如何让自动驾驶汽车足够的安全上路

两年前大家对于智能汽车都非常乐观，也都认为可能不久的将来我们就可以实现无人驾驶了，但是随着去年各种各样的状况发生，可能大家的预期有一些改变。

不管是特斯拉、谷歌还是Uber等都出现了很多的事故，而且Uber还在2018年的3月份出现了第一庄自动驾驶汽车致死事故，所以造成了我们现在对于自动驾驶汽车的发展存在一些疑问。

为什么会出现这些问题？传统汽车其实它的安全性要求非常高，如果是车辆安全的这种功能，传统汽车一般来说需要满足ISO26262的功能安全标准。达到ISOD的要求，ISOD什么概念呢？我们希望它的随机故障失效出现的概率是十的负八次方，也就是说大概你要开一亿个小时，能出现一起随机失效的概率，但是我们可以看到我们的车自动驾驶车辆并不多，现在目前在外面进行路测的自动驾驶车辆有没有一千辆，现在已经出了那么多事故了，所以它的安全完全没有达到我们汽车安全的要求。

问题是什么？怎么样证明这些自动驾驶汽车足够的安全可以上路呢？一个答案：测试和评价。

我们怎么测试和评价智能汽车，这是面临的一个瓶颈问题。智能汽车在路上行驶的时候有各种各样的恶劣路况、复杂交通。我们的光照，各种各样的危险，交通违法，我们怎么证明自动驾驶汽车能够足以应付这些各种各样复杂问题？

自动驾驶汽车或者一般汽车的评价，它的主要两个需求是什么？其实一个是面向研发的，一个是面向认证的。

面向研发这种认证特征是什么？场景广泛、白箱测试。白箱测试意味着我们对被测对象内部结构不到的，但是在这个过程当中，对于研发的代码，智能驾驶技术是清楚的。它的测试要求是追求测试效率，及面向不同开发阶段的测试需求。

面向认证的测试和评价主要特征是什么呢？

会用一些典型的测试场景，比如说以前在汽车的标准里面会定义一些特定的工况，这些典型的工况是面向认证和标准测试的。还有就是灰箱或者黑箱的试，我们并不知道被测对象里面的原理、机理是什么样的，就对它进行测试。它的要求是追求测试的精确性，同时是面向整车测试阶段的测试需求，不会面向车里面某一个零部件。

在测试领域已经有一些测试方法或标准，比如在ADAS功能领域已经形成了非常完善的系列化的标准和测试方法。根据下图可以看到ACC、AEB、FCW、LDW、LKA、BSD都有相应的测试法规或测试标准，而且很多测试法规测试标准在很早以前就已经出现了，甚至将近10年前出现的法规和标准了。但是这种测试对于我们这个系统测试的性能，相对来说场景是比较单一的。整个系统的性能表征也是具备单调性的表征。

什么是单调性能？我们说传统汽车测试说碰撞安全、耐久ADAS等测试，比如说ADAS测试，紧急制动测试，它的制动距离跟初始车速存在一个关系，而且这个关系是单调的可以描述的，车速越高意味着制动距离越长。对于碰撞安全测试也是一样，车速越高动能越大，意味着碰撞所需要吸收的能量就越大。耐久测试、疲劳强度测试等，我们知道材料，比如说一个梁越粗意味着它的强度越大。。。这都可以预测的，可以通过现有的测试，我们可以知道将来会怎么样，把它加粗之后怎么样。

对于智能汽车测试，其实不仅仅是车了，还有一个里面驾驶的控制器，也就是我们说的驾驶脑，如果放在原来传统的汽车测试里面，相当于我们把司机放进去一块测试了，所以它是人车耦合的。同时，再进一步是人车跟环境耦合的，所以它是一个复杂的系统，它的表现是不稳定的，同时不具备单调性。

你不能说在某一条路上测了1000个小时不出事，1万个小时也不会出事，或者推而广之，这条路上测完了以后不出事，另外一条路上测试也不会出事，这不可能。既然它不单调，不可以预测，不可以外推，大家很显然就知道，你要对他进行测试需要干嘛？你不能外推，你不单调，你没有办法预测，你必须得便利。

交通的场景是难以穷尽的，你必须想办法便利所有的场景，这个才是真正自动驾驶测试存在的难点。它的瓶颈就在这里，我们没有办法便利所有的场景，那我们怎么办？

第一部分自动驾驶汽车测试技术

首先，自动驾驶汽车测试场景可以划分为：已知、未知、安全、危险。如图区域1和2是一个已知场景，包括我们说已知的安全场景比如说良好的光照条件、良好的路面，那么还有一些已知的危险场景。如图所示复杂光照一图，就是我们区域1和区域2是已知的危险场景。

