自主能力等级持续提升：从早期“人在回路”的遥操作与半自主跟随，向不依赖全球定位系统、不依赖预先地图的复杂越野自主导航发展10。
任务功能不断拓展：自动驾驶系统正从单纯的机动能力，向侦察监视、破障扫雷、战场后勤补给等战斗与战斗保障功能延伸，例如国防高级研究计划局在2025年10月将“复杂环境机器人自主”重型平台与M58火箭抛射扫雷索集成，用于战斗破障演示15。
军民技术双向流动加速：军用自动驾驶自主软件栈日益呈现“平台无关”“军民两用”特征，相关核心技术正加速向农业、建筑、矿业、交通等民用领域转移，同时民用自动驾驶仿真测试企业（如应用直觉公司）也在为国防部提供虚拟试验与鉴定工具1。
试验鉴定模式从“唯实车测试”向“虚实结合”演进：面对越野环境近乎无穷的场景组合，单纯依赖实车道路试验已难以支撑充分的安全性能验证，虚拟仿真与实车试验相结合的验证与确认体系正成为美军自动驾驶系统试验鉴定的主流方向1。

二、美军车辆自动驾驶系统测试场景设计方法与实例

（一）测试场景设计的基本原理

测试场景（Test Scenario）本质上是环境要素、车辆与任务要素、交互行为要素三类参数的特定组合，其设计的理论基础是“运行设计域”这一概念，即自动驾驶系统被设计用以正常运行的道路类型、环境条件、地理范围、时间条件以及交通或路况特征的边界集合16。围绕运行设计域开展系统化的场景库构建，是国际上自动驾驶测试评估通行的方法论框架，具体包括环境参数（道路/地形类型、车道或路径配置、天气条件）、车辆与背景交通参数（自车与背景车辆的速度、加速度、相对位置）、行为参数（变道、超车、避让、编队等交互模式）三个维度的系统化参数化17。

在美国国防部的车辆试验鉴定流程中，测试场景设计需嵌入统一的采办试验鉴定链条：在原型阶段，承制方需完成摇摆期安全试验并向项目办公室提交安全评估报告，全面描述平台固有安全风险并提出管控措施；随后，陆军试验与鉴定司令部下属阿伯丁试验中心据此开展独立安全评估，确认车辆是否具备供士兵操作试验的安全条件，之后执行性能试验以评估合同符合性，作战试验司令部再组织部队在贴近实战的场景中采集数据，全面刻画平台的作战效能1。对于自动驾驶系统而言，这一流程叠加了额外的复杂性：验证与确认方法能否被政府充分信任、政府是否需要在实车试验前独立开展虚拟试验鉴定，都是当前美军亟需解决的问题1。

为弥补实车测试覆盖面的天然局限，美军及其合作的国防科技企业普遍采用“物理仿真虚拟测试+实车验证”的持续验证与确认闭环：通过构建覆盖整个运行设计域的场景库，先在虚拟环境中开展软件在环、硬件在环测试，再以实车试验对关键场景进行复核确认，从而在有限的试验资源约束下实现场景覆盖率的最大化18。

（二）测试场景设计的通用步骤

结合运行设计域理论与美军典型项目实践，车辆自动驾驶系统测试场景设计大致可归纳为五个递进步骤，下文第（三）、（四）节将以具体案例逐一还原每一步骤的实施方式。

步骤一：任务与运行设计域界定。明确自动驾驶系统的目标任务类型（如越野机动、道路车队跟随、战场侦察、破障保障等）及其运行边界，包括地形类别、气象条件、通信环境、任务时长与速度要求等，形成场景设计的顶层约束条件16。

步骤二：场景要素分解与参数化。将运行设计域拆解为环境、车辆/平台、交互行为三类可量化参数，例如地形起伏度、植被覆盖、沟壑与涉水深度、昼夜与能见度、背景车辆与人员密度、通信链路质量等，为后续场景组合与难度分级奠定基础17。

步骤三：场景分级与难度递进设计。依照“由简到繁、由结构化到非结构化、由单一到复合”的原则，将场景库划分为若干难度梯次或试验阶段，并为每一阶段设定量化的性能与安全指标（如平均自主速度、单位里程人工干预次数等），确保测试进程可控、可比。

步骤四：场景实施与数据采集。依托统一配置的试验平台（传感器、算力、安全员配置一致），在指定试验场或训练中心执行虚拟仿真与实车试验，同步采集里程、速度、干预、故障、环境等多维度数据。

