❓什么是NOA？

NOA（Navigate on Autopilot），中文称为领航辅助驾驶，是一种基于车辆传感器、高精度定位和人工智能算法的驾驶辅助系统。其核心目标是通过结合导航路径与实时环境感知，在特定道路条件下实现车辆自主行驶（如变道、超车、路口通行等），最终完成从起点到终点的点到点导航驾驶。

在高速或城市道路上，NOA可自主执行变道超车、进出匝道、红绿灯启停、避让障碍物等操作，无需驾驶员手动干预。相比传统自适应巡航（ACC^[1]），NOA增加了路径规划和复杂场景决策能力，例如根据导航提前选择车道、应对加塞车辆等。

NOA根据应用场景分类可以分为高速NOA和城市NOA。高速NOA适用于高速公路、城市快速路等结构化道路，已实现规模化落地（如特斯拉、小鹏等品牌）。城市NOA覆盖城市全场景（如交叉路口、非机动车混行、临时施工等），需应对更高复杂度的环境。通勤NOA是城市NOA的过渡模式，通过固定路线重复训练实现特定通勤路径的自动驾驶，无需依赖高精地图更新。

⚙NOA系统的组成

感知层：多传感器融合

NOA依赖多种传感器实时采集环境数据，并通过融合算法构建车辆周围环境的动态模型。

• 视觉传感器：高清摄像头（如8MP前视三目摄像头）用于识别车道线、交通标志、信号灯及行人，部分方案支持120°宽视角和30°窄视角组合，提升远距离和细节感知能力。
• 雷达系统：
  • 毫米波雷达：通过发射毫米波（24GHz/77GHz），通过反射波计算目标距离、速度和方位角。适应雨雾天气，主流方案含3-6颗雷达。
  • 激光雷达（LiDAR）：发射激光脉冲，通过反射时间（ToF）生成高精度3D点云地图。弥补视觉在低光照或复杂场景的不足，常见于城市NOA。
  • 超声波雷达：发射超声波（40kHz），通过回波时间计算短距离物体位置，用于低速泊车及近距离障碍物检测。
• 定位系统：结合GNSS^[2]+RTK（厘米级定位）、IMU（惯性补偿）及视觉SLAM（特征匹配），解决城市高楼遮挡导致的信号漂移问题。
• 红外传感器：利用红外热成像或主动近红外光（如夜视）检测行人、动物等热源或暗光环境物体。检测热辐射（被动）或发射近红外光补光 (主动)。

决策规划层：算法与算力平台

• 路径规划：基于高精地图（高速NOA）或实时拓扑地图（城市NOA）生成全局路径，结合交通规则与实时路况动态调整。
• 行为决策：
  • 规则引擎：处理标准化场景（如跟车、变道）
  • AI模型：BEV+Transformer架构融合多传感器数据，预测交通参与者意图，应对突发状况（如行人穿行）
• 算力支持：依赖200+TOPS芯片平台（如英伟达Orin-X），支撑端到端大模型实时计算

控制执行层：车辆动态管理

• 横向控制：通过线控转向系统（如ONEBOX）调节方向盘转角，实现车道保持与平滑过弯
• 纵向控制：模型预测控制（MPC）协调油门/刹车，实现自适应巡航及紧急制动（减速度≤30%最大刹车力）
• 冗余设计：双控制器备份（如转向+制动），确保单一故障下系统仍可安全停车

交互与安全层

• 驾驶员监控系统（DMS）：摄像头监测驾驶员注意力，触发接管请求
• 最小风险策略（MRM）：当系统超出ODD（如暴雨天气）或故障时，自动执行减速、靠边停车并激活双闪
• V2X通信：与路侧设备协同，获取盲区信息（如施工区域）

