摘要
为了保证自动驾驶车辆在高速公路上的安全舒适行驶，开展了适应自动驾驶车辆的高速公路纵断面线形设计参数研究。改进了适应自动驾驶车辆的高速公路竖曲线半径和长度理论值计算方法，并基于PreScan和MATLAB/Simulink软件，通过LiDAR传感器从行车视距的角度提出了自动驾驶车辆-道路一体化的仿真测试方法，依据安全行驶速度分析了设计速度为80~140 km/h的高速公路对自动驾驶车辆的适应性，确定了适应自动驾驶车辆的高速公路竖曲线最小长度和半径。研究结果表明：140 km/h的高速公路不足以满足现阶段自动驾驶车辆的安全性需求，可将其设计速度降至130 km/h，待技术成熟再进行提速。由于自动驾驶车辆更低的系统反应时间和更高的传感器高度，高速公路设计速度为80、100、120、130 km/h时，其对应凸形竖曲线半径可分别降低至1800、2800、5600、10600 m，凹形竖曲线半径可分别降低至2000、3000、4000、5500 m。研究结果可为未来完全自动驾驶高速公路设计提供理论支持。
Abstract
In order to ensure the safety and comfort of self-driving vehicles on expressways, research has been conducted on the design parameters for the longitudinal profile of highway sections suitable for autonomous vehicles, improves the calculation method of vertical curve radius and length of expressways suitable for self-driving vehicles, and puts forward a simulation test method of self-driving vehicle-road integration from the point of view of driving sight distance through LiDAR sensor based on PreScan and MATLAB/Simulink software. According to the safe driving speed, the adaptability of the highway with the design speed of 80-140 km/h to the self-driving vehicle is analyzed, and the minimum length and radius of the highway vertical curve suitable for the self-driving vehicle are determined. The results show that the highway of 140 km/h is not enough to meet the safety requirements of self-driving vehicles at the present stage, and its design speed can be reduced to 130 km/h, and the speed can be increased when the technology is mature. Due to the lower system response time and higher sensor height of self-driving vehicles, the corresponding convex vertical curve radius can be reduced to 1800 m, 2800 m, 5600 m and 10600 m when the design speed of expressway is 80 km/h, 100 km/h, 120 km/h and 130 km/h respectively. The radius of concave vertical curve can be reduced to 2000 m, 3000 m, 4000 m and 5500 m. The research results of this paper can provide theoretical support for the design of fully automatic driving expressway in the future.
