自动驾驶行驶数据分析:AI 如何支撑验证与确认(V&V)?

以下为正文译文

倘若我们无法信任 AI 独立完成自动驾驶系统的验证判定，那还能在验证与确认（V&V）流程中运用 AI 吗？答案是肯定的，但实际落地方式，或许和大多数人最初设想并不相同。

通过大规模落地自动驾驶项目实践，我们发现，当前 AI 在 V&V 工作中最具价值的应用方向，

现代自动驾驶研发会产生海量数据，来源包括真实道路行驶、仿真测试、场景回放以及其他各类测试环境。工程师想要厘清有效工况、识别关键测试缺口、确定测试优先级，就必须分析规模与复杂度持续攀升的数据集。

AI 辅助分析能够帮助团队应对数据复杂度挑战：提升验证数据的挖掘、解读与落地应用效率，同时保障底层验证方法具备确定性与可复现性。

本文将介绍 Foretellix 如何在标准化 V&V 工作流基础上引入 AI，帮助工程师识别覆盖缺口、划分测试优先级，并搭建证据充分、说服力更强的安全论证文件。

从事验证与确认工作的工程师如今面临一道持续扩大的鸿沟。一方面，团队掌握大量含有噪声的原始数据：车队实车日志、仿真结果、回放系统数据、硬件在环（HIL）测试、覆盖度报告、关键指标输出等，每一类数据都仅能反映验证全貌的局部信息。另一方面，团队真正需要的是深度分析结论：清晰掌握系统在运行设计域（ODD）各类工况下的运行表现。

想要弥合这一鸿沟，首先需要将原始数据转化为结构化场景信息，自动标注全部场景及其参数，并按照经过严谨设计的验证计划完成数据归类。只有搭建这套结构化数据底座，AI 才能有效开展数据分析、挖掘规律、解答工程问题。

一套现代化自动驾驶验证平台包含数百万次测试用例，覆盖数千个测试维度，验证计划层级最深可达十余层。即便经验丰富的资深工程师，也很难依靠人工在如此庞大的数据集中梳理规律。

这项挑战还会进一步加剧：自动驾驶失效几乎不会由单一变量引发。仅变道场景，变量就涵盖光照、天气、道路线形、交通密度、自车车速、周边车辆行为等。每新增一个变量维度，工程师需要评估的工况组合数量便会成倍增加。

由此产生组合爆炸问题，仅依靠仪表盘、电子表格与人工排查，难以稳定完成数据分析工作。

这正是众多 V&V 工作流效率遭遇瓶颈的起点。工程师需要投入大量精力检索有效数据、关联不同系统下的失效案例、甄别具备工程价值的测试缺口。不少企业当前投入验证数据分析的人力成本，已经高于数据生成本身。

Foretellix 依托 Foretify Physical AI 工具链应对上述挑战。该工具链面向高阶自动驾驶这类 Physical AI 系统，提供数据驱动的研发、验证与安全评估能力。

在这套工具链中，Foretify Evaluate 模块打通实车数据与仿真数据，搭建统一数据框架，使团队能够在整个运行设计域内统一衡量测试覆盖度与系统性能，搭建大规模验证分析所需的结构化底座。

验证工作流本身维持确定性、可复现特性。覆盖度驱动的验证方法、半形式化验证方案、关键性能指标、覆盖分布、覆盖模型、高精度时序场景标注，共同构成底层标准化验证框架。AI 在这套数据基础之上，提供分析与信息检索能力。

图 1　AI 分析层运行在结构化验证框架与验证数据源之上

所有分析结论均可溯源至具体场景、测试用例、覆盖区间、指标参数及日志片段。工程师能够从顶层结论向下逐层追溯，查看支撑结论的原始证据。

传统模式下，工程师分析验证结果需要在各类可视化面板、报告、脚本、自定义查询工具之间来回切换。想要定位一处覆盖缺口，或是找到失效对应的工况条件，往往需要导出数据至分析脚本，或是搭建专属分析流程。

AI 辅助分析重构了这一交互模式。工程师无需手动操作各类工具，直接通过自然语言提出问题即可：

• 哪些区域存在最大的测试覆盖缺口？

• 哪些工况与失效关联度最高？

• 后续测试应当优先覆盖哪些场景？

• 验证计划中有哪些内容当前无法触达，应当如何调整方案？

系统将输出结构清晰、具备实证支撑的结论，完整保留分析上下文。工程师可持续优化问题、深入挖掘场景、探索数据集内部关联关系，无需反复重建分析流程。

整套工作流具备更强的迭代能力，数据分析不再是互不关联的报表任务，而是持续对验证数据开展深度探索的过程。

自动驾驶验证的一大难点，在于理清各类工况条件之间的相互作用。系统或许在某类驾驶动作上表现不佳，但真正的失效往往只会出现在特定工况组合之下。举例而言：车辆仅会在低光照、车流密集、道路带曲率，且自车车速处于特定区间时，出现变道失效。

