自動(dòng)駕駛汽車仿真測(cè)試場(chǎng)景生成方法綜述

【摘要】針對(duì)自動(dòng)駕駛汽車仿真測(cè)試場(chǎng)景生成方法進(jìn)行了系統(tǒng)梳理，綜述了自動(dòng)駕駛汽車仿真測(cè)試場(chǎng)景定義、場(chǎng)景解構(gòu)、數(shù)據(jù)驅(qū)動(dòng)式場(chǎng)景生成、機(jī)理建模式場(chǎng)景生成等方向的最新研究進(jìn)展，并對(duì)測(cè)試場(chǎng)景的相關(guān)評(píng)價(jià)與應(yīng)用進(jìn)行了總結(jié)，最后，提出了未來(lái)研究應(yīng)重點(diǎn)考慮融入中國(guó)駕駛場(chǎng)景特征，深化邊緣場(chǎng)景生成策略，加速場(chǎng)景構(gòu)建的標(biāo)準(zhǔn)體系化建設(shè)工作。

關(guān)鍵詞：自動(dòng)駕駛 測(cè)試場(chǎng)景 數(shù)據(jù)驅(qū)動(dòng) 機(jī)理建模

中圖分類號(hào)：U467.13" "文獻(xiàn)標(biāo)志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20240047

An Overview of Generation Methods for Autonomous Vehicle

Simulation Test Scenarios

Li Weinan1，2， Wang Yu1，2， Li Linrun1，2， Meng Xiangzhe1，2， Wang Chao1，2， Liu Di1，2

（1. Global Ramp;D Center， China FAW Corporation Limited， Changchun 130013; 2. National Key Laboratory of Advanced Vehicle Integration and Control， Changchun 130013）

【Abstract】This paper systematically sorts out the generation methods of simulation test scenarios for autonomous vehicle， summarizes the latest research progress in the fields of autonomous vehicle simulation test scenario definition， scenario deconstruction， scenario generation based on data driven， and scenario generation based on mechanism modeling， and summarizes the relevant evaluation and application of test scenarios. Finally， the paper proposes that future research should focus on integrating the characteristics of Chinese driving scenarios， deepening the research on edge scenario generation strategies， and accelerating the construction of the standard system of scenario construction.

Key words： Autonomous driving， Test scenario， Data driven， Mechanism modeling

【引用格式】 李偉男， 王宇， 李林潤(rùn)， 等. 自動(dòng)駕駛汽車仿真測(cè)試場(chǎng)景生成方法綜述[J]. 汽車工程師， 2024（7）： 1-10.

LI W N， WANG Y， LI L R， et al. An Overview of Generation Methods for Autonomous Vehicle Simulation Test Scenarios[J]. Automotive Engineer， 2024（7）： 1-10.

1 前言

隨著科學(xué)技術(shù)的加速發(fā)展和城市化的持續(xù)推進(jìn)，承載著“零事故、低污染”等美好愿景，自動(dòng)駕駛技術(shù)應(yīng)運(yùn)而生。依據(jù)國(guó)際自動(dòng)機(jī)工程師學(xué)會(huì)（SAE International）的標(biāo)準(zhǔn)，自動(dòng)駕駛汽車的自動(dòng)化水平包括人工駕駛（L0）、駕駛輔助（L1）、部分自動(dòng)駕駛（L2）、有條件自動(dòng)駕駛（L3）、高度自動(dòng)駕駛（L4）和完全自動(dòng)駕駛（L5）共6個(gè)等級(jí)。針對(duì)高等級(jí)自動(dòng)駕駛汽車（L3級(jí)及以上），自動(dòng)駕駛系統(tǒng)與整車制造商將分別作為車輛的駕駛主體和責(zé)任主體[1]，因此，高等級(jí)自動(dòng)駕駛汽車上路前必須通過(guò)嚴(yán)格的測(cè)試評(píng)價(jià)來(lái)證明其安全性。

然而，隨著自動(dòng)駕駛汽車自動(dòng)化水平的不斷提升，其內(nèi)部系統(tǒng)復(fù)雜度、外部環(huán)境多變性和駕駛?cè)蝿?wù)多樣性也在不斷提高，這些變化為自動(dòng)駕駛汽車的測(cè)試評(píng)價(jià)帶來(lái)了新的挑戰(zhàn)。近年來(lái)，自動(dòng)駕駛系統(tǒng)導(dǎo)致的交通事故頻發(fā)，也暴露了復(fù)雜行駛環(huán)境下自動(dòng)駕駛汽車應(yīng)對(duì)能力不足的問(wèn)題。目前，圍繞自動(dòng)駕駛汽車的測(cè)試主要包括實(shí)車測(cè)試和仿真測(cè)試。

實(shí)車測(cè)試是最直接、最真實(shí)的測(cè)試方法，能夠獲取準(zhǔn)確的測(cè)試數(shù)據(jù)，是傳統(tǒng)汽車的主要測(cè)試方法。然而，相關(guān)研究表明，自動(dòng)駕駛汽車需要進(jìn)行2.4×108 km以上的測(cè)試，才能充分證明系統(tǒng)的安全性[2]。受限于測(cè)試周期和成本，實(shí)車測(cè)試難以滿足自動(dòng)駕駛汽車的測(cè)試?yán)锍桃蟆?/p>

相比于實(shí)車測(cè)試，仿真測(cè)試主要通過(guò)物理建模、數(shù)值仿真、圖像渲染等技術(shù)，構(gòu)建面向不同應(yīng)用需求的汽車虛擬仿真測(cè)試場(chǎng)景。仿真測(cè)試具備測(cè)試效率高、資源消耗低、靈活性強(qiáng)以及可重復(fù)性好等顯著優(yōu)點(diǎn)，目前已經(jīng)成為自動(dòng)駕駛汽車測(cè)試驗(yàn)證的重要手段[3-4]。

仿真測(cè)試的核心和重點(diǎn)在于場(chǎng)景的選擇與構(gòu)建[5]。傳統(tǒng)方法主要依賴于專家經(jīng)驗(yàn)進(jìn)行場(chǎng)景枚舉式生成，即基于自動(dòng)駕駛汽車測(cè)試過(guò)程中的實(shí)踐積累、總結(jié)提煉得到的場(chǎng)景要素信息等專家經(jīng)驗(yàn)信息，通過(guò)枚舉式生成等方法進(jìn)行場(chǎng)景生成，但這種方式難以滿足自動(dòng)駕駛汽車進(jìn)行大規(guī)模仿真測(cè)試的需求。近年來(lái)，如何解決場(chǎng)景庫(kù)的大規(guī)模自動(dòng)化生成問(wèn)題已經(jīng)成為國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)。朱冰等[6]對(duì)基于場(chǎng)景的自動(dòng)駕駛汽車測(cè)試技術(shù)的相關(guān)研究進(jìn)展進(jìn)行了系統(tǒng)梳理和總結(jié)，詳細(xì)分析了典型測(cè)試方式和測(cè)試平臺(tái)的技術(shù)要點(diǎn)，并概述了基于場(chǎng)景的加速測(cè)試技術(shù)。鄧偉文等[7]分析和總結(jié)了自動(dòng)駕駛場(chǎng)景定義、場(chǎng)景解構(gòu)、場(chǎng)景生成等方向的最新研究進(jìn)展，概述了多要素耦合的系統(tǒng)化建模理論研究的重要意義。任秉韜等[8]系統(tǒng)闡述了國(guó)內(nèi)外在場(chǎng)景自動(dòng)構(gòu)建和交通仿真建模方面研究工作的進(jìn)展與現(xiàn)狀，介紹了團(tuán)隊(duì)相關(guān)研究的應(yīng)用情況。雖然目前對(duì)基于場(chǎng)景的仿真測(cè)試技術(shù)已經(jīng)有了較多的研究綜述，但是針對(duì)場(chǎng)景生成技術(shù)的系統(tǒng)性、全面化總結(jié)分析仍然有待提出。

