采样结果 如下图1和图2所示，对于某个逻辑场景进行拉丁超立方和蒙特卡洛采样，参数都是符合随机特性，但采样得到的值不相同。 对于同样的采样点数，拉丁超立方采样的结果会更加分散，并且边界值会更多。 图4 蒙特卡洛采样结果 图5 拉丁超立方采样结果 对于离散型参数，联合概率分布采样会根据给定的取值列表进行随机采样。 图6 离散型参数-联合概率分布采样结果 对于连续型参数，联合概率分布采样会根据参数分布和相关系数进行采样。 图7 连续型参数-联合概率分布采样结果 对于重要性采样，联合概率分布采样会在边界附近进行采样。 图8 重要性采样结果

查看和下载任务日志 标注任务运行的过程中生成任务日志，平台提供了日志的查看以及下载功能。单击任务名称，在该任务的详情页面，单击＂日志＂，可查看该任务日志列表及日志详情。支持下载至本地。如果日志较多，可在搜索框中输入关键字，查找指定日志内容。搜索内容为当前已加载内容 ，最少为1M（首次加载时）。如图，在日志服务页面中的日志列表部分详细展示了该任务包含的日志文件的大小以及最近写入时间。单击文件后的＂查看＂，该文件的详细执行过程则在日志详情部分展示。也可在日志文件后的＂操作＂栏，单击＂下载＂，即可将该日志文件下载到本地查看。 图1 任务日志

场景和场景库 其中片段式场景仿真是自动驾驶系统测试的重要手段，当前业内对于片段式场景普遍遵循ASAM主导的OpenX系列标准。OpenSCENARIO对动态驾驶环境进行了描述，交通参与物之间通过其他物体的状态变化作为触发条件，进而改变自身的状态。 通过OpenX场景可对算法于环境的动态交互能力进行测试，场景库的目的则是将一批有相同测试目的的场景进行汇总，如想测试Acc算法的应对切入功能，可将多个应对切入的测试场景归到一个场景库，进而在创建仿真任务时可直接选择该场景库进行仿真。

逻辑场景和逻辑场景库 逻辑场景是基于状态空间变量对功能场景的进一步详细描述，每个逻辑场景都有场景参数，比如前车车速及其加速度，自车与前车距离等参数，这些参数都有一定的取值范围，根据这些参数可以派生出任意数量的具体场景。 逻辑场景库是不同逻辑场景的数据集合，以树状结构的形式表现出来，便于对逻辑场景进行统一的、有效的组织、管理和应用，比如当用户想系统管理和方便查看超车的逻辑场景，可以将所有超车相关的逻辑场景加入一个场景库中。

测试用例和测试套件 如上所述，OpenSCENARIO场景能描绘动态环境的，但无法根据主车内部动力学状态、自动驾驶算法状态作为触发条件来驱动各个交通参与物变化，因此为了实现更加精细的测试控制，需要额外提供一个测试脚本实现与仿真器中的交通参与物和算法内部数据的交互。 图1 测试用例和测试套件 如上图所述，测试脚本能同时监听RDB和AD算法的内部数据，如通过RDB判断主车与前车距离小于20m，可发送某个控制信号给算法改变esp状态，也可以通过SCP指令控制场景中的副车改变运动姿态。 测试脚本很大程度上弥补了单纯场景仿真的不足，能够实现以算法内部信号为触发条件，改变仿真场景中交通参与物的状体和算法内部状态。 因此，在场景的基础上，添加与该场景相匹配的测试脚本，就形成了一个测试用例。也就是说，测试用例是一个场景和测试脚本的集合。 同样，测试套件是将测试目的相同的测试用例归到一起，方便创建仿真任务时直接选择。

乘员舒适性（Driving Comfort)检测 乘员舒适性检测关注的是自动驾驶车辆行使过程中，驾驶员感受到的舒适程度。 舒适程度通常可以利用整个行使过程中的速度方差来进行客观反映,而变异系数是可以对不同速度区间舒适程度进行比较。 变异系数的公式如下所示。 表示变异系数，表示标准差，表示均值。 本设计当主车速度的变异系数大于0.15时，判定乘员舒适性检测不通过。 该指标关联的内置可视化时间序列数据为：speedX。 该指标的异常时间点记录类型为：POINT_TYPE_ALL。 父主题： 内置评测指标说明

Predicted_objects stamp_secs: 1617336640 stamp_nsecs: 971891550 timestamp: 1617336640971 obstacle_info { obstacle_timestamp: 1617336640699 id: 6711 x: -123.08731842041016 y: 486.83221435546875 z: 0.575542688369751 prediction_trajectory { path_point { x: -103.26817321777344 y: 486.0815734863281 theta: -0.007839304395020008 v: 4.405668258666992 relative_time: 4.5 } path_point { x: -102.82765197753906 y: 486.0737609863281 theta: -0.00746726430952549 v: 4.405668258666992 relative_time: 4.599999904632568 } ...... } } obstacle_info { obstacle_timestamp: 1617336640699 id: 6744 x: -145.0320587158203 y: 491.35015869140625 z: -0.40381166338920593 prediction_trajectory { path_point { x: -145.0320587158203 y: 491.35015869140625 theta: -2.9442124366760254 v: 1.0038001537322998 } path_point { x: -145.1304931640625 y: 491.3304748535156 theta: -2.9442124366760254 v: 1.0038001537322998 relative_time: 0.10000000149011612 } ...... } } obstacle_info { obstacle_timestamp: 1617336640699 id: 6760 x: -138.3047332763672 y: 489.9286193847656 z: -0.12651222944259644 }

