自動(dòng)駕駛汽車測(cè)試場(chǎng)景構(gòu)建關(guān)鍵技術(shù)綜述*

徐向陽(yáng)，胡文浩，，董紅磊，王 琰，肖凌云，李鵬輝

（1. 北京航空航天大學(xué)交通科學(xué)與工程學(xué)院，北京 100191；2. 國(guó)家市場(chǎng)監(jiān)管總局缺陷產(chǎn)品管理中心，北京 100101；3. 中國(guó)汽車工程研究院股份有限公司，重慶 401122）

前言

“零事故”是自動(dòng)駕駛汽車發(fā)展的安全目標(biāo)，隨著傳感器探測(cè)精度、多傳感器融合、深度學(xué)習(xí)等技術(shù)的快速發(fā)展，自動(dòng)駕駛功能在實(shí)驗(yàn)室、封閉場(chǎng)地和可控開(kāi)放道路上已經(jīng)初步實(shí)現(xiàn)［1-2］。但在自動(dòng)駕駛汽車正式投放市場(chǎng)之前，還需要進(jìn)行一系列的安全測(cè)試和評(píng)價(jià)，以保證自動(dòng)駕駛的安全性。反觀自動(dòng)駕駛的發(fā)展過(guò)程就是駕駛員駕駛操作逐漸退出的過(guò)程［3］，原本由駕駛員完成的“感知-決策-執(zhí)行”動(dòng)作逐漸要由車輛替代完成，因此原有僅針對(duì)車輛動(dòng)態(tài)操控、被動(dòng)安全和零部件系統(tǒng)的測(cè)試評(píng)價(jià)體系無(wú)法滿足自動(dòng)駕駛汽車的測(cè)試需求。通過(guò)調(diào)研國(guó)內(nèi)外自動(dòng)駕駛汽車主要研究方向發(fā)現(xiàn)，自動(dòng)駕駛汽車的研究重點(diǎn)已經(jīng)從自動(dòng)駕駛技術(shù)的突破與實(shí)現(xiàn)逐漸向自動(dòng)駕駛功能的測(cè)試評(píng)價(jià)技術(shù)轉(zhuǎn)移［4-5］。

現(xiàn)階段主要的測(cè)試方法為實(shí)車道路測(cè)試，然而，根據(jù)美國(guó)交通部公布的數(shù)據(jù)［6］，駕駛員需要行駛約80 萬(wàn)km 才會(huì)發(fā)生一起碰撞事故，平均需要駕駛車輛35年。美國(guó)蘭德公司Kalra 等［7］研究認(rèn)為，在95%置信度水平下，要證明自動(dòng)駕駛汽車在事故致死率方面比人類駕駛員低20%，需要進(jìn)行142 億km 以上的道路測(cè)試。因此，許多學(xué)者認(rèn)為，目前尚無(wú)已知的在經(jīng)濟(jì)上可行的測(cè)試評(píng)價(jià)方法，這也被稱為“自動(dòng)駕駛上路的批準(zhǔn)陷阱”［4］。各國(guó)研究人員均在研究探索可行的自動(dòng)駕駛汽車測(cè)試方法，美國(guó)密歇根大學(xué)彭輝教授提出，自動(dòng)駕駛汽車99%的測(cè)試驗(yàn)證工作應(yīng)在虛擬環(huán)境中完成，0.9%應(yīng)在實(shí)際場(chǎng)地環(huán)境中完成，最后少部分在公共交通環(huán)境中完成。虛擬測(cè)試將是自動(dòng)駕駛汽車測(cè)試驗(yàn)證的主要方式，而場(chǎng)景是虛擬測(cè)試的基礎(chǔ)。

場(chǎng)景是從空間和時(shí)間維度描述人-車-路-環(huán)境之間復(fù)雜動(dòng)態(tài)關(guān)系的模型，是自動(dòng)駕駛汽車產(chǎn)品研發(fā)和功能測(cè)試的基礎(chǔ)［8-10］。本文中基于大量國(guó)內(nèi)外研究機(jī)構(gòu)和學(xué)者發(fā)表的研究報(bào)告與文獻(xiàn)資料，系統(tǒng)地梳理了場(chǎng)景定義與架構(gòu)、場(chǎng)景主要信息源及采集方法、場(chǎng)景信息提取挖掘方法和場(chǎng)景構(gòu)建與測(cè)試應(yīng)用的研究現(xiàn)狀，總結(jié)分析了現(xiàn)有研究的不足，并提出了研究展望。

1 場(chǎng)景定義與架構(gòu)