本文在廣泛調(diào)研國(guó)內(nèi)外最新研究成果的基礎(chǔ)上，圍繞自動(dòng)駕駛汽車仿真測(cè)試場(chǎng)景生成方法進(jìn)行綜述，系統(tǒng)梳理場(chǎng)景的定義，歸納場(chǎng)景的解構(gòu)要素，將場(chǎng)景的自動(dòng)生成方法劃分為數(shù)據(jù)驅(qū)動(dòng)式場(chǎng)景生成、機(jī)理建模式場(chǎng)景生成兩大類分別開展分析，對(duì)場(chǎng)景自動(dòng)化生成的相關(guān)評(píng)價(jià)及應(yīng)用方法進(jìn)行總結(jié)，分析現(xiàn)有研究的不足，并提出研究展望。

2 自動(dòng)駕駛測(cè)試場(chǎng)景

2.1 場(chǎng)景的定義

場(chǎng)景定義是實(shí)現(xiàn)場(chǎng)景認(rèn)知的基礎(chǔ)。“場(chǎng)景”一詞最早來(lái)源于古法語(yǔ)“scene”，表示舞臺(tái)上的一幕[9]。隨著科學(xué)技術(shù)的發(fā)展，研究人員逐漸將場(chǎng)景的概念延展應(yīng)用到工業(yè)生產(chǎn)的開發(fā)測(cè)試中，主要描述系統(tǒng)的使用方式、使用要求和使用環(huán)境。

在傳統(tǒng)汽車領(lǐng)域，場(chǎng)景通常指車輛周圍環(huán)境的相關(guān)信息，主要在交通事故分析、自然駕駛研究等分類和歸納工作中得到了廣泛應(yīng)用[10]。在自動(dòng)駕駛領(lǐng)域，場(chǎng)景是開發(fā)過(guò)程中的核心需求和指導(dǎo)原則，高頻率地應(yīng)用于高等級(jí)自動(dòng)駕駛系統(tǒng)的模擬測(cè)試中，但是，現(xiàn)階段自動(dòng)駕駛領(lǐng)域尚無(wú)對(duì)場(chǎng)景的統(tǒng)一定義。Elrofai等[11]認(rèn)為場(chǎng)景是指自動(dòng)駕駛汽車周圍動(dòng)態(tài)環(huán)境在一個(gè)特定時(shí)間范圍內(nèi)的持續(xù)變化。Schuldt等[12]認(rèn)為自動(dòng)駕駛測(cè)試場(chǎng)景是多個(gè)場(chǎng)面單元按照時(shí)間順序依次展現(xiàn)的過(guò)程，該過(guò)程會(huì)持續(xù)一定的時(shí)間。Menzel等[13]基于不同的抽象層級(jí)，將場(chǎng)景分為具體場(chǎng)景、邏輯場(chǎng)景和功能場(chǎng)景，并基于狀態(tài)空間變量對(duì)場(chǎng)景中各元素間的關(guān)聯(lián)及其取值狀態(tài)進(jìn)行了詳細(xì)的描述。Hina等[14]提出了一種基于本體論的場(chǎng)景解析方法，該方法將場(chǎng)景分解為駕駛員、環(huán)境和車輛這三個(gè)本體，及其各自的子類和屬性，從而構(gòu)建本體模型以有效表征自動(dòng)駕駛的各種場(chǎng)景。趙祥模等[15]提出，場(chǎng)景是指在一定時(shí)空范圍內(nèi)自車與環(huán)境中其他要素的充分交互過(guò)程。王軍雷等[16]挖掘相關(guān)公開專利信息，經(jīng)梳理、總結(jié)可知，自動(dòng)駕駛汽車仿真測(cè)試場(chǎng)景構(gòu)建的關(guān)鍵技術(shù)點(diǎn)主要包括環(huán)境仿真和車輛仿真，重點(diǎn)在于如何實(shí)現(xiàn)對(duì)真實(shí)環(huán)境中的道路場(chǎng)景要素、交通流信息及交通參與者運(yùn)動(dòng)行為的有效模擬。

歸納上述對(duì)場(chǎng)景的研究結(jié)果，提取、整合各描述中的核心要素，可以將自動(dòng)駕駛汽車仿真測(cè)試場(chǎng)景定義為在一段時(shí)間內(nèi)、一定駕駛?cè)蝿?wù)下自動(dòng)駕駛汽車與行駛環(huán)境各組成要素之間持續(xù)性的動(dòng)態(tài)描述，行駛環(huán)境的組成要素包括其他交通參與者、基礎(chǔ)設(shè)施、道路、天氣等，具體的組成由駕駛?cè)蝿?wù)決定。

2.2 場(chǎng)景的解構(gòu)

場(chǎng)景是高度復(fù)雜且多源異構(gòu)的系統(tǒng)，由多個(gè)場(chǎng)景元素通過(guò)動(dòng)態(tài)關(guān)聯(lián)組合而成，而非簡(jiǎn)單的元素要素堆砌。因此，明確并理解這些場(chǎng)景要素對(duì)于生成自動(dòng)駕駛汽車的測(cè)試場(chǎng)景至關(guān)重要。OpenX系列標(biāo)準(zhǔn)中的OpenSCENARIO和OpenDRIVE是目前廣泛采用的開源場(chǎng)景描述文件格式[17]，這兩種標(biāo)準(zhǔn)詳細(xì)規(guī)定了場(chǎng)景中的交通動(dòng)態(tài)要素和道路要素的描述方式，國(guó)內(nèi)外學(xué)者也針對(duì)場(chǎng)景要素的內(nèi)容及組成開展了不同程度的研究，但目前仍未達(dá)成共識(shí)。

Korbiniand等[18]將被測(cè)自動(dòng)駕駛汽車之外的測(cè)試場(chǎng)景元素劃分為靜態(tài)部分（交通標(biāo)志、建筑、車道線等）、動(dòng)態(tài)部分（行人、機(jī)動(dòng)車、非機(jī)動(dòng)車等）和環(huán)境部分（溫度、濕度、可見度、風(fēng)速等）。白雪松等[19]總結(jié)指出，仿真場(chǎng)景的主要元素可以劃分為靜態(tài)的道路設(shè)施和動(dòng)態(tài)的天氣、光照與交通條件，這些元素具體涵蓋了道路、建筑物、天氣狀況、光照條件、交通設(shè)施、周邊車輛以及交通路況等多樣化的信息。朱向雷等[20]從基本屬性出發(fā)，將場(chǎng)景元素劃分為靜態(tài)路外元素（交通標(biāo)志、建筑等）、靜態(tài)路內(nèi)元素（車道類型、路面類型等）、動(dòng)態(tài)路外元素（交通參與者類型、數(shù)量等）和動(dòng)態(tài)路內(nèi)元素（交通參與者類型、數(shù)量等）。吳旭陽(yáng)[21]等深入研究了自動(dòng)駕駛系統(tǒng)中視覺(jué)和激光雷達(dá)傳感器的感知過(guò)程，詳細(xì)分析了影響這些傳感器性能的各種因素，實(shí)現(xiàn)了對(duì)天氣環(huán)境（雨、雪、霧等）、交通環(huán)境（道路、建筑物、標(biāo)牌、標(biāo)志線等）和光線環(huán)境（逆光、背光和反光等）等典型場(chǎng)景元素的提取。

綜上，基于上述場(chǎng)景元素的劃分策略，并參考GB/T 41798—2022《智能網(wǎng)聯(lián)汽車自動(dòng)駕駛功能場(chǎng)地試驗(yàn)方法及要求》中對(duì)測(cè)試場(chǎng)景和相關(guān)場(chǎng)景環(huán)境元素的詳細(xì)描述[22]，對(duì)場(chǎng)景組成元素進(jìn)行歸納，并將其整理成表1的形式，能夠更清晰地展示自動(dòng)駕駛系統(tǒng)測(cè)試場(chǎng)景的關(guān)鍵組成要素。

