一种通过操作设计域参数扰动来评估复杂天气条件下智能驾驶纵向控制可重复性的方法 杨旭（Yang Xu）、 李志雄（Zhixiong Li）、 孙川（Chuan Sun）、 徐书才（Shucai Xu）、 孙海明（Haiming Sun）、 曹一成（Yicheng Cao）和 杨俊如（Junru Yang）

《Machines》：A Reproducible Evaluation Method for Intelligent-Driving Longitudinal Control Under Complex Weather Through Operational Design Domain Parameter Perturbation Yang Xu, Zhixiong Li, Chuan Sun, Shucai Xu, Haiming Sun, Yicheng Cao and Junru Yang

　　**摘要**
复杂的天气条件会降低感知的可靠性以及轮胎与路面的附着力，从而减少智能驾驶纵向控制的安全裕度和响应能力。本研究提出了一种基于参数扰动测试和综合评估的可重复性评估方法，用于评估恶劣天气条件下的运行设计领域。通过标准定量阈值对雪、雾和雨进行分级，并结合道路的滑腻程度来构建天气-道路状态集。随后使用基于机制的指标系统、主观-客观相结合的加权策略以及多层次模糊综合评估模型来生成定量的能力分数。该方法在包含车辆-传感器仿真、驾驶模拟器和数字孪生测试环境的协同仿真框架上进行了验证，使用了具有代表性的自动紧急制动场景。结果表明，天气条件的恶劣程度增加、路面附着力的降低以及初始速度的提高都会减少制动后的安全裕度并延长碰撞响应时间。所提出的方法能够区分不同天气-道路状态下的性能，并为恶劣天气条件下的测试覆盖范围规划和能力边界校准提供定量支持。

**1. 引言**
1.1. 关于恶劣天气测试和运行设计领域的相关研究
自动驾驶和高级驾驶辅助系统（ADAS）正从以示范为导向的发展转向更广泛的工程应用。在此过程中，安全性、可用性和功能鲁棒性越来越受到运行设计领域（ODD）的限制，该领域描述了自动化驾驶功能预期的工作条件。现有标准为面向ODD的发展和验证建立了重要的概念性和工程基础。SAE J3016提供了驾驶自动化的术语和分类体系，并阐明了自动化级别与工作条件之间的关系[1]，而ISO 34503进一步规定了ODD的结构化描述要求，并支持环境和交通条件的分层及可追溯表示[2]。ISO 16787则为辅助停车系统提供了性能要求和测试程序[3]。在基于场景的验证框架中，ASAM OpenSCENARIO为仿真测试的可移植性、重用性和可比性提供了基础[4]，PEGASUS方法论则强调通过场景覆盖、质量标准和闭环评估工作流程来进行系统验证[5]。像CARLA这样的开放模拟平台也支持自动化驾驶研究的场景构建和虚拟验证[6]。
在ODD因素中，复杂的天气条件及其导致的低附着力道路条件尤为重要，因为它们同时影响感知可靠性和纵向制动能力。雨、雪和雾会通过散射、衰减、遮挡和信号失真降低摄像头、激光雷达和雷达的感知质量，从而降低环境感知的可靠性[7,8,9,10,11,12]。最近的研究还强调了基于ODD的安全评估在混合交通环境中的作用[13]。同时，在潮湿、积雪或结冰条件下，轮胎与路面的摩擦力降低会直接削弱制动效果，压缩纵向控制的安全裕度。在领头车辆突然制动的情况下，这一问题尤其关键，因为主动安全功能（如自动紧急制动AEB和前向碰撞预警FCW）的触发时机和制动效果直接影响碰撞缓解性能[14,15,16,17]。现有的法规和评估协议（如联合国R152和欧洲NCAP AEB车对车测试协议）规定了AEB类型功能的代表性测试条件[14,18]。然而，这些协议通常只关注有限的一系列典型风险场景，并没有直接为恶劣天气条件下的ODD测试提供分级和可重复的参数扰动表示。
此外，本研究还与鲁棒纵向控制这一更广泛的领域相关。在感知质量不确定、附着力变化以及环境负荷波动的情况下，智能车辆的纵向运动必须保持安全、稳定和响应迅速。这一问题不仅与紧急制动有关，也与车辆跟随和协调车辆运动（如编队行驶）问题密切相关。因此，关于在不确定性环境下鲁棒和自适应纵向控制的研究为理解环境干扰如何影响控制性能和能力边界提供了有用的背景[19,20,21,22]。同时，关于在不同负载和环境条件下轮胎与路面相互作用以及制动相关动力学的研究为解释摩擦系数变化对停车性能的影响提供了重要的物理基础[23]。在系统层面，智能驾驶功能的鲁棒性取决于感知、执行和控制子系统的耦合可靠性，而不仅仅是任何一个单独模块[24,25]。

1.2. 问题陈述和研究差距
尽管在研究恶劣天气下智能驾驶性能下降方面已经取得了实质性进展，但仍存在三个限制。首先，天气条件通常以分类标签或经验描述的形式纳入测试设计中，例如“下雨”、“有雾”或“下雪”，而没有充分的参数化分级。因此，天气的严重程度无法作为可重复的扰动输入，气象因素与低附着力道路条件之间的耦合往往没有得到充分说明，使得结果难以在不同研究中进行基准测试和推广[2,26]。其次，在复杂天气条件下的纵向控制评估仍然基于少量的指标或有限的条件比较。尽管像碰撞时间（TTC）和车头时距这样的安全替代指标具有可解释性并且被广泛使用，但它们不足以全面描述系统在响应能力、制动安全裕度和行为层面性能上的能力[17]。特别是当天气严重程度、道路滑腻程度和初始速度相互作用时，单一指标评估可能无法揭示能力边界的整体收缩情况。第三，尽管像熵权重和模糊综合评估这样的综合评估方法适用于不确定性处理和多指标聚合[27,28]，但建立一个既能保持工程可解释性又能从样本数据中提取客观信息的统一纵向控制评估框架仍然是一个未解决的挑战。换句话说，仍需要一种实用的方法，在一致的测试工作流程中将分级的ODD扰动输入、关键安全指标和综合能力评估联系起来，以系统地支持ODD边界的识别[29,30,31]。