步骤五：结果评估与场景库迭代。基于采集数据评估系统在既定指标上的达标情况，识别薄弱场景与失效模式，将新发现的边缘案例（Edge Case）纳入场景库，驱动下一轮测试设计的迭代优化18。

（三）实例一：国防高级研究计划局“复杂环境机器人自主”项目越野自主机动测试场景设计

“复杂环境机器人自主”项目（Robotic Autonomy in Complex Environments with Resiliency）于2021年由国防高级研究计划局战术技术办公室启动，目标并非打造某一款专用自主车辆，而是研发一套可移植部署到任意地面车辆平台的自主软件栈，使其具备不依赖全球定位系统、不依赖预先地图、在复杂越野环境中以贴近实战速度自主机动的能力10。该项目由卡内基梅隆大学、美国国家航空航天局喷气推进实验室、华盛顿大学等团队分别开发独立的自主算法，统一部署在国防高级研究计划局提供的“复杂环境机器人自主舰队车辆”（RACER Fleet Vehicle）等标准化平台上，以保证不同团队算法性能的可比性19。以下按照上文五步法，逐层还原其测试场景从顶层边界界定到具体障碍物、地形、光照参数设置，再到分阶段实车验证的完整设计过程。

1. 任务与运行设计域界定

项目将运行设计域限定为“不依赖全球定位系统、不依赖预先测绘地图的复杂越野自然地形”，地形特征需与装甲机动作战相关，环境条件覆盖黄昏黎明、轻中度沙尘、中雨中雪、轻雾及自然阴影等典型战场光照与气象条件20。这一界定明确排除了结构化道路场景，将测试重心完全放在“无迹可循”的天然地表之上，是后续所有具体场景参数设计的顶层依据。

2. 场景要素分解：四类具体障碍与干扰参数

在顶层运行设计域之下，项目团队将越野自主机动场景进一步拆解为四类具体、可操作的测试要素，每一类要素都对应特定的算法能力短板，这是本案例中场景设计“具体到每一步”的核心体现。

•正向障碍物场景：以岩石、灌木丛等突出地表的实体障碍物为对象，按照对车辆的破坏程度分为“致命性障碍”（能够严重损毁车辆的岩石、树桩等）与“非致命性障碍”（对车辆损伤有限的低矮灌木、草丛等）两个等级，要求自主系统在中高速状态下完成识别、分类、避让三个连续动作，而非简单地“见障即停”37。

•负向障碍物与地表突变场景：以沟壑、地表陡然下沉、涉水沟渠为对象。项目负责人斯图尔特·扬明确指出，相较于公众普遍认为的“树木最难处理”，真正对高速越野自主构成最大威胁的其实是水体和地面骤然下陷形成的“负向障碍物”，因为车辆在高速状态下一旦未能及时识别这类地表突变，极易发生倾覆或跌落38；为此，项目在赛道设计中专门设置了负向障碍物评估科目，由传感器在车辆接近前对地表连续性进行判断39。

•坡地与地表附着力场景：设置陡坡下行、湿滑路面、深沟通过等科目，重点考察车辆在失去部分轮胎附着力情况下的姿态保持与减速控制能力，这类场景对车辆动力学控制层的要求高于感知层21。

•感知不确定性与异常线索场景：这是该项目在测试场景设计上最具方法论创新意义的部分。项目团队在赛道中人为设置“反常态”布景，例如在道路旁刻意停放一辆姿态异常的车辆、摆放一组施工警示锥桶，用以测试自主系统能否像经验丰富的人类驾驶员一样，从“坡顶之后道路大概率仍会延续”的默认预测状态，切换为“眼前出现反常线索、需要降速谨慎观察”的不确定性应对状态39。这类场景不考核车辆能否绕开某一具体障碍物，而是考核系统的“行为模式切换”能力，即能否根据环境线索的完整程度动态调整自身的置信度与速度策略。

3. 场景难度递进与分阶段量化指标

在完成场景要素分解后，项目将测试划分为两个阶段并分别设定量化指标：第一阶段场景设定为长度约5公里的无迹越野天然地形，包含植被、坡度、离散障碍物与地表变化，目标为平均自主速度达到每小时18公里、每2公里至多需要1次人工干预20；第二阶段采用陆军“自主平台演示者”（Autonomous Platform Demonstrator）等更重型平台，赛道长度提升至15至30公里以上，目标平均自主速度提升至每小时29公里、干预间隔延长至每10公里1次20。这两组指标构成了每一次实车试验能否“通过”的量化判据。