3 仿真測(cè)試場(chǎng)景生成方法

面向自動(dòng)駕駛汽車仿真測(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)景挖掘、解構(gòu)與重構(gòu)生成方法，這些方法所生成的場(chǎng)景在代表性和應(yīng)用方向上呈現(xiàn)出多樣性。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)駕駛仿真測(cè)試需求，歸納總結(jié)出兩種主要的場(chǎng)景生成方式：一種是基于數(shù)據(jù)驅(qū)動(dòng)的測(cè)試場(chǎng)景生成方法，能夠有效還原數(shù)據(jù)中的有效信息并生成衍生場(chǎng)景；另一種是基于機(jī)理建模的測(cè)試場(chǎng)景生成方法，能夠?qū)崿F(xiàn)在短時(shí)間內(nèi)基于理論模型生成大量的場(chǎng)景。梳理仿真測(cè)試場(chǎng)景生成框架如圖1所示，數(shù)據(jù)驅(qū)動(dòng)與機(jī)理建模方法之間通過(guò)優(yōu)勢(shì)互補(bǔ)，提升了自動(dòng)駕駛汽車測(cè)試場(chǎng)景庫(kù)的豐富性與多樣性。

3.1 數(shù)據(jù)驅(qū)動(dòng)式場(chǎng)景生成方法

3.1.1 場(chǎng)景數(shù)據(jù)

通過(guò)挖掘場(chǎng)景數(shù)據(jù)實(shí)現(xiàn)場(chǎng)景庫(kù)的自動(dòng)化生成是數(shù)據(jù)驅(qū)動(dòng)方法的核心，為了確保自動(dòng)駕駛汽車在測(cè)試時(shí)能夠涵蓋多種場(chǎng)景類型，需要收集大量的典型場(chǎng)景數(shù)據(jù)，并以此為基礎(chǔ)構(gòu)建完善的場(chǎng)景庫(kù)，保障自動(dòng)駕駛系統(tǒng)能夠進(jìn)行充分的測(cè)試，從而提高其在實(shí)際應(yīng)用中的安全性和可靠性[23]。如圖2所示，自動(dòng)駕駛測(cè)試場(chǎng)景的數(shù)據(jù)來(lái)源主要涵蓋自然駕駛數(shù)據(jù)、模擬駕駛數(shù)據(jù)和專家經(jīng)驗(yàn)數(shù)據(jù)等3個(gè)部分。

自然駕駛數(shù)據(jù)內(nèi)容多樣，主要包括道路駕駛數(shù)據(jù)、封閉場(chǎng)地測(cè)試以及交通事故數(shù)據(jù)等典型測(cè)試數(shù)據(jù)[24]。道路駕駛數(shù)據(jù)的采集往往通過(guò)在傳統(tǒng)汽車上加裝雷達(dá)、攝像頭、高精度慣性導(dǎo)航系統(tǒng)等多傳感器采集平臺(tái)，在車輛正常行駛過(guò)程中采集場(chǎng)景要素?cái)?shù)據(jù)實(shí)現(xiàn)。封閉場(chǎng)地測(cè)試數(shù)據(jù)是自動(dòng)駕駛汽車在封閉的汽車試驗(yàn)場(chǎng)內(nèi)進(jìn)行測(cè)試得到的場(chǎng)景要素?cái)?shù)據(jù)，目前，我國(guó)已經(jīng)建設(shè)了多個(gè)智能汽車封閉測(cè)試場(chǎng)地，如上海的智能網(wǎng)聯(lián)汽車試點(diǎn)示范區(qū)、長(zhǎng)春的國(guó)家智能網(wǎng)聯(lián)汽車應(yīng)用（北方）示范區(qū)等。交通事故數(shù)據(jù)的獲取是在真實(shí)的交通事故數(shù)據(jù)集中進(jìn)行場(chǎng)景要素提取，目前，代表性的數(shù)據(jù)庫(kù)包括美國(guó)事故數(shù)據(jù)庫(kù)（General Estimates System，GES）、德國(guó)深度調(diào)查事故數(shù)據(jù)庫(kù)（German In-Depth Accident Study，GIDAS）等[25]。

模擬駕駛數(shù)據(jù)主要包含兩大類，即仿真數(shù)據(jù)和駕駛模擬器數(shù)據(jù)。仿真數(shù)據(jù)是指自動(dòng)駕駛汽車在仿真環(huán)境下運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)，仿真環(huán)境可以通過(guò)真實(shí)場(chǎng)景生成或自行配置產(chǎn)生。駕駛模擬器數(shù)據(jù)是指通過(guò)模擬真實(shí)的駕駛環(huán)境和車輛操作，利用駕駛模擬器進(jìn)行測(cè)試所獲取的數(shù)據(jù)，駕駛模擬器是集成車輛運(yùn)動(dòng)學(xué)模型、顯示設(shè)備、聲音設(shè)備、數(shù)據(jù)采集設(shè)備以及踏板、轉(zhuǎn)向盤等駕駛員操縱機(jī)構(gòu)于一體的虛擬仿真測(cè)試設(shè)備[26]。

專家經(jīng)驗(yàn)數(shù)據(jù)是基于自動(dòng)駕駛汽車測(cè)試過(guò)程中的實(shí)踐積累，通過(guò)總結(jié)提煉得到的場(chǎng)景要素信息，如根據(jù)標(biāo)準(zhǔn)、法規(guī)中的測(cè)試場(chǎng)景進(jìn)行場(chǎng)景數(shù)據(jù)提取。以聯(lián)合國(guó)法規(guī)R157《裝備自動(dòng)車道保持系統(tǒng)的車輛認(rèn)證的統(tǒng)一規(guī)定》（Uniform Provisions Concerning the Approval of Vehicles with Regard to Automated Lane Keeping System）為例，其提出了對(duì)車道保持、跟隨前車、視野測(cè)試、換道測(cè)試等測(cè)試場(chǎng)景的具體要求，能夠提供豐富的測(cè)試場(chǎng)景要素信息參考[27]。

3.1.2 典型場(chǎng)景生成

區(qū)別于傳統(tǒng)的依賴于專家經(jīng)驗(yàn)的枚舉式場(chǎng)景生成方法，基于數(shù)據(jù)驅(qū)動(dòng)的場(chǎng)景自動(dòng)化生成方法的核心在于通過(guò)數(shù)據(jù)處理實(shí)現(xiàn)場(chǎng)景要素的解構(gòu)與重構(gòu)，考慮到場(chǎng)景數(shù)據(jù)中可能存在大量的冗余數(shù)據(jù)，不同來(lái)源的場(chǎng)景數(shù)據(jù)往往在類型、格式上也存在一定的差異，因此，典型場(chǎng)景數(shù)據(jù)處理方式主要包括以下幾個(gè)步驟：

a. 清洗、修復(fù)場(chǎng)景數(shù)據(jù)。在滿足數(shù)據(jù)完整性約束的前提下，對(duì)場(chǎng)景數(shù)據(jù)中的無(wú)效數(shù)據(jù)、重復(fù)數(shù)據(jù)、異常數(shù)據(jù)進(jìn)行清除，根據(jù)數(shù)據(jù)內(nèi)部的統(tǒng)計(jì)學(xué)規(guī)律補(bǔ)全可修復(fù)的缺失數(shù)據(jù)，對(duì)清洗修復(fù)后的場(chǎng)景數(shù)據(jù)進(jìn)行整理。

b. 生成附加信息。受限于原始數(shù)據(jù)中單位、種類等的固定要求，車頭時(shí)距等場(chǎng)景附加信息需通過(guò)對(duì)原始數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行轉(zhuǎn)換或計(jì)算得到。

c. 標(biāo)注關(guān)鍵信息。通過(guò)語(yǔ)義分析、貝葉斯網(wǎng)絡(luò)、半監(jiān)督學(xué)習(xí)等方式對(duì)場(chǎng)景要素中的關(guān)鍵信息進(jìn)行標(biāo)注。

d. 設(shè)計(jì)場(chǎng)景分類規(guī)則。結(jié)合被測(cè)自動(dòng)駕駛系統(tǒng)的功能需求，分析、總結(jié)不同場(chǎng)景數(shù)據(jù)之間的差異，設(shè)計(jì)場(chǎng)景的分類規(guī)則。

e. 聚類場(chǎng)景數(shù)據(jù)。通過(guò)層次聚類、K-均值（K-Means）聚類等方法對(duì)場(chǎng)景數(shù)據(jù)進(jìn)行聚類處理，聚類結(jié)果需要與步驟d中所設(shè)計(jì)的場(chǎng)景分類規(guī)則吻合。

f. 場(chǎng)景生成。根據(jù)得到的場(chǎng)景數(shù)據(jù)聚類結(jié)果計(jì)算不同場(chǎng)景的概率分布情況，并據(jù)此進(jìn)行測(cè)試場(chǎng)景的隨機(jī)生成。