Planning_trajectory stamp_secs: 1617336640 stamp_nsecs: 809739351 timestamp: 1617336640809 trajectory_points { x: -151.27487182617188 y: 486.55096435546875 theta: 0.0023324606008827686 kappa: -0.0017824547830969095 } trajectory_points { x: -151.21182250976562 y: 486.5510559082031 theta: 0.0022713469807058573 kappa: -0.0017127590253949165 } ......

Vehicle vehicle_info { stamp_secs: 1604996332 stamp_nsecs: 847945211 autonomy_status: 0 gear_value: 4 vehicle_speed: 43.93000030517578 steering_angle: 0.699999988079071 yaw_rate: 0.0 interior_temperature: 0.0 outside_temperature: 0.0 brake: 0.0 timestamp: 1604996332847 turn_left_light: 0 turn_right_light: 0 longitude_acc: -0.03125 lateral_acc: 0.0 }

Routing_path timestamp: 1630057162125 stamp_secs: 1630057162 stamp_nsecs: 125769156 routing_path_info { id: 1 path_point { x: -203.34230041503906 y: 125.63516998291016 z: -0.5 } path_point { x: -203.34915161132812 y: 125.72517395019531 z: -0.5 }......}

Object_array_vision tracked_object { timestamp: 1604996332862 stamp_secs: 1604996332 stamp_nsecs: 862911489 objects { id: 26175 label: "Car" pose_position_x: 1154.59912109375 pose_position_y: -496.5350646972656 pose_position_z: -1.8222997188568115 pose_orientation_z: 0.714431643486023 pose_orientation_w: 0.6997052431106567 pose_orientation_yaw: 1.5916229486465454 dimensions_x: 4.513162136077881 dimensions_y: 1.7747581005096436 dimensions_z: 1.628068208694458 speed_vector_linear_x: 0.012852923013269901 speed_vector_linear_y: -9.972732543945312 relative_position_x: -17.48011016845703 relative_position_y: 10.685434341430664 relative_position_z: -0.17673441767692566 } objects { id: 26170 label: "Pedestrian" pose_position_x: 1180.902099609375 pose_position_y: -504.7625732421875 pose_position_z: -1.3601081371307373 pose_orientation_z: -0.7057344317436218 pose_orientation_w: 0.7084764242172241 pose_orientation_yaw: -1.5669186115264893 dimensions_x: 0.7922295331954956 dimensions_y: 0.7891787886619568 dimensions_z: 1.6868246793746948 speed_vector_linear_x: 0.13573257625102997 speed_vector_linear_y: 1.5281875133514404 relative_position_x: -25.306795120239258 relative_position_y: -15.737456321716309 relative_position_z: 0.39350399374961853 } objects { id: 26169 label: "Pedestrian" pose_position_x: 1175.647216796875 pose_position_y: -506.730712890625 pose_position_z: -1.569373607635498 pose_orientation_z: 0.6943609118461609 pose_orientation_w: 0.7196269631385803 pose_orientation_yaw: 1.5350627899169922 dimensions_x: 0.8029457330703735 dimensions_y: 0.7876891493797302 dimensions_z: 1.6028095483779907 speed_vector_linear_x: 0.06551000475883484 speed_vector_linear_y: 0.0022428608499467373 relative_position_x: -27.355571746826172 relative_position_y: -10.512933731079102 relative_position_z: 0.19844147562980652 } objects { id: 26168 label: "Pedestrian" pose_position_x: 1173.3189697265625 pose_position_y: -507.2300109863281 pose_position_z: -1.6026556491851807 pose_orientation_z: 0.717462956905365 pose_orientation_w: 0.6965966820716858 pose_orientation_yaw: 1.600306749343872 dimensions_x: 0.7922430038452148 dimensions_y: 0.7811086177825928 dimensions_z: 1.6341478824615479 speed_vector_linear_x: -0.04817964881658554 speed_vector_linear_y: -0.21502695977687836 relative_position_x: -27.89008903503418 relative_position_y: -8.192517280578613 relative_position_z: 0.16775710880756378 } objects { id: 26155 label: "Bus" pose_position_x: 1172.106689453125 pose_position_y: -478.5303039550781 pose_position_z: -0.48812994360923767 pose_orientation_z: -0.7203028798103333 pose_orientation_w: 0.6936596632003784 pose_orientation_yaw: -1.6084778308868408 dimensions_x: 11.322981834411621 dimensions_y: 2.9294095039367676 dimensions_z: 3.1415622234344482 speed_vector_linear_x: -0.017722932621836662 speed_vector_linear_y: 0.1302066147327423 relative_position_x: 0.7977913022041321 relative_position_y: -6.548437118530273 relative_position_z: 0.9966707229614258 } objects { id: 26153 label: "Bus" pose_position_x: 1148.1876220703125 pose_position_y: -490.8350524902344 pose_position_z: -0.954763650894165 pose_orientation_z: 0.6907882690429688 pose_orientation_w: 0.7230570912361145 pose_orientation_yaw: 1.5251574516296387 dimensions_x: 10.779899597167969 dimensions_y: 2.856076717376709 dimensions_z: 2.811084508895874 speed_vector_linear_x: 0.03153659775853157 speed_vector_linear_y: 0.23439916968345642 relative_position_x: -11.868709564208984 relative_position_y: 17.1827335357666 relative_position_z: 0.6278138756752014 } objects { id: 26141 label: "Bus" pose_position_x: 1171.7779541015625 pose_position_y: -512.5936889648438 pose_position_z: -0.9443151354789734 pose_orientation_z: -0.7186583876609802 pose_orientation_w: 0.6953632831573486 pose_orientation_yaw: -1.6037421226501465 dimensions_x: 10.841312408447266 dimensions_y: 2.9661808013916016 dimensions_z: 3.2250704765319824 speed_vector_linear_x: 0.0513402484357357 speed_vector_linear_y: 0.006104861851781607 relative_position_x: -33.26952362060547 relative_position_y: -6.731308937072754 relative_position_z: 0.8776476979255676 } objects { id: 26133 label: "Bus" pose_position_x: 1146.657958984375 pose_position_y: -508.7508239746094 pose_position_z: -0.883571445941925 pose_orientation_z: 0.7007946968078613 pose_orientation_w: 0.713362991809845 pose_orientation_yaw: 1.5530219078063965 dimensions_x: 12.186415672302246 dimensions_y: 2.824420690536499 dimensions_z: 3.292656183242798 speed_vector_linear_x: 0.005901232361793518 speed_vector_linear_y: 0.013970088213682175 relative_position_x: -29.803848266601562 relative_position_y: 18.443498611450195 relative_position_z: 0.8749525547027588 } objects { id: 26120 label: "Bus" pose_position_x: 1170.993408203125 pose_position_y: -525.5801391601562 pose_position_z: -1.104852318763733 pose_orientation_z: -0.7154129147529602 pose_orientation_w: 0.6987019181251526 pose_orientation_yaw: -1.5944297313690186 dimensions_x: 10.749905586242676 dimensions_y: 2.7170863151550293 dimensions_z: 3.0421104431152344 speed_vector_linear_x: 0.016746148467063904 speed_vector_linear_y: -0.23609620332717896 relative_position_x: -46.26727294921875 relative_position_y: -6.141877174377441 relative_position_z: 0.8449855446815491 } }

