面向智能驾驶测试的仿真场景构建技术综述（上）

随着汽车智能化程度的不断提高，智能汽车通过环境传感器与周边行驶环境的信息交互与互联更为密切，需应对的行驶环境状况也越来越复杂，包括行驶道路、周边交通和气象条件等诸多因素，具有较强的不确定性、难以重复、不可预测和不可穷尽。限于研发周期和成本、工况复杂多样性，特别是安全因素的考虑，传统的开放道路测试试验或基于封闭试验场的测试难以满足智能驾驶系统可靠性与鲁棒性的测试要求。因此，借助数字虚拟技术的仿真测试成为智能驾驶测试验证一种新的手段，仿真场景的构建作为模拟仿真的重要组成部分，是实现智能驾驶测试中大样本、极限边界小概率样本测试验证的关键技术，这对提升智能驾驶系统的压力和加速测评水平显得尤为重要。面向智能驾驶测试的仿真场景构建技术已成为当前汽车智能化新的研究课题和世界性的研究热点，作为一种新兴技术仍面临许多挑战。本文提出了面向智能驾驶测试的仿真场景构建方法，系统阐述了国内外研究工作的进展与现状，包括场景自动构建方法和交通仿真建模方法，重点分析一些值得深入研究的问题并围绕场景构建技术的发展趋势进行了讨论分析，最后介绍了团队相关研究在 2020 中国智能驾驶挑战赛仿真赛和世界智能驾驶挑战赛的仿真场景应用情况。

关键词: 汽车智能驾驶; 模拟仿真; 仿真测试; 场景构建; 交通建模; 智能驾驶挑战赛

SFITIC
引 言

随着汽车智能化和共享化程度的不断提高，智能驾驶汽车通过环境感知与周边行驶环境的交互也在不断增多，行驶环境已成为智能驾驶不可分割的重要组成部分。汽车的行驶环境涉及道路、气象条件和交通状况，其复杂性和动态变化是影响汽车智能驾驶系统性能最为关键的因素。因此，建立一种模拟和重现复杂开放行驶环境的仿真测试方法和系统，实现对汽车智能驾驶有效的测试验证，是汽车智能驾驶技术与产品开发的关键技术，对于提升汽车智能化水平尤为重要。

汽车行驶环境包括行驶道路、周边交通和气象条件等诸多因素，其高逼真的重现和构建面临诸多挑战。随着智能驾驶功能的不断增强，汽车需应对的行驶环境越来越复杂，环境高度的不确定性、难以重复、不可预测和不可穷尽等特征使得有限的场地和道路测试远远无法复制、重现或穷举行驶环境对智能驾驶系统的影响。一方面，限于研发周期和成本，现有的封闭场地测试和开放道路测试不仅周期长、成本高，无法满足对系统数十亿公里行程的大样本和可靠性测试要求。另一方面，与汽车行驶安全测试密切相关的极限危险工况属于小样本、小概率事件，开放的道路测试往往难以复制，测试安全也无法保障。此外，中国地域辽阔、人口众多，驾驶行为特征和交通状况与欧美等国相比也有其鲜明的地域性特点和差异性。综上分析，传统的开放道路测试试验以及基于封闭试验场的测试难以满足智能驾驶系统的可靠性和鲁棒性的测试要求。因此基于数字虚拟仿真技术的模拟仿真测试成为目前智能驾驶测试验证新的重要手段，是汽车智能驾驶技术与产品研发的前端关键技术，体现和决定了智能化技术与产品核心竞争力。

模拟仿真测试主要采用精确物理建模、高效数值仿真、高逼真图像渲染等相结合的方法，逼真地构建包括车辆、道路、天气和光照、交通等在内的人车环境模型，以及各类车载传感器模型。针对汽车行驶环境无限丰富的特征以及对车载环境传感器的复杂影响，综合运用几何映射、物理映射、像素映射和概率映射等多种映射方式构建具有不同属性、满足不同应用需求的高逼真度数字化场景及场景库。

仿真场景构建技术是智能驾驶汽车虚拟仿真测试的关键与核心。

一方面，相机、毫米波雷达、激光雷达等传感器广泛应用于智能驾驶系统中，能够采集车辆外在行驶环境的多样性数据，这使得基于数据驱动的机器学习方法为智能驾驶感知算法中目标识别以及决策控制中的轨迹规划均提供了极好的解决途径。机器学习方法需要大量带标注且内容丰富的数据集用以模型训练。卷积神经网络越复杂，参数越多，网络才越可能有更高的拟合能力，同时也需要更多的数据用于模型训练。虽然通过实车道路采集的场景数据真实性高，但是场景样本类型往往比较单调，并且人工标注繁琐且容易出错。因此，通过高逼真的道路场地构建、交通建模等技术手段建立的模拟仿真场景已经逐渐被国际上广泛认同和接受。它能够为机器学习提供大量带标注的数据集，可包含丰富的、具有边界特征场景内容的数据，这为深度学习的感知、强化学习的规划算法奠定了坚实的数据基础。