除了已知，更大的其实是无边无际的场景。未知场景我们稍微区分一下，有未知的安全场景，比如这个浅灰色的区域4，也有未知的危险场景区域3。在场景被认识之前，其实我们缺乏相关的知识面，并不知道有这些场景。可能有些场景是对于人类驾驶员认为是安全的，但是对于自动驾驶汽车可能是危险的。

一个已知的场景，我们刚刚说区域1和2这个场景，它的来源是什么？我们有各种各样车辆行驶场景，比如智能驾驶数据FOD的、危险场景数据，以及每年发生的交通事故。交通事在交警都有一些记录，这些事故数据尤其深度事故数据可以作为场景的来源之一。这是基于数据的来源。

同时我们可以去基于智能汽车的工作原理和技术路线做一些理论上的分析。传统汽车多是人类驾驶操控，可以去表征或者说去后去他们的数据，但是作为智能汽车则不同，由于它相应的数据比较少，里程数也没有那么多，所以需要根据理论的角度去分析，比如说感知传感器有什么局限性吗？摄像头在对面强光照射下是不是会出现一些短暂的失明？毫米波雷达对道路中间的金属物的敏感吗？这些问题是可以在系统架构层面上分析的。还有就是功能缺失，这样也可以获得已知场景的来源。

测试和验证的核心目标是什么呢？是通过我们的分析和测试验证，把自动驾驶汽车安全的已知安全区域尽量扩大。扩大安全区域，减少危险区域，这就是自动驾驶测试目标。我们依据已知场景数据，借助多种测试环境验证功能，通过多种测试手段，包括算法优化、功能安全、预计功能安全分析等去降低这些风险场景数量或控制风险，这个是测试和验证的核心目标。

不管通过数据还是通过理论分析去找场景，但是场景无穷尽这个问题还是无法解决。公共道路上测试肯定不行，测试的周期和成本都没有办法接受，按照美国高速公路管理局的统计数据，驾驶者平均需要行驶85万公里才会经历一次警方报告事故，接近1.5亿公里才会经历一次致命事故。

这样成本和时间都没有办法接受，怎么办呢？这就需要多种测试工具的协同。除了道路上的驾驶实验，可以用一些有限场景道路去测试智能器材。同时在有限的场景当中更多的寻找对智能驾驶系统形成挑战的其他场景，通过相关的技术，如场景提取技术，结合虚拟测试、硬件在环测试、加速测试等这些测试手段，来进一步丰富和完善我们的测试场景。

我们的测试手段连起来是什么呢？是以虚拟测试作为出发点，将真实的硬件系统和虚拟的环境结合起来形成一个测试工具链，这是一个典型的智能汽车测试工具链，从一开始的仿真测试，到驾驶模拟的测试，再到接下来的硬件在环测试，再到VHIL测试，就是车辆在环测试。车辆在环测试之后到封闭场地测试，封闭场地测试之后再到公共道路测试，所以自动驾驶汽车将来会遵循这样一套开放链去完成系统的开发。

整个测试场景是一个逐步收敛的过程，一开始仿真测试可能是一个无限场景的测试，进一步缩减到驾驶模拟测试场景，再到VeHIL测试，其中极少量的场景在封闭场地里面测试，再到公共道路测试。同时，我们需要有测试场景库的支撑，需要有整个测试反馈的数据和理论分析支撑，这就是我们整个的测试工具链。

在国内外都有很多测试的实验场，可以看到像美国的MCT等都是常见的，英国的测试实验场在原来美达公司上面重新加装了一些V2X的单元去做的，还有挪威、新加坡、越南、日本、韩国等等，中国现在有20个在建或者准备建的测试实验场。

我们同济大学智能汽车测试试验场在嘉定校区测试实验场，也就是在咱们安亭，有108亩，分成东西南三个区，有点类似于MCT。该试验场提供ADAS测试的，提供模拟的城市道路、乡村和越野公路测试的。基本上这三个区可以涵盖掉整个自动化L1-L5的测试功能，实现不同道路复杂度的覆盖，应该是国内第一个全新面向自动驾驶汽车研发设计和认证测试试验场。