通用性的定義和結(jié)構(gòu)性的框架是場(chǎng)景研究的基礎(chǔ)，然而，在場(chǎng)景研究的初期，并沒(méi)有關(guān)于場(chǎng)景具體定義和架構(gòu)的深入研究，相關(guān)機(jī)構(gòu)和學(xué)者只是將車輛周邊的環(huán)境信息概括為“場(chǎng)景”，并應(yīng)用于自然駕駛和交通事故等分類和歸納研究中［11-14］。隨著自動(dòng)駕駛汽車測(cè)試驗(yàn)證對(duì)場(chǎng)景應(yīng)用需求的增加，有學(xué)者從自動(dòng)駕駛感知與功能測(cè)試的角度系統(tǒng)梳理了機(jī)器對(duì)行駛環(huán)境的認(rèn)知需求，并基于此提出了場(chǎng)景的定義和架構(gòu)。Ulbrich 等［15］提出場(chǎng)面（Scene）、情形（Situation）和場(chǎng)景（Scenario）的關(guān)聯(lián)性，并認(rèn)為場(chǎng)景是多個(gè)場(chǎng)面按照時(shí)序情形依次發(fā)生的過(guò)程，并會(huì)持續(xù)一段時(shí)間。歐盟PEGASUS項(xiàng)目［16-18］系統(tǒng)分析自動(dòng)駕駛汽車不同研發(fā)階段的測(cè)試需要，依據(jù)抽象程度和表達(dá)方式的不同，將場(chǎng)景分為功能場(chǎng)景、邏輯場(chǎng)景和具體場(chǎng)景3類，并結(jié)合測(cè)試需求將場(chǎng)景劃分為道路層、交通設(shè)施層、臨時(shí)調(diào)整的交通設(shè)施層、移動(dòng)物體層、環(huán)境狀態(tài)層和通信層6個(gè)層次。趙祥模等［19］認(rèn)為自動(dòng)駕駛測(cè)試場(chǎng)景指在一定時(shí)空范圍內(nèi)，自動(dòng)駕駛汽車與行駛環(huán)境中的其他車輛、基礎(chǔ)設(shè)施、天氣、光照、障礙物等要素綜合交互的過(guò)程，同時(shí)，將場(chǎng)景要素分為靜態(tài)要素和動(dòng)態(tài)要素兩大類。朱冰等［20］在綜述的基礎(chǔ)上，提出了自動(dòng)駕駛測(cè)試場(chǎng)景的內(nèi)涵是自動(dòng)駕駛汽車與其行駛環(huán)境各要素在一段時(shí)間內(nèi)的總體動(dòng)態(tài)描述，并將場(chǎng)景要素分為交通環(huán)境要素和測(cè)試車輛基礎(chǔ)信息2大類，共覆蓋7個(gè)具體要素信息。

在實(shí)際測(cè)試應(yīng)用過(guò)程中，部分學(xué)者將被測(cè)車輛功能特征引入到測(cè)試場(chǎng)景。Geyer等［9］認(rèn)為場(chǎng)景是自動(dòng)駕駛測(cè)試要素，涵蓋了環(huán)境元素、動(dòng)態(tài)元素和駕駛指令，同時(shí)也包括了駕駛員的行為和自動(dòng)駕駛的自主行為。美國(guó)國(guó)家公路交通安全管理局（NHTSA）［21］發(fā)布的報(bào)告中提出自動(dòng)駕駛汽車測(cè)試場(chǎng)景的框架，具體包括車輛運(yùn)動(dòng)行為（DDT）、設(shè)計(jì)運(yùn)行范圍（ODD）、事件感知與決策行為（OEDR）和失效模式行為（FM），從車輛功能特征的角度對(duì)測(cè)試場(chǎng)景進(jìn)行描述。

本文歸納上述研究認(rèn)為，場(chǎng)景是描述主車自動(dòng)駕駛功能特征與人-車-路-環(huán)境-信息之間的復(fù)雜時(shí)間、空間動(dòng)態(tài)關(guān)系的模型，自動(dòng)駕駛測(cè)試場(chǎng)景信息應(yīng)包括場(chǎng)景要素和測(cè)試要素2 類，并由10 層信息組成（如圖1 所示）。同時(shí)，應(yīng)結(jié)合被測(cè)汽車技術(shù)路徑及測(cè)試目的，對(duì)場(chǎng)景組成元素進(jìn)行分級(jí)，若場(chǎng)景元素信息量能夠達(dá)到基礎(chǔ)要求，就可應(yīng)用于測(cè)試。

2 場(chǎng)景信息提取與挖掘方法

面向自動(dòng)駕駛測(cè)試，各國(guó)學(xué)者提出了多種基于已知數(shù)據(jù)源或經(jīng)驗(yàn)知識(shí)的場(chǎng)景提取構(gòu)建、挖掘、解構(gòu)與重構(gòu)方法，不同方法得到的場(chǎng)景在代表性和應(yīng)用方向各不相同。本文在系統(tǒng)研究現(xiàn)有場(chǎng)景構(gòu)建方法的基礎(chǔ)上，結(jié)合自動(dòng)駕駛測(cè)試需求，歸納了場(chǎng)景的構(gòu)建方法體系，包括具體場(chǎng)景提取構(gòu)建、人類駕駛典型邏輯場(chǎng)景挖掘分析、自動(dòng)駕駛危險(xiǎn)邏輯場(chǎng)景推理演繹和具體場(chǎng)景重構(gòu)衍生（如圖2 所示），下面對(duì)相關(guān)方法的關(guān)鍵技術(shù)和研究進(jìn)展分別進(jìn)行綜述。

2.1 具體場(chǎng)景直接構(gòu)建

圖1 自動(dòng)駕駛測(cè)試場(chǎng)景要素及分層架構(gòu)