Ego_tf localization_info { timestamp: 1604996332855 stamp_secs: 1604996332 stamp_nsecs: 855301408 pose_position_x: 1165.5460205078125 pose_position_y: -479.2198486328125 pose_position_z: -1.48505699634552 pose_orientation_x: 0.003883248195052147 pose_orientation_y: -0.0031167068518698215 pose_orientation_z: 0.7017714977264404 pose_orientation_w: 0.7123847603797913 pose_orientation_yaw: 1.5557808876037598 velocity_linear: 12.21684455871582 velocity_angular: 0.014540454372763634 acceleration_linear: 0.23571151494979858 acceleration_angular： 0.0 }

Tag_record segments { scenario_id: 100000000 source: "takeover" start: 1617336642300 end: 1617336652300 } segments { scenario_id: 100000000 source: "vehicle" start: 1617336672300 end: 1617336692300 }

Traffic_light_info timestamp: 1630057508000 stamp_secs: 1630057508 lights { id: 1 color: 1 location_x: -206.60186767578125 location_y: 459.9820861816406 location_z: 3.0 } lights { id: 2 color: 2 location_x: -74.1282958984375 location_y: 484.984619140625 location_z: 4.0 } lights { id: 3 color: 3 location_x: 59.96036911010742 location_y: 473.6038513183594 location_z: 5.0 }

数据场景相关操作 在“数据场景”模块，还可以完成以下操作。 表1 数据场景相关操作 任务 操作步骤 切换视图 单击列表右上角“切换视图”，场景片段可以由列表和时间轴两种视图相互切换。 删除场景片段 选择目标场景片段，单击列表上方的“删除”，可删除单个或多个场景片段。 回放场景片段 鼠标悬停在目标场景片段时间轴上，单击“回放”，页面自动跳转至“数据回放”模块，详情请参考数据回放。 筛选场景片段 在搜索输入框中输入搜索条件或者根据起始时间查询场景片段。