简介：这份PDF是IVISTA中国智能汽车指数体系下智能行车指数的导航智能驾驶系统（高速公路）试验规程2023版，面向智能驾驶系统研发、测试验证与标准合规人员，用于解决高速公路场景下导航智能驾驶系统缺乏统一测试评价依据的问题。文件共1个PDF，约4.76MB，正文依次涵盖范围、规范性引用文件、术语和定义、试验要求与试验方法，并附A、B、C三个附录，引用GB 1589、GB 5768系列、GB/T 40429、ISO 21448、ECE R157等标准，对惯性坐标系、导航智能驾驶系统、主车、TTC、ODD与ODC等术语作出界定。试验要求部分细化到路面附着系数、平面度、车道宽度及弯道曲率变化率等场地条件，试验方法则给出场景设计与数据采集评估思路，附录提供可落地的测试流程支撑。已有273人学习，适合需要对照规程搭建测试环境、理解评价指标与查漏补缺的从业者参考。
1. 导航智能驾驶的“考卷”：为什么高速场景的测试规程比功能本身更难写
一套导航智能驾驶系统在高速上能不能用，厂家说能不算数，用户说好用也不算数，真正算数的是它能不能在一条被精确约束的“考卷”上稳定复现同一份答案。IVISTA 中国智能汽车指数里的这份导航智能驾驶系统（高速公路）试验规程，本质上就是那张考卷：它不定义功能怎么实现，只定义“什么样的输入必须产生什么样的可观测行为”。反直觉的地方在于，这份文档里最重的篇幅不是场景本身，而是试验有效性——目标车速度误差不超过 ±1km/h、切入时刻纵向距离误差不超过 5%、横向偏差不超过 ±0.1m。为什么要把误差卡到这种程度？因为导航智能驾驶系统的表现对输入极其敏感，前车速度差 2km/h，TTC 曲线就整体偏移，评价结论可能直接翻转。搞懂这套规程的约束逻辑，才能理解一个智驾功能从“演示能跑”到“指数可评”之间隔着什么。
2. 三层试验架构：封闭场地、开放道路、仿真为什么必须同时存在
2.1 封闭场地负责“可复现”，开放道路负责“真实分布”
封闭场地试验的核心价值是可复现。规程要求路面峰值附着系数大于 0.8、水平平面度小于 1%、单车道宽 3.75m、直道长度至少 500m，弯道定曲率部分半径 500m、曲率 0.002 m⁻¹，变曲率段曲率变化率不超过 4×10⁻⁵ m⁻²。这些数字不是拍脑袋，它们把“路面”这个最大的干扰变量锁死，让不同车辆、不同时间、不同试验场跑出来的数据具备可比性。前方乘用车静止、目标车斜置、弯道静止、交通锥避撞、防撞缓冲车静止，这些场景全部在封闭场地做，每个工况只做一次，前提是试验有效。
开放道路试验则承担另一件事：真实交通流里的场景分布。规程给了两条路线，一条约 34 公里的城市内部高速环线，一条约 160 公里的城际高速往返，每种工况至少完成 3 次。注意这里的判定逻辑和封闭场地完全不同——封闭场地看的是“有没有撞、有没有制动”，开放道路看的是“主车与周围环境车参数在规定有效范围内且未发生事故”即算完成一次。换句话说，开放道路不追求极限，追求的是在真实车流中系统能否持续维持功能。
2.2 仿真补的是“覆盖度”，不是“替代”
模拟仿真试验被明确分成两部分：基础场景测试和场景泛化测试。基础场景测试的场景和工况与封闭场地完全相同，目的是验证仿真结果与实车结果的一致性——这是一个校准动作，不是评价动作。场景泛化测试才是在封闭场地基础上做高覆盖度和危险边缘测试。规程不限制仿真方式，HIL、SIL、MIL、VIL、云仿真都行，但给了三种组织方式：见证测试、现场测试、第三方测试。这个设计的动机很直接：仿真工具链各家不同，强行统一工具没有意义，统一的是“谁来审、审什么”。
三层架构的深层逻辑是：封闭场地保证底线可复现，开放道路保证真实可用，仿真保证边缘覆盖。任何一层单独拿出来都不足以支撑一个指数评价，因为智驾系统的失效模式恰恰分布在“可复现的极限”“真实的常态”“罕见的边缘”三个不同区域。
2.3 速度线的三档设计：60、企业申报、120 背后的评价哲学