4. 分实验节点的场景实施细节

项目按照“实验”（Experiment）节点组织实车试验，每一次实验都在上一次基础上叠加新的场景要素，形成难度递进的试验序列，具体节点、新增场景要素与数据见表1。

第一次实验于2022年3月至4月在加利福尼亚州欧文堡国家训练中心开展，设置6条兼具典型装甲机动地形特征的赛道，赛道地表由岩石、灌木丛与沟壑组合而成，测试重点是车辆在中高速状态下对正向障碍物完成识别、分类与规避的基础能力，参试团队完成40余次约2英里的自主运行，最高时速接近20英里21。第二次实验于2022年9月转移至加利福尼亚州罗伯茨营开展，场景在第一次实验基础上专门叠加了更大坡度、更陡峭的山地以及湿滑地表，用以检验车辆下坡状态下的姿态与速度控制能力，这是负向障碍物场景之外首次系统性引入的坡地/附着力科目21。第三次实验于2023年3月回到欧文堡国家训练中心，为项目第一阶段收官试验，场景设计在原有障碍物与坡地科目基础上，将单次运行距离由约2英里延长至4至11英里，以检验系统在更长距离、连续复合场景下的稳定性，同时首次实现车辆完全无人值守（此前均由车内安全员伴随，本次改为仅由后方伴随车辆中的安全员远程监控），参试团队完成55次以上运行，12辆自主舰队车辆累计在24.6小时内行驶246英里，最高时速约25英里22。第四次实验于2023年末转移至得克萨斯州多处军事训练区开展，项目进入第二阶段：一是新增20英尺长的履带式“复杂环境机器人自主重型平台”（RACER Heavy Platform），场景设计需同时兼容轮式与履带式两类平台的差异化动力学特性；二是得克萨斯州林地、灌丛更为密集的地表环境与此前欧文堡沙漠地貌差异明显，构成对系统“环境迁移适应能力”的专项测试；三是本次实验的赛道设计中专门标注了“负向障碍物评估”科目，即在无人驾驶状态下让车辆连续通过多处沟渠与地表突降区域。参试团队在3至10英里的赛道上完成30余次自主运行，累计自主行驶超过150英里、最高时速达30英里，重型平台还单独完成了一次超过30英里的自主编配行驶以验证平台调试完成度23。

实验节点	时间/地点	新增场景要素	运行情况	最高时速
实验一	2022年3-4月欧文堡国家训练中心（加州）	6条赛道，岩石/灌木/沟壑组合，正向障碍物识别-分类-规避	40余次自主运行，单次约2英里	约20英里/时
实验二	2022年9月罗伯茨营（加州）	新增更大坡度陡坡、湿滑地表，考核下坡姿态与速度控制	40余次自主运行	约20英里/时
实验三	2023年3月欧文堡国家训练中心（加州）	单次距离延长至4-11英里，首次完全无人值守	55次以上，累计246英里/24.6小时，12辆车	约25英里/时
实验四	2023年末得克萨斯州多处训练区	新增重型履带平台、林地密集植被环境、负向障碍物专项评估科目	30余次，累计超过150英里	最高30英里/时

5. 从速度性能测试向战场功能场景拓展

在完成机动性能验证的基础上，项目进一步将测试场景由单纯的机动性能考核拓展至具体战场功能任务场景。2025年10月，国防高级研究计划局与陆军装甲第三军第36工程旅在得克萨斯州胡德堡开展“战斗破障”场景演示：场景设定为地面部队需要在雷场中开辟一条通路，测试车辆为“复杂环境机器人自主重型平台”，任务载荷为M58火箭抛射扫雷索，考核内容是自主平台能否在无人操作条件下自主机动至预定位置、完成扫雷索的定位与发射，为后续人员开辟安全通路15。2025年11月，第11装甲骑兵团侦察中队在欧文堡国家训练中心组织的实兵对抗演习中，设计了一个更为复杂的任务场景：将搭载情报监视侦察载荷的“复杂环境机器人自主舰队车辆”（基于北极星“突袭者”越野车平台）编入代表假想敌的“红方”部队，赋予其纵深12至15公里的自主长距离侦察任务，要求车辆在没有预先路径规划、且需要规避“蓝方”侦察与拦截的对抗条件下完成情报收集，这一场景设计的核心目的是检验自主系统在真实兵力对抗、而非预设赛道环境下的鲁棒性15。

