交通事故場景在智能網(wǎng)聯(lián)汽車仿真測試中的應用

摘要：在汽車全生命周期范圍內(nèi)，通過三支柱測試認證方法來驗證智能網(wǎng)聯(lián)汽車的功能和安全，是提升車輛安全性和交通效率的有效手段，具有廣闊的應用前景。其中，如何通過仿真方法來高效驗證在危險工況和事故場景下智能網(wǎng)聯(lián)汽車的主動安全防護能力，成為目前亟待解決的問題之一。基于交通事故場景，建立交通事故數(shù)據(jù)到仿真測試場景重構的技術方案，并通過實際案例驗證了該方案應用于仿真測試的可行性。實踐證明，所建方案有助于豐富智能網(wǎng)聯(lián)汽車仿真測試場景庫，提升仿真測試效率，加快完善智能網(wǎng)聯(lián)汽車的安全測試與評估的進程。

關鍵詞：智能網(wǎng)聯(lián)汽車；自動駕駛；仿真場景；交通事故場景

0 前言

近年來，在汽車新四化的浪潮推動之下，智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)蓬勃發(fā)展。為了推動技術的完善和升級，需要建立完善、科學的測試體系來評估驗證自動駕駛系統(tǒng)的安全性。車輛行駛的交通環(huán)境存在地域差異性、氣候差異性以及交通參與方隨機性等特點，往往呈現(xiàn)難以預測、復制和窮舉的特征［1］。因此，對自動駕駛系統(tǒng)的測試評估方案既要求其全面性，又需要兼顧測試的效率。聯(lián)合國自動駕駛測試評價方法非正式工作組（WP29/GRVA/VMAD）［2］在分析自動駕駛的技術和安全特征的基礎上，提出了三支柱測試認證方法，即由實際道路測試、封閉場地測試和審核/評估（包含模擬仿真測試）共同支撐自動駕駛功能驗證。劉法旺等［1］提出，需要基于車輛的設計運行條件和功能定義，對標稱場景、危險場景等的自動駕駛系統(tǒng)進行安全測試評估，提升測試評估的針對性和效率。

測試場景覆蓋度是評價智能網(wǎng)聯(lián)汽車安全性的關鍵。其中，危險工況場景是發(fā)生概率小但危險性高的場景，用于評估自動駕駛汽車在極端工況場景下的避撞能力。真實的道路交通事故數(shù)據(jù)是危險工況場景的重要數(shù)據(jù)來源之一。然而，危險工況場景在實車測試中還難以還原，且測試危險性高。因此，一般通過仿真測試手段來完成危險工況場景的測試。

首先，收集和整理典型交通事故數(shù)據(jù)，并通過重構分析來還原事故發(fā)生現(xiàn)場的車輛運動參數(shù)。其次，基于事故重構數(shù)據(jù)，搭建適用于自動駕駛仿真測試的危險場景。最后，將場景應用于自動駕駛仿真測試，分析自動駕駛車輛模型在危險事故場景中的表現(xiàn)，評估自動駕駛系統(tǒng)應對危險場景的能力。

1 數(shù)據(jù)收集及整理

1. 1 交通事故數(shù)據(jù)來源

國內(nèi)外多個政府部門已建立以交通事故深度調(diào)查為基礎的事故數(shù)據(jù)庫。例如，德國交通事故深度研究（GIDAS）數(shù)據(jù)庫［4］ 為具有德國代表性的事故提供分析依，每條案例平均記錄變量達到3 500 個。中國國家車輛事故深度調(diào)查體系（NAIS）數(shù)據(jù)庫通過綜合國內(nèi)外事故調(diào)查技術方法，建立車輛事故深度調(diào)查的統(tǒng)一管理平臺，截至2022 年已有超過15 000 例事故數(shù)據(jù)入庫；中國汽車技術研究中心建立了中國交通事故深入研究（CIDAS）數(shù)據(jù)庫，其數(shù)據(jù)可為相關車輛安全標準制訂、法規(guī)優(yōu)化、汽車產(chǎn)品公告提供參考，也為汽車主動安全和被動安全的技術研發(fā)提供技術支撐。