封闭场地试验的速度设置是这套规程里最值得琢磨的设计。合格线固定 60km/h，优秀线固定 120km/h，中间夹一条企业申报线。规则是这样的：申报速度不超过 60 就按 60 测；在 60 到 120 之间就按申报速度测，没过再回落到 60 补一次；申报速度达到或超过 120 就按 120 测，没过再回落到 60 补一次。
这个设计解决了一个现实矛盾：不同价位、不同定位的车型智驾能力差异巨大，用单一速度测，要么对低能力车型过于苛刻，要么对高能力车型毫无区分度。三档线让厂家自己申报能力边界，但申报高了没过要回落重测，等于给“虚报”加了一道成本。从评价角度看，这比单纯按价格分档更合理，因为它测的是“厂家对自己系统边界的认知是否准确”——一个申报 100km/h 却在 100 没过的系统，暴露的不只是性能问题，还有标定保守度问题。
3. 场景参数化：切入轨迹的六段曲线是怎么算出来的
3.1 切入场景的几何约束链
乘用车目标车切入是封闭场地里参数最复杂的场景。规程把切入轨迹拆成 6 段曲线加 1 段直线：曲线段 1 从半径 R1 过渡到 R2、转过角度 α，曲线段 2 是半径 R2 的圆弧、转过 β，曲线段 3 从 R2 回到 R1、转过 γ，然后一段直线 L，再对称地来一遍。以主车 60km/h、目标车 15km/h 这一行为例，参数是 R1=1500m、R2=15m、α=4.00°、β=10.00°、γ=4.00°、L=5.2m。
这组参数不是随便填的，它由三个约束反推出来：目标车横向距离达到 0.375m 时触发，此刻主车与目标车 TTC=2.0s；目标车在相邻车道稳定行驶时横向偏差不超过 ±0.1m；切入完成后横向偏差同样不超过 ±0.1m。TTC=2.0s 是触发条件，0.375m 是横向位移阈值，两者共同决定了切入的“陡峭程度”，而六段曲线只是把这个陡峭程度用曲率连续的方式表达出来，避免目标车走出折线轨迹导致主车感知出现非真实激励。
3.2 用代码复现轨迹生成逻辑
把这段几何描述翻译成可执行的轨迹生成，逻辑大致如下（参数取自表中 60/15 行）：
import numpy as np def build_cutin_path(R1=1500, R2=15, alpha=4.0, beta=10.0, gamma=4.0, L=5.2, ds=0.1): """按规程六段曲线+直线生成切入轨迹，返回 (x, y, heading) 序列""" path = [] x, y, h = 0.0, 0.0, 0.0 # 起始位姿，航向沿车道中心线 def arc(R_start, R_end, angle_deg, direction): nonlocal x, y, h # 曲率随弧长线性变化，从 1/R_start 过渡到 1/R_end angle = np.radians(angle_deg) s_total = abs(angle) * (R_start + R_end) / 2 # 平均半径近似弧长 n = max(int(s_total / ds), 1) for i in range(n): t = i / n k = (1 - t) / R_start + t / R_end # 线性曲率插值 h += direction * k * ds x += np.cos(h) * ds y += np.sin(h) * ds path.append((x, y, h)) arc(R1, R2, alpha, +1) # 曲线段1：缓入 arc(R2, R2, beta, +1) # 曲线段2：等半径圆弧 arc(R2, R1, gamma, +1) # 曲线段3：缓出 # 直线段 L for _ in range(int(L / ds)): x += np.cos(h) * ds y += np.sin(h) * ds path.append((x, y, h)) arc(R1, R2, gamma, -1) # 曲线段4：对称回程 arc(R2, R2, beta, -1) arc(R2, R1, alpha, -1) return np.array(path)这段代码的关键在arc里的曲率线性插值：规程要求变曲率段曲率从 0 逐步增加到 C，变化率不超过 4×10⁻⁵ m⁻²，线性插值天然满足这个上界（因为 R1 到 R2 的过渡弧长足够长）。