基于場景的自動駕駛汽車運行安全測試和認(rèn)證概述

周文輝

（公安部道路交通安全研究中心，北京 100062，中國）

1 概述

由于道路環(huán)境及相應(yīng)的駕駛?cè)蝿?wù)的復(fù)雜多變，導(dǎo)致自動駕駛汽車面臨的行車場景異常復(fù)雜，其數(shù)量巨大，甚至是無窮的。傳統(tǒng)的基于行駛里程測評汽車的辦法變得基本不可行，應(yīng)用自動駕駛道路測試中的“接管”“事故”等指標(biāo)也難以全面有效地評估自動駕駛功能的運行安全性。為此，業(yè)內(nèi)普遍推崇基于場景的自動駕駛汽車運行安全測試辦法。

基于場景的自動駕駛汽車運行安全測試和認(rèn)證面臨的最大挑戰(zhàn)，是確定可靠的、具有科學(xué)性和代表性的測試場景集，并基于此開展具體測試和評價。國內(nèi)外在這方面開展了大量的研究，形成了基本的技術(shù)框架。具體如下圖所示：

圖1 基于場景的自動駕駛汽車運行安全測試和認(rèn)證技術(shù)流程

上述流程中，處于中間核心位置的是場景數(shù)據(jù)庫，各類場景均在此匯集和存儲。場景主要有三個層次，最高層次是功能場景，即通過自然語義描述的場景，抽樣程度最高，如“切入”。第二層次是邏輯場景，需要給出影響場景的每個因素的參數(shù)的范圍，如切入時的橫向速度范圍。第三層次是具體場景，是各個參數(shù)均明確的場景，如切入時道路交通環(huán)境、兩車初始速度和距離、切入車輛的橫向速度等。上圖中，場景數(shù)據(jù)庫的左側(cè)，是構(gòu)建場景庫的過程；右側(cè)，描述的是從場景庫中抽取場景，并開展測試和安全評估的過程。

2 場景數(shù)據(jù)來源

總體而言，場景庫數(shù)據(jù)來源主要有兩種。一種是知識類的，另一種是數(shù)據(jù)類的。知識包括各種表現(xiàn)形式的抽象信息、相關(guān)標(biāo)準(zhǔn)規(guī)范，或者是實際事故案例數(shù)據(jù)。數(shù)據(jù)主要來源于實際道路交通數(shù)據(jù)，如場地測試數(shù)據(jù)等。最具代表性的是實際駕駛數(shù)據(jù)。近年來，通過無人機(jī)獲取實際駕駛數(shù)據(jù)的做法被逐漸使用。通過無人機(jī)拍攝實際交通場景，可以以視頻方式獲取各交通參與者的速度、位置、軌跡等信息。這種獲取數(shù)據(jù)的方式無須額外安裝使用傳感器，較為經(jīng)濟(jì)和高效，也不會對實際交通造成嚴(yán)重干擾。不足之處是獲取交通場景的范圍一般在400米以內(nèi)，這對高速公路來說，略顯不足。隨著自動駕駛技術(shù)的發(fā)展，各相關(guān)組織和企業(yè)都紛紛開始構(gòu)建屬于自己的實際駕駛數(shù)據(jù)，但往往不對外開放。

3 場景生成

根據(jù)場景數(shù)據(jù)來源的不同，場景生成的方式也不同，具體分為基于知識的場景生成方法和數(shù)據(jù)驅(qū)動的場景生成方法。

3.1 基于知識的場景生成方法

基于知識的場景生成方法，其實質(zhì)是系統(tǒng)化地將知識轉(zhuǎn)化為場景。抽象的交通安全知識，以及交通規(guī)則、事故案例數(shù)據(jù)、消費者測試結(jié)果、自動駕駛倫理準(zhǔn)則、自動駕駛交通安全分析方法、專家意見等均是場景構(gòu)建所需的知識來源。其中基于已有知識資源和專家經(jīng)驗構(gòu)建場景的方法使用最為廣泛，在此過程中，大部分使用本體方法論來存儲和結(jié)構(gòu)化專家知識。