这类工况组合关系很难依靠人工识别，原因在于多个变量会同时产生相互作用。

AI 辅助分析能够帮助团队挖掘多维度下具备统计显著性的规律。工程师不再只能逐个查看孤立事件，而是能够定位失效集中发生的工况区间、识别最易诱发风险事件的工况组合，同时对照目标 ODD 覆盖要求，定位测试盲区。

图 2　一个变道场景，如何裂变为数百万种工况组合

依托该能力，团队可以高效区分有效信号与无效噪声。

假设工程师正在使用一套验证平台，平台汇集数百万英里路测数据与数百万组仿真用例，所有数据均已处理为标准化覆盖信息。

平台给出验证评分 65.45%，但仅凭该数值，无法指导后续工作。

工程师无需打开多个可视化面板、手动整合各类报告，只需向 AI 提问：

图 3　Foretify Manager 助手界面：以自然语言查询覆盖度与风险事件（左为验证计划树，右为对话式分析）

系统随即识别出多处覆盖不足区域，其中包含高车流环境下的夜间变道场景。

系统定位一组具备统计显著性的风险工况组合：特定交通密度、道路线形、光照条件，该场景下风险事件发生频次显著高于车队基准水平。

分析结果通过结构化可视化形式呈现，直观展示复杂工况关联关系。工程师能够快速掌握失效集中区域、ODD 内测试覆盖分布情况，以及诱发风险事件的核心工况。

随后工程师调取对应日志片段，直接获取相关场景、时间戳、行驶路线与传感器数据链接。这些分析结论还能无缝对接下一阶段工作流。

团队无需直接派遣测试车队填补识别出的 ODD 缺口，借助 Foretellix 合成数据生成（SDG）能力，就能基于目标场景生成更多工况变体。以此扩充 ODD 测试覆盖范围、挖掘边缘工况，并生成全新训练与验证数据集，重点复现诱发系统异常行为的各类工况。

以往需要数小时导出 CSV 文件、编写脚本、交叉比对各类仪表盘才能完成的工作，如今只需几轮迭代提问即可实现。

除提升单次问题排查效率外，这套工作流还降低了验证分析的参与门槛。以往需要深度熟悉验证架构、掌握内部工具才能完成的工作，现在更多工程师均可独立开展，从数据中挖掘有效信息。

最终推动所有 V&V 团队实现更高效、口径更统一的决策，分析方法能够在团队内部共享，不再依赖少数人员的个人经验。

编制安全论证文件（safety case），需要清晰、可复现的证据，证明系统在各类相关场景与工况下的运行表现。Foretify Evaluate 可以实现分析结论与底层验证数据直接关联：覆盖度指标、测试结果、场景标注、验证结论，全部能够溯源至具体场景与测试任务。

可溯源性是安全工程与监管评审的核心要求。平台不会输出类似"AI 判定车辆具备安全性"这类结论，而是清晰列出已测试工况、观测到的系统表现、达成的测试覆盖水平，以及现存测试缺口。

AI 能够加快证据的挖掘、整理与解读速度，但证据本身始终建立在确定性验证方法之上。

回到开篇提出的问题：在验证流程中，我们可以在哪些环节信任 AI？

随着技术持续发展，行业仍在探讨：未来 AI 是否可以参与验证决策，判定系统是否安全、测试是否通过、场景是否属于风险事件。

但截至目前，这类判定工作仍必须依托确定性验证方法，所有结论均可溯源至具体场景、测试用例与指标。想要让 AI 达到安全论证所需的严谨度与可审计标准，独立承担上述判定工作，技术成熟度尚且不足。

但 AI 的价值已经十分明确：高效协助工程师解读规模超出人工处理极限的验证数据，从数百万次测试、数千个维度中挖掘隐藏规律，帮助团队实现从"拥有大量数据"到"读懂数据内涵"的转变。

关于作者

Nimrod Reiss Foretellix 解决方案架构师 负责公司在美国市场的客户合作，并指导客户落地先进的自动驾驶验证工作流。拥有 20 年行业经验，横跨芯片设计与汽车两大领域，持有特拉维夫大学（Tel Aviv University）数学与计算机科学学位。

本文编译自 Foretellix 官方博客 Nimrod Reiss 所著《AI-Driven Analysis of AV Driving Data》

#PhysicalAI#ADS验证#合成数据SDG#SOTIF#智能驾驶#Foretellix