高速公路设施作为车辆行驶的载体，通过设置智能化设备和升级管理控制系统来实现驾驶自动化。而在完全自动驾驶环境下，车辆的行驶完全由车载计算机控制运行[1]。研究表明，现有的道路设计标准并不能完全适用于自动驾驶环境，需要对完全自动驾驶公路几何设计标准进行重新探讨研究，使其匹配于未来的完全自动驾驶车辆[2]。
随着自动驾驶技术的进步和汽车性能的提高，近年来有越来越多的学者提出更大的高速公路限制速度[3-5]，但欧洲各国高速公路因经济效益过低而将设计速度从160 km/h降速至140 km/h以下[6]，同时，中国2022年开始执行的《道路交通安全违法行为计分管理办法》中取消了小客车在高速公路上超速20%以内的处罚[7]，即允许小客车行驶时速控制在144 km/h以内，故本文在研究高速公路设计速度时，对设计速度为140 km/h的高速公路也进行研究。
公路停车视距是汽车行驶安全的重要保障条件之一，也是公路几何设计的重要内容，邵春福等[8]通过停车视距对比分析了各国道路设计参数的差异，并针对中国不同公路线形设计标准提出了修改理念和建议。张航等[9]基于可靠度理论计算得到停车视距值进行了高速公路设计，提高了道路安全性。同时，高速公路路线纵断面设计尤为重要，纵断面设计水平的高低与整体路线的质量有着密切的联系，赵酉超[10]基于自动驾驶汽车道路环境识别器最小距离来计算公路竖曲线的最小半径。陈正委等[11]对轻型高速公路纵断面设计指标开展研究，确定了轻型高速公路的最大坡度和对应坡长，庄传仪等[12]提出了一种汽车功率质量比模型，用于确定不同地区、不同等级公路的最大坡度和坡长。分析公路路线纵断面设计的方法，掌握公路路线纵断面设计的工作要点，对推动高速公路项目的开展有着重要的作用。但同时，现有纵断面研究大多从车辆的功率角度通过仿真或实测数据来对纵断面坡度和坡长展开研究，而对竖曲线半径的研究仅停留在理论计算阶段，缺乏通过仿真或实测进行研究的方法。
PreScan能够设置传感器模型和行驶工况信息，构建虚拟道路环境场景。同时，通过PreScan的外接端口利用MATLAB/Simulink可以构建自动驾驶车辆的功能决策模块，搭建虚拟测试平台，广泛应用于自动驾驶的研究。Chen等[13]利用PreScan搭建联合仿真平台对无人驾驶的高速公路合流区安全性进行评价。Kim等[14]利用PreScan进行AEB仿真并对照实车数据对车辆进行事故分析；Cao等[15]针对自动驾驶安全测试中人工场景测试效率低等问题，基于PreScan搭建了自动驾驶仿真场景自动生成系统。但鲜有从行车视距的角度对适应自动驾驶车辆的道路线形条件进行分析的研究。
本文基于PreScan仿真软件，通过自动驾驶车辆行车视距分析来探讨高速公路纵断面线形设计方法，构建竖曲线场景和平纵线形组合场景，进行仿真试验，并引入安全行驶速度的概念来对不同场景下的行车视距进行分析。此外，本文还从空间三维线形的角度，分析了参数取值对空间线形的曲率和挠率的影响，验证了纵断面几何设计参数取值的合理性。本文的研究成果将为未来全自动驾驶环境下高速公路的工程设计提供借鉴依据，使自动驾驶汽车能够在安全，高速，舒适的环境下顺畅通行。
1 高速公路纵断面设计参数理论值
1.1 自动驾驶车辆停车视距
高速公路停车视距ST由反应距离、制动距离和安全距离三部分组成，调整反应时间t以匹配自动驾驶车辆，计算公式为
(1)
式中：v为运行车速，km/h，取设计速度的85%；t为系统反应时间，一般取0.5 s[16]；φ为路面摩阻系数；i为路线纵坡，上坡为正，下坡为负；S0为安全距离，取3~5 m。
摩阻系数采用潮湿状态下的值，如表1所示。经计算得到自动驾驶车辆在不同设计速度下的需求停车视距如表2所示。
表1不同设计速度下的路面摩阻系数
Tab.1Friction coefficient of pavement at different design speeds
表2不同设计速度下的停车视距
Tab.2Parking sight distance at different design speeds
尽管高性能的LiDAR传感器理论探测距离大于各路段的需求停车视距，但在实际应用时，其探测距离会受到各种因素的影响，较理论有较大偏差，有必要通过仿真试验得到具体场景下的探测距离。
1.2 高速公路竖曲线长度和半径
决定现役高速公路竖曲线的最小长度和半径的限制因素分别为缓和冲击、行驶时间不过短、满足视距的要求，为研究适应自动驾驶车辆的高速公路，需要对其相关参数进行修正。
此外，如图1所示，在凹形竖曲线道路场景下，车辆为保证夜间行车安全，前灯照明应有足够的距离，而对于装有LiDAR的自动驾驶车辆，其感知性能不受白天夜晚的影响，但仍需满足LiDAR传感器具有足够的探测距离要求，故对该因素控制的行车视距公式进行改进，具体计算公式为