3.2 數(shù)據(jù)驅(qū)動的場景生成方法

這種方法又細(xì)分為三類具體方法，分別是數(shù)據(jù)抽取法、數(shù)據(jù)聚類/分類法、參數(shù)化法，上述具體方法均廣泛應(yīng)用了機(jī)器學(xué)習(xí)和模式識別技術(shù)。

數(shù)據(jù)抽取法，主要用于構(gòu)建邊緣場景，是直接從各類數(shù)據(jù)范圍內(nèi)抽取具體數(shù)據(jù)，形成具體場景，具體采用直接尋找場景中對自動駕駛具有挑戰(zhàn)性的參數(shù)或通過觸發(fā)動作構(gòu)建具體場景。觸發(fā)動作一般是對其他交通參與者的行為作“更具挑戰(zhàn)性”的預(yù)測。更進(jìn)一步的，應(yīng)用神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)方法，數(shù)據(jù)抽取法還可用于形成新的具體場景。

數(shù)據(jù)聚類/分類法的主要特征是將基于實際數(shù)據(jù)生成的單個場景進(jìn)行分組。聚類主要通過非監(jiān)督學(xué)習(xí)方法實現(xiàn)，具體應(yīng)用的技術(shù)主要有相似測量法、層次聚類算法或貝葉斯模型過程算法，在聚類過程中，分組的原則和標(biāo)準(zhǔn)是逐漸清晰的，事先并不知曉；分類時，根據(jù)事先確定的原則和標(biāo)準(zhǔn)進(jìn)行分組，主要通過監(jiān)督學(xué)習(xí)方法實現(xiàn)，具體應(yīng)用的技術(shù)較為多樣，例如根據(jù)潛在的目標(biāo)車輛與其他交通參與者的碰撞方向或相對運動狀態(tài)，確定分組。更進(jìn)一步的，可以應(yīng)用不同變量下的人工智能方法對場景進(jìn)行分組（如學(xué)習(xí)決策樹、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)等）。

根據(jù)邏輯場景的定義，其是通過參數(shù)及其范圍、分布進(jìn)行描述的。通過聚類和分類形成分組后的場景，為進(jìn)一步的場景參數(shù)化，形成邏輯場景奠定了基礎(chǔ)。即各組場景所需的參數(shù)，是通過提取各實際測量參數(shù)獲取的。對于連續(xù)型參數(shù)，根據(jù)參數(shù)最大值和最小值，確定參數(shù)范圍；對于離散型參數(shù)，根據(jù)各具體測量數(shù)值確定參數(shù)集。根據(jù)實際參數(shù)的發(fā)生概率，可確定參數(shù)的分布。另外，各參數(shù)間的相關(guān)關(guān)系也需要考慮。這方面面臨的一大挑戰(zhàn)是，如何通過實際觀測到的有限數(shù)據(jù)，確定各參數(shù)的分布規(guī)律。

4 場景數(shù)據(jù)庫

對于基于場景的自動駕駛汽車運行安全測試和認(rèn)證而言，核心要素是建立測試場景庫。由于測試場景庫數(shù)量及各場景參數(shù)數(shù)量龐大，建立能夠高效描述和存儲場景的數(shù)據(jù)庫尤為必要。場景庫建立后，主要目標(biāo)是為相關(guān)數(shù)據(jù)的讀取和處理提供標(biāo)準(zhǔn)化接口和易于機(jī)器讀取的格式。

5 選擇具體場景

選擇具體場景后，就可開展自動駕駛功能測試工作。由于參數(shù)范圍較大，因此理論上的具體場景數(shù)量是無限的。為了使測試工作具有可操作性，需要對具體場景進(jìn)行科學(xué)選取。理想的狀況是，利用最小的測試量，對自動駕駛功能最大程度、最可靠的測試。具體場景的選取，主要有基于測試和基于關(guān)鍵數(shù)值這兩種方法，在其之下，還有更細(xì)化的方法，具體如下圖所示：

