圖2. a) 一種典型的城市駕駛場景; b) 分配任務的時空排列; c) 隨時間變化的相應計算開銷

圖3. 一個駕駛任務逐級細化的過程也就是對于任務空間的抽樣過程，包括逐級確定分配任務的時空排列和創(chuàng)建實例

3.3.3. 智能車智能性測試框架

在傳統(tǒng)汽車測試開發(fā)中我們經常使用V字型開發(fā)方法。如下圖所示，在這種方法中，人們在開發(fā)階段就定義了相應級別的測試用例。

圖4. 傳統(tǒng)汽車測試V字形開發(fā)流程

V模型的第一階段是整體需求確認階段，在該階段與整體需求對應的測試用例也會提前定義。第二階段，第三階段分別是系統(tǒng)級別（High-Level-Design）以及子系統(tǒng)級別（Low-Level-Design）的設計和對應測試用力的書寫。在這兩個階段系統(tǒng)的功能會被分解細化，軟件中的各種類，以及類間關系會被定義。同時，也需要在這兩個階段書寫同樣級別的測試用例。第四階段是模塊設計，在這個階段，子系統(tǒng)會進一步分解成為小的模塊，對應的對于模塊的測試用例也會在這個階段定義完成。

如果把我們提出的測試方法和V模型一一對應，就能得到如下的Λ-V模型：不斷學習新示例，舉一反三，逐步完善任務描述。

圖5. Λ-V模型測試框架

V模型對于傳統(tǒng)汽車研發(fā)這一類系統(tǒng)性和可推導性比較強的系統(tǒng)工程有較好的效果，但是由于我們需要在具體的編程之前就設計好所有的測試用例，這使得該模型在較為復雜的人工智能系統(tǒng)開發(fā)中很難直接套用。
我們認為，在開發(fā)智能系統(tǒng)過程中，機器學習和測試如同一個硬幣的兩面，智能性測試應該和機器學習有著類似的流程。

（a）

（b）

圖6. 智能車測試框架

在平行學習的框架下，首先要解決的問題是如何獲取新的數據用來學習，該階段我們稱為描述性學習階段；在第二階段，會從第一階段中提取特定的數據有針對性的進行學習，從而獲得“小知識”，該階段我們稱為特定數據學習階段；第三階段是預測性學習階段，在該階段，會把前兩階段得來的數據和知識一一對應，這種聯(lián)系也會被記錄下來。最后，所有的新數據會在第三階段已有聯(lián)系的基礎上找到對應的“小知識”。

與此類似的，如圖6（b）所示，智能車的智能性測試也有著類似的流程。第一階段是創(chuàng)建新的測試任務。在這個過程中，在場景中的測試任務都會被逐步分解成為細化的功能。第二階段是在第一階段創(chuàng)建的測試任務中選取有挑戰(zhàn)性的部分（測試取樣）。最后一個階段是測試的執(zhí)行，也就是在前兩個階段創(chuàng)建的任務中觀察智能車的表現。在這個階段，我們需要從測試結果中得到兩類關聯(lián)信息，第一類是車輛智能性和其在我們搭建的測試環(huán)境中的表現的關聯(lián)，這種關聯(lián)對于我們在新的測試任務中取樣有很大的幫助；第二種關聯(lián)是測試本身和測試環(huán)境的關聯(lián)，我們需要從不同的測試環(huán)境中學習到如何更好的創(chuàng)建測試任務。

我們提出了以上的智能性測試框架是基于以下考慮：