關(guān)鍵場景（Critical Scenario）識別對自動駕駛測試具有重大意義。過往的關(guān)鍵場景識別主要是考慮安全因素。而本文則綜合考慮了安全影響和交通質(zhì)量影響。除了安全指標(biāo)，定義了四個覆蓋宏觀與微觀的交通質(zhì)量指標(biāo)，并對這些指標(biāo)進(jìn)行了歸一化和權(quán)重分配，在此基礎(chǔ)上應(yīng)用仿真工具鏈進(jìn)行分析。

自動駕駛汽車面臨的主要挑戰(zhàn)之一是測試和驗(yàn)證。一方面，需要新的測試方法以改進(jìn)傳統(tǒng)路測方法，解決傳統(tǒng)測試中需要大量行駛里程所帶來的一些問題。另一方面，由于發(fā)展初期有限的市場滲透率，測試驗(yàn)證過程還需考慮混合交通環(huán)境下其他人類交通參與者的駕駛行為對自動駕駛汽車功能產(chǎn)生的重大影響。基于仿真的自動駕駛汽車通用工具鏈，用于關(guān)鍵場景（Critical Scenario）的模型在環(huán)識別，結(jié)合汽車動力學(xué)仿真、交通仿真和車輛協(xié)同仿真進(jìn)行場景識別，并考慮了其他交通參與者的行為。最后通過安全指標(biāo)和交通質(zhì)量指標(biāo)評估并篩選得到關(guān)鍵場景。

1.引言

由于初期市場滲透率較小，自動駕駛汽車的發(fā)展受到阻礙。在不考慮其他交通參與者駕駛行為的情況下引入這類汽車相對簡單，但是其在包括人類駕駛員的混合交通環(huán)境下完成行駛?cè)蝿?wù)將面臨巨大挑戰(zhàn)。即使自動化功能正常工作且駕駛行為符合規(guī)范，其他交通參與者也可能導(dǎo)致自動駕駛汽車面臨關(guān)鍵場景。圖 1 顯示與人類駕駛員的復(fù)雜交互所引起的關(guān)鍵場景的示例，頂部為初始狀態(tài)，底部為最終狀態(tài)。其中汽車 1 是自動駕駛汽車，汽車 2、3 由人類控制。汽車 2 的駕駛員駕駛行為較為激進(jìn)，而汽車 3 的駕駛員駕駛行為相對保守。首先，汽車 1 自動檢測到可以執(zhí)行變道行為的理想情況。當(dāng)其進(jìn)行變道時，汽車 2 忽視安全間隙而緊跟汽車 1，同時汽車 3 駕駛非常謹(jǐn)慎，便可能導(dǎo)致圖 1 所示關(guān)鍵場景。本文后續(xù)介紹基于該具體場景展開。

圖1 自動駕駛汽車V1關(guān)鍵場景

2.基于仿真的通用工具鏈

識別關(guān)鍵場景是驗(yàn)證自動駕駛汽車的關(guān)鍵環(huán)節(jié)，本文中，關(guān)鍵場景被定義為需要進(jìn)行測試的場景。

本文使用基于仿真的通用工具鏈（圖 2）解決識別關(guān)鍵場景的問題。該工具鏈由邏輯場景（Logical scenarios）開始，邏輯場景是基于參數(shù)空間的場景描述，通過確定參數(shù)空間中各參數(shù)的取值范圍，來限制可能的測試場景。

圖2 基于仿真工具鏈的自動駕駛汽車關(guān)鍵場景驗(yàn)證與識別

邏輯場景參數(shù)空間中選擇特定參數(shù)便構(gòu)成了具體場景（Concrete scenarios）。參數(shù)選擇的方式如工具鏈左側(cè)所示（圖 2），通過使用專家意見、數(shù)據(jù)記錄、場景目錄等確定關(guān)鍵場景的方式的主要缺點(diǎn)是容易遺漏一些關(guān)鍵場景。本文選擇工具鏈右側(cè)方式，即使用參數(shù)變化模塊，該模塊通過自動更改邏輯場景的參數(shù)來創(chuàng)建具體場景，這是在整個參數(shù)范圍內(nèi)識別關(guān)鍵場景的一種簡單方法。使用該方式的主要挑戰(zhàn)是，在應(yīng)用工具鏈之前，關(guān)鍵場景及其特性是未知的，因此很難確定哪些參數(shù)組合被選取后需要更仔細(xì)和全面的去測試。

