兩年前大家對于智能汽車都非常樂觀，也都認為可能不久的將來我們就可以實現無人駕駛了，但是隨著去年各種各樣的狀況發生，可能大家的預期有一些改變。

不管是特斯拉、谷歌還是Uber等都出現了很多的事故，而且Uber還在2018年的3月份出現了第一莊自動駕駛汽車致死事故，所以造成了我們現在對于自動駕駛汽車的發展存在一些疑問。

為什么會出現這些問題？傳統汽車其實它的安全性要求非常高，如果是車輛安全的這種功能，傳統汽車一般來說需要滿足ISO26262的功能安全標準。達到ISOD的要求，ISOD什么概念呢？我們希望它的隨機故障失效出現的概率是十的負八次方，也就是說大概你要開一億個小時，能出現一起隨機失效的概率，但是我們可以看到我們的車自動駕駛車輛并不多，現在目前在外面進行路測的自動駕駛車輛有沒有一千輛，現在已經出了那么多事故了，所以它的安全完全沒有達到我們汽車安全的要求。

問題是什么？怎么樣證明這些自動駕駛汽車足夠的安全可以上路呢？一個答案：測試和評價。

我們怎么測試和評價智能汽車，這是面臨的一個瓶頸問題。智能汽車在路上行駛的時候有各種各樣的惡劣路況、復雜交通。我們的光照，各種各樣的危險，交通違法，我們怎么證明自動駕駛汽車能夠足以應付這些各種各樣復雜問題？

自動駕駛汽車或者一般汽車的評價，它的主要兩個需求是什么？其實一個是面向研發的，一個是面向認證的。

面向研發這種認證特征是什么？場景廣泛、白箱測試。白箱測試意味著我們對被測對象內部結構不到的，但是在這個過程當中，對于研發的代碼，智能駕駛技術是清楚的。它的測試要求是追求測試效率，及面向不同開發階段的測試需求。

面向認證的測試和評價主要特征是什么呢？

會用一些典型的測試場景，比如說以前在汽車的標準里面會定義一些特定的工況，這些典型的工況是面向認證和標準測試的。還有就是灰箱或者黑箱的試，我們并不知道被測對象里面的原理、機理是什么樣的，就對它進行測試。它的要求是追求測試的精確性，同時是面向整車測試階段的測試需求，不會面向車里面某一個零部件。

在測試領域已經有一些測試方法或標準，比如在ADAS功能領域已經形成了非常完善的系列化的標準和測試方法。根據下圖可以看到ACC、AEB、FCW、LDW、LKA、BSD都有相應的測試法規或測試標準，而且很多測試法規測試標準在很早以前就已經出現了，甚至將近10年前出現的法規和標準了。但是這種測試對于我們這個系統測試的性能，相對來說場景是比較單一的。整個系統的性能表征也是具備單調性的表征。

什么是單調性能？我們說傳統汽車測試說碰撞安全、耐久ADAS等測試，比如說ADAS測試，緊急制動測試，它的制動距離跟初始車速存在一個關系，而且這個關系是單調的可以描述的，車速越高意味著制動距離越長。對于碰撞安全測試也是一樣，車速越高動能越大，意味著碰撞所需要吸收的能量就越大。耐久測試、疲勞強度測試等，我們知道材料，比如說一個梁越粗意味著它的強度越大。。。這都可以預測的，可以通過現有的測試，我們可以知道將來會怎么樣，把它加粗之后怎么樣。

對于智能汽車測試，其實不僅僅是車了，還有一個里面駕駛的控制器，也就是我們說的駕駛腦，如果放在原來傳統的汽車測試里面，相當于我們把司機放進去一塊測試了，所以它是人車耦合的。同時，再進一步是人車跟環境耦合的，所以它是一個復雜的系統，它的表現是不穩定的，同時不具備單調性。