🔧NOA测试核心要点

测试场景分类与覆盖

1. 基础场景
   • 单车道场景：直到巡航（无前车）、直道跟车、弯道巡航、弯道跟车，验证车道保持与速度控制能力。
   • 变道场景：指令变道（手动触发）、超车变道（前车低速）、导航变道（路线规划），评估变道成功率和效率。
   • 路口场景：红绿灯识别与响应、无保护左转/右转、调头操作（部分厂商无法掉头：如蔚来），重点测试复杂路口的决策合理性
2. 特定场景
   • 避障场景：前方纵向障碍物（锥形桶、施工区）与横向穿行（行人“鬼探头”、车辆加塞），验证多级避障策略。
   • 特殊区域：人流密集区（学校、公交站）、窄路通行、拥堵路段，测试系统在动态环境中的鲁棒性。
   • 极端条件：雨雾/夜间/逆光等天气与光照变化，检验传感器融合性能。

核心评价维度与指标

1. 安全性
   • 动态控制：响应延迟（AEB制动时间）、安全车距保持精度
   • 风险应对：多目标避障成功率（如横穿行人、侧方压线车辆）
   • 接管率：静态场景接管率（如红绿灯、匝道）作为GAMP评级核心指标（≥90%为优秀）
2. 舒适性
   • 操控平顺性：方向盘转角速率、纵向加速度阈值（避免急刹/顿挫）
   • 轨迹优化：弯道轨迹平滑度、变道路径曲率连续性
3. 可靠性
   • 系统稳定性：误触发率、非必要降级率（如NOA降级至LCC）
   • 场景通过率：静态场景（115项）与动态场景的通过率统计
4. 通行效率
   • 行程时效：与人工驾驶对比的用时优化比、路径规划偏差率
   • 变道有效性：无效变道次数（如变道后仍遇慢车）
5. 人机交互
   • 告警机制：多模态提示（视觉/听觉/触觉）的及时性与清晰度
   • 状态可视化：环境重建精度（如障碍物渲染）、系统置信度显示

🖊NOA测试用例编写

核心原则

1. 场景驱动：基础场景、特定场景、极端条件

2. 风险分级

   • P0级（安全核心）：碰撞规避、紧急制动（AEB）、最小风险策略（MRM）
   • P1级（功能关键）：车道保持、变道成功率、交通标志响应
   • P2级（体验优化）：轨迹平滑度、加减速舒适性

场景分类与用例设计要点

1. 基础功能场景

   场景类型	测试用例示例	验证目标
   单车道巡航	直道无前车巡航（80km/h），弯道曲率半径≥125m	车道居中精度、横向控制稳定性
   跟车场景	前车急刹（减速度≥6m/s²）、低速蠕行（≤10km/h）	THW/TTC安全阈值、跟停重启响应
   变道场景	导航变道（匝道汇入）、超车变道（前车速度<自车50%）	变道时机决策、侧后方障碍物感知能力

2. 城市场景

   高风险场景	用例设计要点
   路口通行	无信号灯路口博弈（对向车抢行）、左转遇行人闯红灯
   避障场景	“鬼探头”横穿（TTC≤2s）、施工区锥桶识别（横向侵占率＞30%）

3. 失效与边界场景

   • 感知退化：模拟摄像头眩光、激光雷达雨雾衰减，测试多传感器融合策略
   • 功能降级：NOA→LCC降级时，验证驾驶员提示清晰度与接管时效性（＜3秒）
   • ODD突破：超出运行域（如非铺装道路）触发MRM，验证靠边停车与双闪激活

测试用例模板

字段	示例
用例编号	NOA_Urban_Intersection_P0_001
用例标题	路口左转场景
所属模块	NOA
前置条件	车辆进入无保护左转路口，对向车流密度≥20辆/分钟
测试步骤	1. 系统识别红灯转绿； 2. 决策左转路径； 3. 博弈对向直行车辆
预期结果	① 10s内完成左转； ② 横向安全距离≥0.5m； ③ 无急刹（jerk＜15m/s³）
优先级	P1

🎈测试流程

• 理解功能规范和KPI
• 熟悉车内硬件设备的部署
• 熟悉公司自研发软件的使用
• 道路测试、打点（数据采集）、记录反馈结果

🚗功能规范和KPI

NOA（Navigate on Autopilot）测试中的运行设计域（ODD）定义了系统可安全激活和运行的条件边界，是验证功能安全性与可靠性的核心框架。以下是NOA测试中常见的ODD分类及具体限制：