圖2 場(chǎng)景構(gòu)建方法體系

具體場(chǎng)景直接構(gòu)建是依據(jù)場(chǎng)景架構(gòu)及要素組成，從基礎(chǔ)數(shù)據(jù)源進(jìn)行提取或者組合推理出具體場(chǎng)景。朱冰等［20］認(rèn)為場(chǎng)景的來(lái)源包括真實(shí)數(shù)據(jù)、模擬數(shù)據(jù)和專家經(jīng)驗(yàn)3 個(gè)部分的9 個(gè)信息源。舒紅等［22］結(jié)合自動(dòng)駕駛主要功能特點(diǎn)，提出了一種基于經(jīng)驗(yàn)知識(shí)組合推理測(cè)試場(chǎng)景群的方法。由于地域代表性是評(píng)價(jià)自動(dòng)駕駛適用范圍最為直接的指標(biāo)，而在現(xiàn)有場(chǎng)景來(lái)源中僅有規(guī)?；杉淖匀获{駛數(shù)據(jù)和事故數(shù)據(jù)具備相對(duì)可信的統(tǒng)計(jì)分析意義及區(qū)域代表性，因此，本文中主要關(guān)注基于自然駕駛數(shù)據(jù)和事故數(shù)據(jù)的提取構(gòu)建方法。

2.1.1 自然駕駛場(chǎng)景信息提取關(guān)鍵技術(shù)

由于自然駕駛數(shù)據(jù)采集由多個(gè)傳感器配合完成，采集到的數(shù)據(jù)為多源異構(gòu)數(shù)據(jù)，在應(yīng)用于場(chǎng)景構(gòu)建之前需要進(jìn)行數(shù)據(jù)的融合處理。本文中總結(jié)自然駕駛場(chǎng)景信息提取流程，如圖3 所示，具體包括：數(shù)據(jù)采集、目標(biāo)物融合感知、自然駕駛片段提取和場(chǎng)景數(shù)據(jù)標(biāo)注提取。

目標(biāo)物融合感知是在時(shí)間、空間同步的基礎(chǔ)上，匯總自然駕駛采集到的攝像頭、雷達(dá)和車載CAN總線等信息，采用語(yǔ)義分割和深度學(xué)習(xí)等技術(shù)，系統(tǒng)識(shí)別行駛過(guò)程中的交通參與方、車道線和交通標(biāo)識(shí)等動(dòng)靜態(tài)目標(biāo)物，及其與主車在時(shí)間、空間中相對(duì)關(guān)系。

圖3 自然駕駛數(shù)據(jù)預(yù)處理流程

自然駕駛片段提取是實(shí)現(xiàn)測(cè)試應(yīng)用的關(guān)鍵，片段的劃分需要綜合考慮數(shù)據(jù)采集區(qū)域、數(shù)據(jù)類型和自動(dòng)駕駛測(cè)試需求。同濟(jì)大學(xué)陳名揚(yáng)［23］研究認(rèn)為，自然駕駛數(shù)據(jù)中過(guò)程是最基本組成單元，并分為長(zhǎng)時(shí)間行車過(guò)程、中等時(shí)間行車過(guò)程、短時(shí)間行車過(guò)程和泊車過(guò)程?，F(xiàn)階段，針對(duì)自然駕駛片段提取，主要面向涉及危險(xiǎn)事件的短時(shí)間過(guò)程，吳斌等［24］基于駕駛員制動(dòng)和轉(zhuǎn)向輸入特性，建立了緊急制動(dòng)和緊急轉(zhuǎn)向的數(shù)據(jù)模型，并提出了自然駕駛數(shù)據(jù)的危險(xiǎn)評(píng)估算法。Sun 等［25］基于自然駕駛數(shù)據(jù)綜合考慮車輛速度、橫向/縱向/垂向加速度和制動(dòng)壓力，提出了一種自動(dòng)識(shí)別危險(xiǎn)事件的評(píng)估方法。

場(chǎng)景數(shù)據(jù)標(biāo)注提取是針對(duì)每個(gè)自然駕駛片段，綜合視覺(jué)和雷達(dá)感知識(shí)別算法、信息融合技術(shù)［26-28］和人工操作，在目標(biāo)物融合感知的基礎(chǔ)上從行駛片段中標(biāo)注并提取場(chǎng)景構(gòu)建所需的交通設(shè)施信息、綠化與建筑設(shè)施、動(dòng)態(tài)參與方信息和天氣與環(huán)境信息等。

自然駕駛數(shù)據(jù)可根據(jù)實(shí)際研究的需要，架設(shè)傳感設(shè)備來(lái)采集信息，信息的完整度及準(zhǔn)確度較高，但是采集典型場(chǎng)景尤其是危險(xiǎn)場(chǎng)景的效率較低，當(dāng)數(shù)據(jù)積累到一定程度時(shí)將表現(xiàn)出明顯的長(zhǎng)尾效應(yīng)。

2.1.2 事故預(yù)碰撞具體場(chǎng)景信息提取關(guān)鍵技術(shù)