你不能說在某一條路上測了1000個小時不出事，1萬個小時也不會出事，或者推而廣之，這條路上測完了以后不出事，另外一條路上測試也不會出事，這不可能。既然它不單調，不可以預測，不可以外推，大家很顯然就知道，你要對他進行測試需要干嘛？你不能外推，你不單調，你沒有辦法預測，你必須得便利。

交通的場景是難以窮盡的，你必須想辦法便利所有的場景，這個才是真正自動駕駛測試存在的難點。它的瓶頸就在這里，我們沒有辦法便利所有的場景，那我們怎么辦？

第一部分自動駕駛汽車測試技術

首先，自動駕駛汽車測試場景可以劃分為：已知、未知、安全、危險。如圖區域1和2是一個已知場景，包括我們說已知的安全場景比如說良好的光照條件、良好的路面，那么還有一些已知的危險場景。如圖所示復雜光照一圖，就是我們區域1和區域2是已知的危險場景。

除了已知，更大的其實是無邊無際的場景。未知場景我們稍微區分一下，有未知的安全場景，比如這個淺灰色的區域4，也有未知的危險場景區域3。在場景被認識之前，其實我們缺乏相關的知識面，并不知道有這些場景。可能有些場景是對于人類駕駛員認為是安全的，但是對于自動駕駛汽車可能是危險的。

一個已知的場景，我們剛剛說區域1和2這個場景，它的來源是什么？我們有各種各樣車輛行駛場景，比如智能駕駛數據FOD的、危險場景數據，以及每年發生的交通事故。交通事在交警都有一些記錄，這些事故數據尤其深度事故數據可以作為場景的來源之一。這是基于數據的來源。

同時我們可以去基于智能汽車的工作原理和技術路線做一些理論上的分析。傳統汽車多是人類駕駛操控，可以去表征或者說去后去他們的數據，但是作為智能汽車則不同，由于它相應的數據比較少，里程數也沒有那么多，所以需要根據理論的角度去分析，比如說感知傳感器有什么局限性嗎？攝像頭在對面強光照射下是不是會出現一些短暫的失明？毫米波雷達對道路中間的金屬物的敏感嗎？這些問題是可以在系統架構層面上分析的。還有就是功能缺失，這樣也可以獲得已知場景的來源。

測試和驗證的核心目標是什么呢？是通過我們的分析和測試驗證，把自動駕駛汽車安全的已知安全區域盡量擴大。擴大安全區域，減少危險區域，這就是自動駕駛測試目標。我們依據已知場景數據，借助多種測試環境驗證功能，通過多種測試手段，包括算法優化、功能安全、預計功能安全分析等去降低這些風險場景數量或控制風險，這個是測試和驗證的核心目標。

不管通過數據還是通過理論分析去找場景，但是場景無窮盡這個問題還是無法解決。公共道路上測試肯定不行，測試的周期和成本都沒有辦法接受，按照美國高速公路管理局的統計數據，駕駛者平均需要行駛85萬公里才會經歷一次警方報告事故，接近1.5億公里才會經歷一次致命事故。

這樣成本和時間都沒有辦法接受，怎么辦呢？這就需要多種測試工具的協同。除了道路上的駕駛實驗，可以用一些有限場景道路去測試智能器材。同時在有限的場景當中更多的尋找對智能駕駛系統形成挑戰的其他場景，通過相關的技術，如場景提取技術，結合虛擬測試、硬件在環測試、加速測試等這些測試手段，來進一步豐富和完善我們的測試場景。

我們的測試手段連起來是什么呢？是以虛擬測試作為出發點，將真實的硬件系統和虛擬的環境結合起來形成一個測試工具鏈，這是一個典型的智能汽車測試工具鏈，從一開始的仿真測試，到駕駛模擬的測試，再到接下來的硬件在環測試，再到VHIL測試，就是車輛在環測試。車輛在環測試之后到封閉場地測試，封閉場地測試之后再到公共道路測試，所以自動駕駛汽車將來會遵循這樣一套開放鏈去完成系統的開發。