圖2 基于測試的具體場景選擇方法

圖3 基于關(guān)鍵數(shù)值的具體場景選擇方法

5.1 基于測試的具體場景選擇方法

通過測試選擇和評估具體場景。評估工作通過微觀交通指標(biāo)值進(jìn)行，上述指標(biāo)值可以是與交通事故相關(guān)的、與臨界參數(shù)相關(guān)的，或者是依據(jù)相關(guān)標(biāo)準(zhǔn)、規(guī)范確定的。通過測試選擇具體場景時，可以通過在參數(shù)范圍內(nèi)抽樣或在參數(shù)分布內(nèi)抽樣兩種方法選取參數(shù)。前者能夠較好地控制參數(shù)的覆蓋度，但由于不可避免的參數(shù)丟失，導(dǎo)致從微觀評估結(jié)果推導(dǎo)形成宏觀評估結(jié)果受到限制，而參數(shù)分布抽樣中的參數(shù)代表了具體行為或事件發(fā)生的概率，因而可以較好地得出宏觀評估結(jié)果。

最簡單的在參數(shù)范圍內(nèi)抽樣的方法是N-wise抽樣方法。采用這種方法時，所有的連續(xù)型參數(shù)均被離散化，之后對所有離散化參數(shù)進(jìn)行重組。由于數(shù)據(jù)量較大，因此一般應(yīng)用于簡單的駕駛輔助系統(tǒng)測評。如果應(yīng)用在自動駕駛領(lǐng)域，需要進(jìn)行改進(jìn)以使測試效率更高，如應(yīng)用實驗設(shè)計法、回歸測試、快速遍歷隨機(jī)樹算法等。

常用的參數(shù)分布內(nèi)抽樣的辦法是蒙特卡羅方法，該方法對實際中出現(xiàn)頻率高的參數(shù)抽取的次數(shù)也高，反之亦然。由于大量高頻出現(xiàn)的參數(shù)對自動駕駛功能的挑戰(zhàn)性不大，因此使用該方法的測試效率不高。最近有不少研究致力于提升該方法的測試效率。例如，通過將極值理論和重要性采樣理論結(jié)合，可以提高測評的效率。其做法是在參數(shù)分布的外邊界選取測評參數(shù)，通過這樣系統(tǒng)化地選取參數(shù)，可生成更多的挑戰(zhàn)性場景。

5.2 基于關(guān)鍵數(shù)值的具體場景選擇方法

該方法的目的是盡可能高效地在車輛運行設(shè)計域內(nèi)找出使自動駕駛不能達(dá)到合格要求的具體場景，既可用于具體場景，也可用于邏輯場景。具體方法有以下4種：

（1）基于交通事故。從現(xiàn)有事故案例數(shù)據(jù)生成關(guān)鍵場景，并可通過調(diào)整部分參數(shù)的辦法優(yōu)化形成具體場景。但現(xiàn)有事故案例數(shù)據(jù)主要是針對人類駕駛?cè)说?，對人類駕駛?cè)司哂刑魬?zhàn)性的場景，不一定同樣對自動駕駛汽車具有挑戰(zhàn)性。

（2）基于臨界參數(shù)。通過評估真實數(shù)據(jù)，或在已有具體場景基礎(chǔ)上通過優(yōu)化算法形成臨界參數(shù)，但在此過程中，需要考慮自動駕駛功能行為對上述參數(shù)的影響。另外，在使用真實數(shù)據(jù)過程中，同樣面臨著“對人類駕駛?cè)司哂刑魬?zhàn)性的場景，不一定對自動駕駛汽車具有同樣的挑戰(zhàn)性”這個問題。

（3）構(gòu)建挑戰(zhàn)情形。通過直接調(diào)整參數(shù)數(shù)值或限制邏輯場景參數(shù)范圍的辦法，增加場景難度，進(jìn)而暴露更多自動駕駛功能的不足。

（4）仿真優(yōu)化。根據(jù)上次微觀測評結(jié)果的結(jié)果，調(diào)整下次具體場景選擇測評，通過這樣不斷迭代的方式形成具體場景。另外也可使用成本函數(shù)優(yōu)化評估被測對象安全性能，應(yīng)用這個辦法時，可將每次迭代目標(biāo)設(shè)定為使被測對象“即將不符合要求”，進(jìn)而加速優(yōu)化選擇的效率。

6 場景測試

具體場景選擇完成后，就可在各種測試環(huán)境下開展實際測試，包括真實世界測試（如場地測試、道路測試）和虛擬仿真測試。由于成本、測試效率、結(jié)果評估等方面獨特的優(yōu)勢，近年來使用虛擬仿真測試的情況越來越多。

