目前,国内外都大力发展先进驾驶辅助系统(Advanced Driving Assistance System,ADAS),其目的是辅助驾驶员、避免人为误操作、提高驾驶安全性。判断ADAS系统是否达到其开发的目的,需要在测试平台上进行测试。本文主要在危险场景下对先进驾驶辅助系统中的自适应巡航系统(Adaptive Cruise Control,ACC)的测试平台进行搭建,平台搭建借助仿真软件PreScan和MATLAB。测试的危险场景是从大量的自然驾驶数据中提取和分类而来,因此危险场景的提取与分类是搭建测试平台的依据。主要研究工作及成果如下:(1)数据采集预处理。将采集的数据根据不同的解码方式解析成直观读取的数据并保存成Excel形式。将解析好的数据通过删除无效数据、三次样条插值补充空缺数据和过滤噪声等方式清洗,便于后续使用。(2)危险场景提取。将处理好的数据通过分析,确定判断场景的危险特征有自车纵向加速度、THW和TTC。特征参数阈值选择参考了国外诸多文献,并结合自身数据特点加以确定。通过确定的特征参数筛选标准提取危险场景,但是筛选出的片段中危险片段占比小,仅有61.97%。其中场景被误筛选的原因有红绿灯、驾驶员驾驶等问题,针对不同问题进一步增加判断条件,改进了筛选模型。改进的模型自动筛选的准确率达到了98.92%,且筛选出的片段中危险片段占比提高到81.72%。(3)危险场景分类。将提取好的危险片段进行后续的分类,分类采用决策树、随机森林和LightGBM三种方法。前两种采取网格搜索,后一种采取贝叶斯优化来选出各自最优的超参数,并对比在各自最优超参数下的分类结果。分类结果表明,决策树容易过拟合;随机森林分类准确率不够理想;LightGBM既不会过拟合,分类准确率也是三者中最高的,因此,选择LightGBM作为后续的场景分类方法。(4)危险场景测试。先在PreScan中将分类好的危险场景搭建驾驶环境,然后导入障碍物初始位置和行驶状态,以及自车的初始位置和初始状态,完成场景的测试平台搭建。搭建好的场景可以从驾驶员视角、俯视和Human View多维度观察车辆和前方障碍物的运动状态及周围环境。将搭建好的测试平台联合MATLAB/Simulink中ACC模型控制自车运动,比较人为控制和系统控制的自车运动状态,达到在危险场景下测试ACC系统的目的,主要测试了数量较多的前车切入、前车制动减速和主车切入领车道时目标车辆制动3种危险场景。测试结果表明,危险场景测试平台较好的还原了真实的驾驶环境,能实现实际无法还原的危险驾驶情况下的ADAS测试。