通过前面这些工具链去实现场景尽可能的覆盖，但是还存在测试不完备的问题，还是会存在未知场景，那么这些未知场景怎么办？我们需要干什么？它没有办法完成所有验证，这就需要有条件的引入自动驾驶。

需要干嘛呢？对于整车厂来说，一个是车辆的功能安全，第二个就是预期功能安全开发（SOTIF）的问题，将来SOTIF会变成在智能汽车研发里面非常关键而且非常重要需要解决的一个技术问题。制定一个合理的风险控制策略，需要有完善的车辆风险管理和远程监控措施，对于车辆的不安全行为进行识别和处理，这样的话可以有条件的让自动驾驶汽车上路。

再进一步，肯定还是不能做到完备，做到万无一失，有一句话可以表达我们将来的办法“凯撒的归凯撒，上帝的归上帝”，我们不可能解决所有的问题，没有办法解决的问题怎么办？除了前面讲述的上路许可测评，还需要有多种险种结合的保险体系，这个也是自动驾驶汽车能够实现完全上路驾驶的一个保障。

第二部分 自动化驾驶汽车的多维度评价

前面讲的都是测试问题，接下来谈一下评价的事情。

自动驾驶的评价也是一个很麻烦的问题，测完了之后怎么判断它是不是可以？是不是性能足够好？当然测试和评价他们是结合的。自动驾驶汽车的评价跟传统汽车的评价不一样，不一样体现在哪里呢？

传统汽车就测试它的性能，但是自动驾驶汽车它还会有其它维度，因为它类似于一个人，是一个智能体。在自动驾驶汽车里面，我们把它叫驾驶的自治性，即车辆本身在一定的外界条件或环境下的行驶能力。

智能汽车在时间维度上还会体现出另外一个维度，叫学习进化性。也就是说将来的智能汽车驾驶能力跟人类驾驶员一样，你一开始是一个新手，回头会什么？会不断的学习，不断的迭代，当然如何学习和迭代是另外的问题，所以时间维度上会存储一个所谓的学习进化性。

另外智能汽车跟传统汽车不一样，它的评价不一样又体现在另外的方面，它在空间上还体现出另外一种能力：交通协调性，也就是我们人类讲的社会性。也就是我们的智能汽车，它开在路上还需要跟其它车子交互，需要考虑到其它车辆是什么意图，什么想法，我怎么样不会让其它车辆感受到我这个车子可能是一个不合适的驾驶动作，所以我们存在交通协调性的问题。

可以建立这样的框架，我们可以以三个维度去评价它，但是每个维度里面我们又可以通过一些指标来评估。比如说我们的驾驶自治性，我们可以通过基础性能行驶质量及当车安全等角度评价它，我们学习进化性，可以通过从复述的重现能力、泛化迁移能力去研究它，交通协调性我们可以以内部成员、外部交通参与者或全局视角去分析评价它。

看一下学习进化性，我们人类驾驶员也是这样的，刚拿到驾照的时候，我们是一个新手，满足了那些测试条件，说明车可以上路了，但是上路之后，它还会存在不断地学习。当然现在学习是有两种，自身学习在目前的智能汽车里面可能还没有哪个公司敢于做自身的学习和迭代，也就是说自测在行驶过程中不断去学习和迭代它的算法。

因为涉及到深度学习算法本身是一个类似于黑箱或者说灰箱，我们对有一些算法产生的机理并不是特别的清楚，所以不会特别放心的让他去自身学习，但是由于我们现在有OTA的技术，OTA的技术可以实现我们远程的升级，这个也是我们实现升级的办法。

如果它具有学习功能，我们怎么样测试学习水平？是能够不断提升，它的变化曲线有什么样的规律？同时我们怎么样去提高整个的感知、认知、定位、决策这些功能？比如说像这个路上别人放了一个易拉罐在这里，车子视觉第一遍看到的时候这么大的易拉罐在路上，但是开多了就知道，这是路上的涂鸦。第一次变道的时候，碰到前面的车子会急刹车，开多了会知道可以变道，这都是学习的表征。

第二个交通协定性，交通协定性在前年刚刚把这个问题提出来的时候，可能还没有太多重视这个问题。但是我们可以看到2018年的下半年，突然交通协调性就变成一个非常热门的问题，为什么呢？我们发现Google的Waymo出现问题了，Waymo我们都知道是世界范围内做智能驾驶汽车最好的公司。它现在碰到什么问题呢？交通协调性的问题，它怎么去判断人类驾驶员是什么意图。