為了解決這一問題，將上述方法生成的具體場景用于仿真環(huán)境的輸入，該仿真包括耦合交通仿真、汽車動力學(xué)仿真和車輛協(xié)同仿真三部分：

交通仿真為汽車提供周圍交通環(huán)境

汽車動力學(xué)仿真為汽車提供詳細(xì)動力學(xué)模型以及需要測試的自動駕駛功能

汽車協(xié)同仿真包括信息交互模型

然后，將定制的評價指標(biāo)應(yīng)用于仿真結(jié)果，根據(jù)仿真結(jié)果是否滿足評價指標(biāo)標(biāo)準(zhǔn)，將具體場景自動分類為關(guān)鍵或非關(guān)鍵場景。根據(jù)感興趣的領(lǐng)域不同，工具鏈可以使用不同類型的評價指標(biāo)。在本文中，將使用安全和交通質(zhì)量作為評價指標(biāo)。

識別出的關(guān)鍵的具體場景可以被應(yīng)用于 V 型開發(fā)模型的各個階段，包括模型在環(huán)（MiL）、軟件在環(huán)（SiL）、硬件在環(huán)（HiL）、汽車在環(huán)（ViL）等，并記錄數(shù)據(jù)。工具鏈的最后是對測試結(jié)果的分析，從而對功能開發(fā)進(jìn)行反饋。

本文中使用高速公路自動駕駛的例子來演示工具鏈的應(yīng)用過程，該工具鏈也可以擴(kuò)展到其他功能和領(lǐng)域，例如鄉(xiāng)村道路以及城市區(qū)域。

3.仿真環(huán)境

使用耦合仿真要求虛擬環(huán)境具有可比性。不同虛擬環(huán)境不一定需要完全相同，但基本幾何信息必須足夠相似，以使動態(tài)耦合在這些環(huán)境中都適用。靜態(tài)耦合是基于 OpenDrive 格式提供的實(shí)測數(shù)據(jù)集，地圖數(shù)據(jù)轉(zhuǎn)換方案如圖 3 所示。

圖3 仿真環(huán)境的靜態(tài)耦合和映射數(shù)據(jù)轉(zhuǎn)換

地圖數(shù)據(jù)通過所選道路的高精度測量來獲取。本文選擇了位于法蘭克福（德國）附近的歐寶試驗(yàn)場。圖 3 所示的地圖數(shù)據(jù)轉(zhuǎn)換器是一種數(shù)據(jù)轉(zhuǎn)換工具，可將 OpenDrive 格式的數(shù)據(jù)解析為特定仿真環(huán)境中所需的特定格式。

動態(tài)耦合主要集中在交通仿真和汽車動力學(xué)仿真上。本文作者研究的可變區(qū)域如圖 4 所示。

圖4 可變區(qū)域的動態(tài)耦合

交通仿真提供交通參與者行為，汽車動力學(xué)仿真提供自動駕駛汽車行為，包括駕駛功能和傳感器設(shè)置等。協(xié)同仿真在本文中將不做討論。動態(tài)耦合確保了自動駕駛汽車能夠在周圍的交通環(huán)境中行駛，從而提供能夠響應(yīng)汽車駕駛功能的駕駛行為的動態(tài)交通環(huán)境。

4.安全指標(biāo)和交通質(zhì)量指標(biāo)

本文基于傳統(tǒng)安全指標(biāo)和交通質(zhì)量指標(biāo)來識別關(guān)鍵場景。對于安全指標(biāo)，選定了碰撞時間TTC、制動時間TTB、期望減速度為臨界指標(biāo)。對于交通質(zhì)量指標(biāo)，按關(guān)注的空間域（DOI）大小以及不同的交通表征，定義了宏觀指標(biāo)、微觀指標(biāo)、納米指標(biāo)、個體指標(biāo)四個子指標(biāo)。

4.1 傳統(tǒng)安全指標(biāo)

為了使用基于仿真的工具鏈識別關(guān)鍵場景，需要指定與危險程度相關(guān)的術(shù)語。很明顯，對臨界性的理解會隨著具體要求改變而有顯著的不同。工具鏈的通用設(shè)計(jì)允許使用不同的臨界項(xiàng)，最著名的臨界性指標(biāo)為「碰撞時間」。

其中 Δp 是汽車位置的偏差，V_ego 是自車速度，V_obj 是對象速度，V_rel 是兩車之間的相對速度。另一個標(biāo)準(zhǔn)度量稱為「制動時間」，可定義為：

其中 a_ego_max 表示自車能夠執(zhí)行的最大減速度。這個指標(biāo)與自車的最大減速能力有關(guān)。最后一個指標(biāo)稱為「期望減速度」，如下式

4.2 交通質(zhì)量指標(biāo)

為了研究自動駕駛汽車及其對交通質(zhì)量的影響，本文提出了四種交通質(zhì)量指標(biāo)和一種組合各指標(biāo)的方法。該方法旨在為場景的臨界性評估收集更多信息。其優(yōu)點(diǎn)是增加了結(jié)果的穩(wěn)健性和有效性。指標(biāo)的一般要求可以表述如下：