1.3. 研究范围、初步假设和自动化水平定位
本研究关注在复杂天气条件下领头车辆突然制动场景中的纵向碰撞缓解性能。因此，选定的扰动因素是与降水和雾相关的能见度降低以及道路附着力的减少，因为这两类因素直接影响感知-决策-制动链，从而影响纵向控制的制动安全裕度。
在本工作中，使用SAE J3016[1]作为描述驾驶自动化级别和功能范围与工作条件之间关系的术语基础[32]。ISO 34503[2]作为结构化运行设计领域描述的概念基础，而ASAM OpenSCENARIO[4]则作为支持基于仿真测试的可移植性、重用性和可比性的场景描述框架。ISO 8348[33]仅用于当前天气-道路状态构建中的轮胎-路面附着力范围分级参考，并不旨在取代标准化的物理附着力测量方法。
模拟的车辆平台是根据NIO ES6（蔚来汽车公司，上海）参数化的，作为代表性的中型运动型多功能车。由于专有的生产控制器、感知流程和传感器融合策略的详细校准并未完全公开，当前模型应被视为一个代表性的仿真基准，而不是商业车辆的一对一数字复制品。同样，本研究中使用的基于TTC阈值的控制器是一个为可重复评估设计的透明比较控制器，而非生产级实现。
根据SAE J3016，驾驶自动化分为0到5级。这里研究的功能最好理解为在定义的工作条件下的监督式纵向碰撞缓解功能，因此最直接关联到1-2级的驾驶辅助功能。同时，所提出的评估框架也可以用于评估嵌入在更高级自动驾驶系统中的纵向安全子功能，因为更高级别的系统仍然依赖于在恶劣天气下的可比感知、决策和制动链。
本研究的主要假设如下：首先，将领头车辆突然制动场景视为代表性的纵向冲突场景。其次，在当前验证阶段，将天气严重程度和道路附着力视为主要的扰动因素。第三，控制逻辑和传感器配置在测试状态之间保持不变，以便一致地比较环境扰动的影响。因此，结果应被视为在受控虚拟测试框架内的可重复能力基准测试证据，而不是特定商业车辆的监管认证结果或直接的性能声明。

1.4. 贡献和论文组织
为了解决上述问题，本文提出了一种针对复杂天气条件下智能驾驶纵向控制的参数扰动测试和综合评估的集成框架。主要贡献总结如下：
(1) 将包括雪、雾和雨在内的气象因素使用标准定量阈值分级，并与通过摩擦系数分级表示的道路滑腻程度相结合，建立了一个可重复的天气-道路耦合状态集，用于恶劣天气条件下的ODD扰动测试[2,18]。
(2) 开发了一种基于机制的纵向速度控制能力评估指标系统。在加权阶段结合了主观和客观权重，在聚合阶段采用模糊综合评估来表示等级边界的不确定性，并生成跨状态的全面分数[27,28]。
(3) 该方法在包含车辆-传感器仿真、驾驶模拟器和云控制的数字孪生环境的协同仿真框架上进行了验证。使用具有代表性的AEB风险场景将关键安全指标与综合评估输出相结合，从而为在耦合复杂天气状态下的能力基准测试和边界识别提供了结构化的证据[14,18,29,31]。
本文的其余部分组织如下：第2节介绍了复杂天气和道路条件的参数化、耦合状态集构建、风险分级和综合评估模型。第3节描述了协同仿真框架、车辆和控制器设置以及天气扰动测试设计。第4节报告了制动后间隙结果、TTC响应时间和综合评估输出。第5节讨论了所提出方法的工程意义、假设和局限性。

**2. 方法**
2.1. 复杂天气的参数化和耦合状态集构建
智能驾驶系统在复杂天气条件下的性能下降表现出显著的环境耦合特性。一方面，降水、雾等气象因素会降低传感器检测和识别物体、车道标记和其他交通参与者的可靠性；另一方面，湿滑的道路表面会通过降低摩擦系数直接削弱制动能力和纵向稳定性控制，从而压缩系统的安全裕度。从物理角度来看，摩擦系数不仅是环境描述符，还将恶劣天气干扰与制动性能下降联系起来。为了将ODD从描述性标签转化为可重复的测试输入，本研究采用“气象级别参数化+道路滑腻程度参数化”的组合方案对复杂天气ODD扰动变量进行参数化，并进一步构建了耦合状态集以支持扰动测试。

2.1.1. 气象因素的分级参数化
本研究选择雪、雾和雨三种类型的复杂天气作为ODD中的关键影响因素，并采用行业标准《高速公路交通安全管理与控制天气风险预警等级》（QXT 729-2024）[34]中规定的气象分类标准作为分级依据。具体来说，降雪通过1小时和12小时的累计降雪量来表征，雾通过能见度来表征，降雨通过1小时和12小时的累计降水量来表征。定义了九种天气状态（轻/中等/重雪；轻/密/浓雾；轻/中等/大雨），其阈值定义如下：对于雪，轻雪对应0.1 < S1 < 0.5或0.1 < S12 < 2.4；对于雾，能见度Vvis（以米为单位）用于分类轻雾（500–1000米）、浓雾（200–500米）和厚雾（50–200米）；对于雨，使用降雨量R1和R12（以毫米为单位）来分类轻雨、中雨和大雨。详细阈值总结在表1中。表1展示了复杂天气严重程度的分类。