这是典型的Waymo在测试过程当中的例子：它要左拐，但是它判断不清楚对面这位兄弟想干嘛。可以看到，这已经是绿灯了，已经开出左拐线了，猛的来一个急刹车，后面跟着的驾驶员就很不爽了。我们都知道本身是绿灯大家应该加速通过，结果开了一半来了一个急刹车，它会对其他的驾驶员造成不好的影响。它也没有办法很清楚的判断对面这辆车的意图，实际上急停了过后，在等对面这辆车拐过去之后，它再开始拐，这是一个问题，这还是有红绿灯路口的。

相对来说，我们人类驾驶员知道，有交通规则的路口是比较简单处理的，更麻烦的是什么？很多没有红绿灯的路口这个时候我们驾驶行为其实是根据一些微妙的动作去判断的，比如说最简单的例子，大家都有这个经验，一堆车子在排队，这边有一个车子在插队。如果我们驾驶习惯比较好的话可能会摇下车窗给别人打一个招呼让我过一下，有的驾驶员可能不会去打这个招呼，他会干嘛呢？他会判断这边这个车子会不会让我们插队，我们也都有这个经验。可能有的人驾驶风格比较温和的，我让一让，让你先进一下，可能知道你有急事，有些人是什么呢？我就是不让你插队，有这样的情况，这就是交通协调性的，我们人类驾驶员会根据其他的交通参与者的行为方式来判断、选择自己该用什么样的行为方式。

我们可以看到它的关键问题在哪儿？自动驾驶的渗透率，也就是我们的智能汽车并不是一上来就是全世界所有的汽车全是智能驾驶，如果全世界的汽车一下子全部变成自动驾驶汽车了，那个问题反而好办了，大家反而遵守交通规则，都可以按照规则来行驶，就没有问题了，但是我们的渗透率是逐步提升的，一开始1%、2%、10%、20%、50%，是逐步提升的就一定会涉及到跟人类驾驶员的交互，有驾驶博弈的问题。

我们可以看到像刚才说的无信号灯控制的，路口的左转，还有一些驾驶博弈问题，就是插队的问题，连续汇入的问题等等，这些都是我们在交通协调性测试和评价方面碰到的问题。

那我们怎么办？我们的办法是什么？我们怎么去评价它？我们可以考虑的办法是采用图灵测试的思想，我们可以根据几种视角去判断，这是不是一个智能驾驶汽车？或者说这个自动驾驶它的智能度是不是足够？我们有几种视角去评价它？我们可以基于我们的车源视角，我们坐在车子里面，我们去感受，另外我们可以根据其他交通参与者的视角去感受它。

总得来看我们测试和评价的体系，首先会对测试条件进行评价，包括环境的复杂度、基础环境的复杂度，有动态交通要素、静态交通要素，还有附加的环境复杂度，气候、信息等等。我们可以实现对环境复杂度的定量评估，完了之后我们可以进行评价，用行驶自治性、学习进化性、交通协调性三个视角去评价它，这个就是我们整个智能汽车测试和评价的体系框架，一种可能的框架。

我今天的报告到此结束，非常感谢大家。接下来我们应该还有一段时间可以交流一下。

提问：（无话筒）您是怎么看待信息安全这块的？

熊璐：信息安全是自动驾驶汽车里面非常重要的点，我们正在做的一个国家科技部的重点研发计划项目，就是做测试评价系统这块的，这有一块跟360合作做信息安全。

信息安全主要会从两个角度做，一个是刚才说到的预期功能安全，还有一个信息安全，这两个东西都是跟原来传统汽车不一样的。原来传统汽车其实不太会讲到预期功能安全，原来传统汽车也不太会讲到信息安全，比较少，所以信息安全一定是我们做测试和评价里面一个非常重要的点。

信息安全这块其实展开来讲有非常多，因为自动驾驶汽车它里面有很多信息资产，就是你肯定要先做信息资产的分析，然后再去找到风险来源，再去做这个防护问题，就是说你有这些风险来源之后你要做防护，基本上会是这样的做法。

提问：无人驾驶试验场的建设目前有标准吗？

熊璐：这个问题提的非常好，无人驾驶汽车试验场的建设刚刚出台了一个标准，应该是交通部出来的，但它只是一个很粗的标准，只是对一些道路的规范做了一些界定，并一个说是怎么去建设我们无人驾驶的试验场，也没有告诉我们无人驾驶测试试验场，应该具备哪些测试场景和测试工况，所以从现在的角度来看，测试试验场并没有一个现场的标准。