另一方面，智能驾驶测试需要大量多样性的测试样本来反映复杂多变的智能驾驶汽车应用环境。然而从真实道路上和试验场地得到的路采数据往往场景内容单调、不易泛化。如交通安全事故一些边缘或极端行驶工况，属小概率事件。对小概率事件的测试需要巨大的数据样本，并且事故样本的获取具有危险性且难以复制，需要很长的测试周期。构建高逼真度的仿真场景数据集，不仅需要满足ASIL（Automotive Safety Integrity Level）和 ISO26262 等在内的各种测试标准、规范以及测试需求，重构高速、城区和乡村等各类丰富的驾驶场景测试用例。同时它需要满足内容、类型和属性的多样性需求，利用道路、交通和天气光照各要素模型自动生成大规模数据集，体现场景的典型性、极限边界性特征，实现智能驾驶汽车全天候、全工况的自动化测试、验证和评价。

因此，面向智能驾驶测试的仿真场景构建技术已成为当前汽车智能化新的研究课题和世界性的研究热点，作为一种新兴技术仍面临许多挑战，其方法有待深入研究。本文在国内外仿真场景构建技术研究工作的基础上，综述了包括场景自动构建方法、交通仿真建模方法的自动驾驶软件测试技术，重点分析一些值得深入研究的问题，为进一步研究提供参考。

SFITIC
场景构建方法
场景内涵与架构

场景作为行驶环境与汽车驾驶情景的一种综合体现，描述了车辆外部行驶环境的道路场地、周边交通、气象( 天气和光照) 和车辆自身的驾驶任务和状态等信息，是影响和判定智能驾驶功能与性能因素集合的一种抽象与映射，具有高度的不确定、不可重复、不可预测和不可穷尽等特征。在场景中作为动态要素的交通流运动特性对主车运动和操作的干扰更为直接，是场景的关键部分之一。Menzel 等人（2018）根据 ISO26262 标准定义中对场景的需求，对场景定义做了延伸，从应用的角度将场景定义为功能场景、逻辑场景和具体场景。场景对于汽车智能驾驶的影响不仅集中在中间介质的传感感知部分，也体现在智能端的决策控制中，此外影响往往不是单一要素的作用，而是相互依存、相互影响的多个要素通过适当机制耦合、系统作用的结果。以雨天为例，不仅妨碍了车载环境传感的信息获取，也降低了路面附着系数，提升了轨迹规划和底盘稳定控制的难度。

国内外研究学者针对智能驾驶测试场景开展了不同程度的理论方法方面的研究。德国 PEGASUS 项目（project for the establishment of generally acceptedquality criteria, tools and methods as well as scenariosand situations for the release of highly-automated driv-ing functions）是目前广受关注的测试场景研发项目，研究定义了场景（scenario）“功能—逻辑—具体”（functional-logical-concrete）三级分层体系，以及面向概念—开发—测试—标定的场景库构建流程及智能驾驶测试方法（Ulbrich 等，2015；Menzel 等，2018），通过开发 OpenScenario 接口试图建立可用于模拟仿真、试验场和真实环境中测试和试验高级智能驾驶系统的标准化流程。Hallerbach 等人（2018）从参数赋值的角度提出了基于仿真的关键场景识别方法，建立了评价车辆安全和交通质量的性能指标。Zhao 等人（2018）围绕加速测试框架（accelerated evaluation），提出了采用扭曲车辆运行数据的统计分布的智能驾驶汽车加速测试评估方法，用以提升跟驰和超车情景中智能驾驶车辆安全性能的测评效率。Langner 等人（2018）提出了利用自动编码器自动识别数据池内独特性高场景的方法，用于构建衍生关键场景。Yan 等人（2018）采用基于行驶距离侵入—碰撞时间的危险判断方法，从采集车视频数据中将危险区域划分为多个场景片段，从而生成一系列测试案例。此外北京航空航天大学、吉林大学（朱冰 等，2019）、同济大学、天津中汽研数据中心、国汽（北京）智联研究院和中汽院智能网联等高校研究机构也进行了相关课题的探索，极大地推动了场景理论和构建方法的发展。

