面向多維度邏輯場景的自動(dòng)駕駛安全性聚類評價(jià)方法*

朱 冰， 張培興， 趙 健

(吉林大學(xué)，汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長春 130022)

前言

自動(dòng)駕駛汽車是全球汽車產(chǎn)業(yè)發(fā)展的戰(zhàn)略方向，而準(zhǔn)確可靠的安全性測試評價(jià)是自動(dòng)駕駛汽車推廣應(yīng)用的基礎(chǔ)[1-2]。

目前，自動(dòng)駕駛汽車大多基于公開道路或封閉試驗(yàn)場地進(jìn)行安全性測試，評價(jià)指標(biāo)主要為平均人工接管次數(shù)或單一場景的測試通過性[3-4]。 其中，平均人工接管次數(shù)指自動(dòng)駕駛汽車每行駛1 000英里過程中人工接管的平均次數(shù)，可反映自動(dòng)駕駛系統(tǒng)在多維度場景下的表現(xiàn)，但其測試過程存在風(fēng)險(xiǎn)且測試效率低下[5]；測試通過性是指自動(dòng)駕駛系統(tǒng)通過一系列具體測試用例的安全性測試，其邏輯場景只能針對離散的單一維度，評價(jià)結(jié)果不夠全面[6]。

自動(dòng)駕駛汽車行駛環(huán)境復(fù)雜多變，因此，其安全性測試評價(jià)必須是面向多維度邏輯場景的綜合性能評價(jià)，傳統(tǒng)方法無法滿足其安全性評價(jià)需求[7-8]。本文中面向多維度邏輯場景，提出一種基于統(tǒng)計(jì)規(guī)律的自動(dòng)駕駛安全性聚類評價(jià)方法，可通過聚類給定多維度邏輯場景中的危險(xiǎn)參數(shù)，對被測算法的整體性能進(jìn)行量化評價(jià)。

首先基于高斯模型對多維度邏輯場景下的遍歷測試危險(xiǎn)參數(shù)結(jié)果進(jìn)行聚類，得到連續(xù)分布的危險(xiǎn)域；在此基礎(chǔ)上，分析不同危險(xiǎn)場景的搜索難度和參數(shù)覆蓋范圍，提出危險(xiǎn)域離散度、危險(xiǎn)域范圍兩個(gè)基本評價(jià)指標(biāo)，并將其耦合形成自動(dòng)駕駛安全性聚類評價(jià)參數(shù)即場景危險(xiǎn)率；最后，應(yīng)用提出的方法對一種黑盒自動(dòng)駕駛算法進(jìn)行測試評價(jià)。

1 多維度邏輯場景危險(xiǎn)參數(shù)聚類

基于場景的測試是自動(dòng)駕駛汽車測試的必由之路，按照測試流程，測試場景可分為功能場景、邏輯場景和具體測試用例[9]。 其中，邏輯場景通過參數(shù)空間描述場景中要素的變化范圍、體現(xiàn)要素間的耦合效應(yīng)，是承上啟下的測試主體，例如自動(dòng)駕駛避撞測試時(shí)本車速度、相對速度和相對距離就是構(gòu)成該邏輯場景的3 個(gè)典型測試維度。

本文中首先對多維度邏輯場景進(jìn)行遍歷測試獲取危險(xiǎn)參數(shù)，進(jìn)而通過高斯模型對危險(xiǎn)參數(shù)進(jìn)行聚類，形成連續(xù)分布的危險(xiǎn)域，算法流程如圖1 所示。

首先，進(jìn)行危險(xiǎn)參數(shù)預(yù)處理:(1)將多維度邏輯場景參數(shù)離散化形成具體測試用例；(2)對具體測試用例進(jìn)行遍歷測試獲取危險(xiǎn)場景參數(shù)集；(3)對危險(xiǎn)參數(shù)進(jìn)行對稱處理；(4)將對稱處理后的危險(xiǎn)參數(shù)進(jìn)行標(biāo)準(zhǔn)化。