對(duì)于自動(dòng)駕駛汽車測(cè)試，事故信息中最為重要的是事故發(fā)生前5 s左右的信息，而這類信息從傳統(tǒng)事故深度調(diào)查中無(wú)法直接獲取，需要根據(jù)事故現(xiàn)場(chǎng)痕跡特征對(duì)事故發(fā)生的過(guò)程進(jìn)行再現(xiàn)分析，然后從事故再現(xiàn)結(jié)果獲取場(chǎng)景構(gòu)建所需的信息。

傳統(tǒng)道路交通事故的再現(xiàn)研究多基于運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)模型進(jìn)行反向推算［29］，但由于事故中包含大量的不確定因素，對(duì)再現(xiàn)結(jié)果的準(zhǔn)確性有較大的影響［30-32］。近年來(lái)，隨著城市基礎(chǔ)設(shè)施建設(shè)的完善，道路監(jiān)控視頻覆蓋面快速提升。根據(jù)NAIS 事故深度調(diào)查數(shù)據(jù)顯示，在我國(guó)城市地區(qū)發(fā)生的交通事故，有道路監(jiān)控視頻或者行車記錄儀記錄的比例超過(guò)了50%。與此同時(shí)，事故數(shù)據(jù)記錄裝置（EDR）［33-36］、新能源汽車及自動(dòng)駕駛汽車的行駛信息記錄模塊中也記錄了大量車輛行駛信息［37］，這些信息可有效提高事故再現(xiàn)的準(zhǔn)確度。

VUFO 在預(yù)碰撞場(chǎng)景（pre?crash?matrix，PCM）研究中［38］，依托已完成再現(xiàn)分析的GIDAS 數(shù)據(jù)構(gòu)建了超過(guò)10 000例預(yù)碰撞具體場(chǎng)景。國(guó)家市場(chǎng)監(jiān)督管理總局缺陷產(chǎn)品管理中心和西華大學(xué)基于NAIS 數(shù)據(jù)建設(shè)了預(yù)碰撞場(chǎng)景數(shù)據(jù)庫(kù)，已經(jīng)完成1 000例預(yù)碰撞具體場(chǎng)景的提取構(gòu)建。

2.2 人類駕駛典型邏輯場(chǎng)景挖掘分析

按照2.1 節(jié)方法提取到的場(chǎng)景均為離散的場(chǎng)景數(shù)據(jù)集，可直接應(yīng)用于自動(dòng)駕駛功能測(cè)試，但無(wú)法滿足測(cè)試對(duì)場(chǎng)景覆蓋面的需求，需要進(jìn)一步采用分類和聚類等多元統(tǒng)計(jì)方法，分析挖掘典型場(chǎng)景特征及主要參數(shù)閾值空間和概率分布模型，可形成具有代表性的人類駕駛典型邏輯場(chǎng)景。

NHTSA［39］基于NASS?GES 數(shù)據(jù)庫(kù)分析提取了37類乘用車典型預(yù)碰撞功能場(chǎng)景。Najm 等［40］基于NASS?GES事故數(shù)據(jù)庫(kù)提取了涉及追尾、換道和駛出路面的典型預(yù)碰撞功能場(chǎng)景，并設(shè)計(jì)出針對(duì)自動(dòng)駕駛前碰撞預(yù)警和車道偏離預(yù)警功能的具體測(cè)試場(chǎng)景。德國(guó)聯(lián)邦交通研究所（BASt）等15 家單位［41］共同發(fā)起的ASSESS 項(xiàng)目，依據(jù)GIDAS 事故數(shù)據(jù)，針對(duì)自動(dòng)駕駛緊急制動(dòng)和前碰撞預(yù)警功能分析提取出4類典型邏輯場(chǎng)景和20 種測(cè)試場(chǎng)景，并已應(yīng)用于AEB的測(cè)試評(píng)價(jià)。

考慮到場(chǎng)景數(shù)據(jù)的離散性和形態(tài)的復(fù)雜性，有學(xué)者采用聚類分析算法挖掘典型場(chǎng)景。Philippe等［42］針對(duì)1 056例發(fā)生在路口的交通事故案例，采用k?medoids 聚類分析算法挖掘出15 類典型丁字路口危險(xiǎn)場(chǎng)景和6 類十字路口邏輯場(chǎng)景。Lenard 等［43］針對(duì)9 360 例汽車與行人碰撞事故，應(yīng)用系統(tǒng)聚類分析，挖掘出能夠代表86%事故案例的6 類典型邏輯場(chǎng)景。蘇江平等［44］和劉穎等［45］分別基于自然駕駛數(shù)據(jù)，利用系統(tǒng)聚類方法得到4類和5類具有不同代表性的典型行人交通沖突邏輯場(chǎng)景。胡林等［46］、Cao等［47］和Sui 等［48］分別依托419 例、672 例和535 例汽車與兩輪車碰撞事故案例，采用聚類分析算法提取了11 類、6 類和4 類典型邏輯場(chǎng)景。相關(guān)邏輯場(chǎng)景已經(jīng)不同程度應(yīng)用于自動(dòng)駕駛功能的測(cè)試與評(píng)價(jià)中。

采用多元統(tǒng)計(jì)分析方法可有效提取典型邏輯場(chǎng)景，然而基于現(xiàn)有數(shù)據(jù)源挖掘到的場(chǎng)景均無(wú)法有效體現(xiàn)自動(dòng)駕駛特有的危險(xiǎn)特征。