(2)
(3)
式中：hS为传感器高度，取1.45 m；δ为传感器垂面视场角，取20°；ω为变坡点坡度差，（°）。
将修正后的参数代入进行计算得到凸形和凹形竖曲线的最小半径值，如表3、4所示。表3中缓和冲击和视距要求控制的最小竖曲线长度计算公式分别为和。表4中缓和冲击、桥下视距和传感器探测距离控制的最小竖曲线长度计算公式分别为和。
图1车辆传感器探测范围
Fig.1Detection range of vehicle sensor
表3不同因素控制下的凸形竖曲线的最小半径和长度
Tab.3Minimum radius and length of convex vertical curve under the control of different factors
表4不同因素控制下的凹形竖曲线的最小半径和长度
Tab.4Minimum radius and length of concave vertical curves under the control of different factors
由表3、4可以看出，对于凸形竖曲线，在设计速度为120 km/h和140 km/h时，其最小半径均以满足视距要求为有效控制，设计速度为80 km/h和100 km/h时，其均以缓和冲击为有效控制。而凹形竖曲线的最小半径均以缓和冲击为有效控制。以表3和表4所得竖曲线最小半径和长度作为仿真场景相关参数的取值依据。
2 自动驾驶虚拟测试仿真试验设计
利用PreScan构建道路环境场景，构建车辆驾驶模型并设置行驶路径，设置传感器参数并输出模型，同时，利用MATLAB/Simulink搭建算法，集成各功能模块，搭建虚拟测试仿真平台，并根据实测开源数据，实现对虚拟测试平台主要功能的验证。
2.1 测试软件
许多传统测试工具和测试方法仅适用于人工驾驶车辆，难以满足自动驾驶车辆的测试需求，而PreScan具有良好的图形交互界面和丰富的传感器模型、能提供逼真的道路环境场景及自动驾驶系统功能模块。PreScan能够胜任高级驾驶辅助系统的开发和自动驾驶汽车的虚拟测试等工作。
PreScan配备了与MATLAB/Simulink的连接端口，可以将MATLAB/Simulink中的控制和决策算法导入至PreScan的工程工作区模块，导出仿真结果并借助MATLAB算法计算所需数据。实现自动驾驶虚拟测试平台的联合仿真。虚拟测试仿真试验的设计流程如图2所示。
图2Simulink模块搭建及测试步骤
Fig.2Simulink module building and testing steps
2.2 测试场景
为简化试验流程，本文自动驾驶车辆行车视距测试采用相反设置，测试场景内容为在晴朗天气条件下，设置目标车与自动驾驶测试车同处道路起点，自动驾驶测试车保持静止，而目标车以设计速度匀速向前行驶。测试场景中的主要要素包括：
1）车辆。自动驾驶测试车和目标车均选择Audi A8 Sedan，以保证车辆结构和性能一致。该车质量为1 820 kg、长为5.2 m、宽为2.0 m、高为1.4 m，属于小客车车型。
2）LiDAR。许多研究[17-18]发现，LiDAR相较于Radar和摄像机更能决定障碍物最终检测结果，且感知结果更依赖于单个传感器，故本文选择单个高性能LiDAR的相关技术参数来反映自动驾驶车辆的行车视距，并选择PreScan中点云传感器模块PCS作为LiDAR的目标仿真。综合考虑市场既有LiDAR产品技术参数，同时考虑到L4、L5级自动驾驶汽车的广泛应用还有一段时间，届时车载LiDAR产品也会相应更新迭代，现有的高性能但价格昂贵的LiDAR产品在未来可能会有更广泛的应用。本文选取目前市场中性能较高的Velodyne Alpha Prime产品作为后续仿真场景的PCS参数设置，其具体参数为：探测距离为245 m，水平面视场角分别为120°和360°，垂面视场角为40°，水平角度分辨率为0.1°，垂直角度分辨率为0.11°，垂面激光线束360条，扫描频率20 Hz，传感器高度分别为0.6 m和1.45 m。基于LiDAR的目标检测算法有效性依赖于采集自目标物的激光点数量，Teichman等[19]选取错误率最高的案例进行测试，由其样本点数与正确率曲线可知返回点数在20以上时的正确率为85%。而Suganuma等[20]对提出的算法进行测试，由其样本点数与正确率曲线可知返回点数在20以上时，其正确率为90%。Abdo等[21]则调査了两种激光雷达产品的有效识别距离。结果发现，随着激光点数识别阈值NT的提高，激光产品的有效识别距离均会逐渐降低。考虑到识别准确度和识别距离的减损，且后续的线形参数样本较多，本文主要选取感知准确度较高的10、20 作为考察的NT值。