然后，對處理后的危險(xiǎn)參數(shù)進(jìn)行聚類:(1)利用組內(nèi)殘差平方和計(jì)算聚類中心數(shù)量；(2)當(dāng)聚類中心為1 時(shí)，直接對危險(xiǎn)參數(shù)進(jìn)行單高斯模型聚類；(3)當(dāng)聚類中心大于1 時(shí)，應(yīng)用最大期望值(expectation maximization， EM)算法對危險(xiǎn)參數(shù)進(jìn)行高斯混合模型聚類；(4)獲取均值、標(biāo)準(zhǔn)差等高斯模型參數(shù)；(5)刪除因?qū)ΨQ化處理所產(chǎn)生的多余聚類結(jié)果。

圖1 多維度邏輯場景危險(xiǎn)參數(shù)聚類流程

1.1 危險(xiǎn)參數(shù)預(yù)處理

首先將多維度邏輯場景參數(shù)離散化形成具體測試用例，離散過程需要考慮的要素包括傳感器精度、被測算法模型、系統(tǒng)運(yùn)算頻率等，當(dāng)多種要素共同影響時(shí)，應(yīng)該選擇最寬松的限制條件作為離散步長。以相對距離為例，毫米波雷達(dá)長距離測距精度為±0.5 m， 中距離測距精度為±0.25 m，因此可以將相對距離以1 m 的步長進(jìn)行離散。

對具體測試用例進(jìn)行遍歷測試，在足夠大的參數(shù)空間范圍內(nèi)，必然存在導(dǎo)致危險(xiǎn)發(fā)生的參數(shù)空間，將導(dǎo)致測試結(jié)果發(fā)生碰撞危險(xiǎn)的場景參數(shù)定義為危險(xiǎn)參數(shù)。 遍歷測試后可獲取危險(xiǎn)參數(shù)集。

由于給定多維度邏輯場景邊界的限制，危險(xiǎn)參數(shù)集可能不會是一個(gè)完整的高斯分布范圍。 因此需要將危險(xiǎn)參數(shù)集在給定參數(shù)空間的危險(xiǎn)邊界按照不同的參數(shù)維度坐標(biāo)軸進(jìn)行對稱。 這樣既可以將危險(xiǎn)參數(shù)集構(gòu)建成一個(gè)完整的高斯分布，還可以保證后續(xù)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)均值落在最危險(xiǎn)參數(shù)點(diǎn)位置。

由于多維度邏輯場景參數(shù)類型不同，參數(shù)數(shù)值范圍差異較大，因此需要對參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理。采用Z-score Normalization 方法對危險(xiǎn)參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理[10]，如式(1)所示。

式中:xf為危險(xiǎn)參數(shù)集X的第f維危險(xiǎn)參數(shù)列向量；bf為對稱處理后的第f維危險(xiǎn)參數(shù)列向量；bf＿mean為對稱處理后第f維危險(xiǎn)參數(shù)的均值；sf為對稱處理后第f維危險(xiǎn)參數(shù)的標(biāo)準(zhǔn)差；下角標(biāo)f代表多維度邏輯場景的第f個(gè)維度；d為多維度邏輯場景的變量維度總數(shù)。

由此，可得預(yù)處理之后的多維度邏輯場景危險(xiǎn)參數(shù)集X，如式(2)所示。X中的每一行向量xj(j＝1，2…，m)為每個(gè)危險(xiǎn)測試用例所對應(yīng)的參數(shù)向量。

1.2 危險(xiǎn)參數(shù)聚類

參數(shù)聚類首先需要確定聚類中心數(shù)量，本文中采用組內(nèi)殘差平方和計(jì)算危險(xiǎn)參數(shù)聚類中心數(shù)量[11]。 組內(nèi)殘差平方和是指所有聚類中每個(gè)類內(nèi)的要素距離其聚類中心的誤差平方的總和，如式(3)所示。

式中:m為所有危險(xiǎn)點(diǎn)的數(shù)量；為使用初步聚類得到的xj對應(yīng)的聚類中心。

當(dāng)組內(nèi)殘差平方和變化速率變慢時(shí)，即認(rèn)為增大聚類數(shù)目也不能對聚類結(jié)果進(jìn)行有效的提高，該速率變化的拐點(diǎn)數(shù)即為聚類中心數(shù)目。