2.3 自動(dòng)駕駛危險(xiǎn)邏輯場(chǎng)景推理演繹

自動(dòng)駕駛汽車特有的通行行為必然會(huì)帶來(lái)新的危險(xiǎn)場(chǎng)景，基于已有自動(dòng)駕駛測(cè)試數(shù)據(jù)、專家分析經(jīng)驗(yàn)以及自動(dòng)駕駛事故調(diào)查數(shù)據(jù)，結(jié)合自動(dòng)駕駛技術(shù)路線，分析自動(dòng)駕駛行為特征并提取風(fēng)險(xiǎn)因子，并以人類駕駛典型邏輯場(chǎng)景為基礎(chǔ)，可實(shí)現(xiàn)特定自動(dòng)駕駛功能下的危險(xiǎn)邏輯場(chǎng)景的推理演繹?，F(xiàn)階段，關(guān)于場(chǎng)景推理演繹及風(fēng)險(xiǎn)因子的文獻(xiàn)資源有限，國(guó)際標(biāo)準(zhǔn)化組織（ISO）發(fā)布的ISO/PAS 21448：2019《Road Vehicles?Safety of the Intended Functionality（道路車輛預(yù)期功能安全）》［49］從觸發(fā)事件角度分析了車輛算法、傳感器和執(zhí)行器的風(fēng)險(xiǎn)因子。本文中系統(tǒng)梳理了自動(dòng)駕駛部件組成及功能特性，從自動(dòng)駕駛感知、決策、執(zhí)行和通信4 個(gè)功能維度提出了風(fēng)險(xiǎn)因子分析的重點(diǎn)關(guān)注因素（如圖4所示）。

2.3.1 從“感知”角度分析

自動(dòng)駕駛汽車感知是采用車載感知元件，探測(cè)并識(shí)別自動(dòng)駕駛決策所需的必要信息。在場(chǎng)景推理演繹時(shí)應(yīng)重點(diǎn)關(guān)注傳感器感知極限以及外部信息的干擾等因素。

圖4 自動(dòng)駕駛風(fēng)險(xiǎn)因子關(guān)注因素

自動(dòng)駕駛汽車常用的車載感知元件有攝像頭、毫米波雷達(dá)和激光雷達(dá)等，各感知元件均有著相應(yīng)的優(yōu)缺點(diǎn)［50-51］。攝像頭對(duì)目標(biāo)物的識(shí)別和分類具有先天優(yōu)勢(shì)，尤其在平面目標(biāo)特征識(shí)別方面，是其他感知元件無(wú)法取代的，但在惡劣天氣條件下其識(shí)別效果會(huì)受到嚴(yán)重的影響［52-54］。毫米波雷達(dá)采用毫米波波段探測(cè)外界目標(biāo)，由于其波長(zhǎng)相對(duì)較長(zhǎng)，探測(cè)穩(wěn)定度相對(duì)較高，但對(duì)非金屬物體和靜態(tài)物體的識(shí)別不敏感，同時(shí)，多輛車之間的雷達(dá)波也存在相互干擾的可能。激光雷達(dá)探測(cè)精度遠(yuǎn)高于其他感知元件，在障礙物檢測(cè)方面具有較大的優(yōu)勢(shì)，但在惡劣天氣條件下的探測(cè)范圍和探測(cè)精度也容易受到影響［55］。由于單一感知元件有明顯的優(yōu)缺點(diǎn)，采用多傳感器融合技術(shù)可實(shí)現(xiàn)傳感器優(yōu)勢(shì)性能聚合，但由于識(shí)別算法的復(fù)雜性，不可避免地會(huì)有一定的局限性［56］。

2.3.2 從“決策”角度分析

自動(dòng)駕駛汽車決策是基于感知獲取的場(chǎng)景信息，對(duì)目標(biāo)物的運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別和預(yù)測(cè)，并規(guī)劃出合理的駕駛動(dòng)作和行駛路徑。在場(chǎng)景推理演繹時(shí)應(yīng)重點(diǎn)關(guān)注參與方之間的復(fù)雜運(yùn)動(dòng)交互。

自動(dòng)駕駛汽車將長(zhǎng)期與人類共用交通資源，人類駕駛汽車的行為不確定性，如違反交通規(guī)則通行、緊急變道和切入行為，將給自動(dòng)駕駛汽車的決策帶來(lái)挑戰(zhàn)；行人和二輪車由于運(yùn)動(dòng)慣性較低，運(yùn)動(dòng)軌跡及行為的突變也將提高自動(dòng)駕駛汽車目標(biāo)跟蹤與預(yù)測(cè)算法的復(fù)雜程度［57］。

2.3.3 從“執(zhí)行”角度分析

自動(dòng)駕駛汽車執(zhí)行是依據(jù)決策指令，控制車輛完成規(guī)定的駕駛動(dòng)作和行駛路徑，在場(chǎng)景推理演繹時(shí)應(yīng)重點(diǎn)關(guān)注道路條件干擾及車輛的動(dòng)力學(xué)極限。