我们自己的试验场设计的时候，其实我们是根据几个方面：

第一，很重要的是企业的测试需求，我们从企业的测试需求去寻找，你需要去建设的测试场景；

第二，测试法规。我们根据刚才说到的，在ADAS层面上其实有很多的测试法规要求，在现在的话像欧盟的WTONE等等这些研究，也都提出一些新的测试场景。通过测试场景的法规，我们可以定义需要哪些场景。

第三，你自己分析一下，你有什么样的研究需要去定义测试场景，会根据这些东西去测定和建设我们的测试试验场。

提问：我们国家是幅员非常辽阔的，从北边到黑河，南面到海南岛，那么这个气候的变化是非常剧烈的，我们无人驾驶在一个点一个点的试验，我觉得这个车如果从黑河开到广州，这个气候的变化是剧烈的，我们做试验场一个点一个点的试验，它和真实的无人驾驶在路上的试验有巨大的不同。那么我们在做这个测试的时候是不是考虑到这点？

熊璐：我觉得您这个问题，首先第一个其实我们自动驾驶的测试试验场，目前在全国各地都在建，不管是南边还是北边，东边还是西边都有，北方在长春也在建设自动驾驶测试试验场，在南边广州也在准备建设测试试验场，西边像长安大学，东边盐城试验场都有，各个点都有测试试验场。

您提到的可能是另外一个问题，您说是直接有一辆车从黑河开到广州。。。

提问：对，数据的共享非常重要。

熊璐：我觉得黑河开到广州，我个人觉得不是一个大的问题，你在黑河也测过了，在广州也测过了，我相信它从黑河开到广州不会有问题。因为不是说上一秒在黑河，下一秒在广州了，它要开好长时间，所以我觉得这个问题不太大。

提问：熊老师好，我想问一个问题，你前面提到自动驾驶测试，一个是面向认证，还有一个面向实验开发的，那有没有面向量产或者上路以后自动驾驶的评测，这方面怎么考虑或者有什么办法？

熊璐：我刚刚谈到面向认证就是面向量产和上路评测的，这就是面向认证的。如果是主机厂测的话就是刚才说的面向开发的。

提问：下线呢？如果是量产阶段这个车是自动驾驶的车，下线是怎么检测？

熊璐：你说是下线检测吗？

提问：对。

熊璐：下线检测跟我们谈到的测试和评价倒还有一点不一样。大家知道汽车的生产线其实下线检测是满足一个基本的功能，我们传统的汽车下线检测开一开看看发动机能起来，汽车能行驶、能刹车基本上都OK了，对于自动驾驶汽车的下线检测，这个问题倒不太大。其实还是更多的是在于研发阶段大量更复杂场景下的表征，简单的下线检测其实不难，关键是在复杂场景下。

提问：你提到的性能可能很容易检测，但是一些自动驾驶也要涉及到一些场景，但是你在车厂生产线上没办法有测试环境去搭建的。

熊璐：所以一般在开发阶段，我个人认为会在开发阶段去测试的，就像ADAS一样，ADAS测试不会像下线检测的时候去测一个ADAS。如果每辆车在线下检测都要测ADAS，这个成本是不可能。

提问：ADAS也有类似这样的测试。

熊璐：在线检还是下线检测？

提问：就是生产线上，有专门的ADAS设备检测。

熊璐：生产线上做ADAS设备检测这个我真还不清楚，我参观过戴姆勒、BMW的，参观过奥迪的生产线，前面都没有这个。可能将来ADAS功能更多了，有可能会有您说的这个东西。

提问：可能还没有普及，但是我听说有这样的设备可以在线检测ADAS这些功能。

熊璐：挺好呀，如果将来在线也能检测ADAS不挺好吗？

提问：对，但这些只是一部分性能检测，但是自动驾驶有很多环境相关性。

熊璐：对，您提的是一个问题，但是它的核心在于下线检测的时候，对于每辆车像整车厂一辆车的生产节奏是很短的，而且对于每辆车的生产成本有一个严格的要求，不太可能对于每一辆车都去放到一个复杂的场景去测试它。

很多的时候像电控系统我们可以干嘛？我们可以做软件测试，在软件灌进去之后，对控制器的测试，我估计您谈到的ADAS的测试有点类似于。

因为我们做ADAS生产场景，每个ADAS控制器出来都会有一个在线检测，会用虚拟的测试环境，虚拟的测试信号对它进行一个输入去考察输出，这个是可以的。但是你让一个车辆下来之后，去做一个ADAS的场景测试，我个人感觉可能成本太高了，这个是我个人的观点。

