当前自动驾驶汽车发展迅速,研究表明基于场景的仿真测试是解决自动驾驶研发测试的主要途径,能够加快商业化应用。然而,如何去构建有效的测试场景,如何能明确区分测试场景且实现量化评价,如何能让测试场景高度覆盖自动驾驶系统测试等问题厄待解决。因此,本文基于重庆复杂的山地地形,构建了一些典型的测试场景,同时对测试场景的复杂度和覆盖度进行评价。论文具体研究工作如下:1、测试场景的构建。首先,通过Road XML仿真文件的底层数据,解析描述仿真道路的数据;然后利用Bigemap地图下载器和纬地道路软件提取真实道路的平面和纵断面数据,通过python实现道路数据自动化构建Road XML仿真路网文件;最后并与实车采集的GPS数据进行对比验证。在此基础上,通过交通大数据及问卷调查,分析重庆山地城市的道路类型及特点,并用3Dmax软件和Al软件制作了道路交通标志、标线和房屋建筑等元素,构建了重庆5处比较典型道路的静态测试场景;通过编写Mice脚本与Simulink联合仿真,参考法规标准和场景数据集,构建了4类动态测试场景库。2、测试场景的评价。本文评价了测试场景的复杂度和覆盖度。对于测试场景复杂度的研究,分析测试场景的静态和动态因素,将信息熵和人工势场法结合场景因素进行改进,构建复杂度评价模型;然后进行AEB仿真测试,并搭建了驾驶员模拟平台进行验证。对于测试场景覆盖度的研究,基于软件SCANe R将静态因素离散化处理,同时基于场景库类型研究在不同道路结构下主车与周围车的位置关系,应用PICT组合测试工具进行场景覆盖,并评价计算有效覆盖度。研究结果表明:首先,在一定误差范围内,可程序化构建三维道路,即可不借助相关设备也可获取道路高程信息;其次,基于构建的道路和交通元素库,可快速完成对静态测试场景的搭建,同时基于构建的动态测试案列,可完成对自动驾驶系统辅助功能的测试验证;然后,通过AEB测试和驾驶模拟平台验证了复杂度评价模型的有效性,利用该模型可对测试场景进行量化评价和分类,从而反映测试场景的复杂程度;最后,在本文搭建的ODD区域内,仅考虑车车关系时,场景覆盖度最高可达88%,最低可达75.6%,在一定程度上可加速自动驾驶系统的测试。