3.1.3 危險(xiǎn)場(chǎng)景生成

在場(chǎng)景數(shù)據(jù)采集過(guò)程中，出于安全性和可行性考慮，所收集的場(chǎng)景數(shù)據(jù)往往局限于安全范圍內(nèi)，這導(dǎo)致危險(xiǎn)場(chǎng)景數(shù)據(jù)在數(shù)據(jù)集中的出現(xiàn)頻率相對(duì)較低。目前，主要通過(guò)機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)對(duì)典型場(chǎng)景庫(kù)中危險(xiǎn)場(chǎng)景的補(bǔ)充，首先對(duì)場(chǎng)景數(shù)據(jù)庫(kù)中的交通車輛軌跡等運(yùn)動(dòng)特性進(jìn)行學(xué)習(xí)，然后訓(xùn)練生成相關(guān)模型以及相應(yīng)的危險(xiǎn)場(chǎng)景，實(shí)現(xiàn)對(duì)典型場(chǎng)景危險(xiǎn)度的補(bǔ)充。

Krajewski等[28]分別設(shè)計(jì)了軌跡生成對(duì)抗網(wǎng)絡(luò)和軌跡變分自編碼器，并通過(guò)無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練后的網(wǎng)絡(luò)模型能夠基于原始場(chǎng)景數(shù)據(jù)智能生成全新軌跡。Ding等[29]基于雙向編碼器和多分支解碼器實(shí)現(xiàn)了對(duì)多次軌跡發(fā)生器的構(gòu)建，能夠有效補(bǔ)充典型數(shù)據(jù)集外多車交互下的危險(xiǎn)場(chǎng)景。魏鵬等[30]挖掘了跟車場(chǎng)景下前車的運(yùn)動(dòng)特性分布特征并使用高斯混合模型進(jìn)行擬合，基于快速搜索隨機(jī)樹搜索邊緣加速度來(lái)隨機(jī)控制前車運(yùn)動(dòng)，能夠快速生成跟車危險(xiǎn)場(chǎng)景測(cè)試用例。

3.2 機(jī)理建模式場(chǎng)景生成方法

機(jī)理建模式場(chǎng)景生成方法是一種根據(jù)場(chǎng)景物理原型進(jìn)行場(chǎng)景內(nèi)部機(jī)制表征與生成的方法，核心在于通過(guò)理論模型創(chuàng)造場(chǎng)景，因此，對(duì)場(chǎng)景數(shù)據(jù)體量的要求不高，主要包括組合式場(chǎng)景生成方法和邊緣場(chǎng)景生成方法。

3.2.1 組合式場(chǎng)景生成

組合式場(chǎng)景生成方法需要通過(guò)本體論對(duì)交通場(chǎng)景中的元素組成及關(guān)系進(jìn)行分析、提取，建立能夠結(jié)構(gòu)化描述場(chǎng)景的本體模型，然后將本體模型作為場(chǎng)景組合模型的輸入[31]，能夠更加關(guān)注部分關(guān)鍵場(chǎng)景參數(shù)，有助于提高場(chǎng)景參數(shù)設(shè)置效率。

通過(guò)本體論實(shí)現(xiàn)對(duì)場(chǎng)景的結(jié)構(gòu)化描述是組合式場(chǎng)景生成的重要前置環(huán)節(jié)。Chen等[32]設(shè)計(jì)了一種高速公路匝道合流場(chǎng)景的測(cè)試用例生成方法，基于本體論分別建立了針對(duì)道路、環(huán)境和車輛的本體模型，實(shí)現(xiàn)場(chǎng)景參數(shù)結(jié)構(gòu)化和測(cè)試用例生成。朱波等[33]基于本體論對(duì)場(chǎng)景中的信息進(jìn)行參數(shù)化，將表征場(chǎng)景的參數(shù)化信息與多通道態(tài)勢(shì)圖進(jìn)行關(guān)聯(lián)，采用K-均值聚類算法對(duì)場(chǎng)景對(duì)象分布類型進(jìn)行聚類。季言實(shí)[34]針對(duì)冰雪路面條件下駕駛場(chǎng)景的復(fù)雜特性，基于分類與回歸樹（Classification And Regression Tree，CART）提取冰雪路面條件下的典型場(chǎng)景信息，利用本體論實(shí)現(xiàn)對(duì)提取信息的結(jié)構(gòu)化歸納、存儲(chǔ)。

基于本體論方法建立環(huán)境本體后，楊清蓉[35]將結(jié)構(gòu)化的變道場(chǎng)景環(huán)境本體輸入場(chǎng)景組合模型，基于成對(duì)獨(dú)立組合測(cè)試方法實(shí)現(xiàn)測(cè)試場(chǎng)景的生成。張培興[36]基于本體論進(jìn)行道路屬性、車輛屬性等場(chǎng)景要素的順序化提取，利用冪定律分布描述本體要素屬性，分析本體要素參數(shù)概率分布規(guī)律，最后輸入組合測(cè)試模塊進(jìn)行測(cè)試。

3.2.2 邊緣場(chǎng)景表征與分類

邊緣測(cè)試場(chǎng)景通常指自動(dòng)駕駛汽車難以應(yīng)對(duì)的小概率事件場(chǎng)景，或基于真實(shí)交通事故數(shù)據(jù)所衍生出的場(chǎng)景。這些場(chǎng)景可以視為典型測(cè)試場(chǎng)景的有力補(bǔ)充，因?yàn)樗鼈兡軌蚪沂咀詣?dòng)駕駛系統(tǒng)在非常規(guī)或極端情況下的表現(xiàn)，有必要通過(guò)邊緣測(cè)試場(chǎng)景自動(dòng)化生成方法來(lái)提高自動(dòng)駕駛汽車的功能邊界測(cè)試效率。

邊緣場(chǎng)景的表征與分類是實(shí)現(xiàn)邊緣場(chǎng)景泛化衍生的基礎(chǔ)，Tang等[37]基于MATLAB環(huán)境開發(fā)了一套邊緣場(chǎng)景的參數(shù)特征識(shí)別策略，實(shí)現(xiàn)了對(duì)城市交通中邊緣場(chǎng)景的可視化表征。Nitsche等[38]采用K-中心點(diǎn)（K-Medoids）聚類算法對(duì)1 056起事故案例進(jìn)行了分析聚類，實(shí)現(xiàn)了對(duì)13類三枝路口邊緣場(chǎng)景和6類四枝路口邊緣場(chǎng)景的有效表征。Wang等[39]采用最大減速度、平均減速度和車輛動(dòng)能減少百分比實(shí)現(xiàn)對(duì)場(chǎng)景風(fēng)險(xiǎn)等級(jí)的表征，并使用決策樹來(lái)研究駕駛員特征、周圍車輛、道路環(huán)境與邊緣場(chǎng)景風(fēng)險(xiǎn)等級(jí)之間的關(guān)系。