整個測試場景是一個逐步收斂的過程，一開始仿真測試可能是一個無限場景的測試，進一步縮減到駕駛模擬測試場景，再到VeHIL測試，其中極少量的場景在封閉場地里面測試，再到公共道路測試。同時，我們需要有測試場景庫的支撐，需要有整個測試反饋的數據和理論分析支撐，這就是我們整個的測試工具鏈。

在國內外都有很多測試的實驗場，可以看到像美國的MCT等都是常見的，英國的測試實驗場在原來美達公司上面重新加裝了一些V2X的單元去做的，還有挪威、新加坡、越南、日本、韓國等等，中國現在有20個在建或者準備建的測試實驗場。

我們同濟大學智能汽車測試試驗場在嘉定校區測試實驗場，也就是在咱們安亭，有108畝，分成東西南三個區，有點類似于MCT。該試驗場提供ADAS測試的，提供模擬的城市道路、鄉村和越野公路測試的。基本上這三個區可以涵蓋掉整個自動化L1-L5的測試功能，實現不同道路復雜度的覆蓋，應該是國內第一個全新面向自動駕駛汽車研發設計和認證測試試驗場。

通過前面這些工具鏈去實現場景盡可能的覆蓋，但是還存在測試不完備的問題，還是會存在未知場景，那么這些未知場景怎么辦？我們需要干什么？它沒有辦法完成所有驗證，這就需要有條件的引入自動駕駛。

需要干嘛呢？對于整車廠來說，一個是車輛的功能安全，第二個就是預期功能安全開發（SOTIF）的問題，將來SOTIF會變成在智能汽車研發里面非常關鍵而且非常重要需要解決的一個技術問題。制定一個合理的風險控制策略，需要有完善的車輛風險管理和遠程監控措施，對于車輛的不安全行為進行識別和處理，這樣的話可以有條件的讓自動駕駛汽車上路。

再進一步，肯定還是不能做到完備，做到萬無一失，有一句話可以表達我們將來的辦法“凱撒的歸凱撒，上帝的歸上帝”，我們不可能解決所有的問題，沒有辦法解決的問題怎么辦？除了前面講述的上路許可測評，還需要有多種險種結合的保險體系，這個也是自動駕駛汽車能夠實現完全上路駕駛的一個保障。

第二部分 自動化駕駛汽車的多維度評價

前面講的都是測試問題，接下來談一下評價的事情。

自動駕駛的評價也是一個很麻煩的問題，測完了之后怎么判斷它是不是可以？是不是性能足夠好？當然測試和評價他們是結合的。自動駕駛汽車的評價跟傳統汽車的評價不一樣，不一樣體現在哪里呢？

傳統汽車就測試它的性能，但是自動駕駛汽車它還會有其它維度，因為它類似于一個人，是一個智能體。在自動駕駛汽車里面，我們把它叫駕駛的自治性，即車輛本身在一定的外界條件或環境下的行駛能力。

智能汽車在時間維度上還會體現出另外一個維度，叫學習進化性。也就是說將來的智能汽車駕駛能力跟人類駕駛員一樣，你一開始是一個新手，回頭會什么？會不斷的學習，不斷的迭代，當然如何學習和迭代是另外的問題，所以時間維度上會存儲一個所謂的學習進化性。

另外智能汽車跟傳統汽車不一樣，它的評價不一樣又體現在另外的方面，它在空間上還體現出另外一種能力：交通協調性，也就是我們人類講的社會性。也就是我們的智能汽車，它開在路上還需要跟其它車子交互，需要考慮到其它車輛是什么意圖，什么想法，我怎么樣不會讓其它車輛感受到我這個車子可能是一個不合適的駕駛動作，所以我們存在交通協調性的問題。

可以建立這樣的框架，我們可以以三個維度去評價它，但是每個維度里面我們又可以通過一些指標來評估。比如說我們的駕駛自治性，我們可以通過基礎性能行駛質量及當車安全等角度評價它，我們學習進化性，可以通過從復述的重現能力、泛化遷移能力去研究它，交通協調性我們可以以內部成員、外部交通參與者或全局視角去分析評價它。