當(dāng)聚類中心為1 時(shí)，可直接對危險(xiǎn)參數(shù)進(jìn)行單高斯模型聚類，如式(4)所示。

式中:P(x｜θs)為單一高斯模型概率密度函數(shù)；θs為高斯模型的參數(shù)，包括均值和標(biāo)準(zhǔn)差；Σ為用來描述各維變量相關(guān)度的協(xié)方差矩陣；μ為危險(xiǎn)參數(shù)向量的均值。 由于危險(xiǎn)數(shù)據(jù)集經(jīng)過對稱和標(biāo)準(zhǔn)化處理，因此該分布的均值為0，標(biāo)準(zhǔn)差為1。

當(dāng)聚類中心大于1 時(shí)，應(yīng)用EM 算法對危險(xiǎn)參數(shù)進(jìn)行高斯混合模型聚類[12]，即將危險(xiǎn)參數(shù)分解為多個(gè)高斯概率密度函數(shù)組成的模型:

式中:G(x｜θ)為高斯混合模型概率密度函數(shù)；θ為高斯混合模型的參數(shù)，包括第k個(gè)單高斯模型的權(quán)重αk和模型參數(shù)θk；θk包括均值μk和標(biāo)準(zhǔn)差σk；K為單個(gè)高斯模型的個(gè)數(shù)。

通過極大似然法可對θ進(jìn)行估計(jì):

應(yīng)用EM 迭代算法對上式進(jìn)行求解。 EM 算法的E-step 為計(jì)算Q函數(shù)，Q函數(shù)代表給定第p輪迭代的參數(shù)θp之后高斯混合模型G(x｜θp)與給定數(shù)據(jù)之間的相似程度。

式中:稱為后概率事件，即表示第j個(gè)觀測數(shù)據(jù)來自第k個(gè)高斯密度函數(shù)的概率。

EM 算法中的 M-step 為最大化Q函數(shù)。 當(dāng)計(jì)算第(p＋1)步的參數(shù)θp＋1時(shí)，只需要對第p步的αk、μk、σk求偏導(dǎo)并使其等于 0，就可以使得Q函數(shù)極大化。

重復(fù)進(jìn)行EM 算法的 E-step 和 M-step 直至模型收斂即可得到高斯混合模型G(x｜θ)。

通過上述單高斯模型或高斯混合模型，可以得到模型參數(shù)，即均值和標(biāo)準(zhǔn)差。 本文中利用這些聚類參數(shù)建立自動(dòng)駕駛安全性評價(jià)指標(biāo)。

同時(shí)，由于危險(xiǎn)參數(shù)預(yù)處理時(shí)進(jìn)行的對稱處理會導(dǎo)致數(shù)據(jù)擴(kuò)大，因此需要對這部分多余的數(shù)據(jù)進(jìn)行刪除。 坐標(biāo)軸處數(shù)據(jù)分布在對稱處理之后不會增加高斯分布的數(shù)量，但是會造成區(qū)域擴(kuò)大；其他位置的分布在對稱處理之后會導(dǎo)致高斯分布數(shù)量增加。因此在整個(gè)聚類完成之后需要?jiǎng)h除該類多余的分布(多余分布的特點(diǎn)為均值存在對稱性，標(biāo)準(zhǔn)差等同)，并對坐標(biāo)軸處因?qū)ΨQ造成的區(qū)域擴(kuò)大進(jìn)行修正。 對于那些刪除數(shù)量少于(2d-1)的高斯分布類型，即位于坐標(biāo)軸處的高斯分布，其標(biāo)準(zhǔn)差的修正過程為

式中:q為未因?qū)ΨQ產(chǎn)生多余高斯分布的對稱軸的數(shù)量；t為該類高斯分布的刪除數(shù)量；σkb為修正前的高斯分布標(biāo)準(zhǔn)差；σk為修正后的高斯分布標(biāo)準(zhǔn)差。

2 自動(dòng)駕駛安全性聚類評價(jià)指標(biāo)

傳統(tǒng)基于場景的自動(dòng)駕駛安全性評價(jià)大多采用單一場景測試通過性作為評價(jià)指標(biāo)，然而，這種指標(biāo)難以反映復(fù)雜邏輯場景多維度要素的耦合關(guān)系，也無法體現(xiàn)不同自動(dòng)駕駛策略的整體性能。 本文中綜合考慮多維度邏輯場景內(nèi)危險(xiǎn)場景的分布情況和覆蓋范圍，根據(jù)高斯聚類結(jié)果提出危險(xiǎn)域離散度和危險(xiǎn)域范圍兩個(gè)基本評價(jià)指標(biāo)，并將其耦合形成可量化的自動(dòng)駕駛安全性聚類評價(jià)指標(biāo)——場景危險(xiǎn)率。