表1. 复杂天气严重程度的分级
**注：**雪、雾和雨的分级阈值是根据行业标准《高速公路交通安全管理与控制天气风险预警等级》（QXT 729-2024）[34]进行调整的。上述天气处理的目的是将QXT 729-2024[34]中定义的天气分类标准转化为可重复和量化的扰动输入，以便后续测试使用。通过这种方式，任何复杂的天气场景都可以用明确的参数区间来描述，而不是用模糊的ODD标签（如“下雪”、“有雾”或“下雨”）来表示，从而提高了恶劣天气ODD测试的可比性和重复性。2.1.2. 路面湿滑程度和摩擦系数范围的分级鉴于三种复杂天气通常伴随着湿滑的路面，而湿滑程度会显著影响制动距离和车辆稳定性，本研究将路面状况作为与天气同样重要的ODD维度纳入考虑。参考ISO 8348关于轮胎-路面附着力测量和表示的标准，将湿滑路面分为三个等级——轻微、中度和严重，并用摩擦系数范围来量化：轻微湿滑的范围是0.41–0.50，中度湿滑的范围是0.21–0.40，严重湿滑的范围是0.10–0.20。详细信息汇总在表2中。表2. 复杂天气条件下的轮胎-路面摩擦系数。这种处理在物理上是有意义的，因为可用的纵向轮胎力在很大程度上取决于轮胎-路面的附着力。在低摩擦条件下，可实现的制动减速度会降低，制动过程对速度和控制响应延迟都更加敏感。因此，将摩擦系数分级引入ODD表示不仅丰富了环境描述，也增强了复杂天气下纵向控制性能下降的物理可解释性。2.1.3. 天气-路面耦合状态集和编码方案基于九个天气等级和三个湿滑程度等级，本研究构建了一个包含27个组合状态的天气-路面耦合状态集，用于覆盖复杂天气条件下智能驾驶ODD的典型变化。九个天气条件类别和三个路面条件等级分别由索引p和q定义。它们的具体值和含义在表3中提供。表3. 复杂天气环境因素的索引值和定义。在编码方案中，第一个索引表示天气类别和严重程度等级，第二个索引表示路面湿滑程度等级。例如，表示轻微下雪且路面略微湿滑的情况，表示有雾且路面中度湿滑的情况，表示大雨且路面严重湿滑的情况。这种编码作为27个组合状态的紧凑标识符，在后续的风险分级、测试矩阵设计和结果解读中一致使用。耦合状态集的构建有三个工程意义。首先，离散的组合能够系统地覆盖复杂天气条件下的常见性能下降模式。其次，每个状态都是由气象参数的明确阈值区间和指定的摩擦系数范围共同决定的，从而确保了可重复性。第三，状态集为后续的风险分级、测试优先级规划和评估输出提供了一个统一的环境指标和基准框架。2.2. 风险分级和测试优先级规划在工程测试中，“覆盖”环境状态并不等同于“有效测试”系统边界。如果不区分风险严重程度，测试资源可能会被低风险条件消耗掉，使得在高风险场景下难以发现性能下降和故障边界。因此，本研究在27个组合状态的基础上引入了风险分级，以指导测试优先级和场景库的构建。在本研究中，引入了一个基于专家征询的初步风险分级步骤，根据预期操作严重程度对天气-路面耦合状态进行排序。这一步骤不是作为一个独立的统计验证程序，而是作为一个工程优先级工具，在随后的基于指标的全面评估阶段之前区分相对低风险、中风险和高风险的组合状态。在此基础上，27个组合状态被分为三个等级——安全、中等和危险，并将结果分类总结在表4中。表4. 天气-路面耦合状态的风险严重程度分类。从方法论上讲，这种分级在两个方面起到了测试优先级校准的作用：(1) 将危险状态及其邻近状态作为优先测试目标，从而在有限的试验次数下提高边界识别的敏感性；(2) 当全面评估输出或关键安全指标发生突变时，使用风险分级来解释其工程意义，并以分层方式呈现结果，避免仅从单次试验现象中得出结论。应当注意的是，这种初步风险分级并不替代后续基于指标和数据的性能评估。相反，它为“测试什么、先测试什么以及强调什么”提供了一个操作组织原则，使ODD扰动测试能够更有效地支持功能边界校准和鲁棒性验证。2.3. 纵向控制性能的全面评估框架为了在复杂天气ODD扰动下提供纵向控制能力的统一评估，本研究开发了一个综合评估框架，该框架结合了层次化指标系统、组合权重确定和模糊综合评估。该框架的目的不仅是检查不同天气-路面耦合状态下的关键安全指标的变化，还将多维性能信息汇总为一个结构化的定量结果。这样，该框架支持跨状态基准测试，并补充了制动性能和响应延迟的单一指标分析。2.3.1. 指标系统为了评估复杂天气ODD下的车辆速度控制能力，本研究开发了一个层次化指标系统，采用目标-功能-因素-指标结构。目标层代表智能驾驶在不同天气条件下的总体速度控制能力。功能层区分基本智能行为和高级智能行为。因素层进一步将这些功能细化为行为类别，指标层识别用于评估的代表性可观察行为。采用五级评估标准——优秀、良好、一般、较差和非常差——作为后续模糊综合评估的评分依据，如表5所示。表5. 复杂天气条件下智能驾驶速度控制的评估指标系统。这种层次化设计提高了评估过程的可解释性，并为后续的权重确定和模糊聚合提供了明确的基础。2.3.2. 组合权重的确定权重确定旨在解决复杂天气下全面纵向控制评估中的一个实际困难：并非所有指标都对系统级能力有同等贡献，其相对重要性仅通过专家判断或样本分散无法充分表示。因此，本研究采用了一种组合权重策略，在模糊聚合之前整合主观和客观信息。首先，主观权重向量由方程(1)定义：(1)其中表示通过序数关系分析获得的主观权重向量，是评估指标的总数，是基于专家判断赋予第i个指标的主观重要性。其次，客观权重向量由方程(2)定义：(2)其中表示从熵权重方法得出的客观权重向量，反映了样本数据中第i个指标提供的区分信息量。最后，通过乘法合成和归一化得到组合权重，如方程(3)所示：(3)其中是未经归一化的融合权重，是归一化后的组合权重。归一化后，权重满足条件。通过这种方式，权重方案结合了专家知识和数据驱动的客观性。2.3.3. 模糊综合评估建模和输出在复杂天气条件下，性能水平通常表现出连续的过渡，边界模糊。为了在多指标条件下保持连续性和鲁棒性，本研究采用了模糊综合评估方法。因素集由方程(4)定义：(4)其中表示因素集，是第i个评估指标。评估等级集由方程(5)定义：(5)其中表示评估等级集，是第i个评估等级。在本研究中，等级分为优秀、良好、一般、较差和非常差。模糊评估矩阵根据方程(6)构建：(6)其中表示模糊评估矩阵，是指标i对等级j的隶属度。用于加权聚合的组合权重向量由方程(7)给出：(7)其中表示从方程(3)获得的组合权重向量。然后计算综合评估结果，表示被评估对象对等级j的总体隶属度。3. 实验平台和测试设计3.1. 协同仿真测试框架和整体工作流程为了评估复杂天气扰动对纵向控制性能的影响，本研究建立了一个三部分的协同仿真框架，包括SCANeR Studio（2023版，AVSimulation，法国布洛涅-比扬库尔）用于车辆动力学、虚拟传感器和场景执行；一个用于驾驶员在环输入的驾驶模拟器；以及一个用于协同验证和数据管理的云控数字孪生平台。研究对象是自动紧急制动功能。首先，在SCANeR中构建基线车辆模型和多传感器感知配置。其次，通过驾驶模拟器注入驾驶员操作，以复制闭环人机交互。第三，生成的数据与云平台同步，在其中参数化环境属性，以创建第2节中定义的耦合天气-路面状态。采用这种工作流程是因为在恶劣天气下的真实车辆实验难以控制、重复和一致量化。采用驾驶模拟和虚拟测试是因为天气条件难以在真实车辆实验中精确控制和定量记录，而且路上测试可能引发安全问题。因此，基于驾驶模拟器的虚拟仿真被用来尽可能真实地再现真实世界的驾驶场景，并在可控环境中进行复杂天气扰动的比较分析。3.2. 基于SCANeR Studio的车辆动力学建模在上述框架内，SCANeR Studio专门用于高保真度的车辆和传感器建模，而不是作为一个独立的测试平台。基于NIO ES6构建了一个基线车辆模型，提供代表性的尺寸、质量、轴距、底盘布局、轮胎和空气动力学特性，以进行比较测试。选择NIO ES6是为了提供一个现实的参考平台；然而，由于专有的生产校准并未完全公开，当前模型应被视为一个代表性的仿真基线，而不是商业车辆的精确数字复制品。模拟车辆基于NIO ES6建模。建模范围包括车辆车身系统（例如尺寸、轴距、轮距、质量和相关参数配置）、悬挂系统（前后独立悬挂架构及其相应参数设置），以及关键模块如空气动力学和轮胎。这种配置旨在尽可能准确地再现目标车辆的动态响应特性，为后续的AEB控制开发和复杂天气ODD扰动测试提供一致的基线车辆模型。自动驾驶感知模块包括车载传感器——包括摄像头、毫米波雷达和激光雷达——它们获取驾驶环境信息并为决策和控制提供数据支持。在本研究中，使用SCANeR的传感器建模库实现了多源传感器的参数化配置，如图1所示。这些传感器模块为不同耦合天气-路面状态下的TTC基础制动响应的后续比较评估提供了感知输入。图1. 车辆感知系统建模示意图。3.3. 基于碰撞时间的紧急制动控制模型尽管在仿真环境中实现，但基于TTC阈值的AEB逻辑是所提出的评估框架方法论设置的一部分，因为它定义了环境扰动如何转化为触发-响应行为和制动性能结果。本研究采用了一种基于碰撞时间（TTC）的AEB碰撞避免策略作为触发条件。这种基于TTC的策略需要相对较少的输入变量，这些变量容易获得，且其阈值相对容易调整，使其适合于可重复的比较测试。在本工作中，控制器被用作一个简化的比较AEB模型，而不是完整的生产级制动系统。TTC模型使用相对距离和相对速度计算剩余的碰撞时间，并基于预定义的碰撞阈值进行风险评估：当计算出的TTC小于阈值时，假设存在碰撞风险并触发AEB干预；当TTC大于阈值时，认为情况是安全的。因此，在Simulink（2024b版，MathWorks，美国纳蒂克）中开发了一个基于TTC的AEB控制模型，如图2所示。图2. 基于TTC的AEB控制模型。考虑到当领先车辆和跟随车辆的速度几乎相同时TTC可能趋于无穷大，本研究进一步引入了一个二阶TTC公式，其中包含相对加速度，以提高模型在特定相对运动条件下的适用性。本研究使用的二阶TTC是通过方程（8）计算得出的。（8）其中，表示本车与前方车辆之间的相对纵向距离，表示相对速度，表示相对加速度。方程（8）用于在不同相对运动条件下估计剩余碰撞时间，并支持AEB控制器的触发逻辑。在本研究中，基于TTC的控制器旨在提供一个透明且稳定的对比控制结构，以评估天气严重程度、道路附着力和初始速度对制动触发时机和停车性能的影响。其目的不是重现量产级AEB系统的所有功能细节，而是确保在受控和可重复的条件下分析环境扰动对纵向碰撞缓解行为的影响。