看一下學習進化性，我們人類駕駛員也是這樣的，剛拿到駕照的時候，我們是一個新手，滿足了那些測試條件，說明車可以上路了，但是上路之后，它還會存在不斷地學習。當然現在學習是有兩種，自身學習在目前的智能汽車里面可能還沒有哪個公司敢于做自身的學習和迭代，也就是說自測在行駛過程中不斷去學習和迭代它的算法。

因為涉及到深度學習算法本身是一個類似于黑箱或者說灰箱，我們對有一些算法產生的機理并不是特別的清楚，所以不會特別放心的讓他去自身學習，但是由于我們現在有OTA的技術，OTA的技術可以實現我們遠程的升級，這個也是我們實現升級的辦法。

如果它具有學習功能，我們怎么樣測試學習水平？是能夠不斷提升，它的變化曲線有什么樣的規律？同時我們怎么樣去提高整個的感知、認知、定位、決策這些功能？比如說像這個路上別人放了一個易拉罐在這里，車子視覺第一遍看到的時候這么大的易拉罐在路上，但是開多了就知道，這是路上的涂鴉。第一次變道的時候，碰到前面的車子會急剎車，開多了會知道可以變道，這都是學習的表征。

第二個交通協定性，交通協定性在前年剛剛把這個問題提出來的時候，可能還沒有太多重視這個問題。但是我們可以看到2018年的下半年，突然交通協調性就變成一個非常熱門的問題，為什么呢？我們發現Google的Waymo出現問題了，Waymo我們都知道是世界范圍內做智能駕駛汽車最好的公司。它現在碰到什么問題呢？交通協調性的問題，它怎么去判斷人類駕駛員是什么意圖。

這是典型的Waymo在測試過程當中的例子：它要左拐，但是它判斷不清楚對面這位兄弟想干嘛。可以看到，這已經是綠燈了，已經開出左拐線了，猛的來一個急剎車，后面跟著的駕駛員就很不爽了。我們都知道本身是綠燈大家應該加速通過，結果開了一半來了一個急剎車，它會對其他的駕駛員造成不好的影響。它也沒有辦法很清楚的判斷對面這輛車的意圖，實際上急停了過后，在等對面這輛車拐過去之后，它再開始拐，這是一個問題，這還是有紅綠燈路口的。

相對來說，我們人類駕駛員知道，有交通規則的路口是比較簡單處理的，更麻煩的是什么？很多沒有紅綠燈的路口這個時候我們駕駛行為其實是根據一些微妙的動作去判斷的，比如說最簡單的例子，大家都有這個經驗，一堆車子在排隊，這邊有一個車子在插隊。如果我們駕駛習慣比較好的話可能會搖下車窗給別人打一個招呼讓我過一下，有的駕駛員可能不會去打這個招呼，他會干嘛呢？他會判斷這邊這個車子會不會讓我們插隊，我們也都有這個經驗。可能有的人駕駛風格比較溫和的，我讓一讓，讓你先進一下，可能知道你有急事，有些人是什么呢？我就是不讓你插隊，有這樣的情況，這就是交通協調性的，我們人類駕駛員會根據其他的交通參與者的行為方式來判斷、選擇自己該用什么樣的行為方式。

我們可以看到它的關鍵問題在哪兒？自動駕駛的滲透率，也就是我們的智能汽車并不是一上來就是全世界所有的汽車全是智能駕駛，如果全世界的汽車一下子全部變成自動駕駛汽車了，那個問題反而好辦了，大家反而遵守交通規則，都可以按照規則來行駛，就沒有問題了，但是我們的滲透率是逐步提升的，一開始1%、2%、10%、20%、50%，是逐步提升的就一定會涉及到跟人類駕駛員的交互，有駕駛博弈的問題。