自動(dòng)駕駛汽車在行駛過(guò)程中，復(fù)雜的道路條件如道路坡度、路面破損和附著條件等，會(huì)對(duì)車輛橫、縱向避讓措施和安全車速等涉及車輛動(dòng)力學(xué)極限的參數(shù)決策產(chǎn)生較大影響［58-59］，將給自動(dòng)駕駛汽車的執(zhí)行策略帶來(lái)直接挑戰(zhàn)。

2.3.4 從“通信”角度分析

自動(dòng)駕駛汽車V2X 通信是特殊的感知功能，依托具體V2X 通信功能可獲取道路交通標(biāo)識(shí)、參與方位置和運(yùn)動(dòng)等場(chǎng)景信息，有效擴(kuò)展車載傳感器的感知范圍。涉及V2X 通信功能的測(cè)試場(chǎng)景在推理演繹時(shí)應(yīng)重點(diǎn)關(guān)注通信時(shí)延、信息丟失和錯(cuò)誤等問(wèn)題。

V2X通信高度依賴道路基礎(chǔ)設(shè)施和通信數(shù)據(jù)格式與協(xié)議標(biāo)準(zhǔn)的統(tǒng)一，常見(jiàn)的V2X 通信技術(shù)包括移動(dòng)通信網(wǎng)絡(luò)（LTE）、Wi?Fi、專用短程通信（DSRC）和ZigBee 等，不同技術(shù)手段在通信距離、速度、時(shí)延和抗干擾方面性能差異較大，由此可能帶來(lái)的通信延時(shí)、信息丟失及錯(cuò)誤等問(wèn)題，會(huì)直接影響通信的可靠性，并對(duì)自動(dòng)駕駛決策算法帶來(lái)挑戰(zhàn)［60-64］。

2.4 具體場(chǎng)景重構(gòu)衍生

經(jīng)多元統(tǒng)計(jì)挖掘和推理演繹獲取的人類駕駛和自動(dòng)駕駛邏輯場(chǎng)景無(wú)法直接應(yīng)用于測(cè)試，需要進(jìn)一步生成具體場(chǎng)景，而重構(gòu)衍生是批量生成具體場(chǎng)景，提高測(cè)試效率的關(guān)鍵手段。以邏輯場(chǎng)景主要參數(shù)及其概率分布模型為基礎(chǔ)，采用隨機(jī)采樣、重要性采樣和機(jī)器學(xué)習(xí)等算法模型提取參數(shù)值，可實(shí)現(xiàn)具體場(chǎng)景的重構(gòu)衍生。

現(xiàn)階段，關(guān)于重構(gòu)衍生算法的研究，主要集中在算法模型的設(shè)計(jì)。Schuldt 等［65］在連續(xù)隨機(jī)采樣的基礎(chǔ)上，分析系統(tǒng)安全的影響因素，將連續(xù)參數(shù)離散化，采用組合算法生成組合測(cè)試集的方法生成測(cè)試場(chǎng)景。Fellner 等［66］基于快速搜索隨機(jī)樹(shù)的算法框架，在給定的狀態(tài)變量初始值為定值的前提下，通過(guò)尋找模型的變異值確定變量取值，實(shí)現(xiàn)測(cè)試場(chǎng)景的生成。

Xia 等［67］建立了一種涵蓋場(chǎng)景復(fù)雜度指標(biāo)的測(cè)試用例隨機(jī)組合生成算法。其中場(chǎng)景復(fù)雜度主要算法思路為：分析影響場(chǎng)景復(fù)雜度的組成要素，確定各要素值及其對(duì)應(yīng)的復(fù)雜度指標(biāo)，通過(guò)不同組成要素的隨機(jī)組合實(shí)現(xiàn)測(cè)試用例的采樣，其中采樣得到的每一個(gè)測(cè)試用例u可以通過(guò)元組表示為：u=(wG；p1，wG；p2，...，wG；pLG-1)，wG；pj代表該測(cè)試用例中特定場(chǎng)景要素與其他要素之間的相對(duì)重要性指標(biāo)向量，該測(cè)試用例的復(fù)雜度

密歇根州立大學(xué)Zhao 和Huang 等的研究團(tuán)隊(duì)［68-73］基于自然駕駛數(shù)據(jù)對(duì)測(cè)試場(chǎng)景中目標(biāo)車輛的運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分布擬合，并通過(guò)重要性抽樣算法將擬合的模型f(u)采樣值向危險(xiǎn)參數(shù)范圍進(jìn)行偏移得到一個(gè)全新的概率分布模型f?(u*)，以改變目標(biāo)車的運(yùn)動(dòng)狀態(tài)。原始模型的概率密度函數(shù)表示如下：

式中：u為目標(biāo)車運(yùn)動(dòng)模型的隨機(jī)采樣參數(shù)；μ為概率密度均值。

將測(cè)試結(jié)果的事故率最高作為求解偏移值的優(yōu)化目標(biāo)，然后利用二次規(guī)數(shù)函數(shù)或交叉熵算法求得對(duì)應(yīng)的偏移值，最后基于偏移值重新構(gòu)造目標(biāo)車的隨機(jī)運(yùn)動(dòng)模型。