本文涉及的交通事故主要來源于國內(nèi)NAIS事故數(shù)據(jù)庫，其中危險場景分析中的事故原始數(shù)據(jù)關鍵信息包括：事故發(fā)生的時間、天氣等環(huán)境條件，事故發(fā)生的具體位置，事故過程描述，事故現(xiàn)場環(huán)境及涉及車輛照片，碰撞點位置信息，路面輪胎痕跡，行車記錄儀和道路監(jiān)控視頻，汽車事件數(shù)據(jù)記錄（EDR） 系統(tǒng)數(shù)據(jù)等。

1. 2 交通事故數(shù)據(jù)篩選與分類

在危險工況數(shù)據(jù)來源篩選中，危險性是主要考慮因素，因此交通事故后果的嚴重性是主要的數(shù)據(jù)篩選條件。本文主要選取存在人員傷亡或造成較大經(jīng)濟損失的車損交通事故作為仿真測試應用案例。目前，數(shù)據(jù)庫中僅有少量車輛EDR 系統(tǒng)數(shù)據(jù)記錄可以直接反映交通事故發(fā)生時刻前后的車輛具體狀況，大部分事故需要通過專業(yè)軟件或計算來還原事故時刻數(shù)據(jù)。因此，事故的可參考信息需要盡可能詳細，從而更準確地還原事故前幾秒內(nèi)的車輛運動狀況。事故重構信息至少包括可查詢相關參數(shù)的參與方機動車型號、現(xiàn)場監(jiān)控或行車記錄儀視頻、現(xiàn)場道路等信息。

參考美國高速公路安全管理局（NHTSA）事故總評系統(tǒng)（GES）交通事故數(shù)據(jù)庫分類依據(jù)，本文將事故分為單車事故和多車事故兩類，共包含18 小類事故場景。交通事故分類如圖1 所示［5］。

2 危險事故分析

2. 1 交通事故還原重建

PC-Crash 軟件是目前主流的交通事故重構軟件，可以通過構建道路、環(huán)境、交通參與物（機動車、非機動車、行人）的模型，結合動力學、碰撞力學和物理學原理，對交通事故發(fā)生的過程進行模擬，還原碰撞過程［6］。

使用PC-Crash 軟件進行事故還原的過程如圖2 所示。首先，需要交通事故發(fā)生地的照片和靜態(tài)地圖繪制事故發(fā)生道路的CAD 圖；其次，根據(jù)涉事車輛的型號查詢車輛的幾何和動力學參數(shù)作為事故分析的輸入；再次，在完成設置環(huán)境信息、車輛參數(shù)和碰撞力學參數(shù)等條件輸入后，軟件可以模擬出事故碰撞時刻前后參與物的運動狀態(tài)和軌跡；最后，結合事故記錄視頻，分析對比碰撞過程，迭代輸入?yún)?shù)設置，直至軟件還原的碰撞過程與事故記錄的過程擬合。

通過PC-Crash 軟件完成交通事故重建后，可以輸出在碰撞發(fā)生前5 s 參與物的行駛速度和碰撞前的運動軌跡坐標數(shù)據(jù)，并作為后續(xù)場景重建的重要動作設置依據(jù)，如圖3 所示。

2. 2 事故數(shù)據(jù)結構化整理

事故的原始數(shù)據(jù)和重構數(shù)據(jù)分布呈現(xiàn)碎片化特點。為了提升場景重建效率，應首先開展數(shù)據(jù)結構化整理工作。數(shù)據(jù)整理的依據(jù)主要基于德國自動化及測量系統(tǒng)標準協(xié)會（ASAM） OpenX 標準，此標準將仿真場景分為靜態(tài)路網(wǎng)、交通參與者動態(tài)行為、OpenCRG 道路表面屬性3 種測試場景標準，是目前國際上較為公認的仿真測試場景格式標準。

交通參與者動態(tài)行為基于ASAM OpenSCENARIO 標準，對構成場景文件的要素進行排版整理，形成每條數(shù)據(jù)由多層數(shù)據(jù)組成的數(shù)據(jù)結構。事故結構化數(shù)據(jù)構成如圖4 所示。