我們可以看到像剛才說的無信號燈控制的，路口的左轉，還有一些駕駛博弈問題，就是插隊的問題，連續匯入的問題等等，這些都是我們在交通協調性測試和評價方面碰到的問題。

那我們怎么辦？我們的辦法是什么？我們怎么去評價它？我們可以考慮的辦法是采用圖靈測試的思想，我們可以根據幾種視角去判斷，這是不是一個智能駕駛汽車？或者說這個自動駕駛它的智能度是不是足夠？我們有幾種視角去評價它？我們可以基于我們的車源視角，我們坐在車子里面，我們去感受，另外我們可以根據其他交通參與者的視角去感受它。

總得來看我們測試和評價的體系，首先會對測試條件進行評價，包括環境的復雜度、基礎環境的復雜度，有動態交通要素、靜態交通要素，還有附加的環境復雜度，氣候、信息等等。我們可以實現對環境復雜度的定量評估，完了之后我們可以進行評價，用行駛自治性、學習進化性、交通協調性三個視角去評價它，這個就是我們整個智能汽車測試和評價的體系框架，一種可能的框架。

我今天的報告到此結束，非常感謝大家。接下來我們應該還有一段時間可以交流一下。

提問：（無話筒）您是怎么看待信息安全這塊的？

熊璐：信息安全是自動駕駛汽車里面非常重要的點，我們正在做的一個國家科技部的重點研發計劃項目，就是做測試評價系統這塊的，這有一塊跟360合作做信息安全。

信息安全主要會從兩個角度做，一個是剛才說到的預期功能安全，還有一個信息安全，這兩個東西都是跟原來傳統汽車不一樣的。原來傳統汽車其實不太會講到預期功能安全，原來傳統汽車也不太會講到信息安全，比較少，所以信息安全一定是我們做測試和評價里面一個非常重要的點。

信息安全這塊其實展開來講有非常多，因為自動駕駛汽車它里面有很多信息資產，就是你肯定要先做信息資產的分析，然后再去找到風險來源，再去做這個防護問題，就是說你有這些風險來源之后你要做防護，基本上會是這樣的做法。

提問：無人駕駛試驗場的建設目前有標準嗎？

熊璐：這個問題提的非常好，無人駕駛汽車試驗場的建設剛剛出臺了一個標準，應該是交通部出來的，但它只是一個很粗的標準，只是對一些道路的規范做了一些界定，并一個說是怎么去建設我們無人駕駛的試驗場，也沒有告訴我們無人駕駛測試試驗場，應該具備哪些測試場景和測試工況，所以從現在的角度來看，測試試驗場并沒有一個現場的標準。

我們自己的試驗場設計的時候，其實我們是根據幾個方面：

第一，很重要的是企業的測試需求，我們從企業的測試需求去尋找，你需要去建設的測試場景；

第二，測試法規。我們根據剛才說到的，在ADAS層面上其實有很多的測試法規要求，在現在的話像歐盟的WTONE等等這些研究，也都提出一些新的測試場景。通過測試場景的法規，我們可以定義需要哪些場景。

第三，你自己分析一下，你有什么樣的研究需要去定義測試場景，會根據這些東西去測定和建設我們的測試試驗場。

提問：我們國家是幅員非常遼闊的，從北邊到黑河，南面到海南島，那么這個氣候的變化是非常劇烈的，我們無人駕駛在一個點一個點的試驗，我覺得這個車如果從黑河開到廣州，這個氣候的變化是劇烈的，我們做試驗場一個點一個點的試驗，它和真實的無人駕駛在路上的試驗有巨大的不同。那么我們在做這個測試的時候是不是考慮到這點？

熊璐：我覺得您這個問題，首先第一個其實我們自動駕駛的測試試驗場，目前在全國各地都在建，不管是南邊還是北邊，東邊還是西邊都有，北方在長春也在建設自動駕駛測試試驗場，在南邊廣州也在準備建設測試試驗場，西邊像長安大學，東邊鹽城試驗場都有，各個點都有測試試驗場。