3.4. 驾驶模拟器集成与天气扰动测试设计
3.4.1. 驾驶模拟器硬件设置与控制集成
使用Logitech G29（瑞士洛桑）方向盘、踏板和换挡杆构建了一个驾驶模拟器控制装置。G29方向盘提供力反馈、900°的转向范围，并以高频率更新其状态，以尽可能真实地再现转向感觉。为了视觉输出，三个高清显示器被排列成多屏设置来模拟驾驶员的视野，并集成了一把座椅以完成硬件平台，如图3所示。
3.4.2. 云控数字孪生模拟平台及共同测试能力
共同测试实验是在清华大学苏州汽车研究院自主研发的智能联网车辆云控模拟平台上进行的。该平台集成了数字孪生技术、边缘计算和分布式模拟，在本研究中用作天气-道路扰动测试的共同验证环境。它以容器化集群的形式部署，并使用DDS中间件实现低延迟数据交换，支持并行模拟任务调度和车辆动力学模型、控制模块及V2X通信结果的联合验证。该平台包括智能车辆驾驶模块、道路监控模块和模拟测试模块。
智能车辆驾驶模块提供了从感知和决策到执行控制的数字孪生流程。它支持导入真实车辆动力学参数和控制器逻辑，并在虚拟环境中再现低附着力道路表面等复杂运行条件。通过动态耦合传感器模拟数据和决策算法，可以用来评估系统在极端情景下的鲁棒性，包括感知错误和控制延迟。此外，该平台支持虚拟域和现实域之间的双向数据流，从而降低上路测试的风险和成本。模拟测试模块还支持监管标准场景的转换和自动化生成以及真实道路收集的数据，并能够实现虚拟-物理共同测试，以模拟传感器故障和控制信号延迟等故障模式。