3 危險場景重建

3. 1 靜態(tài)路網(wǎng)重建

靜態(tài)路網(wǎng)的重建基于ASAM OpenDRIVE 標準，生成靜態(tài)路網(wǎng)文件，是一種高精度的地圖文件。靜態(tài)路網(wǎng)文件中的元素主要包括道路的車道、路口、交通信號燈和道路靜態(tài)障礙物等信息。

重建靜態(tài)路網(wǎng)主要是通過實車采集和軟件繪制2 種方式。其中，實車采集是通過搭載激光雷達、毫米波雷達、攝像頭和組合慣性導航定位系統(tǒng)的場景采集車，在事故發(fā)生的路段開展道路信息采集［7］。隨后，將采集車記錄的車道線、信號燈、障礙物等目標的真值數(shù)據(jù)進行數(shù)據(jù)后處理，生成靜態(tài)路網(wǎng)文件。這種方法的優(yōu)點是生成的地圖精度高，在現(xiàn)場勘察照片不夠清晰或元素不全的情況下，也能極大程度地還原交通事故發(fā)生地的道路狀況；缺點則是受限于地理因素，當遠距離的事故時采集車難以到達現(xiàn)場進行采集，并且采集數(shù)據(jù)生成地圖文件的耗時較長。

本文采用的軟件繪制方法基于Vires VTD 軟件中的ROD 地圖生成模塊，參考事故道路環(huán)境CAD 圖繪制道路元素，生成用于自動駕駛仿真測試的靜態(tài)地圖文件，并使用模塊自帶渲染功能生成3D 渲染文件，服務于后續(xù)的仿真測試。重構完成的地圖和渲染圖如圖5 所示。該方法可以用于道路環(huán)境簡單、事故發(fā)生地點難以采集或靜態(tài)環(huán)境信息對交通事故的發(fā)生影響小的交通事故，可以提升靜態(tài)路網(wǎng)重建過程的效率。

3. 2 交通參與者動態(tài)行為重建

通過自研探索的批量事故重構工具，可以將整理的結構化數(shù)據(jù)在ASAM OpenSCENARIO 標準定義的規(guī)則下批量轉(zhuǎn)化成動態(tài)場景文件。結合生成的對應地圖文件，若事故場景可以在esmini 軟件中運行，交通參與者運行動作與設定相同，則證明場景搭建完整且無格式或語法錯誤。

4 仿真測試應用

自動駕駛仿真測試方式為軟件在環(huán)測試（SIL），即在不接入任何硬件或?qū)嵨锏臈l件下，進行自動駕駛算法和代碼的測試過程［3］。在場景構建完成后，將場景導入仿真測試軟件，使用的場景仿真軟件是Vires VTD，主要用于自動駕駛、車輛主動安全和傳感器模擬的仿真測試。仿真測試應用的過程分為自動駕駛算法的調(diào)式接入、場景格式兼容性調(diào)整和場景仿真測試。

4. 1 場景兼容性適配

由于Vires VTD 自動駕駛仿真軟件目前對OpenSCENARIO 標準中的一些定義并不支持，因此，在已生成的危險場景基礎上還需要對場景進行微調(diào)，保證場景的流暢運行。調(diào)整完成的場景運行效果如圖6 所示。與在esmini 軟件中相比，目標物在相同時刻發(fā)生碰撞，說明場景可以在Vires VTD軟件中運行，且運行效果與原始文件定義一致。

4. 2 自動駕駛仿真測試應用

仿真測試通過將自動駕駛算法接入ViresVTD 軟件，在自動駕駛車輛模型的控制下，運行由交通事故重構的危險場景。危險場景重構還原了一個在丁字路口發(fā)生的交通事故，因右轉(zhuǎn)車輛未避讓直行車輛，造成兩車碰撞。丁字路口交通事故重構圖如圖7 所示。將此事故重構生成的仿真場景應用于SIL 中，由自動駕駛車輛模型控制直行車輛動作，右轉(zhuǎn)車輛動作設定與交通事故一致，若直行車輛可避免碰撞，則可以評價以此場景建立的測試用例通過測試。

直行車輛在自動駕駛算法控制下的運行速度和原始動作速度的對比如圖8 所示。由圖8 可以看出：定義原始碰撞時刻為0 s，自動駕駛接管車輛在-5 s 時，識別到右轉(zhuǎn)車輛，并對車輛進行制動減速，待右轉(zhuǎn)車輛通過后，車輛加速恢復到初始速度繼續(xù)行駛。