3）道路线形。为简化试验，采用单车道道路，令目标车沿道路中心线行驶。选择高速公路标准行车道宽度为3.75 m，路拱横坡度为2%。a）直线，本文采用直线长度应大于等于探测距离245 m，以得到完整的不同NT条件下的探测距离数据，故直线路段长度设置为250 m。b）竖曲线，当自动驾驶车辆与目标车处于同一直坡路段内时，如图3所示。自动驾驶车辆的行车视距不受直坡段iG的影响，与在直线路段的行车视距相同。因此，可设置变坡点前直坡段iG为0，变坡点后直坡段iG为该路段的最大纵坡坡度。
图3不同iG下自动驾驶汽车的传感器感应视场
Fig.3Sensor induced field of view of self-driving vehicles under different iG
1.2 节中自动驾驶车辆停车视距要小于人工驾驶车辆，这意味着自动驾驶车辆可以满足更加苛刻的道路线形条件，计算所得竖曲线半径小于《公路路线设计规范》所规定的最小竖曲线半径，同时，如图4所示，当竖曲线半径变化时，车辆被识别时的距离、俯仰角度和被探测面积等影响行车视距的因素均会产生变化，其对自动驾驶车辆行车视距的影响机理需要通过仿真试验来探究，计算所得的竖曲线理论最小半径也需要通过仿真实验来进一步验证。以1.2节中所得竖曲线极限最小半径作为仿真试验的范围下界，同时依照《公路路线设计规范》中竖曲线的一般最小半径作为仿真试验的范围上界，并依照各设计速度的最大坡度分别对凸形竖曲线半径LVC、凹形竖曲线长度LVS、凸形竖曲线半径RVC和凹形竖曲线半径RVS的取值范围进行选定，并划分适当的取值步长，其结果如表5所示。
图4不同竖曲线半径条件下的自动驾驶车辆行车视距
Fig.4Sight distance of self-driving vehicles under different vertical curve radius
2.3 测试步骤
自动驾驶车辆行车视距测试具体步骤如下：
步骤1 初始场景搭建。将自动驾驶测试车置于整体路段模型的起点处，安装并配置LiDAR传感器，保持静止。并以LiDAR安装高度为0.6 m和1.45 m分别搭建场景。
步骤2 目标车辆标定。令目标车与自动驾驶测试车位于相同起点，沿预设的高速公路行车道中线匀速行驶，直至路段模型终点。
表5纵断面线形参数取值空间
Tab.5Value space of profile alignment parameters
步骤3 点云数据采集。在仿真运行期间，采集每段仿真时间域t内，由LiDAR发射并经目标车返回的激光点数Np。基于20 Hz的测试平台仿真频率，构建0.05 s时间域。通过MATLAB编程求和每段仿真时间域内来自目标车的激光点云数量，获得Np。
步骤4 通过MATLAB对式（4）编程处理以获取自动驾驶车辆的行车视距[22]。
当Np，i＞NT且Np，i+1≤NT时，
(4)
式中：Np，i和Np，i+1分别为ti和ti+1内的NP；ti为第i个时间，s；x2，i为ti时目标车位置，m；x1，i为ti时自动驾驶车辆位置，m；a为车身长度，本文取5.2 m。
步骤5 以表5所列取值空间，在PreScan中调整道路线形参数，并重复按照上述步骤测试。
2.4 测试平台行车视距有效性验证
2.4.1 验证数据来源及试验工况
本文研究选取Abdo团队[21]发布的LiDAR产品Ouster OS1-32激光雷达静态测试数据作为行车视距有效性验证基准，其具体设计参数：探测距离为120 m，水平面视场角为360°，垂面视场角为45°，水平角度分辨率为0.70°，垂直角度分辨率为1.45°，垂面激光线束32条，扫描频率20 Hz。本文据此检验虚拟测试平台获取自动驾驶车辆行车视距功能的有效性。
Abdo等在直线单车道试验路（iG=0，LT=122 m，车道宽3.75 m）上，选取了为未知品牌的小客车作为目标车，将激光雷达中心点固定于距路面0.9 m的位置，且位于试验道路起点的车道中点位置。水平面最大直线距离为有效识别距离，其考察的NT分别为5、10、20、40、80、200。
由于PreScan软件已经说明了点云传感器Point Cloud Sensor模块作为LiDAR仿真的有效性，在虚拟测试平台中构建完全一致的工况，获取与Ouster OS1-32有效识别距离配对的测试数据。
2.4.2 验证数据与测试数据对比
在不同NT条件下，基于虚拟仿真平台获取的仿真数据与Abdo等实际测量的有效识别距离对比如图5所示。
图5自动驾驶车辆行车视距仿真数据与实测数据对比
Fig.5Comparison between simulation data and measured data of sight distance of self-driving vehicles