综上分析，在场景理论与方法研究方面，分析影响智能驾驶系统的场景特征，抽象并深刻凝练能够反映无限丰富与复杂行驶环境的有限场景的关键要素与特征，深入理解场景的网络结构与相互耦合关系，都可以为深层次的场景构建方法研究奠定坚实的理论基础。

场景自动生成方法

描述场景边界与极限特征，研究场景构建与自动生成方法是提升智能汽车加速测试能力的关键。

采用随机组合场景要素的方法可形成大规模的场景工况案例，但普遍为常规的自然驾驶工况，真正能够检测车辆的行驶安全能力的危险场景比较有限，难以具有边界与极限角度检验智能驾驶处理环境突发状态的应急和安全能力。目前场景构建研究工作主要集中于利用真实世界的采集数据，借助统计模型分析重现或衍生出危险场景案例（Langner 等，2018；Ulbrich 等，2015；Menzel 等，2018；Yan 等，2018）。然而车辆在行驶过程中遇到危险场景的概率往往很小，大多数难以直接从自然驾驶采集中得到，这使得利用统计模型衍生难以足够接触到汽车智能驾驶的安全边界，需要分析明确描述并找到危险边界和极限，而这恰恰是当前危险场景所面临的难题。

围绕场景的大规模构建，国内外研究学者开展了多方面的探索研究。Tatar（2016）利用搜索技术在 TestWeaver 软件中自动搜索场景参数空间以确定系统安全边界案例。Waymo 将实车运行中遇到的特殊场景在虚拟软件 Carcraft 中建立相应场景模型来重复测试（Kehrer 等，2018），并采用模糊化方法在虚拟世界中衍生上千个该场景的变体。Xia 等人（2017）提出了一种基于复杂度指数和组合测试的高级驾驶辅助系统（ advanced driving assistance system，ADAS）的场景自动生成方法，以权衡场景覆盖性和测试效率性。随着人工智能技术的快速发展，强化学习方法也逐步应用在场景生成研究中，如与博弈论相结合生成竞争性的测试场景（Oyler 等，2016）、寻找风险系数高的故障场景（Koren 等，2018；Corso 等，2019；吴斌 等，2018）都是较为典型的应用。Tang 等人（ 2020）提出了一种基于轨迹优化的车辆侧翻证伪场景生成方法，能够产生车辆在各种运行条件下的最坏轨迹。Stark 等人( 2019) 分析了德国深度事故研究（German in depth accident study，GIDAS）中白点场景特征，确定了新的 ADAS避免碰撞场景类别。Zhao 等人（2016）利用自然数据建立了一种关键场景加速生成方法，使被测车辆尽可能高概率地暴露在关键场景中。Althoff 和 Lutz（2018），Klischat 和 Althoff（2019）提出一种自动改变交通参与者的空间位置关系的方法，以不断减小主车的行驶空间来产 生关键场景。Klueck 等 人（2018）利用本体论理论为智能驾驶功能生成不同的测试场景，以测试验证系统中的故障。Klischat 和Althoff（2019）采用非线性优化方法来缩小场景的可行驶空间，减小主车运动规划的解空间，不断探索场景临界性。此外，Brockman 等人（ 2016）提出的一种新的模拟环境构建方法（OpenAI GYM），通过提供数量众多且易于设置的环境 Python 库，以及公共接口来实现不同环境的集合，为强化学习的算法训练提供了大量的测试环境（李晨溪 等，2018），可提高AI（artificial intelligence）算法模型的可重复性。

这些研究从不同角度推动了场景生成技术的快速发展，但往往采用参数遍历搜索思路来确定系统状态空间，对于明确的场景空间构建方法仍存在很多不足。同时由于场景搜索无限扩展导致研发测试过程费时耗力。此外具有危险特征的场景构建不同于传统工况参数遍历生成方法，需深入探究主车行驶的安全边界，使得构建后的场景能够提供对应真实驾驶的有效信息，以实现场景危险特征的强化生成，不仅能覆盖简单 ADAS 的功能，也能应对 Level4级以上智能驾驶系统加速测试。

综上分析，如何建立场景极限与边界特征的描述方法，是设计和实现场景构建与自动生成的关键。场景的自动生成方法仍需进一步研究，极大发挥智能驾驶的加速测试潜能，更好地为汽车智能驾驶的开发提供测试验证服务，提升车辆主动安全性能。