6. 结果评估与场景库迭代

项目以自主行驶里程、平均自主速度、单位里程人工干预次数三项指标作为核心评估依据，并在每一阶段结束后依据发现的失效模式（如高速状态下对负障碍物、涉水沟渠的误判，或对反常态线索的误判）调整下一阶段场景难度与算法训练重点24。项目负责人斯图尔特·扬指出，早期自主系统适应新环境往往需要数周时间重新训练，而依托该项目在最后一次即第八次实验中于欧文堡国家训练中心验证的感知架构，系统对新环境的模型重训练过程已缩短至一天以内，充分体现了“场景库迭代—失效模式发现—模型再训练”这一闭环对系统能力提升的驱动作用39。

（四）实例二：美国陆军“专家型领驱-跟随”车队自动驾驶测试场景设计

“专家型领驱-跟随”（Expedient Leader-Follower）项目脱胎于陆军地面车辆系统研究发展与工程中心主导的“自主机动应用系统”（Autonomous Mobility Applique System）技术验证项目，2018年6月，陆军授予欧什科什防务公司合同，将自主套件集成至重型物资装载系统卡车，形成由1辆载人领驱车牵引多辆无人跟随车的车队自动驾驶能力8。与“复杂环境机器人自主”项目聚焦越野高速自主不同，该项目的运行设计域是“道路+越野混合、人机共驾”，其测试场景设计更强调对具体交通参与者、具体机动动作与具体威胁类型的逐项覆盖，下文同样按五步法逐层还原。

1. 任务与运行设计域界定

项目运行设计域被限定为“有人驾驶领驱车+多辆无人跟随车组成的战术车队”，覆盖城市道路、野战道路与越野地形三类路况，并要求系统具备在通信受扰、极端气象条件下的车队保持能力25。

2. 场景要素分解：五类具体交通与环境科目

在顶层运行设计域之下，项目将测试场景拆解为五类具体、可逐项复核的科目，每一类科目均对应明确的道路使用者或环境干扰源，这一分解方式构成了该案例场景设计“具体到每一步”的核心。

•道路交叉口与交通规则场景：测试无人驾驶车队在无信号与有信号路口的让行、启停判断能力，要求领驱车按标准交通规则完成路口通行40。

•对向车流与超车场景：设置真实社会车辆作为对向来车、停驶车辆与正在超车的车辆，测试系统在保持自身车道的同时识别并规避这些动态与静态交通参与者的能力40。

•行人穿越场景：在城市与乡村两类测试区分别设置行人穿越路径，测试系统对行人的识别距离、减速时机与避让轨迹40。

•环形交叉口（转盘）场景：设置多路口环形交叉口，测试车队在环形道路内的并线、让行与择机驶出能力，这是道路场景中对连续决策要求最高的科目之一40。

•恶劣环境与安全科目：包括密歇根州深雪场景（用于标定车轮打滑参数）、得克萨斯州布利斯堡沙漠场景（用于验证软件配置的环境适应性）以及由陆军地面车辆系统研究发展与工程中心组织外部“红队”实施的模拟网络攻击科目（用于排查系统信息安全薄弱环节，是车辆获得“网络认证”的前置条件）26。