3.5. 天气属性扰动测试设计与运行条件设置
测试对象是在复杂天气扰动下AEB功能的纵向控制性能。采用了驾驶员在环协议，并随机招募了10名驾驶员（3名女性和7名男性）参与实验，平均驾驶经验为3年。通过模拟器上的驾驶员操作生成行为和控制相关输出，然后将其导入云控模拟平台进行共同测试。使用平台内置的环境属性控制模块配置不同的天气环境ODD属性，以评估在耦合天气-道路状态下的AEB速度控制性能。测试地点选定为云控模拟平台提供的上海徐浦基地场景。如图4所示。测试矩阵根据2.1.3节构建的天气-道路耦合状态集来确定，并考虑了两种测试速度设置：25公里/小时和50公里/小时。详细测试矩阵列在表6中。通过在不同天气和道路条件组合下重复执行相同的代表性风险场景，同时保持场景几何形状和前方车辆制动事件的一致性，可以以受控的方式比较分析ODD天气属性扰动对AEB触发响应和制动效果的影响。

4. 结果
4.1. 制动后间隙测试结果
为了表征复杂天气ODD扰动对AEB效果的影响，本研究使用与前车之间的制动后间隙作为停止安全裕度的直接衡量指标，并比较分析了不同天气严重程度和道路滑移程度组合下的模拟结果。不同天气条件下的制动后间隙结果总结在图6中。结果显示，随着天气条件和道路状态的逐渐恶化，与前车的制动后间隙呈现出持续减小的趋势，表明复杂天气与AEB效果之间存在强关联。在雪天、雾天和雨天条件下，这一间隙随着天气严重程度的增加和车辆速度的提高而显著减小，意味着安全裕度迅速缩小，碰撞风险相应增加。
在一个代表性的条件对比中，当大雪与轻微滑溜的道路表面结合时，将车辆速度从25公里/小时提高到50公里/小时会使制动后间隙减少到1米以下，这是安全裕度不足的早期预警信号。在更不利的耦合状态下，即严重的道路滑移与大雨或大雪结合时，制动后间隙进一步降至0.25米和0.21米，代表极高的风险水平。
从机制上讲，这些观察结果可以归因于两个因素。首先，恶劣天气和滑溜的道路降低了摩擦系数和轮胎-道路粘附力，直接降低了制动能力。其次，天气引起的传感器检测精度下降可能会延迟AEB的触发，从而进一步压缩停止安全裕度。在较高初始速度下制动后间隙的更强减小可以通过动能增长、有限的纵向轮胎力和触发延迟的综合效应来更明确地解释。随着初始速度的增加，制动系统必须在相同的冲突场景中耗散更多的动能。在附着力降低的情况下，可用的纵向轮胎力减小，这降低了可实现的减速度并延长了停止过程。如果天气引起的感知下降同时延迟了AEB的激活，剩余的制动距离将进一步缩短。因此，当车辆速度从25公里/小时增加到50公里/小时时，特别是在涉及严重天气和严重滑溜道路的耦合状态下，停止安全裕度减少得更快。
此外，本研究还分析了在不同道路滑移程度和天气条件组合下AEB干预后本车的速度-时间演变情况。总体而言，所有测试案例中的车辆速度随时间逐渐减小至0；然而，随着道路条件从轻微滑溜恶化为严重滑溜，速度衰减过程明显变慢，停止时间相应增加。同时，在相同的道路条件下，天气严重程度从轻微增加到严重会导致制动后剩余间隙的总体减小，表明恶劣环境进一步削弱了AEB的纵向制动效果。与25公里/小时的情况相比，50公里/小时的初始速度情况下表现出更长的减速阶段和更小的最终安全裕度，特别是在严重滑溜的道路上的差异最为明显。这些结果表明，降低的道路附着力、恶化的环境条件和较高的初始速度都显著影响了AEB的性能，而高速和严重道路滑溜的耦合条件构成了最不利的场景。不同天气条件下AEB干预后的车辆速度-时间曲线总结在图7中。