基于新模型采樣生成碰撞可能性更高的目標(biāo)車運(yùn)動(dòng)軌跡，可實(shí)現(xiàn)測(cè)試加速7 000倍。

經(jīng)重構(gòu)衍生得到的具體場(chǎng)景具有足夠的樣本量，可有效覆蓋邏輯場(chǎng)景，同時(shí)，結(jié)合自動(dòng)駕駛功能和測(cè)試需求的不同，可設(shè)計(jì)針對(duì)性的重構(gòu)衍生算法，在虛擬仿真平臺(tái)中可有效實(shí)現(xiàn)自動(dòng)駕駛的全面測(cè)試和加速測(cè)試。

3 虛擬測(cè)試應(yīng)用

經(jīng)提取和挖掘的場(chǎng)景信息可直接應(yīng)用于虛擬場(chǎng)景的構(gòu)建及測(cè)試，目前廣泛使用的虛擬場(chǎng)景構(gòu)建及仿真軟件包括VTD、PreScan、CarMaker、PanoSim 和51VR等［74］，軟件均提供了模塊交互式的場(chǎng)景設(shè)計(jì)界面，使用者可拖動(dòng)車道線、路面、車輛、交通標(biāo)志等模塊，設(shè)置交通參與方行駛軌跡和速度等信息，形成虛擬場(chǎng)景文件。與此同時(shí)，相關(guān)軟件也支持Open?drive格式下高精度地圖的自動(dòng)導(dǎo)入，可快速生成虛擬道路環(huán)境。然而，模塊交互式的場(chǎng)景設(shè)計(jì)方案易于使用者快速掌握使用技巧，但場(chǎng)景搭建效率較低。為此，部分機(jī)構(gòu)基于通用場(chǎng)景格式，開(kāi)展了虛擬場(chǎng)景自動(dòng)化構(gòu)建方法研究。中國(guó)汽車工程研究院股份有限公司面向Open?X 場(chǎng)景格式開(kāi)發(fā)了場(chǎng)景數(shù)據(jù)處理平臺(tái)（i?SDAT）及工具鏈，可實(shí)現(xiàn)虛擬場(chǎng)景的自動(dòng)化構(gòu)建，極大提高了場(chǎng)景構(gòu)建的效率。

虛擬場(chǎng)景應(yīng)用于自動(dòng)駕駛測(cè)試的方式較多，一般可歸納為片段式場(chǎng)景測(cè)試、多片段拼接式場(chǎng)景連續(xù)測(cè)試和融合交通流的場(chǎng)景測(cè)試3種方法。

（1）基于場(chǎng)景片段的測(cè)試應(yīng)用

在實(shí)際虛擬測(cè)試過(guò)程中，面向自動(dòng)駕駛功能及測(cè)試需求，首先需要確定場(chǎng)景測(cè)試用例集，每一個(gè)測(cè)試用例均為一個(gè)單獨(dú)的片段，測(cè)試時(shí)，需依次完成所有場(chǎng)景片段的測(cè)試。該測(cè)試方法具有測(cè)試流程清晰、覆蓋度高、適應(yīng)性高、測(cè)試初始狀態(tài)可調(diào)等特點(diǎn)，是現(xiàn)階段虛擬仿真測(cè)試的主流方式。

（2）多場(chǎng)景片段拼接的測(cè)試應(yīng)用

為實(shí)現(xiàn)L3 及以上等級(jí)自動(dòng)駕駛汽車的連續(xù)場(chǎng)景測(cè)試，部分機(jī)構(gòu)提出了一種基于多場(chǎng)景片段拼接的測(cè)試方法，在虛擬環(huán)境下，將多個(gè)場(chǎng)景采用觸發(fā)的方式進(jìn)行有機(jī)排布，通過(guò)設(shè)定自動(dòng)駕駛汽車行駛路線，實(shí)現(xiàn)被測(cè)場(chǎng)景的順次觸發(fā)，達(dá)到連續(xù)測(cè)試的目的［75］。

（3）融合交通流的測(cè)試應(yīng)用

為了強(qiáng)化測(cè)試場(chǎng)景的真實(shí)性和復(fù)雜性，有機(jī)構(gòu)提出了融合交通流的測(cè)試方法，基于真實(shí)交通大數(shù)據(jù)，訓(xùn)練交通流模型并融入場(chǎng)景片段，生成真實(shí)度高、交互性的場(chǎng)景，可實(shí)現(xiàn)趨近于真實(shí)道路連續(xù)駕駛狀態(tài)下的自動(dòng)駕駛虛擬仿真測(cè)試［76］。

4 研究展望

在自動(dòng)駕駛汽車測(cè)試場(chǎng)景構(gòu)建方面，各國(guó)學(xué)者均開(kāi)展了大量的研究，并已經(jīng)在輔助駕駛功能的測(cè)試方面發(fā)揮了重要的作用，但尚未形成從數(shù)據(jù)分析挖掘到場(chǎng)景構(gòu)建應(yīng)用的完整方法鏈和工具鏈。在總結(jié)梳理現(xiàn)有場(chǎng)景構(gòu)建研究的基礎(chǔ)上，提出如下研究展望。