---

🚦 一、速度限制

• 城区NOA：0–60 km/h，适用于拥堵路段及复杂路口。
• 高架/快速路NOA：60–80 km/h，覆盖城市高架及快速干道。
• 高速NOA：80–120 km/h，针对高速公路巡航及匝道通行。

📍 二、区域覆盖

1. 高速公路与高架道路：支持自动变道、超车、进出匝道等功能。
2. 城市开放道路：覆盖主干道、十字路口、环岛等，但排除非铺装道路或狭窄巷道（如宽度＜3米的胡同）。
3. 停车场：支持自动泊车及低速通勤模式。

🛣️ 三、道路与路线条件

• 车道线要求：
  • 需清晰车道线（宽度≥15 cm），无车道线或模糊路段可能触发系统降级。
  • 弯道曲率半径≥125 m，超出则限制速度或退出功能。
• 路线类型：
  • 直行、左转、右转、调头等导航操作。
  • 通勤模式需预定义固定路线（如上下班路径）。

🌦️ 四、环境与天气

因素	支持范围	限制条件
光照	100–10,000 lux（覆盖白天至夜间有路灯场景）	无路灯夜间场景可能超出ODD
天气	晴天、小雨、中雨、小雾	暴雨、大雾、大雪或能见度＜50米时强制退出
路面	干燥铺装路面	积水、冰雪或严重颠簸路面（如减速带密集区）需降速或禁用

🚧 五、障碍物与交通参与者

• 静态障碍物：锥桶、施工围栏、停放车辆等，要求横向侵占率≤50%，否则需触发绕行。
• 动态目标：
  • 行人/非机动车：支持识别横穿、闯红灯等行为，但密集人流（如学校门口）可能超出处理能力。
  • 车辆交互：可应对加塞（Cut-in）、慢车跟随，但复杂博弈场景（如无保护左转遇抢行车辆）可能需人工接管。

---

⚠️ 六、ODD动态监测与降级机制

NOA系统需实时监测ODD状态，并在边界突破时触发降级策略：

1. 感知退化：摄像头逆光/雨雾衰减时，自动限制速度或退出。
2. 定位失效：GNSS信号丢失（如隧道内）超60秒，切换至IMU惯性导航并提示接管。
3. 风险场景：施工区锥桶漏识别或行人“鬼探头”（TTC≤1.5秒）时，启动最小风险策略（MRM）靠边停车。
4. 接管：接管率mpi，平均关键接管里程mpci。

✈硬件设备

数采机、数采盘、IPD（域控）、IPC（工控机）、网关、电源。

真值系统：OxTS RT3000

❗缺陷管理

BUG排查

1. 场景驱动复现
   • 优先稳定复现：明确触发条件（如特定光照、车速、道路拓扑），记录传感器数据流（摄像头/雷达点云）、CAN信号时序及车辆状态（转向角、加速度）
   • 环境一致性验证：对比测试环境与实车环境差异（如高精地图版本、GNSS信号强度），排除因环境配置导致的“假性Bug”、
   • 最小化复现场景：剥离无关操作（如简化变道步骤），聚焦核心触发逻辑
2. 分层定位法（由外向内排查）
   • 感知层：检查传感器数据是否异常（如摄像头逆光过曝、激光雷达雨雾点云衰减）
   • 分析规划轨迹合理性（变道时机是否激进？路口博弈逻辑是否保守？）
   • 验证执行器响应（线控转向延迟是否超阈值？制动减速度是否平顺）

---

1. ACC 是一种基于传感器（雷达/摄像头）的智能巡航系统，可在设定车速范围内自动调节车速与车距，实现纵向控制（加速/制动），属于 L2 级自动驾驶的核心功能。 ↩︎

2. GNSS（Global Navigation Satellite System，全球导航卫星系统） 指通过接收多颗卫星信号，为地球表面或近地空间任何位置的用户提供全天候三维坐标、速度及时间信息的空基无线电导航定位系统。 ↩︎