4.2. 碰撞响应时间
除了停止安全裕度外，本研究还使用TTC响应时间来表征AEB在复杂天气扰动下的风险感知和触发响应能力。对于复杂的天气环境状态集，在两种速度条件（25公里/小时和50公里/小时）下比较分析了TTC响应时间，并检查了不同道路滑移程度和天气严重程度下的变化模式。不同天气条件下的TTC响应时间结果总结在图8中。结果表明，随着测试速度从25公里/小时提高到50公里/小时，道路条件从轻微滑溜恶化为严重滑溜，以及天气环境逐渐恶化，AEB的TTC响应时间表现出总体增加的趋势。
在50公里/小时的轻微滑溜道路表面上，当天气从小雨变为大雨时，TTC响应时间从1.42秒增加到1.89秒。在50公里/小时的严重滑溜道路表面上，当天气从小雪变为大雪时，TTC响应时间从1.58秒增加到2.10秒。较长的TTC响应时间意味着系统从“接近危险”到“制动激活”的决策-执行链中的延迟更加明显。在相同的初始速度和相对运动条件下，这种延迟减少了可用的制动距离，并增加了本车与前车后部发生正面碰撞的风险。总体而言，TTC响应时间结果和制动后间隙结果表明，天气严重程度、附着力降低和更高的速度共同压缩了纵向碰撞缓解的时间和安全裕度。

4.3. 综合权重模糊评估结果
为了提供一种超越关键安全指标的“整体速度控制能力”的统一定量表征，本研究进一步应用了2.3.2节中建立的综合权重和多层次模糊综合评估模型，以全面评估不同天气-道路耦合状态下的测试性能。评估采用五级评分体系（优秀、良好、一般、较差和非常差）。基于2.3节中定义的评估设置，使用每个指标对每个等级的隶属度来构建评估矩阵，然后在综合权重下进行层次聚合，以获得标准和目标层次的综合评估结果。

