个人履历

• 本科：同济大学 交通工程

• 硕士：同济大学 交通运输规划与管理

研究方向

智能车测试

个性特点

乐观

兴趣特长

桌游、密室、剧本杀

个人成就

第十三届全国交通科技大赛一等奖

上海市大学生计算机应用能力竞赛三等奖

“华为杯”第十六届中国研究生数学建模竞赛 二等奖

主要工作

智能汽车技术在解决交通安全、道路拥堵问题以及改善驾乘体验等方面上具有巨大的发展潜力，具有广阔的市场前景。但是智能车的研发与运营面临着各种复杂挑战和威胁，智能车上路之前必须进行严格的测试，智能车测试是保障智能车正常运营的重要方法。现在最常见，也最容易被研究人员以及大众所接受的测试方法，便是基于自然驾驶的测试方法。这种方法，将智能车放在与人类驾驶员完全一致的驾驶环境中，来比较二者的驾驶能力。兰德公司的研究表面，由于事故是极小概率时间，要证明智能驾驶车辆比人类驾驶员更安全，需要100辆车、24小时全天，连续测试225年，这是不可能完成的任务。我们需要全新的测试框架与方法。

为了克服实地路测中存在的问题，仿真测试被广泛使用。仿真为我们提供了低成本、安全、周期短、场景可控的测试环境，拓展了我们可用的测试手段。Waymo在仿真中一天就能测试800万英里，远多于Waymo在实地路测中一年的测试量。

尽管虚拟仿真测试能够大大加快智能车测试，其依然无法满足测试需求。智能汽车的测试场景由多个动静态要素组成，场景要素的取值变化和相互组合导致具象测试场景（concrete scenario）数量大爆炸。以变道插入测试场景为例：若仅考虑动态（测试车辆速度、横向加速度、变道插入间距、后车速度）、静态（车道宽度）的5个关键要素，当各关键要素各取10个参数值，具象测试场景将达976万余个（5^10=9765625）。若单个测试场景1分钟、虚拟测试加速比为10时，该类场景的遍历式测试共需1.86年（5^10÷(60分钟×24小时×365天×10加速比)=1.86年）。由上可见，在覆盖高测试需求场景的基础上，仍需针对测试场景的多维参数组合开展加速测试方法的创新。为了达到这一目标，我们采用了多种方法，包括重要度抽样以及自适应搜索方法。这些方法显著地加速了智能汽车测试进程。

最近更新：2020年10月27日 18:23:45