7 自動駕駛安全評估

由于測評中，實際事故很難發(fā)生，因此一般使用安全替代指標(biāo)評估自動駕駛安全性，即進(jìn)行微觀評估，其中最廣泛知曉的是碰撞時間（TTC）指標(biāo)。利用微觀評估的結(jié)果，可進(jìn)一步開展宏觀評估。在這方面，使用基于測試的方法選擇具體場景并得到微觀評估結(jié)果后，能夠較好地進(jìn)一步得出宏觀評估結(jié)果，特別是若具體場景是根據(jù)參數(shù)分布抽樣獲取的，則可根據(jù)參數(shù)分布和頻率，較為方便地得出宏觀評估的統(tǒng)計數(shù)據(jù)。使用基于關(guān)鍵數(shù)值的方法選取具體場景，其主要目的是得出對自動駕駛功能最具挑戰(zhàn)的場景要素，因而很難根據(jù)其微觀評估結(jié)果開展宏觀評估。

8 總結(jié)

以上概要介紹了基于場景的自動駕駛汽車運行安全測試和認(rèn)證的技術(shù)框架。這其中起樞紐作用的是保存所有場景的數(shù)據(jù)庫。場景生成以及選擇用于測試的具體場景是整個框架中最重要的部分。具體場景選擇后，就可以啟動基于場景的自動駕駛功能測試。另外，在最后一步，需要根據(jù)具體場景的微觀測試結(jié)果，進(jìn)一步得出安全性能的宏觀評測結(jié)果。

深圳出臺國內(nèi)首部智能網(wǎng)聯(lián)汽車管理法規(guī)有望加速我國自動駕駛立法進(jìn)程

深圳市人大常委會表決通過了《深圳經(jīng)濟(jì)特區(qū)智能網(wǎng)聯(lián)汽車管理條例》（以下簡稱《條例》），《條例》于今年8月1日起施行。這是國內(nèi)首部關(guān)于智能網(wǎng)聯(lián)汽車管理的法規(guī)，對智能網(wǎng)聯(lián)汽車自動駕駛的定義、市場準(zhǔn)入規(guī)則、路權(quán)、權(quán)責(zé)認(rèn)定等多方面進(jìn)行了具體規(guī)定。

智能網(wǎng)聯(lián)汽車，通常指自動駕駛汽車。本次《條例》從道路測試、準(zhǔn)入登記、使用管理、交通違法及事故處理等進(jìn)行全鏈條立法，全力為智能網(wǎng)聯(lián)汽車發(fā)展鋪平法律道路。有專家表示，《條例》的出臺，將為全國其他城市制定自動駕駛準(zhǔn)入政策提供參考標(biāo)準(zhǔn)，有望加速我國自動駕駛立法進(jìn)程。

自動駕駛發(fā)生交通事故時該誰擔(dān)責(zé)，是長期以來社會各界普遍關(guān)注的問題?！稐l例》對此作出明確規(guī)定：有駕駛?cè)说闹悄芫W(wǎng)聯(lián)汽車發(fā)生交通違法或者有責(zé)任的事故，由駕駛?cè)顺袚?dān)違法和賠償責(zé)任；完全自動駕駛的智能網(wǎng)聯(lián)汽車在無駕駛?cè)似陂g發(fā)生交通違法或者有責(zé)任的事故，原則上由車輛所有人、管理人承擔(dān)違法和賠償責(zé)任，但對違法行為人的處罰不適用駕駛?cè)擞浄值挠嘘P(guān)規(guī)定；交通事故中，因智能網(wǎng)聯(lián)汽車存在缺陷造成損害的，車輛駕駛?cè)嘶蛘咚腥恕⒐芾砣艘勒丈鲜鲆?guī)定賠償后，可以依法向生產(chǎn)者、銷售者請求賠償。同時，《條例》規(guī)定，智能網(wǎng)聯(lián)汽車相關(guān)企業(yè)應(yīng)當(dāng)制定數(shù)據(jù)安全管理制度和隱私保護(hù)方案，并將存儲數(shù)據(jù)的服務(wù)器設(shè)在中國境內(nèi)。