吳斌等[40]通過(guò)三層漸進(jìn)式的方法實(shí)現(xiàn)對(duì)邊緣場(chǎng)景的分類，第一層分析車輛的行駛速度與加速度、橫擺角度等的關(guān)系，第二層分析車輛的碰撞時(shí)間等數(shù)據(jù)指標(biāo)，第三層基于模糊評(píng)價(jià)實(shí)現(xiàn)對(duì)危險(xiǎn)指標(biāo)的量化以及場(chǎng)景分類。陳吉清等[41]在結(jié)合了通過(guò)聚類分析得到的典型車輛碰撞邊緣場(chǎng)景后，深入探究了這些邊緣事故的典型特征，并據(jù)此構(gòu)建了15個(gè)涵蓋不同道路路段類型的自動(dòng)駕駛測(cè)試場(chǎng)景，其中包含9個(gè)涉及路口路段的場(chǎng)景和6個(gè)涉及普通路段的場(chǎng)景。胡越寧等[42]基于378例碰撞事故案例進(jìn)行場(chǎng)景要素提取，利用聚類分析和卡方檢驗(yàn)算法，并基于事故類型提取典型參數(shù)特征，得到10類三枝路口典型邊緣場(chǎng)景。

3.2.3 邊緣場(chǎng)景生成

實(shí)現(xiàn)對(duì)邊緣測(cè)試場(chǎng)景的表征與分類后，往往需要采用先進(jìn)的機(jī)器學(xué)習(xí)算法等方法訓(xùn)練和學(xué)習(xí)邊緣場(chǎng)景中的樣本特征，進(jìn)而智能化生成場(chǎng)景庫(kù)中不存在的邊緣場(chǎng)景樣本?，F(xiàn)有研究中典型的邊緣測(cè)試場(chǎng)景生成方法包括基于優(yōu)化搜索的邊緣測(cè)試場(chǎng)景生成方法和基于強(qiáng)化學(xué)習(xí)的邊緣測(cè)試場(chǎng)景生成方法。

基于優(yōu)化搜索策略的邊緣場(chǎng)景生成方法的核心在于構(gòu)建被測(cè)車輛與周圍環(huán)境中其他車輛之間的交互模型，不斷迭代優(yōu)化參數(shù)空間，該方法能夠逐步減小測(cè)試過(guò)程中實(shí)際碰撞風(fēng)險(xiǎn)與預(yù)期碰撞風(fēng)險(xiǎn)之間的差異，生成一系列邊緣測(cè)試場(chǎng)景，這些場(chǎng)景能夠精準(zhǔn)地測(cè)試自動(dòng)駕駛車輛的功能邊界，從而確保車輛在各種復(fù)雜環(huán)境下的安全性和可靠性。Yasasa等[43]使用貝葉斯優(yōu)化方法自動(dòng)生成對(duì)抗性邊緣場(chǎng)景，優(yōu)化了對(duì)行人等目標(biāo)與車輛發(fā)生碰撞場(chǎng)景的交互建模，相關(guān)場(chǎng)景能夠顯著暴露自動(dòng)駕駛汽車設(shè)計(jì)的不足之處。歐洋辰等[44]使用貝塞爾曲線生成道路參考線后進(jìn)行場(chǎng)景元素泛化，使用支持向量機(jī)算法尋找危險(xiǎn)場(chǎng)景邊界，實(shí)現(xiàn)了邊緣場(chǎng)景的快速生成。

基于強(qiáng)化學(xué)習(xí)的邊緣測(cè)試場(chǎng)景生成方法主要是在被測(cè)車輛與環(huán)境交互的過(guò)程中引入反饋機(jī)制，根據(jù)反饋結(jié)果獲得學(xué)習(xí)信息并不斷更新模型參數(shù)。Koren等[45]利用馬爾可夫決策過(guò)程描述自動(dòng)駕駛汽車與環(huán)境之間的交互過(guò)程，基于深度強(qiáng)化學(xué)習(xí)與蒙特卡洛搜索來(lái)生成邊緣測(cè)試場(chǎng)景。李江坤等[46]提出了一種基于強(qiáng)化學(xué)習(xí)和場(chǎng)景動(dòng)力學(xué)融合的邊緣測(cè)試場(chǎng)景生成方法，能夠模擬實(shí)際交通場(chǎng)景中交通參與者之間的對(duì)抗與博弈行為特征。如圖3所示，該方法首先通過(guò)微分方程構(gòu)建場(chǎng)景動(dòng)力學(xué)系統(tǒng)，然后基于神經(jīng)網(wǎng)絡(luò)模型構(gòu)建邊緣場(chǎng)景的黑盒控制器，最后利用強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)對(duì)邊緣場(chǎng)景的優(yōu)化求解。

綜上，基于優(yōu)化搜索方法的邊緣場(chǎng)景生成方法能夠快速發(fā)現(xiàn)導(dǎo)致系統(tǒng)故障的場(chǎng)景，減少測(cè)試場(chǎng)景的數(shù)量，但目標(biāo)函數(shù)設(shè)計(jì)困難，且缺乏對(duì)自動(dòng)駕駛系統(tǒng)在邊緣場(chǎng)景下的預(yù)測(cè)和行為決策的能力測(cè)試。基于強(qiáng)化學(xué)習(xí)的邊緣測(cè)試場(chǎng)景生成方法能探測(cè)到不易發(fā)生的小概率事件，但同時(shí)會(huì)造成算力浪費(fèi)以及產(chǎn)生重復(fù)的測(cè)試場(chǎng)景。

4 測(cè)試場(chǎng)景評(píng)價(jià)與應(yīng)用

4.1 測(cè)試場(chǎng)景評(píng)價(jià)

對(duì)生成的測(cè)試場(chǎng)景的綜合評(píng)價(jià)是實(shí)現(xiàn)其應(yīng)用的前提，梳理現(xiàn)有研究中對(duì)測(cè)試場(chǎng)景的評(píng)價(jià)維度，主要包括以下幾個(gè)方面，在實(shí)際應(yīng)用中可以結(jié)合測(cè)試目的進(jìn)行組合使用：

a. 場(chǎng)景有效性。場(chǎng)景有效性是評(píng)價(jià)生成場(chǎng)景是否達(dá)到預(yù)期設(shè)想的重要指標(biāo)，蔣淵德等[47]利用真實(shí)駕駛數(shù)據(jù)構(gòu)建測(cè)試集，對(duì)測(cè)試場(chǎng)景中模擬的車輛交互過(guò)程進(jìn)行了對(duì)比驗(yàn)證，分析了場(chǎng)景的有效性。

b. 場(chǎng)景復(fù)雜性。場(chǎng)景復(fù)雜性用來(lái)反映道路交通環(huán)境的參與者與其所處的交通環(huán)境之間的相互作用關(guān)系的復(fù)雜程度，王榮等[48]通過(guò)信息熵和引力模型相結(jié)合的方法，實(shí)現(xiàn)了對(duì)自動(dòng)駕駛車輛道路測(cè)試場(chǎng)景的復(fù)雜性評(píng)價(jià)。

c. 場(chǎng)景風(fēng)險(xiǎn)性。場(chǎng)景風(fēng)險(xiǎn)指自動(dòng)駕駛汽車在行駛過(guò)程中由交通要素產(chǎn)生的風(fēng)險(xiǎn)，蘇欣[49]采用專家方法與數(shù)學(xué)方法相結(jié)合的方式，設(shè)計(jì)多指標(biāo)權(quán)重，通過(guò)模糊評(píng)價(jià)的方式實(shí)現(xiàn)了對(duì)場(chǎng)景風(fēng)險(xiǎn)性的評(píng)價(jià)。

d. 場(chǎng)景覆蓋性。場(chǎng)景覆蓋性是評(píng)價(jià)場(chǎng)景是否全面的重要指標(biāo)，場(chǎng)景覆蓋性評(píng)價(jià)需要與被測(cè)自動(dòng)駕駛功能的設(shè)計(jì)運(yùn)行域和測(cè)試目的相匹配，李東峻[50]從靜態(tài)場(chǎng)景要素和動(dòng)態(tài)場(chǎng)景要素出發(fā)，綜合考慮場(chǎng)景要素之間的交互作用，實(shí)現(xiàn)了對(duì)場(chǎng)景覆蓋性的評(píng)價(jià)。