计算图5两者平均偏差得出仿真数据为实测数据的6.9%，验证了虚拟测试平台能够较理想地采集由目标车返回的激光点数。同时前者均略大于后者，这可能是仿真试验所用车型Audi A8 Sedan反射面积略大于Abdo等实测所用车型所导致的。
同时，Bland-Altman图可用于直观展示两种方法进行测量时数据的一致性情况[23]；横坐标为两种方法测量数据的平均值，纵坐标为两种方法的测量差值；中间线条表示差值的平均值，上下线条为95%一致性界限的上下限（即1.96个标准差上下界值）；如果散点基本均落在95%一致性区间，则说明一致性情况良好。通过Bland-Altman图对仿真数据和实测数据进行处理，所得结果如图6所示。由图6可知，散点数据全部落在95%置信区间内，满足上述一致性要求。
图6实测数据与仿真数据的Bland-Altman图
Fig.6Bland-Altman diagrams of measured data and simulation data
因此，虚拟测试平台输出的自动驾驶车辆行车视距较理想于实际获取的LiDAR有效识别距离，但其偏差较小并且具有很好的有效性。
3 基于行车视距分析的高速公路纵断面参数设计
选取不同的设计速度和道路参数，构建直线及竖曲线场景，获取自动驾驶车辆行车视距。并依据虚拟测试结果，分析不同线形条件对行车视距的影响机理。
3.1 行车视距分析
3.1.1 直线
在直线路段内，自动驾驶车辆在不同的设计速度Vd、返回点数阈值NT及传感器安装高度hS条件下的行车视距，如图7所示。
由图7可知，试验所得行车视距明显小于理论行车视距245 m，且在其余条件不变时，行车视距随NT的增加而下降。这是由于引入更多真实的LiDAR技术参数，测试获得的行车视距较理论行车视距更短。此外，增加NT代表识别激光点数的需求上升，自动驾驶车辆只能识别更近的障碍物。
图7直线场景中的自动驾驶车辆行车视距
Fig.7Sight distance of self-driving vehicles in straight-line scene
在角度分辨率、NT等因素限制下，更大的相对速度将增加目标车在脱离自动驾驶车辆有效视场范围前未被探测的可能性。但由于水平角度分辨率较高，扫描频率较大，Vd变化对行车视距的影响并不明显。
同时，hS=1.45 m的行车视距要略大于hS=0.6 m时的行车视距，因此，在后续仿真测试时，主要将传感器高度hS设置为1.45 m。
3.1.2 凸/凹形竖曲线
在凸形和凹形竖曲线路段内，自动驾驶车辆在不同Vd、NT条件下行车视距随竖曲线半径的变化曲线如图8所示。由于不同设计速度下最大纵坡坡度ω固定，竖曲线长度LV对应竖曲线半径RV的变化。
由图8可知，其他条件不变时，行车视距随竖曲线半径RV变化呈现出振荡趋势。NT=10时，该振荡幅值可达约20 m，较大于NT=20时的振荡幅值。该振荡趋势受 LiDAR的角度分辨率和扫描频率、Vd、NT、竖曲线场景中的路面遮挡与俯仰角偏差等因素的综合影响。
与直线场景相似，Vd对行车视距影响较小。竖曲线场景中的自动驾驶车辆与目标车存在纵向相对运动。但由于ω受限，竖曲线内车辆间的俯仰角偏差较小，车辆间的垂向位移也较小，由于水平角度分辨率较高，扫描频率较大，Vd变化对行车视距的影响不明显。
图8不同设计速度的竖曲线道路线形条件下的自动驾驶车辆行车视距
Fig.8Sight distance of self-driving vehicles under the condition of vertical curve road alignment with different design speeds
3.2 基于行车视距的安全行驶速度分析
根据视距供需平衡关系分析自动驾驶车辆的安全行驶速度，并依照速度协调性需求[24]，对高速公路纵断面设计参数进行评价。
为保证自动驾驶车辆在不同线形条件下的行车视距足够避免碰撞风险，其值应不小于停车视距。令行车视距等于停车视距，以视距失效为导向的车辆最大安全行驶速度Vsf能够利用式（1）反算获得。当Vsf＞Vd时，则停车视距大于行车视距；当Vsf＜Vd时，则停车视距小于行车视距。由于水平/垂直角度分辨率及扫描频率等因素的综合作用，车速仅对行车视距产生较小扰动。因此，在给定线形条件及LiDAR相关参数后，行车视距为常数。
在LiDAR相关参数方面：NT=10时的安全行驶速度要大于NT=20时的安全行驶速度，其具有更好的线形适应性，但探测目标准确性更低。因此，以NT=10作为考察道路线形设计参数的最低要求。以NT=20的安全行驶速度作为自动驾驶车辆线形适应性的评判标准，具体评判情况如表6所示。
表6安全行驶速度评价标准