（1）基于大數(shù)據(jù)挖掘方法擴(kuò)充場(chǎng)景信息源

危險(xiǎn)場(chǎng)景是自動(dòng)駕駛汽車測(cè)試的關(guān)鍵，但是現(xiàn)有基于自然駕駛數(shù)據(jù)和事故深度調(diào)查數(shù)據(jù)的危險(xiǎn)場(chǎng)景提取方法在場(chǎng)景構(gòu)建效率和數(shù)量方面無(wú)法滿足測(cè)試的需求。應(yīng)當(dāng)探索引入大數(shù)據(jù)挖掘算法，在已構(gòu)建場(chǎng)景的基礎(chǔ)上，融合道路監(jiān)控視頻、交管部門事故信息和車輛測(cè)試及運(yùn)行信息等大數(shù)據(jù)資源，提取交通參與方的運(yùn)動(dòng)特征和其他場(chǎng)景信息，高效挖掘危險(xiǎn)場(chǎng)景。

（2）拓展挖掘自動(dòng)駕駛風(fēng)險(xiǎn)因子

隨著自動(dòng)駕駛技術(shù)的迭代發(fā)展，其交通滲透率也將不斷提升，由此必然會(huì)帶來(lái)新的道路交通特征及安全形勢(shì)。因此，應(yīng)當(dāng)在充分考慮自動(dòng)駕駛技術(shù)路線的基礎(chǔ)上，模擬研究不同自動(dòng)駕駛功能及滲透率下的交通變化趨勢(shì)，分析新的道路安全形勢(shì)和可能帶來(lái)的風(fēng)險(xiǎn)因子，并在場(chǎng)景構(gòu)建中予以考慮。

（3）對(duì)接自動(dòng)駕駛測(cè)試的場(chǎng)景構(gòu)建標(biāo)準(zhǔn)體系建設(shè)

場(chǎng)景構(gòu)建標(biāo)準(zhǔn)體系是實(shí)現(xiàn)場(chǎng)景對(duì)比分析和代表性分析以及國(guó)際間場(chǎng)景互認(rèn)的基礎(chǔ)，是提升自動(dòng)駕駛在不同國(guó)家地域間場(chǎng)景適應(yīng)能力的關(guān)鍵，國(guó)際標(biāo)準(zhǔn)化組織ISO/TC22/SC33 已經(jīng)在推進(jìn)場(chǎng)景構(gòu)建及測(cè)試部分標(biāo)準(zhǔn)的建設(shè)［77］。面向自動(dòng)駕駛測(cè)試，標(biāo)準(zhǔn)體系應(yīng)當(dāng)涵蓋場(chǎng)景定義與架構(gòu)、提取挖掘、推理演繹、重構(gòu)衍生、虛擬場(chǎng)景表達(dá)與構(gòu)建的方法鏈和工具鏈等方面。

5 結(jié)論

減少道路交通事故和降低人員傷亡程度是自動(dòng)駕駛汽車發(fā)展的重要目標(biāo)，自主識(shí)別復(fù)雜多樣的危險(xiǎn)場(chǎng)景并采取合理的處置方式是衡量自動(dòng)駕駛汽車安全水平的重要體現(xiàn)。目前普遍采用的實(shí)車道路測(cè)試方法存在時(shí)間成本大、效率低且危險(xiǎn)場(chǎng)景覆蓋面不足的問(wèn)題，基于危險(xiǎn)場(chǎng)景的虛擬測(cè)試技術(shù)是解決這一問(wèn)題的重要途徑。本文從自動(dòng)駕駛汽車測(cè)試場(chǎng)景定義與框架、主要信息源及采集方法、場(chǎng)景信息提取與挖掘方法和虛擬場(chǎng)景構(gòu)建與測(cè)試應(yīng)用方法4 個(gè)方面系統(tǒng)梳理了相關(guān)研究工作，歸納提出了涵蓋具體場(chǎng)景提取構(gòu)建、人類駕駛典型邏輯場(chǎng)景挖掘分析、自動(dòng)駕駛危險(xiǎn)邏輯場(chǎng)景推理演繹和具體場(chǎng)景重構(gòu)衍生的場(chǎng)景構(gòu)建方法體系，并分別綜述相關(guān)研究進(jìn)展。完整的場(chǎng)景構(gòu)建方法鏈、工具鏈和標(biāo)準(zhǔn)體系，是實(shí)現(xiàn)場(chǎng)景高效應(yīng)用于自動(dòng)駕駛虛擬測(cè)試并提升自動(dòng)駕駛汽車地域適應(yīng)性的關(guān)鍵。在現(xiàn)有場(chǎng)景構(gòu)建方法的基礎(chǔ)上，應(yīng)當(dāng)引入大數(shù)據(jù)挖掘方法擴(kuò)充數(shù)據(jù)源提高場(chǎng)景代表性，拓展挖掘自動(dòng)駕駛風(fēng)險(xiǎn)因子高效推演自動(dòng)駕駛危險(xiǎn)場(chǎng)景，構(gòu)建國(guó)際標(biāo)準(zhǔn)體系實(shí)現(xiàn)場(chǎng)景互認(rèn)，助力自動(dòng)駕駛汽車安全水平提升及產(chǎn)業(yè)落地。