4.2 測(cè)試場(chǎng)景應(yīng)用

評(píng)價(jià)合格的測(cè)試場(chǎng)景主要應(yīng)用于自動(dòng)駕駛仿真測(cè)試，使用者可以基于場(chǎng)景參數(shù)信息，在VTD、Carla、PanoSim、PreScan、CarMaker等場(chǎng)景仿真器中配置或?qū)氲缆?、車輛、交通標(biāo)志等場(chǎng)景元素及相關(guān)參數(shù)，形成仿真場(chǎng)景文件并進(jìn)行仿真測(cè)試。此外，為了提高仿真場(chǎng)景的搭建效率，可以通過(guò)編寫自動(dòng)化腳本實(shí)現(xiàn)對(duì)大批量仿真場(chǎng)景的自動(dòng)化構(gòu)建。

目前，基于場(chǎng)景的自動(dòng)駕駛汽車測(cè)試方式主要可以歸納為三類：片段式測(cè)試應(yīng)用，將每個(gè)獨(dú)立的場(chǎng)景以片段的形式依次完成測(cè)試；拼接式測(cè)試應(yīng)用，將每個(gè)獨(dú)立的場(chǎng)景片段進(jìn)行拼接、排布，通過(guò)設(shè)定自動(dòng)駕駛汽車測(cè)試順序，實(shí)現(xiàn)被測(cè)場(chǎng)景的連續(xù)觸發(fā)測(cè)試，提高測(cè)試的連續(xù)性；融合式測(cè)試應(yīng)用，將場(chǎng)景片段有機(jī)融入真實(shí)交通流數(shù)據(jù)中進(jìn)行測(cè)試，提高測(cè)試的真實(shí)度。

5 總結(jié)與展望

隨著自動(dòng)駕駛汽車智能化等級(jí)的提升，對(duì)自動(dòng)駕駛測(cè)試場(chǎng)景的全面性、有效性要求也日益嚴(yán)苛，傳統(tǒng)的場(chǎng)景枚舉式生成方法已經(jīng)無(wú)法滿足大規(guī)模仿真測(cè)試的需求。本文在廣泛調(diào)研國(guó)內(nèi)外最新研究文獻(xiàn)的基礎(chǔ)上，對(duì)自動(dòng)駕駛汽車測(cè)試場(chǎng)景的定義、生成方法以及應(yīng)用進(jìn)行了系統(tǒng)性梳理、分析和總結(jié)。盡管自動(dòng)駕駛汽車測(cè)試場(chǎng)景自動(dòng)化生成研究已有所突破，但仍存在明顯不足?，F(xiàn)有的方法主要局限于生成簡(jiǎn)單的測(cè)試場(chǎng)景，這些場(chǎng)景與真實(shí)的駕駛環(huán)境相差甚遠(yuǎn)，因此難以滿足高階自動(dòng)駕駛系統(tǒng)在安全性評(píng)估測(cè)試方面的需求。目前，自動(dòng)駕駛測(cè)試場(chǎng)景生成的研究尚未成熟，未來(lái)還應(yīng)重點(diǎn)關(guān)注以下幾個(gè)方面：

a. 基于中國(guó)駕駛場(chǎng)景特征優(yōu)化場(chǎng)景建模。中國(guó)是全世界交通路況最豐富的國(guó)家，包括復(fù)雜的立交橋、山路以及各種類型的交通場(chǎng)景，考慮到中國(guó)駕駛場(chǎng)景的復(fù)雜性和特殊性，如何基于現(xiàn)有數(shù)據(jù)構(gòu)建出與中國(guó)實(shí)際用車情況高度契合的仿真測(cè)試場(chǎng)景，成為目前亟待解決的核心問(wèn)題。在未來(lái)的研究中，需要構(gòu)建中國(guó)駕駛場(chǎng)景特征的提取方法，研究如何提高測(cè)試場(chǎng)景庫(kù)與中國(guó)駕駛場(chǎng)景特征的貼近度，實(shí)現(xiàn)高維復(fù)雜場(chǎng)景的高效模擬。

b. 深化邊緣場(chǎng)景生成策略。邊緣場(chǎng)景是對(duì)典型場(chǎng)景的重要補(bǔ)充，如果自動(dòng)駕駛汽車在邊緣場(chǎng)景下也能展現(xiàn)出良好的性能，那么其在典型場(chǎng)景下的系統(tǒng)性能通常也能得到充分保障。目前的研究主要集中在邊緣場(chǎng)景的優(yōu)化求解領(lǐng)域，缺少對(duì)典型場(chǎng)景與邊緣場(chǎng)景遷移機(jī)理和分布概率的研究，需要深化對(duì)邊緣場(chǎng)景生成策略的研究，實(shí)現(xiàn)對(duì)場(chǎng)景空間的有效擴(kuò)建。

c. 加速場(chǎng)景構(gòu)建的標(biāo)準(zhǔn)體系化建設(shè)。目前，自動(dòng)駕駛測(cè)試場(chǎng)景的分類并沒(méi)有廣泛認(rèn)可的統(tǒng)一標(biāo)準(zhǔn)，涵蓋場(chǎng)景定義與架構(gòu)、提取挖掘、推理演繹、重構(gòu)衍生以及相關(guān)工具鏈等全維度內(nèi)容的標(biāo)準(zhǔn)體系仍有待建設(shè)。

參考文獻(xiàn)

[1]" "SAE. Taxonomy and Definitions for Terms Related to DrivingAutomation Systems for On-Road Motor Vehicles： SAE J3016[S]. Pennsylvania， USA： SAE， 2021.

[2]" "BENMIMOUN M. Effective Evaluation of AutomatedDriving Systems[C]// WCX? 17： SAE World Congress"Experience. Detroit： SAE， 2017： 1-6.

[3]" "猶佐龍. 智能網(wǎng)聯(lián)汽車仿真測(cè)試方法[J]. 汽車工程師， 2019（4）： 35-38.

YOU Z L. Simulation Test Method of Intelligent Connected Vehicle[J]. Automotive Engineer， 2019（4）： 35-38.

[4] YAO S， ZHANG J， HU Z， et al. Autonomous-Driving Vehicle Test Technology Based on Virtual Reality[J]. Journal of Engineering， 2018， 2018（16）： 1768-1771.

[5]" "曾杰， 譚龍， 丁雪聰， 等. 仿真測(cè)試在智能網(wǎng)聯(lián)汽車準(zhǔn)入測(cè)試的政策應(yīng)用與技術(shù)基礎(chǔ)分析[J]. 汽車文摘， 2022（10）： 19-23.

ZENG J， TAN L， DING X C， et al. Analysis of Simulation Test Technology and Policy for Intelligent and Connected Vehicle Product Access Application[J]. Automotive Digest， 2022（10）： 19-23.

[6]" "朱冰， 張培興， 趙健， 等. 基于場(chǎng)景的自動(dòng)駕駛汽車虛擬測(cè)試研究進(jìn)展[J]. 中國(guó)公路學(xué)報(bào)， 2019， 32（6）： 1-19.

ZHU B， ZHANG P X， ZHAO J， et al. Review of Scenario-Based Virtual Validation Methods for Automated Vehicles[J]. China Journal of Highway and Transport， 2019， 32（6）： 1-19.

[7]" "鄧偉文， 李江坤， 任秉韜， 等. 面向自動(dòng)駕駛的仿真場(chǎng)景自動(dòng)生成方法綜述[J]. 中國(guó)公路學(xué)報(bào)， 2022， 35（1）： 316-333.

DENG W W， LI J K， REN B T， et al. A Survey on Automatic Simulation Scenario Generation Methods for Autonomous Driving[J]. China Journal of Highway and Transport， 2022， 35（1）： 316-333.