提问：熊老师好，有一个问题咱们自动驾驶汽车在面临一些危险的境况下，它不得不面临安全损失的时候，怎么样做选择？比如说是怎么样保护车内的人，是驾驶座、副驾驶座、后座还是车外的安全，它怎么样做选择？

熊璐：这个问题提的非常好，这个问题跟现在的IT企业面临的问题是一样的，比如说Google现在掌握了这么大的权力，你怎么样判断哪些言论是极右的，那些言论是极左的。其实，最后判断标准都是在谁身上？在设计人员，就是开发人员。谁开发这个智能驾驶系统的，他具备什么样的道德观和价值观，他就会设计一个什么样的策略。

提问：就是在策略阶段定义下来了？

熊璐：对呀。

提问：在后面车辆开发的时候，测试这块怎么来做？

熊璐：您谈的是认证的测试还是开发的测试？

提问：这个在开发阶段，我定义好了这些策略。

熊璐：它肯定会测，但是问题在于是用真实场景去测，在封闭的道路环境下去测，还是在VHIL上测，还是在仿真上面测，我觉得很大的可能是在仿真阶段去测。

提问：去年10月份，标准这个部门他们是向ICO提交了中国的，也是全球第一个自动驾驶车测试场景，大概40几个测试场景，另外还有中机中心仿真所也在做，包括我们上海也做了200多个场景。我就想问一下最终测试场景，是以哪一个为主？目前的开发情况怎么样？最终会不会对所有的业内企业公开？何时公开？谢谢。

熊璐：我觉得是一个很重要的问题，测试场景的问题，我们也知道很多企业在做，都想掌握主动权，但是最后落在谁家或者谁的场景作为主导，谁的场景作为标准，你问我我也不知道。你问工信部部长可能比较清楚，工信部最后决定，我们说最后用谁的。但是我觉得应该有一点是清楚的，还是会看谁做得好，因为场景库这个东西，目前来说也没有标准的说法，说怎么样的场景库是好的或者你做场景库就是比别人做的场景库更好，可能还是要看大家后面的工作做得怎么样，这个可能最重要，现在也没有办法判断，大家都在干这个活，谁做得好，看后来谁能真正做出来，当然还有别的影响因素。

提问：老师您好，握有一个问题，在您刚才讲的测试场景当中，有没有考虑过高速上的自动驾驶，以及跟一般路上自动驾驶的技术点的区别，以及测试方法？一般道路的自动驾驶跟高速上自动驾驶技术难点在哪里？

熊璐：其实刚才我们谈的是一个通用的驾驶测试的框架体系，我们说一般路和高速公路都在这里面，从您刚才谈到高速公路和一般道路的区别，其实对于中国的道路交通状况来说，高速公路并不是我们中国道路状况里面所需要去首先突破或最重要关注的点。

因为像在美国我们说高速公路的自动驾驶对他们来说很重要，或者说他们很多的事故，事故比例有较大的部分在高速公路上，但是对于中国来说，可以看到最大的交通伤亡事故实际上出现在十字路口，交叉路口，我们可以看到非常多的汽车、机动车和非机动车的事故，都是出现在这个领域。所以它肯定会有不同，在我们的测试方法上面和测试评价具体方法上面，都会做一些具体的界定。

总的框架我认为我们是这样的框架，但是我们说你涉及到特定的路矿跟功能，另外一个角度我估计您可能谈到的是特定的功能，比如说我们说高速公路自动跟车或自动的变道，这个都没有关系，我觉得是比较容易界定的。

其实严格意义上来讲，高速公路的自动驾驶测试会比我们现实城市道路自动驾驶测试和评价会更容易，因为它是一个结构化的道路，相对其他交通参与者比较少，种类比较少，所以它相对来说比较容易测试，但是我们现实的城市工况，它的情况会复杂很多。

首先可能是非结构化路，可能是集合非机混合的道路，它在道路的行驶过程当中，有各种各样的交通参与者，我们刚才说到的，你有机动车、非机动车，非机动车还会有助动车、自行车，还会有行人，有各种各样的行人，还会有宠物，现在宠物也很多，狗什么的都有。所以在城市道路工况下，会比高速公路测试复杂很多。

其实，我的个人感觉，城市道路测试会涵盖掉高速公路的测试，在真正测试理论和方法上会涵盖掉它。当然，你可以单独去界定一些测试的规范，这个是另外一回事。但是真正复杂的其实是城市工况道路测试。