Tab.6Evaluation standard of safe driving speed
此外，在相同RV条件下，对凹形和凸形竖曲线进行分析，同时，在Vd=80 km/h和100 km/h的场景中，Vsf均远大于Vd，这表明其线形设计完全适应自动驾驶车辆，故以Vd=120 km/h和140 km/h的场景的安全行驶速度作为主要研究对象。
3.2.1 直线/直坡场景
图9选取了不同NT条件下120 km/h和140 km/h对应的行车视距结果平均值计算所得的安全行驶速度。其中，不同iG对应的行车视距均为直线场景中的行车视距。
图9直线/直坡场景下自动驾驶车辆的安全行驶速度
Fig.9Safe speed of self-driving vehicles in straight line/straight slope scene
可知，在NT=10时，设计速度为120 km/h以下的道路可以很好地满足自动驾驶车辆的行车视距需求，但在140 km/h时的场景下，自动驾驶车辆的行车视距不足以满足要求。而在NT=20时，Vd=120 km/h场景的车辆道路线形具有较好的适应性，而Vd=140 km/h的道路线形与车辆适应性差。
3.2.2 凹/凸形竖曲线
图10选取了不同NT条件下120 km/h和140 km/h对应的行车视距结果计算所得的安全行驶速度。
图10竖曲线场景的自动驾驶安全速度
Fig.10Self-driving safety speed in vertical curve scene
由图10可知，在设计速度为120 km/h及以下时，NT=10和20时对应的自动驾驶车辆的安全行驶速度均大于设计速度，这表明根据纵断面参数计算值构建出的竖曲线场景可以很好地满足自动驾驶车辆的运行需求。而在设计速度为140 km/h的竖曲线场景下，NT=10对应的安全行驶速度有部分低于140 km/h的情况，NT=20对应的安全行驶速度基本在120~130 km/h的范围内，道路场景对自动驾驶车辆的适应性较差。
综上所述，现有的传感器技术不足以支持自动驾驶车辆在设计速度为140 km/h的道路上安全舒适的行驶，但考虑自动驾驶技术和传感器探测技术未来的发展，同时，车辆在140 km/h道路场景下的Vsf均能以130 km/h的速度安全舒适运行，引入高速公路预留提速的思路[25-26]，将以Vd=140 km/h的参数标准设计的高速公路设计速度调整至Vd=130 km/h。在后续自动驾驶技术成熟后再进行提速。
3.3 纵断面参数设计
参考《规范》和黎纲[27]提出的140 km/h纵坡坡度值，得到高速公路纵坡坡度如下：当设计速度为80、100、120、130 km/h 时，其最大纵坡坡度分别为5%、4%、3%和2%。
依照1.2节竖曲线最小半径计算值和3.2节所得结论，得到竖曲线的极限最小半径，并以其1.5~2倍作为竖曲线一般最小半径。竖曲线极限最小长度通常以3 s的行程作为极限值，以极限值2.5倍作为一般最小长度，得到竖曲线最小半径与竖曲线长度如表7所示。
表7竖曲线最小半径与竖曲线长度
Tab.7Minimum radius of vertical curve and length of vertical curve
此外，由于平纵线形组合要求的合成坡度小于10%，本文依照最不利原则进行仿真试验，选取如表7所规定极限最小半径和长度条件下的竖曲线与《规范》规定的超高为8%对应最小半径的平曲线组成的平纵线形组合场景中，自动驾驶车辆行车视距仍能满足行驶需求。
4 结论
1）采用PreScan和MATLAB/Simulink软件，基于LiDAR传感器从行车视距的角度提出了自动驾驶车辆-道路一体化仿真测试方法，并根据已有试验数据验证了测试平台的有效性，结果表明，虚拟测试平台输出的自动驾驶车辆行车视距较远于实际获取的LiDAR有效识别距离，但数据偏差较小，该测试平台具有很好的有效性。
2）分析了直线、竖曲线和平纵线性组合条件对行车视距的影响机理。并分析了直线/直坡场景下自动驾驶车辆的安全行驶速度和竖曲线场景的自动驾驶安全速度，通过安全行驶速度分析了道路线形条件对自动驾驶车辆的适应性。
3）基于自动驾驶车辆不同于人工驾驶车辆驾驶人的视线高度和反应时间，提出了适应自动驾驶车辆的高速公路竖曲线最小半径和长度建议值，如表7所示。
4）适应自动驾驶车辆的高速公路的竖曲线最小半径相对于现行高速公路的设计标准显著降低，这意味着未来高速公路建设具有更低的工程技术难度和更高的经济性，本文的研究成果可为未来完全自动驾驶环境下的高速公路设计提供理论支持。此外，本文在虚拟仿真测试过程中仅从行车视距的角度进行了仿真测试，未从车辆动力学特性和行驶稳定性的角度验证研究成果，此方面研究仍需完善和改进。