3. 场景难度递进与试验节点

项目试验节点、场景类型与数据见表2，同样呈现出由单一场景到复合场景、由技术演示到部队试验的递进特征。

2014年1月，作为技术基础的自主机动应用系统在得克萨斯州胡德堡完成首次场景演示，测试场景一次性覆盖“道路交叉口、对向车流、停驶与超车车辆、行人穿越、环形交叉口”五类科目，且分别在城市与乡村两类测试区各执行一遍，3辆无人军用卡车以每小时25英里的速度全程识别并正确应对上述全部科目，未发生一起碰撞40。同年晚些时候，项目在同一地点开展第二次演示（“能力提升演示Ⅱ”），在第一次演示科目基础上进一步提升车队编队规模与通过速度，检验系统在更高速度、更多车辆条件下维持既有场景应对能力的稳定性6。截至2017年11月，该系统经洛克希德·马丁公司持续测试，累计实车测试里程已超过5.5万英里，测试场景涵盖以3至4辆无人跟随车组成的重型物资装载系统车队编队机动7。2018年末，测试车辆被转移至密歇根州开展深雪环境专项测试，场景设计聚焦“低附着力路面下的跟随精度”，测试团队记录到车轮打滑幅度显著高于此前仿真预测值，据此对控制算法的打滑补偿参数进行了针对性调整26；2019年，测试车辆转场至得克萨斯州布利斯堡开展沙漠环境适应性测试，用以验证经密歇根州调整后的软件配置在完全不同地表条件下的通用性，为当年4月的最终配置定型提供依据26。2021年，陆军在亚利桑那州尤马试验场“融合项目”演习中对“专家型领驱-跟随”系统开展了迄今为止规模最大的一次综合演习验证：一是同时运行两个版本的自主软件进行横向对比，在重型物资装载系统卡车、寒区全地形车、后勤车辆系统换代车三型平台上累计完成超过3000英里的机器人化测试；二是场景设计中新增两项具体战术功能科目——“编队组合与解列”，即无人跟随车根据操作人员指令自主完成车队纵向或横向列队、集结与解散，以及“倒车挂接”，即无人跟随车在拖挂拖车状态下自主完成倒车、依靠“插销—拔销”机构自动锁定拖车牵引台，免去乘员下车手动操作的环节29。同年，陆军在尤马试验场还设计了一项完整的端到端综合任务场景：模拟前线坦克部队因缺件请求补给，后方接收请求后利用现场3D打印设备制造替换零件，随即派出“专家型领驱-跟随”车队将零件运抵前沿，并与美国海军陆战队“远征模块化自主车辆”完成末端交接，整个场景将车队自动驾驶能力嵌入从“需求发起—制造—运输—末端交接”的完整战场后勤保障任务链条中进行整体考核，而非孤立测试某一项驾驶技能30。在完成上述阶段性试验后，项目于2021年前后进入部队试验阶段，约80辆加装自主套件的车辆列装陆军第41运输连并部署至路易斯安那州波尔克堡，由一线官兵在日常训练环境中开展持续性使用与反馈，场景设计的主体也从“研发方设计的标准科目”过渡为“部队在实际任务中遇到的真实路况”31。

试验/演示节点	时间/地点	场景类型与具体科目	关键数据
自主机动应用系统首次城市演示	2014年1月胡德堡（得州）	道路交叉口、对向车流、停驶/超车车辆、行人穿越、环形交叉口，城市+乡村两类测试区	3辆车，时速25英里，全程无碰撞
能力提升演示Ⅱ	2014年胡德堡（得州）	同上科目，提升车队规模与通过速度	车队规模与速度提升
深雪环境专项测试	2018年末密歇根州	低附着力路面跟随精度，打滑补偿参数标定	发现车轮打滑高于预期
沙漠环境适应性测试	2019年布利斯堡（得州）	验证跨地表环境软件配置通用性	支撑软件配置定型
累计实车测试	截至2017年11月多地	3-4辆跟随车编队机动	累计超过5.5万英里
“融合项目”演习	2021年秋尤马试验场（亚利桑那州）	两版本软件对比+编队组合解列+倒车挂接新增科目	超过3000英里，三型平台
综合后勤任务场景	2021年尤马试验场（亚利桑那州）	请求-3D打印-运输-末端交接端到端任务链	与陆战队远征模块化自主车辆联合演示
部队试验列装	2021年前后波尔克堡（路易斯安那州）	部队常态化真实路况使用	约80辆列装第41运输连

4. 结果评估与场景库迭代

项目以自主行驶里程、人工接管频次、复杂气象条件下的系统稳定性、网络安全测试通过情况以及一线官兵操作反馈作为综合评估依据。士兵在部队试验中反馈，系统仍需在感知能力上进一步提升，才能真正承担起替代人工驾驶的任务32；行业分析亦指出，当通信链路在领驱车与跟随车之间出现中断或质量下降时，跟随车队易出现路径跟踪失稳、误差放大等问题，这一发现推动项目在后续场景设计中专门增加了通信降级与中断条件下的车队稳定性测试科目，作为在原有五类科目基础上新增的第六类场景要素33。

三、美军车辆自动驾驶系统测试场景设计面临的困难与挑战

（一）非结构化越野环境场景覆盖难题

与结构化道路环境相比，越野地形在坡度、地表附着力、植被遮蔽、隐蔽障碍物等维度上的参数组合几乎无法穷举，这使得场景库的“完备性”始终难以证明。即便是国防高级研究计划局“复杂环境机器人自主”项目这一目前进展最快的越野自主项目，也用长达5年的分阶段实验才将平均自主速度从每小时18公里逐步提升至每小时29公里、干预间隔从每2公里1次延长至每10公里1次20，而机器人战车项目截至2024年的离road自主软件评估仍被陆军官员坦言“距离外界预期存在较大差距”，测试场景实际上还停留在小径与未硬化道路层面，尚未真正进入高难度越野场景13。这说明当前的场景参数化与难度分级方法在越野环境下仍面临方法论层面的瓶颈。

