳感器在更寬廣的連續視場(FOV)（水平方向 +/-70°，垂直方向 +/-15°）內發現更多目標，還支持仿真近距離目標和遠距離目標。能夠生成距離在1.5-300米、速度在0-400 km/h的靜態和動態目標，憑借小于1度的角度分辨率提供多目標、多角度駕駛場景仿真。
二是，能夠測試復雜的真實環境。汽車制造商可以在實驗室內設定各種環境條件變量、交通密度、速度、距離和目標總數，真正仿真現實駕駛場景。無論是常見情況還是極端情況，都可以提前進行測試，最大限度降低風險。
三是，加快算法學習速度。為在實驗室中測試復雜場景提供了一個確定的真實環境，此前只能在道路上進行這樣的場景測試。盡早進行場景測試將會顯著加快駕駛輔助和自動駕駛系統算法的學習速度，同時也擺脫人工測試或機械自動化測試導致的效率低下問題。
“當然最終的道路測試還是需要的，但我們希望能夠在實驗室里把盡可能多的問題提前解決掉，然后在真實的道路上做性能驗證，提升測試效率。”祝曉悅說道。
展開 自動駕駛虛擬仿真技術（三）：仿真測試場景數據格式
作者 | HYZY
出品 | 焉知
知圈 | 進“汽車智能互動社群”請加微信13636581676，備注交互
一、相關標準體系
1、OpenX
目前最受關注的仿真測試場景數據格式標準體系是德國自動化及測量系統標準協會（ASAM）推出的OpenX系列標準體系，該標準體系試圖從靜態仿真場景、動態仿真場景 、環境場景等多個維度對仿真測試場景數據格式進行標準化。
圖 1 OpenX自動駕駛仿真測試標準體系
OpenX系列標準現主要包括OpenDRIVE、OpenSCENARIO、Open
Simulation Interface(OSI)、OpenLABEL和OpenCRG五大部分：
OpenDRIVE和OpenCRG主要定義了靜態場景的數據格式；
OpenSCENARIO針對動態場景的數據格式；
OpenLABEL將對于原始數據和場景給出統一的標定方法；
OSI連接了自動駕駛功能與仿真工具，同時集成了多種傳感器。
2、RoadXML
RoadXML將交通環境劃分為四個層次，以利于實時應用程序的快速數據訪問：
拓撲層：描述元素在路網中的位置和連接關系
邏輯層：描述元素在道路環境中的意義；
物理層：描述元素的屬性（路面或障礙物）；
可視化層：描述元素的幾何形狀和三維特征。
展開 柔性屏彎折試驗機：從實驗室到生產線的全場景測試應用
</p><h1>三、全場景模擬測試：應對復雜應用環境</h1><p>（一）高低溫環境測試</p><p>1、低溫脆性測試：在寒冷地區使用的柔性屏設備，如戶外作業的智能終端、低溫環境下的可穿戴設備等，柔性屏需具備良好的低溫抗彎折性能。高低溫彎折試驗機通過精確控制低溫環境（如 - 40℃），對柔性屏進行彎折測試，模擬其在低溫下的使用場景。例如，OLED 屏幕在低溫下易脆化，通過測試可評估其在低溫彎折過程中的裂紋擴展情況，為改進材料配方、優化封裝工藝提供數據支持，確保柔性屏在低溫環境下的可靠性。</p><p>2、高溫蠕變測試：在高溫環境中，如車載中控屏在夏季長時間暴曬后，柔性材料可能因軟化或蠕變導致失效。高低溫彎折試驗機可設定高溫環境（如 60℃），對柔性屏進行抗壓折、抗蠕變測試。通過監測材料在高溫彎折過程中的變形量、應力變化等參數，評估其高溫性能，優化材料選擇與結構設計，保證車載柔性屏在高溫環境下的正常使用。</p><div contenteditable="false" width="100%">
<img data-ic="undefined" src="https://mp.toutiao.com/mp/agw/article_material/open_image/get?
展開 
柔性屏彎折試驗機：從實驗室到生產線的全場景測試應用
在柔性屏彎折測試技術的實際落地與服務中，北京沃華慧通測控技術有限公司憑借對行業需求的深度洞察，為實驗室研發、生產線質控及全場景模擬提供了定制化的測試設備與解決方案。其研發的柔性屏彎折試驗機不僅具備精準的參數控制能力（如多角度調節、高低溫濕度協同模擬），還可結合客戶需求集成電氣性能監測模塊，實現從 “機械彎折測試” 到 “多維度性能評估” 的一體化檢測。慧通測控-自動化測試設備廠家-柔性屏彎折試驗機-汽車零部件檢測-智能協作機器人
AVL SCENIUS? —— 從設計到泛化的全流程ADAS場景測試平臺
因此大量的測試場景需要管理、準備、記錄，以及在模擬環境、和測試場景上執行。為了處理海量和復雜的ADAS/AD測試場景，工程師需要一個全面和高效的工具鏈，以便于進行場景管理、測試規劃和風險及測試覆蓋率評估。
為了實現這一目標，我們已經創建了AVL SCENIUS?解決方案套件。它是基于場景的ADAS/AD驗證和確認的整體和突破性方法，支持從場景設計到場景管理、測試案例生成、測試分配和結果報告的完整過程。
AVL SCENIUS?