您提到的可能是另外一個問題，您說是直接有一輛車從黑河開到廣州。。。

提問：對，數據的共享非常重要。

熊璐：我覺得黑河開到廣州，我個人覺得不是一個大的問題，你在黑河也測過了，在廣州也測過了，我相信它從黑河開到廣州不會有問題。因為不是說上一秒在黑河，下一秒在廣州了，它要開好長時間，所以我覺得這個問題不太大。

提問：熊老師好，我想問一個問題，你前面提到自動駕駛測試，一個是面向認證，還有一個面向實驗開發的，那有沒有面向量產或者上路以后自動駕駛的評測，這方面怎么考慮或者有什么辦法？

熊璐：我剛剛談到面向認證就是面向量產和上路評測的，這就是面向認證的。如果是主機廠測的話就是剛才說的面向開發的。

提問：下線呢？如果是量產階段這個車是自動駕駛的車，下線是怎么檢測？

熊璐：你說是下線檢測嗎？

提問：對。

熊璐：下線檢測跟我們談到的測試和評價倒還有一點不一樣。大家知道汽車的生產線其實下線檢測是滿足一個基本的功能，我們傳統的汽車下線檢測開一開看看發動機能起來，汽車能行駛、能剎車基本上都OK了，對于自動駕駛汽車的下線檢測，這個問題倒不太大。其實還是更多的是在于研發階段大量更復雜場景下的表征，簡單的下線檢測其實不難，關鍵是在復雜場景下。

提問：你提到的性能可能很容易檢測，但是一些自動駕駛也要涉及到一些場景，但是你在車廠生產線上沒辦法有測試環境去搭建的。

熊璐：所以一般在開發階段，我個人認為會在開發階段去測試的，就像ADAS一樣，ADAS測試不會像下線檢測的時候去測一個ADAS。如果每輛車在線下檢測都要測ADAS，這個成本是不可能。

提問：ADAS也有類似這樣的測試。

熊璐：在線檢還是下線檢測？

提問：就是生產線上，有專門的ADAS設備檢測。

熊璐：生產線上做ADAS設備檢測這個我真還不清楚，我參觀過戴姆勒、BMW的，參觀過奧迪的生產線，前面都沒有這個。可能將來ADAS功能更多了，有可能會有您說的這個東西。

提問：可能還沒有普及，但是我聽說有這樣的設備可以在線檢測ADAS這些功能。

熊璐：挺好呀，如果將來在線也能檢測ADAS不挺好嗎？

提問：對，但這些只是一部分性能檢測，但是自動駕駛有很多環境相關性。

熊璐：對，您提的是一個問題，但是它的核心在于下線檢測的時候，對于每輛車像整車廠一輛車的生產節奏是很短的，而且對于每輛車的生產成本有一個嚴格的要求，不太可能對于每一輛車都去放到一個復雜的場景去測試它。

很多的時候像電控系統我們可以干嘛？我們可以做軟件測試，在軟件灌進去之后，對控制器的測試，我估計您談到的ADAS的測試有點類似于。

因為我們做ADAS生產場景，每個ADAS控制器出來都會有一個在線檢測，會用虛擬的測試環境，虛擬的測試信號對它進行一個輸入去考察輸出，這個是可以的。但是你讓一個車輛下來之后，去做一個ADAS的場景測試，我個人感覺可能成本太高了，這個是我個人的觀點。

提問：熊老師好，有一個問題咱們自動駕駛汽車在面臨一些危險的境況下，它不得不面臨安全損失的時候，怎么樣做選擇？比如說是怎么樣保護車內的人，是駕駛座、副駕駛座、后座還是車外的安全，它怎么樣做選擇？

熊璐：這個問題提的非常好，這個問題跟現在的IT企業面臨的問題是一樣的，比如說Google現在掌握了這么大的權力，你怎么樣判斷哪些言論是極右的，那些言論是極左的。其實，最后判斷標準都是在誰身上？在設計人員，就是開發人員。誰開發這個智能駕駛系統的，他具備什么樣的道德觀和價值觀，他就會設計一個什么樣的策略。