4.3.1. 多层次聚合结果
以“高级交通行为”因素层为例，其指标集为U22 = {u221, u222, u223}，相应的评估矩阵以隶属度的形式指定。该层的权重向量计算为B22 = (0.4142, 0.3116, 0.2742, 0)。类似地，可以获得其余因素层（例如B11, B12, B13, B21等）的综合评估结果向量，然后向上聚合以得出标准层“高级智能行为”和“基本智能行为”的综合评估结果，分别为B2 = (0.4125896, 0.2563014, 0.331109, 0, 0)和B1 = (0.4354578, 0.1356254, 0.2156324, 0.2132844, 0)。
在标准层权重向量A = (0.421, 0.579)下，“天气条件下的智能驾驶速度控制”的目标层综合评估结果进一步得到为B = (0.325678941, 0.135264782, 0.256458791, 0.282597486, 0)。然后计算两个标准层的最终得分分别为S1 = 92.54和S2 = 95.86。这些结果表明，所提出的框架可以从指标层面的性能完成到标准层面和目标层面的评估输出的多级聚合，从而为跨州能力比较提供了一个统一的定量基础。4.3.2. 不同天气状态下综合得分的比较为了验证所提出的综合评估框架在不同天气条件下的区分能力，本研究考虑了中等湿滑的路面条件，并为三种天气类型（雨、雾和雪）各自配置了三个严重程度级别——轻微/中等/严重（或者对于雾来说是轻/密/厚）。然后，在五个行为维度（车辆控制行为、基本驾驶行为、基本交通行为、高级驾驶行为和高级交通行为）上获得了综合速度控制得分，从而完成了整体的定量评估。得分分布如下所示，具体见图9。图9显示了不同天气条件下的速度控制行为得分。在路面中等湿滑的情况下，每种天气类型的严重程度从轻微增加到严重会导致五个行为维度（车辆控制、基本驾驶、基本交通、高级驾驶和高级交通）的速度控制性能整体下降。这表明，即使在粘附力水平固定的情况下，气象扰动也会显著压缩系统的整体能力边界。雨水引起的下降最为明显：从轻微降雨到大雨，五个维度的得分从93.4/92.2/94.6/91.5/92.2下降到87.5/84.2/86.9/83.5/82.8。其中，高级交通行为的下降幅度最大（9.4分），而基本驾驶和高级驾驶都减少了8.0分，这表明降雨强度的增加对“交通互动和任务层面的速度管理”更为敏感，并且同时削弱了驾驶稳定性。雾的整体表现相对较高，但显示出结构性弱点：从轻微雾到浓雾，车辆控制、基本驾驶、基本交通和高级交通的下降幅度在4.0-5.5分之间，而高级驾驶下降了7.2分（从93.5分降至86.3分），这意味着能见度降低更可能导致在复杂驾驶任务执行中的能力下降。相比之下，雪显示出更为平衡和同步的衰减，从轻微雪到大雨，五个维度的下降幅度都在3.9-4.4分之间，反映了“均匀下降”的模式。在最恶劣的天气条件下进行的跨天气比较进一步显示，大雨导致基本驾驶（84.2分）和高级交通（82.8分）的得分最低，代表了中等湿滑条件下最糟糕的组合。大雪也在基本交通（85.2分）和高级交通（84.1分）中产生了相对较低的值，表明对速度管理能力有显著影响。浓雾在基本交通中保持了相对优势（90.5分），但在高级驾驶中明显下降（86.3分）。这些发现表明，在中等湿滑的道路上识别ODD边界时应优先考虑大雨条件，并关注高级交通和高级驾驶行为的退化，同时利用浓雾下高级驾驶的下降以及大雪下与交通相关维度的同步缩小作为补充的高敏感性验证方向，从而提高在耦合复杂天气状态下能力缩小和风险转变的检测能力。更广泛地说，这些结果表明，不同类型的天气不仅在不同程度上降低能力，还可能在行为维度上产生不同的退化模式，这对于有针对性的ODD边界识别和测试优先级规划非常重要。4.4. 讨论 4.4.1. 复杂天气和低粘附力耦合引起的安全裕度的系统性缩小实验结果表明，在复杂天气和中等/严重湿滑道路的耦合条件下，AEB纵向控制的停车安全裕度持续缩小。随着天气恶劣程度的增加，道路的湿滑程度加剧，车辆速度的提高，停车后与前车的距离显著缩短。特别是在严重湿滑的道路结合大雨或大雪的情况下，停车后的距离分别降至0.25米和0.21米，显示出接近功能边界的高风险特征。与此同时，在低粘附力条件下，速度衰减过程明显变慢，且在更高速度下差异更加明显，表明“高速-低粘附力-恶劣天气”的耦合条件是更需要进行纵向控制边界验证和压力测试的敏感操作状态。从系统角度来看，这种退化不应仅仅被解释为制动能力问题；它还与感知-决策-控制链的功能可靠性有关。在降水、雾和表面污染的情况下，由于散射、衰减、遮挡和信号失真，摄像头、激光雷达和雷达的有效感测质量可能会恶化，从而增加目标检测的不确定性并引发延迟。因此，观察到的停车后安全裕度的减小不仅反映了轮胎与道路的粘附力降低，还反映了在恶劣天气扰动下的环境感知退化和控制响应压缩的耦合效应。4.4.2. TTC响应时间揭示了从触发到执行的延迟，并一致表明风险增加除了停车后距离之外，TTC响应时间随着速度的提高、粘附力的降低和天气的恶化而增加。在50公里/小时的轻微湿滑路面上，降雨强度从轻微增加到严重时，TTC响应时间从1.42秒增加到1.89秒；在50公里/小时的严重湿滑路面上，降雪强度从轻微增加到严重时，TTC响应时间从1.58秒增加到2.10秒。更长的响应时间意味着从“接近危险”到“制动干预”的触发到执行链的延迟加剧，这减少了可用的制动距离，增加了本车与前方车辆后部发生追尾碰撞的风险。从风险影响的角度来看，这种解释与观察到的停车安全裕度的减小是一致的。因此，对于ODD边界的识别和性能评估，同时使用“停车后安全裕度和TTC响应时间”可以比仅依赖于单一指标提供更稳定的纵向控制退化模式和风险转变的描述。从控制设计的角度来看，这一结果还表明，恶劣天气下的纵向安全评估应同时考虑空间安全裕度和时间响应退化，而不仅仅是单独评估触发性能或制动结果。4.4.3. 综合评估提供了结构化的能力概况以支持测试优先级和边界定位除了关键的安全指标之外，结合权重和多级模糊综合评估可以输出ODD状态下速度控制的结构化能力概况。在中等湿滑的道路条件下，随着严重程度的增加，雨水导致五个维度的能力下降最为明显，而高级交通行为对降雨强度最为敏感。雾的整体表现相对较高，但在高级驾驶维度上表现出了明显的下降，而雪则更接近于“维度间同步退化”的模式。这些发现补充了硬安全措施：停车后距离和TTC响应时间描述了即时的风险边界，而综合评估则确定了哪些能力维度主要退化。它们共同提供了可操作的依据，用于“确定哪些ODD组合应优先考虑”、“关注哪些能力维度”以及“应追求哪些针对性的改进”。