（二）实车测试成本与场景覆盖充分性之间的矛盾

兰德公司一项针对商用自动驾驶系统的研究测算，若要以实车道路测试证明自动驾驶系统安全性优于人类驾驶员20%，需要完成超过110亿英里的测试里程，即便投入100辆车组成的车队昼夜不间断测试，也需要超过500年才能达成该目标34。军用车辆自动驾驶系统所需应对的场景空间远比民用道路环境复杂，单纯依靠实车测试实现充分场景覆盖在时间与经费上均不现实，这也是美军近年来大力推动虚拟仿真与实车试验相结合的验证与确认体系建设的直接动因1。然而，虚拟场景与真实战场环境之间始终存在“仿真到现实差距”（Sim-to-Real Gap），如何科学量化虚拟测试对实车试验的替代程度、如何界定哪些场景必须依赖实车验证，目前仍缺乏统一标准1。

（三）通信拒止与电磁对抗环境下的场景真实性挑战

现役机器人战车等平台在早期阶段高度依赖遥操作，操作链路一旦因地形遮蔽、通信距离或电子对抗而中断，车辆即失去有效控制，这一问题在2024年相关测试评估中被反复提及35。“专家型领驱-跟随”系统同样面临领驱车与跟随车之间通信中断导致车队路径跟踪失稳的问题33。然而，出于安全与频谱管理限制，在开放试验场或国家训练中心开展高强度、逼真的电磁对抗环境模拟本身存在较大操作难度，如何在测试场景设计中既真实还原战场通信拒止强度，又不影响试验安全与其他在场部队的正常训练活动，是当前测试场景设计亟待解决的现实难题。

（四）人机协同与士兵信任场景设计不足

部队试验反馈显示，一线官兵对当前自动驾驶系统的感知能力与决策可靠性仍持保留态度，认为系统尚不能完全替代人工驾驶承担战术任务32。这提示现有测试场景设计仍偏重对系统自身机动性能指标（如速度、里程、干预率）的量化考核，而对“人机信任建立”“人在回路条件下的任务交接效率”“士兵认知负荷”等人因维度的场景化测试覆盖不足，一定程度上制约了自动驾驶系统真正意义上的部队列装与作战使用。

（五）采办体系与场景标准化不足的深层问题

产业界人士对机器人战车项目提出质疑，认为陆军在采办方式上偏向内部自研自主软件而非采用相对成熟的商业解决方案，导致测试进度与场景设计缺乏统一的行业基准和第三方比较依据36。与此形成对照的是，国防高级研究计划局“复杂环境机器人自主”项目通过为所有参试团队提供统一配置的标准化试验车辆与统一的试验场景，实现了不同自主软件栈性能的横向可比19，这一做法凸显了统一场景标准与统一试验平台对提升测试评估科学性的重要价值，也从侧面反映出美军现有采办体系下场景设计标准化程度仍参差不齐的问题。

四、研究建议

建立面向军用车辆自动驾驶系统的统一运行设计域分类与场景分级标准，借鉴国防高级研究计划局“复杂环境机器人自主”项目“统一平台、分阶段量化指标”的经验，减少不同项目、不同承制方之间试验结果的不可比性。
加快构建虚实结合的验证与确认体系，扩大虚拟仿真在场景覆盖中的比重，将实车试验重点集中在虚拟测试难以充分模拟的高风险、高不确定性场景，缓解实车测试成本与场景覆盖充分性之间的矛盾。
将通信拒止、电子对抗、网络攻击等战场特有威胁要素作为常态化测试科目纳入场景设计，而非仅作为附加或专项测试，以更真实地反映自动驾驶系统在实战条件下的鲁棒性。
在场景设计中增加以士兵为中心的人因测试科目，系统评估人机任务交接效率、士兵信任建立过程与认知负荷，推动测试评估从“系统性能达标”向“系统可用、士兵愿用、部队能用”转变。
推动军民自主技术标准与试验场资源共享，借助国防高级研究计划局“复杂环境机器人自主”项目成果向商业公司转移的经验，构建军民两用的场景库与试验数据共享机制，提升测试资源利用效率。