提問：就是在策略階段定義下來了？

熊璐：對呀。

提問：在后面車輛開發的時候，測試這塊怎么來做？

熊璐：您談的是認證的測試還是開發的測試？

提問：這個在開發階段，我定義好了這些策略。

熊璐：它肯定會測，但是問題在于是用真實場景去測，在封閉的道路環境下去測，還是在VHIL上測，還是在仿真上面測，我覺得很大的可能是在仿真階段去測。

提問：去年10月份，標準這個部門他們是向ICO提交了中國的，也是全球第一個自動駕駛車測試場景，大概40幾個測試場景，另外還有中機中心仿真所也在做，包括我們上海也做了200多個場景。我就想問一下最終測試場景，是以哪一個為主？目前的開發情況怎么樣？最終會不會對所有的業內企業公開？何時公開？謝謝。

熊璐：我覺得是一個很重要的問題，測試場景的問題，我們也知道很多企業在做，都想掌握主動權，但是最后落在誰家或者誰的場景作為主導，誰的場景作為標準，你問我我也不知道。你問工信部部長可能比較清楚，工信部最后決定，我們說最后用誰的。但是我覺得應該有一點是清楚的，還是會看誰做得好，因為場景庫這個東西，目前來說也沒有標準的說法，說怎么樣的場景庫是好的或者你做場景庫就是比別人做的場景庫更好，可能還是要看大家后面的工作做得怎么樣，這個可能最重要，現在也沒有辦法判斷，大家都在干這個活，誰做得好，看后來誰能真正做出來，當然還有別的影響因素。

提問：老師您好，握有一個問題，在您剛才講的測試場景當中，有沒有考慮過高速上的自動駕駛，以及跟一般路上自動駕駛的技術點的區別，以及測試方法？一般道路的自動駕駛跟高速上自動駕駛技術難點在哪里？

熊璐：其實剛才我們談的是一個通用的駕駛測試的框架體系，我們說一般路和高速公路都在這里面，從您剛才談到高速公路和一般道路的區別，其實對于中國的道路交通狀況來說，高速公路并不是我們中國道路狀況里面所需要去首先突破或最重要關注的點。

因為像在美國我們說高速公路的自動駕駛對他們來說很重要，或者說他們很多的事故，事故比例有較大的部分在高速公路上，但是對于中國來說，可以看到最大的交通傷亡事故實際上出現在十字路口，交叉路口，我們可以看到非常多的汽車、機動車和非機動車的事故，都是出現在這個領域。所以它肯定會有不同，在我們的測試方法上面和測試評價具體方法上面，都會做一些具體的界定。

總的框架我認為我們是這樣的框架，但是我們說你涉及到特定的路礦跟功能，另外一個角度我估計您可能談到的是特定的功能，比如說我們說高速公路自動跟車或自動的變道，這個都沒有關系，我覺得是比較容易界定的。

其實嚴格意義上來講，高速公路的自動駕駛測試會比我們現實城市道路自動駕駛測試和評價會更容易，因為它是一個結構化的道路，相對其他交通參與者比較少，種類比較少，所以它相對來說比較容易測試，但是我們現實的城市工況，它的情況會復雜很多。

首先可能是非結構化路，可能是集合非機混合的道路，它在道路的行駛過程當中，有各種各樣的交通參與者，我們剛才說到的，你有機動車、非機動車，非機動車還會有助動車、自行車，還會有行人，有各種各樣的行人，還會有寵物，現在寵物也很多，狗什么的都有。所以在城市道路工況下，會比高速公路測試復雜很多。

其實，我的個人感覺，城市道路測試會涵蓋掉高速公路的測試，在真正測試理論和方法上會涵蓋掉它。當然，你可以單獨去界定一些測試的規范，這個是另外一回事。但是真正復雜的其實是城市工況道路測試。