城区 NOA（Navigate on Autopilot）即城市导航辅助驾驶，是智能驾驶技术在城市道路环境中的应用，能够依据导航路线，在城市道路中实现自动变道、跟车、通过路口等功能，为用户提供更便捷的驾驶体验。
围绕城区 NOA 功能的用户使用场景，如何搭建了一套全面的测评体系是一个非常重要的探讨点。
从场景维度方面，可以分为基础场景和特定场景两大类别。
● 基础场景包含单车道场景（如直道巡航、直道跟车、弯道行驶等）、变道场景（指令变道、超车变道、导航变道等）以及路口场景（红绿灯识别、跟车过路口、直行过路口等）
● 特定场景则有左转（包括无待转和有待转情况）、右转、调头、城区避障、Cut - in、车道中 VRU 横穿、绕行障碍物、路口 VRU 横穿，还涵盖人流密集场景、窄路场景、拥堵场景以及不同天气条件等。
如何评价这些，就需要很完整的体系和思考过程，我们尝试来构建一些参考。
两种场景
● 单车道场景：依据道路形态和交通参与者状况，可细分为直道巡航、直道跟车、弯道巡航、弯道跟车 4 类。车辆在单车道内沿车道线行驶，这是最基本且普遍的场景：
◎ 直道巡航：道路近乎无弯曲，车道通畅且前方无车，可直线行驶，车速通常在 40 - 80km/h。
◎ 直道跟车：道路近乎无弯曲，车辆跟随前车行驶，保持特定车距，车速随前车变化。
◎ 弯道巡航：道路有弯曲，车道通畅且前方无车，需依道路结构调整车速与方向。
◎ 弯道跟车：道路有弯曲，车辆跟随前车行驶，车速和方向受前车及道路曲率影响。
● 变道场景：因外部环境或导航路线等因素，自车需变换车道行驶。依触发变道原因，分为指令变道和自主变道，自主变道指系统发出变道指令，包含超车变道、地形变道、导航变道等：
◎ 指令变道：变道指令源于驾驶员意图，是驾驶员通过转向拨杆主动控制的变道。
◎ 超车变道：前车速度太慢或前方有大型车辆，长时间跟车影响通行效率或存在安全风险。
◎ 地形变道：道路地形变化（如车道分流或合流）导致自车需变道。
◎ 导航变道：常见于路口和道路分岔路段，因导航规划路线使自车需变道。
● 城区 NOA 的特定场景：路口场景是城区的典型场景，车速一般不超过 40km/h，车辆需严格遵循路口各类交通设施的引导与约束。
路口道路形态丰富，常见的有十字路口、T 形路口、错位路口、环形路口（环岛）、Y 形路口、X 形路口等。在此场景下，城市 NOA 功能需完成红绿灯识别、跟车过路口、直行、左转、右转、调头 等行驶任务。
● 不同形态的路口
◎ Y 型路口：形状呈 Y 字的路口。
◎ T 型路口：形状为 T 字的路口。
◎ 十字路口：横竖两条道路交叉形成的路口。
◎ X 型路口：两条道路斜向交叉呈 X 形的路口。
◎ 错位路口：道路错位相交的路口。
◎ 环形路口：以环岛为中心的环形路口。
● 路口的行驶任务
◎ 直行：沿当前道路方向径直通过路口。
◎ 右转：向右转弯通过路口。
◎ 左转：向左转弯通过路口。
◎ 调头：在路口处完成车辆掉头操作。
● 避障场景：城区路况复杂，无序穿行的行人、非机动车等不确定因素多，常出现障碍物，需避免碰撞。
依据障碍物移动轨迹，避障场景分为前方纵向侵占车道场景和前方横穿场景。城区 NOA 功能应通过横、纵向联动控制策略避障，保障功能的安全性、流畅性与体验连续性。
● 前方纵向侵占车道：前方出现障碍物占据本车道，使自车无法按原轨迹通行。常见侵占物体有行人、非机动车、机动车、施工区域锥桶、围墙、栏杆等。
根据侵占车道程度，有不同应对方案：
◎ 侵占程度 0（压线）：轻微影响，可车道内绕行。
◎ 侵占程度 50%（占据 50% 道路宽度）：影响较大，可借道避障。
● 前方横穿：非机动车与行人无序突然穿行，或机动车 Cut - in。横穿场景可能发生在车道、路口、环岛等路段。横穿物体危险度高，应及时减速避让，必要时停车等待。
● 人流密集场景：行人数量多且密集，移动轨迹难测，易突然出现，严重干扰车辆行驶，不确定性高。
主要包括公交站台、学校门口、园区门口等场景，是城区 NOA 的重点测评场景，极大考验系统的环境感知与决策规划能力。
◎ 公交站台：易现行人横穿和“鬼探头”，公交车随时起步并左转变道。
◎ 园区门口：办公园区、居民社区、商业区等出入口，行人及非机动车穿行普遍。
◎ 学校门口：未成年人交通安全意识淡薄，移动轨迹多变，儿童身高低，识别难度大于成人。
● 交通拥堵场景：因车流量大、人车混行、红绿灯时间长等致拥堵，车速受限，只能低速缓行。需保持低速跟车，留意行人、非机动车风险及红绿灯状态。
● 窄路场景：城区狭窄巷道、小路等，通常仅允许一车单向通行。路边有临时停放的两轮车、大石块等障碍物，还有非机动车和行人穿行，通行困难。城区 NOA 车辆需低速缓行，常转动方向盘调整车身姿态。
智能驾驶系统评价体系
智能驾驶系统评价体系可分为五大核心维度，具体指标分布如下：
● 安全性评估
◎ 动态控制：响应及时性、安全车速范围
◎ 跟车策略：动态跟车距离、跟停距离
◎ 车道保持：车道居中精度、默认车道选择逻辑
◎ 风险应对：多场景会车策略、三级避障策略体系
● 舒适性评价
◎ 操控平顺：方向盘转角速率、转向过冲量
◎ 行驶质量：纵向加速度阈值、加加速度限制
◎ 轨迹优化：车道跟踪平滑度、避障路径曲率连续性
● 可靠性验证
◎ 系统稳定性：误触发率、非必要接管率
◎ 场景通过率：弯道通过率、路口转向成功率
◎ 避险能力：静态障碍物避让成功率、动态障碍物避让成功率
● 通行效率
◎ 行程时效：路径规划偏差率、行程用时优化比
◎ 跟车性能：时距自适应调节、自动启停响应
◎ 车道策略：优先车道选择算法、车道变更成功率
● 人机交互设计
◎ 环境感知可视化：三维场景重建精度、动态要素更新频率
◎ 状态显示系统：驾驶模式三级提示、系统置信度量化显示
◎ 交互通道管理：多模态告警策略（视觉/听觉/触觉）、语音指令响应
随着智能驾驶进入普及阶段，如何客观来评估这个领域是我们考虑的问题。
最前沿的电子设计资讯