[8]" "任秉韜， 鄧偉文， 白雪松， 等. 面向智能駕駛測(cè)試的仿真場(chǎng)景構(gòu)建技術(shù)綜述[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2021， 26（1）： 1-12.

REN B T， DENG W W， BAI X S， et al. Technologies of Virtual Scenario Construction for Intelligent Driving Testing[J]. Journal of Image and Graphics， 2021， 26（1）： 1-12.

[9]" "中國(guó)社會(huì)科學(xué)院語(yǔ)言研究所. 新華字典[M]. 第10版. 北京： 商務(wù)印書館， 2004.

Institute of Linguistics of the Chinese Academy of Social Sciences. Xinhua Dictionary[M]. 10th Edition. Beijing： The Commercial Press， 2004.

[10] BáLINT A， FAGERLIND H， KULLGREN A. A Test-Based Method for the Assessment of Pre-Crash Warning and Braking Systems[J]. Accident Analysis and Prevention， 2013， 59： 192-199.

[11] ELROFAI H， WORM D， CAMP O O D. Scenario Identification for Validation of Automated Driving Functions[C]// International Forum on Advanced Microsystems for Automotive Applications 2016. Berlin： Springer， 2016： 153-163.

[12] SCHULDT F， ULBRICH S， MENZEL T， et al. Defining and Substantiating the Terms Scene， Situation， and Scenario for Automated Driving[C]// Intelligent Transportation Systems （ITSC）. Gran Canaria， Spain： IEEE， 2015： 982-988.

[13] MENZEL T， BAGSCHIK G， MAURER M. Scenarios for Development， Test and Validation of Automated Vehicles[C]// 2018 IEEE Intelligent Vehicles Symposium. Changshu， China： IEEE， 2018： 1821-1827.

[14] HINA M D， THIERRY C， SOUKANE A， et al. Cognition of Driving Context for Driving Assistance[J]. International Journal of Computer and Information Engineering， 2018， 12（2）： 56-66.

[15] 趙祥模， 承靖鈞， 徐志剛， 等. 基于整車在環(huán)仿真的自動(dòng)駕駛汽車室內(nèi)快速測(cè)試平臺(tái)[J]. 中國(guó)公路學(xué)報(bào)， 2019， 32（6）： 124-136.

ZHAO X M， CHENG J J， XU Z G， et al. Self-Driving Car Indoor Rapid Test Platform Based on Vehicle-in-the-Loop Simulation[J]. China Journal of Highway and Transport， 2019， 32（6）： 124-136.

[16] 王軍雷， 王亮亮， 王靜， 等. 基于專利分析的自動(dòng)駕駛汽車虛擬場(chǎng)景庫(kù)構(gòu)建技術(shù)研究[J]. 汽車技術(shù)， 2022（12）： 9-14.

WANG J L， WANG L L， WANG J， et al. Research on Autonomous Vehicle Virtual Scenario Construction Technologies Based on Patent Analysis[J]. Automobile Technology， 2022（12）： 9-14.

[17] LOPER M M， BLACK M J. OpenDR： An Approximate Differentiable Renderer[C]// European Conference on Computer Vision. Berlin： Springer， 2014： 154-169.

[18] KORBINIAN G， THOMSAS K， BENJAMIN F， et al. Towards a Scenario-Based Assessment Method for Highly Automated Driving Functions[C]// 8th Conference on Driver Assistance. Munich， Germany： Staffordshire University， 2017： 1-7.

[19] 白雪松， 鄧偉文， 任秉韜， 等. 一種自動(dòng)駕駛仿真場(chǎng)景要素的提取方法[J]. 汽車工程， 2021， 43（7）： 1030-1036+1065.

BAI X S， DENG W W， REN B T， et al. An Extraction Method of Scenario Elements for Autonomous Driving Simulation[J]. Automotive Engineering， 2021， 43（7）： 1030-1036+1065.

[20] 朱向雷， 吳志新， 張宇飛， 等. 基于場(chǎng)景降維及采樣方法的場(chǎng)景庫(kù)優(yōu)化方法研究[J]. 汽車工程， 2023， 45（8）： 1408-1416.

ZHU X L， WU Z X， ZHANG Y F， et al. Research on Scenario Library Optimization Method Based on Scenario Dimension Reduction and Sampling Method[J]. Automotive Engineering， 2023， 45（8）： 1408-1416.

[21] 吳旭陽(yáng)， 蒙昊藍(lán)， 邢星宇， 等. 自動(dòng)駕駛系統(tǒng)邊緣測(cè)試用例生成[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 46（12）： 111-115.

WU X Y， MENG H L， XING X Y， et al. Edge Test Case Generation of Automatic Driving System[J]. Journal of Tongji University （Natural Science）， 2018， 46（12）： 111-115.

[22] 中華人民共和國(guó)工業(yè)和信息化部. 智能網(wǎng)聯(lián)汽車自動(dòng)駕駛功能場(chǎng)地試驗(yàn)方法及要求： GB/T 41798—2022[S]. 北京： 中國(guó)標(biāo)準(zhǔn)出版社， 2020.

Ministry of Industry and Information Technology of the People’s Republic of China. Intelligent and Connected Vehicles—Track Testing Methods and Requirements for Automated Driving Functions： GB/T 41798—2022[S]. Beijing： Standards Press of China， 2020.

[23] RSENER C， FAHRENKROG F， UHLIG A， et al. A Scenario-Based Assessment Approach for Automated Driving by Using Time Series Classification of Human-Driving Behaviour[C]// 2016 IEEE 19th International Conference on Intelligent Transportation Systems （ITSC）. Rio de Janeiro， Brazil： IEEE， 2016： 1360-1365.

[24] GAMBI A， HUYNH T， FRASER G. Generating Effective Test Cases for Self-Driving Cars from Police Reports[C]// The 2019 27th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering. New York， NY， USA： Association for Computing Machinery， 2019： 257-267.

[25] YU S， MADHAV V C， DAVID A N. Intersection Two-Vehicle Crash Scenario Specification for Automated Vehicle Safety Evaluation Using Sequence Analysis and Bayesian Networks[J]. Accident Analysis and Prevention， 2022， 176： 1879-2057.

[26] 李偉男， 李林潤(rùn)， 孟祥哲. 人機(jī)共駕型車道保持輔助控制策略[J]. 汽車實(shí)用技術(shù)， 2023， 48（24）： 37-43.

LI W N， LI L R， MENG X Z. Lane Keeping Assistant Control Strategy for Human-Machine Co-Driving[J]. Automobile Applied Technology， 2023， 48（24）： 37-43.

[27] TENBROCK A， KNIG A， KEUTGENS T， et al. The ConScenD Dataset： Concrete Scenarios from the highD Dataset According to ALKS Regulation UNECE R157 in OpenX[C]// 2021 IEEE Intelligent Vehicles Symposium Workshops. Nagoya， Japan： IEEE， 2021： 1-8.

[28] KRAJEWSKI R， MOERS T， NERGER D， et al. Data-Driven Maneuver Modeling Using Generative Adversarial Networks and Variational Autoencoders for Safety Validation of Highly Automated Vehicles[C]// IEEE 2018 21st International Conference on Intelligent Transportation Systems （ITSC）. Maui， HI， USA： IEEE， 2018： 2383-2390.

[29] DING W H， WANG W S， ZHAO D. A Multi-Vehicle Trajectories Generator to Simulate Vehicle-to-Vehicle Encountering Scenarios[C]// IEEE 2019 International Conference on Robotics and Automation （ICRA）. Montreal， QC， Canada： IEEE， 2019： 4255-4261.

[30] 魏鵬， 袁夢(mèng). 基于自然駕駛數(shù)據(jù)的跟車危險(xiǎn)場(chǎng)景構(gòu)建[J]. 中國(guó)汽車， 2023（7）： 39-44.