自動駕駛算法接管前后場景運行動畫的對比如圖9 所示。仿真測試可以用來模擬自動駕駛車輛在面臨危險時，是否可以在自動駕駛系統(tǒng)的控制下感知到可能發(fā)生碰撞的目標物，并通過規(guī)劃決策算法對車輛進行控制從而避免事故的發(fā)生。

除上述人工開展模擬仿真測試驗證外，還可以通過自動化手段來實現(xiàn)，進一步加速仿真迭代速度，提升仿真測試效率。由于仿真場景是由參數(shù)化代碼來定義的，以此危險場景為例，場景中車輛的運行速度、加速度、初始運行車道、算法的接入時間等都可以進行參數(shù)修改。將單一場景內(nèi)的各參數(shù)進行泛化并組合篩選，形成一個多參數(shù)覆蓋的測試用例集。多個測試用例運行之間不需要人工的試驗準備步驟，可以通過自動化腳本實現(xiàn)不間斷測試，從而使仿真測試可以在短時間內(nèi)完成多個測試用例的測試。在不斷的對抗測試中發(fā)現(xiàn)自動駕駛算法控制下的安全邊界，有助于迭代功能研發(fā)和定義設計運行條件。

在實車測試中，事故場景難以通過真實駕駛員駕駛來完全復現(xiàn)交通事故車輛的動作，并且具有危險性。此外，事故發(fā)生道路環(huán)境種類復雜，封閉測試場地難以重建復雜的事故道路環(huán)境。因此，應用交通事故重構的危險仿真場景，并通過仿真測試的方法來測試驗證此類危險工況，可以提升測試效率和增強測試的安全性。

5 結語

本文介紹了基于交通事故場景在自動駕駛仿真測試的應用技術路線，整理了事故原始數(shù)據(jù)整理、事故重構分析、搭建危險事故場景的方法，并展示了將危險場景應用于仿真測試的案例。根據(jù)測試自動駕駛系統(tǒng)是否能夠?qū)ξｋU環(huán)境做出合理應對來避免碰撞發(fā)生，從而評估自動駕駛系統(tǒng)的安全性。自動駕駛虛擬仿真測試技術的應用能顯著擴充實車和道路測試工況的覆蓋度，縮短最初以累積測試里程來反映自動駕駛安全性指標的完成周期，也為危險事故場景這類極端工況場景可以進行批量測試提供了可能性。在仿真測試技術不斷成熟發(fā)展以及仿真場景庫日益增加的趨勢下，智能網(wǎng)聯(lián)汽車行業(yè)的測試評價方案也將會更加成熟完善，從而更好地推動行業(yè)技術升級和落地管理。

參考文獻

［ 1 ］ 劉法旺，曹建永，張志強，等. 基于場景的智能

網(wǎng)聯(lián)汽車“三支柱”安全測試評估方法研究[J].

汽車工程學報，2023，13（1）：1-7.

［ 2 ］ Working Party on Automated/Autonomous

and Connected Vehicles. Proposal for a second

iteration of the new assessment/test method

for automated driving[R]. United Nations：

Working Party on Automated/Autonomous

and Connected Vehicles， 2022.

［ 3 ］ 北京五一視界數(shù)字孿生科技股份有限公司

（51WORLD）. 汽車自動駕駛仿真測試藍皮書

[M]. 北京：電子工業(yè)出版社，2020：132-133.

［ 4 ］ GEORGI A，BRUNNER H，SCHEUNERT D.

Gidas German in-depth accident study[C]//

World Automotive Congress.Stuttgart：University of

Technology Dresden，2004.

［ 5 ］ NHTSA. National automotive sampling system

（NASS） general estimates system （GES）

analytical users manual 1988-2009[M].

Washington D C： U. S. Department of

Transportation，2006.

［ 6 ］ 周亮. 中國道路交通環(huán)境下交通事故再現(xiàn)技

術的研究與改進[D]. 呼和浩特：內(nèi)蒙古大學，

2019.

［ 7 ］ 劉海威，甘雨. 自動駕駛場景采集及模擬仿真

場景重構的技術研究[J]. 汽車與新動力，2022，

5（4）：36-39.

80