新技术在给智能汽车赋能的同时,也给传统的测试工具和测试方法带来了新的挑战。目前智能汽车测试工具性能单一,存在无法实现复杂测试需求、测试加速中极端场景比例低等问题。为提升传统测试方案的测试能力,确保智能汽车在道路测试前可以得到严格充分的测试,本文提出了基于转鼓平台的智能汽车整车在环加速测试方案。所提出的测试方案可以实现被测车辆感知层多源信息仿真、道路模型动态复现、车辆转向跟随,并依据NGSIM数据集构建了组合型车辆跟驰模型,并对交叉熵重要抽样加速生成的测试场景进行仿真测试和实车测试,验证了所构建加速测试方法的正确性。主要研究内容包括:设计了由道路模拟子系统和信号仿真子系统构成的智能汽车整车在环测试架构。信号仿真子系统的实际感知数据主要由毫米波雷达暗箱和视频暗箱生成,虚拟仿真数据主要从场景软件的传感器模块获取。道路模拟子系统可以通过PID算法控制转鼓平台内部的伺服电机,实现测试场景中道路阻力、翻滚角以及俯仰角的模拟和转向随动。转向随动系统的模糊滑模控制算法依据被测车辆轮胎转角和方向盘转角,控制实现转向随动和状态检测,实验结果表明转向随动系统能够实现对智能汽车转向的准确平稳跟随。依据理论驱动模型和数据驱动模型构建了IDM-SVR组合型车辆跟驰模型。构建模型所使用的数据均是从NGSIM数据集中筛选的跟驰数据,通过模拟退火算法对IDM模型的参数进行标定,结合粒子群优化算法对SVR模型参数进行优化,最后通过最优加权法确定模型的加权系数,生成能够体现理论属性和数据属性的IDM-SVR车辆跟驰模型,组合模型能够明显改善速度和加速度的波动。在MCMC随机采样测试场景的基础上,通过交叉熵重要抽样方法实现对测试场景中极端场景的加速生成,解决了实际测试过程中极端场景生成率低的问题。实车实验时,测试系统上位机软件对测试工具进行参数设置,并使用毫米波雷达暗箱模拟测试场景信号。使用组合模型对生成的测试场景进行测试,结果表明,加速采样方案产生的事故率较实际道路产生的事故率有明显提升,可以有效提高加速测试效率。