2.1 危險(xiǎn)域離散度

針對同一多維度邏輯場景，被測算法產(chǎn)生的危險(xiǎn)參數(shù)分布越分散，意味著算法的安全性越差，采用單一場景測試通過性進(jìn)行測試時(shí)，發(fā)現(xiàn)其危險(xiǎn)場景的難度也越大。 因此，定義危險(xiǎn)參數(shù)的連續(xù)分布為危險(xiǎn)域，提出危險(xiǎn)域離散度指標(biāo)對自動(dòng)駕駛安全性進(jìn)行評價(jià)。

顯然，危險(xiǎn)域離散度應(yīng)包括兩部分，一是不同危險(xiǎn)域相對于邏輯場景中最危險(xiǎn)邊界點(diǎn)的距離，二是不同危險(xiǎn)域之間的相對距離。

經(jīng)過對稱及標(biāo)準(zhǔn)化處理后的危險(xiǎn)參數(shù)集，其最危險(xiǎn)邊界點(diǎn)即為坐標(biāo)原點(diǎn)，因此，不同聚類中心相對于坐標(biāo)原點(diǎn)的歐氏距離db即為不同危險(xiǎn)域相對于最危險(xiǎn)邊界點(diǎn)的距離，如式(12)所示；其他不同危險(xiǎn)域之間的相對距離可用類間距離ds表示，如式(13)所示。

式中:μk為聚類中心的位置即高斯分布的均值，下標(biāo)k表示不同的聚類；μmean為除原點(diǎn)外的聚類中心的均值。

第k個(gè)危險(xiǎn)域的離散度dh＿k為

式中a、c為權(quán)重系數(shù)。

2.2 危險(xiǎn)域范圍

針對同一多維度邏輯場景，被測算法產(chǎn)生的危險(xiǎn)參數(shù)覆蓋范圍越大，意味著算法的安全性越差，因此，提出危險(xiǎn)域范圍作為自動(dòng)駕駛安全性的另一個(gè)評價(jià)指標(biāo)。

危險(xiǎn)域范圍Sk應(yīng)該綜合考慮危險(xiǎn)參數(shù)的危險(xiǎn)程度及其分布范圍，可采用高斯分布標(biāo)準(zhǔn)差表達(dá)，第k個(gè)危險(xiǎn)域的危險(xiǎn)域范圍Sk為

式中:ω＝(ω1，ω2，…，ωd)為不同維度危險(xiǎn)參數(shù)的重要程度系數(shù)；σk＝(σ1，σ2，…，σd)為高斯分布的標(biāo)準(zhǔn)差。

ω可采用層次分析法確定。 首先建立參數(shù)判別矩陣A，如式(16)所示。

式中off為不同場景參數(shù)兩兩比較的相對重要程度。

通過計(jì)算可得到判別矩陣的最大特征值λmax和其對應(yīng)的加權(quán)向量z。 進(jìn)而，計(jì)算判別矩陣的一致性指標(biāo)CI，如式(17)所示，查表獲得隨機(jī)一致性指標(biāo)RI，計(jì)算一致性比率CR，如式(18)所示。

如果CR＜0.1，則矩陣通過一致性檢驗(yàn)，加權(quán)向量z即可作為不同維度危險(xiǎn)參數(shù)的重要程度系數(shù)ω。 如果CR≥0.1，則矩陣未通過一致性檢驗(yàn)，需要重新建立判別矩陣并進(jìn)行層次分析法的后續(xù)步驟。

2.3 場景危險(xiǎn)率

為綜合評價(jià)被測自動(dòng)駕駛算法在某一多維度邏輯場景下的安全性，將危險(xiǎn)域離散度和危險(xiǎn)域范圍兩個(gè)指標(biāo)進(jìn)行耦合，建立可量化的聚類評價(jià)指標(biāo)——場景危險(xiǎn)率。