WEI P， YUAN M. Construction of Car Following Critical Scenarios Based on Natural Driving Data[J]. China Auto， 2023（7）： 39-44.

[31] 黃璐. 基于本體論的無(wú)人駕駛車輛場(chǎng)景評(píng)估與行為決策方法研究[D]. 合肥： 中國(guó)科學(xué)技術(shù)大學(xué)， 2019.

HUANG L. Research on Ontology-Based Situation Assessment and Decision-Making Approach for Autonomous Vehicles[D]. Hefei： University of Science and Technology of China， 2019.

[32] CHEN W， KLOUL L. An Ontology-Based Approach to Generate the Advanced Driver Assistance Use Cases of Highway Traffic[C]// HAL 10th International Joint Conference on Knowledge Discovery， Knowledge Engineering and Knowledge Management. Setúbal， Portugal： Science and Technology Publications， 2018： 1-11.

[33] 朱波， 胡旭東， 談東奎， 等. 基于多通道態(tài)勢(shì)圖的自動(dòng)駕駛場(chǎng)景表征方法[J]. 中國(guó)公路學(xué)報(bào)， 2020， 33（8）： 204-214.

ZHU B， HU X D， TAN D K， et al. Automatic Driving Scenario Representation Based on Multi-Channel Situation Map[J]. China Journal of Highway and Transport， 2020， 33（8）： 204-214.

[34] 季言實(shí). 冰雪路面下智能汽車的認(rèn)知推理決策方法研究[D]. 長(zhǎng)春： 吉林大學(xué)， 2024.

JI Y S. Research on Cognitive Reasoning Decision-Making Method of Intelligent Vehicle in Ice and Snow Covered Pavement[D]. Changchun： Jilin University， 2024.

[35] 楊清蓉. 自動(dòng)駕駛車輛變道場(chǎng)景的虛擬測(cè)試技術(shù)研究[D]. 貴陽(yáng)： 貴州大學(xué)， 2023.

YANG Q R. Research on Virtual Testing Technology for Lane Changing Scenarios of Autonomous Driving Vehicles[D]. Guiyang： Guizhou University， 2023.

[36] 張培興. 基于場(chǎng)景的自動(dòng)駕駛汽車虛擬仿真加速測(cè)試與評(píng)價(jià)方法研究[D]. 長(zhǎng)春： 吉林大學(xué)， 2023.

ZHANG P X. Research on Scenario-Based Accelerated Simulation Test and Evaluation Method for Automated Vehicle[D]. Changchun： Jilin University， 2023.

[37] TANG Y S， WANG L Y. Development of Scenes Drawing System for Urban Road Accidents[C]// IEEE International Conference Mechatronicsamp; Automation. Beijing， China： IEEE， 2011： 1152-1157.

[38] NITSCHE P， THOMAS P， STUETZ R， et al. Pre-Crash Scenarios at Road Junctions： A Clustering Method for Car Crash Data[J]. Accident Analysis and Prevention， 2017， 107： 137-151.

[39] WANG J Q， ZHENG Y， LI X F， et al. Driving Risk Assessment Using Near-Crash Database through Data Mining of Tree-Based Model[J]. Accident Analysis and Prevention， 2015（84）： 54-64.

[40] 吳斌， 朱西產(chǎn)， 沈劍平， 等. 基于自然駕駛研究的直行追尾危險(xiǎn)場(chǎng)景誘導(dǎo)因素分析[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 46（9）： 1253-1260.

WU B， ZHU X C， SHEN J P， et al. Analysis of Causation of Rear-End Incidents Based on Naturalistic Driving Study[J]. Journal of Tongji University （Natural Science）， 2018， 46（9）： 1253-1260.

[41] 陳吉清， 舒孝雄， 蘭鳳崇， 等. 典型危險(xiǎn)事故特征的自動(dòng)駕駛測(cè)試場(chǎng)景構(gòu)建[J]. 華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 49（5）： 1-8.

CHEN J Q， SHU X X， LAN F C， et al. Construction of Autonomous Vehicles Test Scenarios with Typical Dangerous Accident Characteristics[J]. Journal of South China University of Technology （Natural Science Edition）， 2021， 49（5）： 1-8.

[42] 胡越寧， 趙丹， 牛學(xué)軍. 面向自動(dòng)駕駛汽車的三枝路口典型危險(xiǎn)場(chǎng)景構(gòu)建方法[J]. 中國(guó)人民公安大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 28（4）： 47-53.

HU Y N， ZHAO D， NIU X J. Construction Method of Typical Risk Scenarios at Three-Legged Junction for Autonomous Vehicles[J]. Journal of People’s Public Security University of China （Science and Technology）， 2022， 28（4）： 47-53.

[43] YASASA A， FLORIAN S， GREGORY D. Generating Adversarial Driving Scenarios in High-Fidelity Simulators[C]// IEEE International Conference on Robotics and Automation. Montreal， QC， Canada： IEEE， 2019： 8271-8277.

[44] 歐洋辰， 陳凌珊， 祁康. 自動(dòng)駕駛虛擬仿真場(chǎng)景轉(zhuǎn)化與泛化方法研究[J]. 農(nóng)業(yè)裝備與車輛工程， 2023， 61（3）： 85-89.

OU Y C， CHEN L S， QI K. Research on Automatic Driving Virtual Simulation Scene Conversion and Generalization Method[J]. Agricultural Equipment and Vehicle Engineering， 2023， 61（3）： 85-89.

[45] KOREN M， ALSAIF S， LEE R， et al. Adaptive Stress Testing for Autonomous Vehicles[C]// 2018 IEEE Intelligent Vehicles Symposium（IV）. Changshu， China： IEEE， 2018： 1-7.

[46] 李江坤， 鄧偉文， 任秉韜， 等. 基于場(chǎng)景動(dòng)力學(xué)和強(qiáng)化學(xué)習(xí)的自動(dòng)駕駛邊緣測(cè)試場(chǎng)景生成方法[J]. 汽車工程， 2022， 44（7）： 976-986.

LI J K， DENG W W， REN B T， et al. Automatic Driving Edge Scene Generation Method Based on Scene Dynamics and Reinforcement Learning[J]. Automotive Engineering， 2022， 44（7）： 976-986.

[47] 蔣淵德， 朱冰， 趙祥模， 等. 面向自動(dòng)駕駛汽車測(cè)試的交通車輛交互過(guò)程建模[J]. 汽車工程， 2022， 44（12）： 1825-1833.

JIANG Y D， ZHU B， ZHAO X M， et al. Modeling of Traffic Vehicle Interaction for Autonomous Vehicle Testing[J]. Automotive Engineering， 2022， 44（12）： 1825-1833.

[48] 王榮， 孫亞夫， 宋娟. 自動(dòng)駕駛車輛道路測(cè)試場(chǎng)景評(píng)價(jià)方法與試驗(yàn)驗(yàn)證[J]. 汽車工程， 2021， 43（4）： 620-628.

WANG R， SUN Y F， SONG J. Evaluation Method and Test Verification of Road Test Scenes for Autonomous Vehicles[J]. Automotive Engineering， 2021， 43（4）： 620-628.

[49] 蘇欣. 自動(dòng)駕駛車模擬仿真測(cè)試場(chǎng)景構(gòu)建及風(fēng)險(xiǎn)評(píng)價(jià)[D]. 西安： 長(zhǎng)安大學(xué)， 2021.

SU X. Construction of Simulation Test Scenario and Risk Assessment of Autonomous Vehicle[D]. Xi’an： Chang’an University， 2021.

[50] 李東峻. 典型山地自動(dòng)駕駛測(cè)試場(chǎng)景構(gòu)建與評(píng)價(jià)[D]. 重慶： 重慶理工大學(xué)， 2023.

LI D J. Construction and Evaluation of Typical Mountain Autonomous Driving Test Scenarios[D]. Chongqing： Chongqing University of Technology， 2023.

（責(zé)任編輯 斛 畔）

修改稿收到日期為2024年3月12日。