这些不同的退化模式也对评估和控制调整具有重要意义。以雨为主导的状态似乎对交通互动和任务层面的速度管理能力更为敏感，以雾为主导的状态在高级驾驶执行中暴露出更多的退化，而与雪相关的状态则在各个维度上产生了更为同步的下降。这表明，不同类型的天气不应简单视为同一类型的不同强度的干扰；相反，它们可能以不同的敏感性影响不同的能力维度。因此，有针对性的ODD边界识别和测试优先级规划应不仅关注性能下降的幅度，还应注意行为层间的结构化退化模式。还应当注意的是，目前的发现是基于联合模拟和数字孪生验证得出的，而不是直接通过真实车辆实验得出的。尽管这种测试架构为恶劣天气扰动分析提供了可控性、可重复性和安全性，但将其扩展到真实车辆性能仍需要后续的校准和背靠背验证。此外，本研究中使用的基于TTC的控制器是有意简化的，以支持结构化的比较测试，而综合评估中的成员构建仍部分依赖于专家知识。因此，目前的框架应被视为一种用于能力比较和边界表征的工程评估方法，而不是生产系统认证或完全真实世界验证的替代品。5. 结论本研究探讨了在复杂天气ODD条件下智能驾驶纵向控制的退化问题，并提出了一种结合ODD参数扰动测试和“组合权重+多级模糊综合评估”方法的综合评估框架。该框架使用在SCANeR模拟和云控数字孪生系统联合平台上的代表性AEB风险场景进行了验证。主要发现如下：(1)复杂天气和道路湿滑的耦合显著压缩了AEB的纵向制动安全裕度。随着天气恶劣程度、湿滑程度和初始速度的增加，停车后的距离不断减小。在严重湿滑的道路结合大雨或大雪的情况下，停车后的距离分别降至0.25米和0.21米。高速情况下表现出更长的减速阶段和更小的最终裕度，代表了最不利的耦合操作条件。(2)TTC响应时间随着速度的提高、粘附力的降低和天气的恶化而增加。在50公里/小时的轻微湿滑路面上，降雨强度从轻微增加到严重时，TTC响应时间从1.42秒增加到1.89秒；在50公里/小时的严重湿滑路面上，降雪强度从轻微增加到严重时，TTC响应时间从1.58秒增加到2.10秒。响应时间的延长意味着从“接近危险”到“制动干预”之间的触发到执行链的延迟加剧，这减少了可用的制动距离，并增加了本车与前方车辆后部发生追尾碰撞的风险。这种解释在风险影响方面与观察到的停车安全裕度的减小是一致的。因此，对于ODD边界的识别和性能评估，结合使用“停车后安全裕度和TTC响应时间”可以提供比依赖单一指标更稳定的纵向控制退化模式和风险转变的描述。从控制设计的角度来看，这一结果还表明，恶劣天气下的纵向安全评估应同时考虑空间安全裕度和时间响应退化，而不仅仅是评估触发性能或制动结果。4.4.3. 综合评估提供了结构化的能力概况，以支持测试优先级和边界定位除了关键的安全指标之外，结合权重和多级模糊综合评估可以输出ODD状态下速度控制的结构化能力概况。在中等湿滑的道路条件下，随着严重程度的增加，雨水导致的五个维度能力下降最为明显，而高级交通行为对降雨强度最为敏感。雾的整体表现相对较高，但在高级驾驶维度上表现出了显著的下降，而雪则更接近于“维度间同步退化”的模式。这些发现补充了硬安全措施：停车后距离和TTC响应时间描述了即时的风险边界，而综合评估则确定了哪些能力维度主要退化。它们共同为“优先考虑哪些ODD组合”、“关注哪些能力维度”以及“应追求哪些针对性的改进”提供了可操作的依据。这些不同的退化模式也对评估和控制调整具有意义。以雨为主导的状态似乎对交通互动和任务层面的速度管理能力更为敏感，以雾为主导的状态更明显地暴露出高级驾驶执行的退化，而与雪相关的状态则在各个维度上产生了更为同步的下降。这表明，不同类型的天气不应简单地被视为同一类型的不同强度的干扰；相反，它们可能以不同的敏感性影响不同的能力维度。因此，有针对性的ODD边界识别和测试优先级规划不仅应关注性能下降的幅度，还应注意行为层间的结构化退化模式。还应当注意的是，目前的发现是基于联合模拟和数字孪生验证得出的，而不是直接通过真实车辆实验得出的。尽管这种测试架构为恶劣天气扰动分析提供了可控性、可重复性和安全性，但将其外推到真实车辆性能仍需要后续的校准和背靠背验证。此外，本研究中使用的基于TTC的控制器是有意简化的，以支持结构化的比较测试，而综合评估中的成员构建仍部分依赖于专家知识。因此，目前的框架应被视为一种用于能力比较和边界表征的工程评估方法，而不是生产系统认证或完全真实世界验证的替代品。5. 结论本研究探讨了在复杂天气ODD条件下智能驾驶纵向控制的退化问题，并提出了一种结合ODD参数扰动测试和“组合权重+多级模糊综合评估”方法的综合评估框架。该框架使用集成SCANeR模拟和云控数字孪生系统的联合平台进行了验证。主要发现如下：(1)复杂天气和道路湿滑的耦合显著压缩了AEB的纵向制动安全裕度。随着天气恶劣程度、湿滑程度和初始速度的增加，停车后的距离不断减小。在严重湿滑的道路结合大雨或大雪的情况下，停车后的距离分别降至0.25米和0.21米。高速情况下表现出更长的减速阶段和更小的最终裕度，代表了最不利的耦合操作条件。(2)TTC响应时间随着速度的提高、粘附力的降低和天气的恶化而增加。在50公里/小时的轻微湿滑路面上，降雨强度从轻微增加到严重时，TTC响应时间从1.42秒增加到1.89秒；在50公里/小时的严重湿滑路面上，降雪强度从轻微增加到严重时，TTC响应时间从1.58秒增加到2.10秒。退化的响应能力减少了可用的制动距离，这与观察到的停车安全裕度的减小是一致的——在风险影响方面也是如此。(3)综合评估在不同天气扰动下区分了速度控制能力，并提供了结构化的能力概况。在中等湿滑的条件下，雨水导致的退化最为明显，特别是高级交通维度最为敏感；雾在高级驾驶维度上表现出显著的下降；而雪则表现出平衡的、同步的衰减。结合关键的安全指标，这些结果形成了“硬风险边界+能力概况定位”的互补证据，支持ODD状态排名、测试优先级规划和边界识别。应当注意的是，目前的结论是基于使用联合模拟和数字孪生平台进行的验证；将其外推到真实车辆性能仍需要后续的校准和背靠背验证。此外，综合评估中的成员构建部分依赖于专家知识；虽然适合表示模糊等级边界，但其稳定性和泛化能力仍需通过更大的样本和更广泛的场景家族进行进一步检验。因此，仍存在几个未解决的研究问题。首先，如何将更丰富的ODD因素（如侧风、照明变化和道路几何形状）纳入耦合状态表示中，而不导致场景过度扩展？其次，如何通过实验数据更强地约束当前的评估输入和成员构建，以提高其稳健性和泛化能力？第三，如何使虚拟测试结果与真实车辆或硬件在环验证更加紧密地校准，以提高外部有效性和工程适用性？未来的工作将解决这些问题，以进一步提高在复杂天气条件下的能力边界表征准确性。