場景危險(xiǎn)率Rd如式(19)所示。

式中:S1為坐標(biāo)原點(diǎn)處的危險(xiǎn)域范圍；Smin為理論最小危險(xiǎn)域范圍，即在給定場景下，假設(shè)自動(dòng)駕駛汽車以理想狀態(tài)進(jìn)行操作計(jì)算得到的危險(xiǎn)域范圍。 值得注意的是，為保證數(shù)據(jù)的可比性，計(jì)算該值時(shí)，參數(shù)標(biāo)準(zhǔn)化過程應(yīng)將理想危險(xiǎn)參數(shù)映射到測試危險(xiǎn)參數(shù)域進(jìn)行標(biāo)準(zhǔn)化。

由式(19)可知，場景危險(xiǎn)率值越小，則表示所測試的自動(dòng)駕駛算法在給定的多維度邏輯場景下安全性越好，其下限值為1。 如果Rd值超過1.5，算法的安全性就比較差，需要進(jìn)一步優(yōu)化。

3 評價(jià)方法應(yīng)用

為驗(yàn)證所提出的聚類評價(jià)方法的可行性，以Prescan 軟件基礎(chǔ)包自帶的一種黑盒自動(dòng)駕駛算法為例，進(jìn)行測試應(yīng)用。 算法的輸入包括本車速度、雷達(dá)探測范圍、探測角度相對速度等，輸出包括發(fā)動(dòng)機(jī)轉(zhuǎn)矩、制動(dòng)踏板行程。

選擇前車緊急制動(dòng)多維度邏輯場景進(jìn)行測試，如圖2 所示。 場景參數(shù)為本車初速度v1、前車與本車之間的初始距離e和前車初速度v2，它們的參數(shù)空間分別為[15 m/s，30 m/s]、[30 m，50 m]、[25 m/s，35 m/s]。 測試時(shí)，被測車輛以初速度v1在中間車道向前行駛；前車在本車前距離e處以初速度v2向前行駛，并以8 m/s2的減速度進(jìn)行減速，持續(xù)1.5 s；之后，前車以3 m/s2的加速度加速，持續(xù)3 s；最后前車以1 m/s2的加速度緩慢加速直至30 m/s。

首先根據(jù)傳感器模型性能和軟件平臺的仿真頻率，對多維度邏輯場景參數(shù)進(jìn)行離散化以形成具體測試用例，選擇速度的離散步長為1 m/s，距離的離散步長為1 m。

圖2 測試場景示意圖

對具體測試用例進(jìn)行遍歷測試，共測試3 696次，選擇碰撞時(shí)間(time to collision，TTC)的倒數(shù)TTC-1作為危險(xiǎn)參數(shù)選擇條件，獲取危險(xiǎn)場景參數(shù)原始數(shù)據(jù)集，共獲得危險(xiǎn)參數(shù)82 個(gè)，如圖3 所示。

圖3 危險(xiǎn)參數(shù)原始數(shù)據(jù)集

對危險(xiǎn)參數(shù)進(jìn)行對稱處理后，計(jì)算得到:危險(xiǎn)參數(shù)的均值為(30，30，25)，標(biāo)準(zhǔn)差為(5.236 6，1.298 7， 1.222 3)。將數(shù)據(jù)帶入 Z-score Normalization 標(biāo)準(zhǔn)化處理公式，得到預(yù)處理后的危險(xiǎn)參數(shù)集，如圖4 所示。

圖4 預(yù)處理后的危險(xiǎn)參數(shù)集

經(jīng)過組內(nèi)殘差平方和計(jì)算可得該危險(xiǎn)參數(shù)集的聚類中心為1，可直接對預(yù)處理后的危險(xiǎn)參數(shù)進(jìn)行單高斯模型聚類，該三維高斯模型在所有維度的標(biāo)準(zhǔn)差都為1，均值都為0，修正后的高斯分布標(biāo)準(zhǔn)差都為0.577 4。

將高斯聚類模型參數(shù)帶入安全性評價(jià)指標(biāo)進(jìn)行計(jì)算。

首先需要計(jì)算不同維度危險(xiǎn)參數(shù)的重要程度系數(shù)。 根據(jù)該邏輯場景3 個(gè)參數(shù)的危險(xiǎn)性影響，定義參數(shù)的判別矩陣如式(20)所示。

