1) 如果不進行測試，我們無法預知智能車的行為表現。所以，在沒有測試之前，我們也無法確認哪些測試任務更加的具有挑戰性。所以我們需要通過不斷的測試，取樣，執行，分析這樣一個循環來達到最優的測試效果。

2) 測試本身就是一個自我標定的自循環過程，我們必須根據測試結果來判定車輛的智能性。

3) 如果測試要覆蓋所有的智能車的功能所需要的資源是巨大無比的，所以，我們需要一些更優的方法和工具來縮短這個過程。

3.3. 平行測試

3.3.1. 傳統虛擬仿真

目前很多研究人員都把更多的精力放在視覺領域的虛擬仿真，當然，也有人開始注意到駕駛員行為的重要性。在視覺領域的仿真中，有以下幾種圖像注入方式：1.采集真實的2D數據，然后基于該數據建立3D模型，再在此3D模型的基礎上上投影成2D的圖像注入智能車的感知系統；2.使用對抗式網絡生成新的2D模型注入； 3.基于以上兩種方法盡可能多的圖像注入。

3.3.2. 平行測試方法

我們這里提出一種新型的虛實結合的智能車平行測試方法。如圖7所示，車輛智能性測試可以分為三步：測試環境，測試規劃和測試執行。同樣，我們在虛擬世界里也能夠建立一一映射的測試流程。

圖7. 平行測試方法

1) 首先在真實環境下建立有多種交通元素（十字路口，交通燈）的場景，對應的在虛擬空間內，根據不同的測試目標，可以把該場景細分成不同的任務，功能團，單個功能；

2) 基于這種分解模式，可以建立相應的測試計劃來有針對性的測試不同的功能。例如假設我們要測試交通標示識別和變道這兩個功能團，很容易發現，交通標示識別重要性沒有那么高，而測試變道能更好的提升車輛的可靠性。在測算了場景中包含的任務，以及任務中包含的功能團之后，我們能選出包含更多的變道的任務來在真實環境中進行測試，而包含更多交通標志識別的任務可以在仿真環境中進行測試；

3) 一旦制訂了在真實和虛擬環境中的測試計劃，按照計劃執行之后對測試結果可信度以及功能重要性進行加權就能得到相應的加權分數。同時，在真實環境中得到的測試數據又能注入仿真環境，通過這種方式，仿真環境能夠不斷更新加強。真實環境和虛擬環境中的測試是異步的，我們可以在真實環境進行某一項測試的同時，在虛擬環境中進行多項測試。

和傳動的仿真測試環境相比，平行測試體系有如下兩個不同。

1. 平行的虛擬環境不僅僅是真實環境的一一映射，同時也和真實環境在狀態上存在交互，真實環境會影響虛擬環境，虛擬環境也會影響真實環境，這樣就形成了一個自我不斷增強系統；

2.平行系統是一種自我學習的系統，一些在虛擬環境中的關鍵元素是數據驅動型，這使得平行系統比那些基于隨機模型的系統要更加自動化，可信度也更高。

3.3.3. 平行測試實際應用

在江蘇省常熟市，這樣一個平行測試系統已經建立起來，并且很好的支持了2017年中國智能車未來挑戰賽。如圖8所示，我們先在虛擬環境中找到最具挑戰性的測試任務然后再在真實環境中進行測試。

圖8. 平行測試實際應用

4. 智能性測試的相關討論

4.1. 倫理道德問題