應(yīng)識別每個關(guān)鍵情景

假陽性率（FPR，F(xiàn)alse positive rate）應(yīng)該很低

評估應(yīng)采用分級制度

應(yīng)該有一個閾值，允許對組合的指標(biāo)進(jìn)行二進(jìn)制分類

4.2.1 DOI界定和各指標(biāo)選取

不同的交通指標(biāo)關(guān)注的空間域不同。如圖 5 所示，本文有三個空間域。第一個是固定空間域（DOI），按照高速公路容量手冊的建議，它的尺度選擇為 450m。第二個移動 DOI（始終）跟隨著自車并直接關(guān)注周圍的環(huán)境，引入它是為了獲得關(guān)于汽車周圍影響的附加指示。第三個移動 DOI 只考慮自車。

圖5 不同評價指標(biāo)的DOI

第一個子指標(biāo)是宏觀指標(biāo)。該概念關(guān)注固定的 DOI。

第二個子指標(biāo)是微觀指標(biāo)。它考慮固定 DOI 中的速度偏差和平均速度，把速度偏差除以自車的速度平均值的值作為微觀交通質(zhì)量的表征。當(dāng)關(guān)注總體交通質(zhì)量時，需要在指定的 DOI 中考慮每輛車，在這里車的標(biāo)號用索引j表示，并且可以表示為：

σ_vj 為標(biāo)準(zhǔn)速度偏差，v_j 是每輛車的平均速度。得到的平均變異系數(shù) CV 由公式 5 的平均值計(jì)算。第一個移動的 DOI 是圍繞自車的圓圈，其允許考察近距離的交互。

第三個子指標(biāo)是納米指標(biāo)。它的計(jì)算是基于速度偏差*** 的平均值。

其中 σ_vCircle_j 是速度標(biāo)準(zhǔn)偏差和 v_Circle_j 是相對于 DOI 的平均速度。

第四個子指標(biāo)是個體指標(biāo)。這個指標(biāo)僅考慮自車的數(shù)量。DOI 僅圍繞自車,單獨(dú)考慮汽車的行為以收集有關(guān)評估過程的更多信息。

4.2.2 各指標(biāo)等級歸一化

場景是否關(guān)鍵以及是否應(yīng)進(jìn)一步研究的決定是二元的，因此最好有一個特定的閾值區(qū)分關(guān)鍵和非關(guān)鍵場景。為了實(shí)現(xiàn)全面整體的評分系統(tǒng)，每個指標(biāo)將被歸一化，「0」被定義為最佳等級，「1」被定義為最差等級。標(biāo)準(zhǔn)化評分系統(tǒng)可以表述如下，其中G_mac 是宏觀指標(biāo)的等級、G_mic 是微觀指標(biāo)的等級、G_nan 是納米指標(biāo)的等級、G_ind 是個體指標(biāo)的等級。

宏觀等級代表兩個時間間隔之間交通密度的變化。當(dāng)自車引起的交通密度減小時，相關(guān)場景會被分類到關(guān)鍵場景中。

微觀等級考慮變異系數(shù)和平均速度之間的折衷。大的速度波動和低的平均速度會使場景被分類為關(guān)鍵場景，而小的波動和高的平均速度可以被歸類為理想的交通狀況。

納米等級使用平均速度作為附加指標(biāo)，納米等級下的的變化系數(shù)和平均速度僅針對移動圓內(nèi)的汽車計(jì)算，以考慮具有近距離交互作用的交通參與者。

個體等級也使用平均速度作為附加指標(biāo)，它是通過加速度的標(biāo)準(zhǔn)偏差和自車本身的平均速度來計(jì)算的。大的加速度變化和低的平均速度會使場景被分類為關(guān)鍵場景。

4.2.3 總體指標(biāo)計(jì)算

進(jìn)行總體分級的最簡單方法是對指標(biāo)求平均值，如公式 8 所示。

但這些指標(biāo)的權(quán)重明顯不同。因此，作者利用由專家進(jìn)行評價和分級的訓(xùn)練數(shù)據(jù)，基于最小二乘法對加權(quán)系數(shù)進(jìn)行了優(yōu)化。目的是提高基于訓(xùn)練數(shù)據(jù)的整體評價的穩(wěn)健性。最終等級將以參數(shù)形式表示。

其中 x_1...x_4 是每個指標(biāo)的各個等級，β_1...β_4 是相應(yīng)的加權(quán)因子。圖 9 顯示了優(yōu)化方案。

圖9 加權(quán)因子優(yōu)化和指標(biāo)績效評估

相關(guān)的誤差矩陣如圖 10 所示。

圖10 用于關(guān)鍵場景二進(jìn)制分類的混淆矩陣

理想的狀況是，「真陽性率」（TPR，Truepositive rate）達(dá)到 100%，同時保持低的假陽性率。圖 11 顯示了 ROC-Graph 中的優(yōu)化結(jié)果。