可計(jì)算得到該矩陣的最大特征值為3.004，對應(yīng)的加權(quán)向量為[0.1220，0.6483，0.2297]。

進(jìn)行一致性檢驗(yàn)，CI、RI和CR的值分別為0.002、0.52、0.003 8，顯然，CR小于 0.1，通過一致性檢驗(yàn)，危險(xiǎn)參數(shù)的重要程度系數(shù)即為

[0.1220，0.6483，0.2297]

代入式(15)，可得S1＝0.3333。

下面，計(jì)算理論最小危險(xiǎn)域范圍Smin。 在該測試場景下，被測車輛的理想制動(dòng)減速度曲線如圖5所示[13]，其分為3 個(gè)階段:第1 階段為滯后階段，車輛無制動(dòng)；第2 階段為建壓階段，制動(dòng)減速度勻速增加；第3 階段為勻減速階段，勻減速直至停車。 將理想狀況下測試車輛的位置-時(shí)間曲線與前車的位置-時(shí)間曲線做差，并將邏輯場景參數(shù)帶入其中，可得到碰撞試驗(yàn)點(diǎn)如圖6 所示，共發(fā)生碰撞22 次。

將該組數(shù)據(jù)進(jìn)行對稱處理，其均值為(30，30，25)、標(biāo)準(zhǔn)差為(2.2669，0.8660，0.9280)。Smin參數(shù)標(biāo)準(zhǔn)化過程應(yīng)將理想危險(xiǎn)參數(shù)映射到測試危險(xiǎn)參數(shù)域進(jìn)行標(biāo)準(zhǔn)化，其過程如式(21)所示，修正后Smin高斯分布的標(biāo)準(zhǔn)差σ*為(0.4329，0.6668，0.7592)。

圖5 自動(dòng)駕駛汽車?yán)硐胫苿?dòng)減速度曲線

圖6 理想狀態(tài)的危險(xiǎn)參數(shù)原始數(shù)據(jù)集

式中:sk＿v為Smin計(jì)算標(biāo)準(zhǔn)化過程中使用的標(biāo)準(zhǔn)差參數(shù)；sk＿t為被測算法試驗(yàn)結(jié)果在標(biāo)準(zhǔn)化過程中使用的標(biāo)準(zhǔn)差參數(shù)。

將σ*代入式(10)進(jìn)行修正，并將之前得到的參數(shù)重要指數(shù)ω帶入式(15)，得到該邏輯場景中的Smin數(shù)值為 0.147 8。

將上述數(shù)值帶入式(19)，可計(jì)算得到被測算法在該多維度邏輯場景下的場景危險(xiǎn)率為3.508 1，該算法的安全性較差。

綜上，應(yīng)用本文中提出的自動(dòng)駕駛安全性聚類評價(jià)方法對該算法進(jìn)行測試評價(jià)，結(jié)果表明，該方法可綜合考慮算法在多維度邏輯場景下的統(tǒng)計(jì)學(xué)規(guī)律，獲得量化指標(biāo)，實(shí)現(xiàn)更為全面的科學(xué)評價(jià)。

4 結(jié)論

本文中面向多維度邏輯場景，提出了一種基于統(tǒng)計(jì)規(guī)律的自動(dòng)駕駛安全性聚類評價(jià)方法。 首先對多維度邏輯場景危險(xiǎn)參數(shù)進(jìn)行了聚類；然后，利用聚類結(jié)果，提出危險(xiǎn)域離散度、危險(xiǎn)域范圍兩個(gè)基本評價(jià)指標(biāo)，并將其耦合形成自動(dòng)駕駛安全性聚類評價(jià)參數(shù)——場景危險(xiǎn)率；最后，應(yīng)用該方法對一種黑盒自動(dòng)駕駛算法進(jìn)行了測試評價(jià)。 本文中提出的自動(dòng)駕駛安全性聚類評價(jià)方法可綜合考慮算法在多維度邏輯場景下的統(tǒng)計(jì)學(xué)規(guī)律，獲得量化指標(biāo)，實(shí)現(xiàn)更為全面的科學(xué)評價(jià)。

多維度邏輯場景危險(xiǎn)參數(shù)的準(zhǔn)確獲取是自動(dòng)駕駛安全性聚類評價(jià)的基礎(chǔ)，但對于不同測試場景，其定義和指標(biāo)不盡相同，未來將進(jìn)一步深入研究多維度邏輯場景危險(xiǎn)參數(shù)的指標(biāo)定義和篩選方法。