direction参数控制左右对称，六段曲线加直线正好构成一个完整的 S 形切入。实际试验里目标车由驾驶机器人或牵引系统执行这条轨迹，横向偏差 ±0.1m 的容差就是留给执行机构的跟踪误差。
3.3 为什么目标车速度要卡 ±1km/h
表 A.2 里每一行都对应一组主车速度与目标车速度的组合，从 60/15 一直到 120/60，共 39 组。目标车速度误差不超过 ±1km/h 这条有效性要求，直接决定了 TTC 触发时刻的精度。TTC = 纵向距离 / 相对速度，相对速度是主车减目标车，假设主车 60、目标车 15，相对速度 45km/h 即 12.5m/s，TTC=2.0s 对应纵向距离 25m。如果目标车实际跑成 16km/h，相对速度变成 44km/h，同样 25m 距离下 TTC 变成 2.05s，触发点整体后移，主车的响应窗口被拉长，测出来的制动曲线就偏乐观。±1km/h 的容差把 TTC 误差控制在约 2.5% 以内，这是评价结论可信的底线。
4. 数据采集与有效性判定：100Hz、0.03m 这些数字在防什么
4.1 采样率与精度指标的因果链
封闭场地要求动态数据采样存储不低于 100Hz，主车与目标物用 DGPS 时间同步，速度精度不大于 0.1km/h，纵向减速度精度不大于 0.1m/s²，横纵向位置精度不大于 0.03m。开放道路放宽到 50Hz，视频不低于 1920×1080、30fps，距离采集精度 0.1m。
这些指标不是堆参数，每一条都对应一个失效模式。100Hz 对应的是制动减速度的峰值捕捉——AEB 类工况的减速度上升沿通常在 200 到 400ms 内完成，50Hz 采样可能漏掉峰值，100Hz 才能保证峰值误差在可接受范围。0.03m 位置精度对应的是横向偏差判定，规程里多处要求横向偏差不超过 ±0.1m，测量系统本身精度必须比判定阈值小一个量级，否则测出来的偏差分不清是车的问题还是尺子的问题。DGPS 时间同步则是多源数据融合的前提，主车状态和目标物状态如果时间戳对不齐，算出来的 TTC 就是错的。
4.2 试验有效性：250m 预记录与 TTC=2.0s 的兜底
前方乘用车静止类场景有一条容易被忽略的要求：主车与目标车间距 250m 时开始记录有效数据。250m 这个距离对应的是 120km/h 下约 7.5 秒的行驶时间，足够覆盖感知、决策、执行的完整链路，保证记录到的不是“半截数据”。弯道场景则改成与弯道起始线间距 250m 开始记录，逻辑一致。
试验结束条件里有一条兜底：TTC=2.0s 时主车未制动，驾驶员为避免碰撞主动偏出，也算试验结束。这条规则的意义在于保护试验人员和车辆，同时它本身也是一个隐含的评价信号——系统在 TTC=2.0s 还没动作，基本可以判定该工况失败。把“人介入”定义为结束而非无效，是为了让失败也能被记录和归因，而不是简单丢弃。
4.3 车辆状态的一致性控制
试验车辆要求新车、里程不超过 5000km、原厂全新轮胎、推荐冷胎气压、燃油不少于 90% 且封闭场地期间不低于 50%、新能源车电量不低于 50%、载荷状态试验开始后不变。跟车时距在封闭场地设最低挡、开放道路设中挡（偶数挡位取中间偏高一挡），驾驶模式设标准，变道积极性设标准，AEB/FCW/LDW/LDP 在封闭场地设最低挡、开放道路设中挡（偶数取中间偏早）。