圖11 指標(biāo)表現(xiàn)結(jié)果

可以看出，組合優(yōu)化后的指標(biāo)（圖 11，黑色實(shí)線）效果最好。FPR 約為 10％，且滿足 100％ TPR 的要求。

5.關(guān)鍵場景識別方法應(yīng)用

本示例將 L3 高速公路執(zhí)行標(biāo)準(zhǔn)駕駛?cè)蝿?wù)作為用例，評估過程通過前文提出的安全和交通質(zhì)量指標(biāo)來完成，其中臨界分類的相應(yīng)閾值為 G_final = 0.279，TTC = 3.9 s，TTB = 3.8 s，a_req = - 2 m/s^2 。本文一共選擇四個不同的進(jìn)入高速公路場景進(jìn)行實(shí)驗(yàn)。

場景一為無任何干擾，自車以規(guī)范行為進(jìn)入高速公路的場景。此場景是為了說明指標(biāo)確實(shí)將最佳行為歸類為不關(guān)鍵場景。結(jié)果如表 1 所示。評價結(jié)果表明指標(biāo)不會偏離（由空集 Φ 表示），場景未被識別為關(guān)鍵場景。

表1具體場景：自車無干擾進(jìn)入高速公路

場景二為進(jìn)入受干擾而導(dǎo)致傳感器誤差的高速公路場景。該場景會導(dǎo)致自車的路徑跟蹤控制器產(chǎn)生波動。使用相同指定屬性來選擇相同的邏輯場景。仿真結(jié)果如表 2 所示。結(jié)果表明交通質(zhì)量指標(biāo)及安全相關(guān)指標(biāo)都對自車控制器產(chǎn)生的波動作出了響應(yīng)，因此該場景被歸類為關(guān)鍵場景。

表2 具體場景：自車帶有傳感器錯誤信息進(jìn)入高速公路

場景三考慮了高精度地圖信息錯誤的情況。自動駕駛汽車使用高精度地圖來增加預(yù)見性和制定駕駛策略，特別是在高速公路入口處，高精度地圖可以提供如到車道末端距離和允許進(jìn)入高速公里的虛線起點(diǎn)位置等信息，地圖可能出現(xiàn)信息錯誤而不允許自車直接進(jìn)入高速公路。仿真結(jié)果如表 3 所示。

表3 具體場景：自車帶有地圖錯誤信息進(jìn)入高速公路

由于地圖信息錯誤，自車不能進(jìn)入高速公路而在入口匝道上停車。L3 級功能要求駕駛員在堵塞入口匝道時接管汽車。基于交通質(zhì)量指標(biāo)，此場景被正確地歸類為關(guān)鍵場景。由于自車沒有引起相關(guān)安全問題，因此安全指標(biāo)沒有偏離。

場景四突出了其他交通參與者的行為及其對自動駕駛功能的影響。前文所述的其他交通參與者在仿真中的激進(jìn)駕駛行為可以將自車逼到關(guān)鍵場景中。仿真結(jié)果見表4。

表4 具體場景：激進(jìn)交通參與者進(jìn)入高速公路

結(jié)果表明激進(jìn)的駕駛行為會極大地影響與安全相關(guān)的指標(biāo)。每個單一指標(biāo)值在某一時間會下降到臨界閾值以下，因此這些場景是危險的，必須進(jìn)一步測試。在本次仿真中，交通質(zhì)量沒有顯著降低使得僅基于交通質(zhì)量指標(biāo)評價的場景被識別為不關(guān)鍵。

6.結(jié)論

本文介紹基于仿真的工具鏈，用于識別和驗(yàn)證自動駕駛汽車的關(guān)鍵場景，并在包含傳感器錯誤、地圖錯誤和其他交通參與者激進(jìn)駕駛行為的不同場景中應(yīng)用了該方法。

將標(biāo)準(zhǔn)的安全指標(biāo)和本文新提出的評估交通質(zhì)量的指標(biāo)對交通場景進(jìn)行分類，得到關(guān)鍵場景和相應(yīng)數(shù)據(jù)，作為測試結(jié)果幫助開發(fā)人員改進(jìn)相應(yīng)的自動駕駛功能。評估交通質(zhì)量的不同指標(biāo)的組合能夠?qū)唧w場景的關(guān)鍵性進(jìn)行二元分類，這種分類側(cè)重于找到考慮整體識別過程的最終等級的臨界閾值，而不是分開使用每一個子指標(biāo)。通過計(jì)算最終等級并將該值與使用訓(xùn)練數(shù)據(jù)的優(yōu)化方案確定的閾值進(jìn)行比較，以確定具體場景是否關(guān)鍵。