AVL SCENIUS?套件是基于場景的ADAS/AD驗證和確認的整體和突破性解決方案，AVL Scenius 主要由Scenario Designer（場景設計），Scenario Data Manager（場景管理）和Test Case Generator（測試用例生成器）三部分組成，全面支持從場景設計、場景管理、測試案例生成、測試分配和結果報告的完整過程。
AVL SCENIUS? – Scenario Designer
Scenario Designer 是一款先進的圖形化所見即所得的軟件工具，用于輕松創建、導入、編輯和參數化場景。它完全支持標準化的OpenScenario和OpenDrive標準，及其中定義的Actor，Catalog，Manuva，Events，Trigger等功能。此外，它還可以利用其集成的回放引擎、交通模擬元素和自動路由對您創建的場景進行即時驗證。
AVL SCENIUS? – Scenario Data Manager
AVL Scenario Data Manger是一個創新的、基于網絡并集成數據庫的軟件。
展開 跌落試驗機與沖擊試驗機的測試場景有何區別？
配備堅固的測試臺面和安全防護裝置，操作簡便安全。
應用領域：廣泛應用于手機、筆記本電腦、家電、包裝材料等行業的質量控制和研發驗證。
核心價值：助您精準復現跌落場景，有效提升產品耐用性，大幅降低因摔落導致的售后風險。
沃華慧通沖擊試驗機系列
產品特點：采用高剛性臺體設計與先進數字控制系統，可精準產生半正弦波、后峰鋸齒波、梯形波等多種沖擊波形。波形實現精度高，重復性好，完全滿足國軍標（GJB）、MIL-STD等嚴苛標準。
應用領域：是航空航天、國防軍工、汽車電子、軌道交通等領域驗證產品抗沖擊性能的理想選擇。
核心價值：為您模擬極端沖擊環境，確保您的產品在關鍵時刻“扛得住、穩得住”。
結語
在產品研發與質量控制的鏈條中，環境可靠性測試是驗證產品耐用性與穩定性的關鍵一環。其中，跌落、沖擊兩種最常用的力學測試方法，但它們模擬的場景和關注的焦點各有不同。正確理解其區別，是選擇合適測試方案、有效提升產品品質的前提。
展開 開關旋鈕復合操作可靠性測試：從場景模擬到性能驗證
因此，針對多模式旋鈕的復合操作可靠性測試，不僅需要模擬單一動作的極限狀態，更要關注兩種操作疊加時的協同性能與失效風險，為產品的穩定運行提供全面保障。
測試目標
評估多模式旋鈕在以下方面的可靠性：
1、機械結構：按壓與旋轉的協同工作穩定性。
2、電氣性能：信號傳輸的準確性與抗干擾能力。
3、環境適應性：極端溫度、濕度、振動等條件下的表現。
4、耐久性：長期使用后的功能衰減情況。
5、用戶體驗：操作流暢度、誤觸率及人機交互效率。
多模式旋鈕復合操作可靠性測試設備
多模式旋鈕集按壓與旋轉功能于一體，在眾多領域廣泛應用，其復合操作可靠性至關重要。而專業的測試設備，能全面模擬各類場景，為產品質量保駕護航。
在環境適應性測試中，高低溫濕熱試驗箱可模擬 40℃、95% 濕度的潮濕環境及 - 30℃超低溫環境，搭配高速攝像設備，能捕捉旋鈕復合操作時的表現與形變，分析環境對其性能的影響。三軸振動臺則可模擬汽車行駛等場景的振動，測試旋鈕在振動下復合操作的可靠性。
結構耐久性測試方面，復合疲勞測試機能設定旋轉角度、按壓力度等參數，以特定頻率進行數萬次循環操作，結合扭矩傳感器和響應時間測試儀，實時監測性能變化，精準判定失效臨界點。針對不同材質，還有專業設備檢測鍍層磨損、阻尼脂流失及彈性元件微觀裂紋。
全自動扭力試驗機WH-1301-T
交互安全性測試中，力控設備可模擬側向力、突然軸向壓力等非預期操作，測試防誤觸能力。
這些測試設備從多維度全面驗證多模式旋鈕的復合操作可靠性，為企業優化產品設計、提升品質提供有力支持，助力產品在市場中更具競爭力。
全自動荷重試驗機WH-1207-XY
多模式旋鈕的復合操作可靠性，是產品用戶體驗與安全性能的核心保障。
展開 