这套设置的本质是把“人机交互配置”这个变量固定住。同一套智驾系统在不同跟车时距下表现差异很大，最低挡意味着最激进，测的是系统能力上限；开放道路中挡意味着更接近用户日常设置，测的是真实体验。报警级别在封闭场地设最低、开放道路设中挡，同样是“极限能力”与“日常体验”的分离。这些细节说明规程的设计者很清楚：智驾评价的变量控制，一半在场景，一半在配置。
5. 避坑与常见问题：这套规程落地时最容易翻车的地方
5.1 现象：同一辆车两次测试结论不一致
原因：目标车速度误差或切入时刻纵向距离误差超限，但试验记录里没有逐条核对有效性要求。规程对切入场景给了四条有效性约束，任何一条超限该次试验就应判无效，实际执行中常被“跑完就算”的习惯带过。
解决：把有效性判定做成试验前的检查清单，目标车速度、切入起始纵向距离、相邻车道横向偏差、切入后横向偏差四项逐条打勾，任一项超限直接重跑，不要事后补算。
5.2 现象：弯道场景主车提前减速，测出来像“通过”但数据不可用
原因：弯道场景要求目标车静止于半径 500m 弯道中央，主车从直道驶入。如果目标车放置位置偏离车道中央，主车感知到的前车方位角与真实弯道几何不符，系统可能提前触发减速，看起来“避开了”，实际是场景布置错误导致的假通过。
解决：目标车放置后用测量设备复核其与车道中心线的横向偏差，弯道段曲率用弦长法抽检，确认定曲率段曲率在 0.002 m⁻¹ 附近、变曲率段曲率变化率不超过 4×10⁻⁵ m⁻²。
5.3 现象：开放道路试验次数够了但结论站不住
原因：开放道路每种工况至少 3 次，但规程要求的是“主车与周围环境车参数在规定有效范围内”才算完成一次。实际执行中容易把“激活了功能跑了一段”当成一次有效工况，忽略了环境车参数是否落在规定范围。
解决：每次开放道路试验后立即核对环境车相对距离、相对速度是否在有效区间，不在区间的记录标记为无效并补跑，不要用“总里程够了”替代“有效工况次数够了”。
5.4 现象：仿真基础场景与实车结果对不上，却直接进入泛化测试
原因：基础场景测试的目的是验证仿真与封闭场地的一致性，一致性没通过就做泛化，等于在未校准的模型上做边缘测试，结论没有意义。
解决：先跑基础场景，把仿真输出的制动触发点、减速度曲线与实车数据逐项比对，偏差超出可接受范围时先修模型或标定参数，一致性通过后再进入场景泛化。
提示：试验设备的安装不能影响被测车辆和智驾系统的正常运行，这条在规程里出现两次（封闭场地和开放道路各一次），实际布置传感器支架时最容易忽略对摄像头视场和雷达罩的遮挡。
6. 从规程到工程：一套测试体系的设计取舍
这套规程最值得借鉴的不是某个具体参数，而是它处理“能力差异”和“评价可比性”矛盾的方式。三档速度线是一个典型取舍：如果只设一条线，评价就失去区分度；如果按车型分档，又引入主观分类。让厂家申报、申报高了没过要回落，本质是把“自我认知准确性”也纳入评价，这个思路在工程上可以迁移到很多测试体系设计里——比如性能基准测试让被测方自报预期值，偏离预期就扣分，比单纯比绝对值更能暴露问题。
另一个取舍是仿真与实车的分工。规程没有试图用仿真替代实车，而是用基础场景做一致性校准、用泛化场景做覆盖度扩展，这个“校准—扩展”的两段式结构，比“仿真为主、实车抽检”或“实车为主、仿真补充”都更稳。我一般会这么理解：仿真的价值不在于跑得多，而在于跑得准，准的前提是它和实车在同一批场景上对过答案。
还有一个容易被低估的设计是有效性要求的颗粒度。250m 预记录、±1km/h、5%、±0.1m 这些数字，单独看都是工程常识，组合起来构成了一套“失败可归因”的体系——每次试验无效都有明确的超限项，而不是笼统的“数据不好”。这对测试团队的要求其实更高：不是跑完就行，而是跑之前就知道哪些条件必须满足。
从那以后我每次看这类试验规程，都会先把有效性要求单独抄出来做成检查表，再去看场景参数——因为场景决定测什么，有效性决定测出来的算不算数。希望帮到你。
本文还有配套的精品资源，点击获取
