主要观点：部署全自动车辆（AVs）的竞赛正在加速，规模化的关键问题是如何确保 AVs 在大规模应用时安全可靠，传统测试方法难以验证 AVs 复杂行为，需超越传统测试范式进入新的验证领域，评估 AV 驾驶是与开发类似复杂的挑战，需多层面评估策略，包括多种关键评估方法如针对简单测试的目标场景、针对边缘情况的目标场景、无偏大规模重仿真、有偏大规模模拟、带人类司机的道路验证、无人类司机的道路验证等，同时指出基于模拟的技术存在挑战，而 AI 在改善评估方面作用重大。
关键信息：

• Waymo 每周已达 25 万多次行程，Tesla 和 Zoox 也在加速。
• 评估质量要求高，需考虑现实世界场景复杂性、边缘情况、大量数据计算等。
• 关键评估方法包括不同类型的目标场景及模拟和道路测试等。
• 模拟技术存在仿真真实性、创建质量指标等挑战。
• AI 可用于生成合成场景、改善传感器模拟和开发更强大的指标。
  重要细节：
• 目标场景用于评估特定功能，如车道保持、自适应巡航控制等。
• 无偏大规模重仿真利用大量真实驾驶数据评估整体性能。
• 有偏大规模模拟专注于测试已知挑战场景。
• 带人类司机的道路验证可收集真实世界数据等。
• 无人类司机的道路验证能揭示系统真正限制。
• AI 可生成新场景、改善传感器模拟和识别行为模式。