正如本公眾號的開篇文章所說，自動駕駛仿真測試有三大問題：場景，系統(tǒng)，評價。

其中，對于自動駕駛場景，我們會開一個系列專門介紹，這篇是序列的第一篇。

為了規(guī)避可能的項目、課題信息泄露，這個系列只會圍繞開源的論文、項目、新聞等展開，期間偶爾夾雜筆者的個人思考。

這篇文章里所提的場景應(yīng)用范圍包括模型在環(huán)、軟件在環(huán)、硬件在環(huán)、車輛在環(huán)，以及路測。當前的路測場景往往有相關(guān)標準作為支撐，因而不在本文的討論范圍內(nèi)。今天要說的是更廣義的場景，這些場景因為其復(fù)雜性往往需要仿真來支撐。

場景測試對自動駕駛發(fā)展是極其重要的，這基本已經(jīng)成為共識。想有一個整體的了解可以閱讀朱冰老師寫的綜述《基于場景的自動駕駛汽車虛擬測試研究進展》。之前在文章中也提到過，場景是對知識和自動駕駛數(shù)據(jù)的一種總結(jié)，是發(fā)揮數(shù)據(jù)價值的必須且高效的途徑之一，它屬于整個仿真系統(tǒng)的輸入端?；趫鼍暗臏y試方法可以提高系統(tǒng)的開發(fā)效率，也可以通過驗證提高產(chǎn)品落地效率。

今天這篇文章的主要內(nèi)容框架來自 Simon Chauvin，他的總結(jié)覆蓋了我們討論場景時常關(guān)注的幾個問題。我對這篇文章進行了意譯，以使讀者對場景測試中的關(guān)鍵問題有一個大致的認知。在翻譯過程中。我也融入了一小部分自己學(xué)習過程中的認知和思考。

我們會討論以下幾個問題：
1. 如何描述交通場景，用什么格式或語言？
2. 如何找到頻繁出現(xiàn)的碰撞場景（frequent crash scenarios），人類駕駛員又通常在哪里失??？
3. 哪些數(shù)據(jù)集對于預(yù)測以及決策算法的學(xué)習和測試有益？

場景語言格式

為了提高測試的可復(fù)現(xiàn)性，Queiroz, Berger, and Czarnecki在2019年引入了一種用于表示場景的領(lǐng)域特定語言GeoScenario。該語言構(gòu)建在OSM之上。

GeoScenario的目標類似于OpenSCENARIO，后者描述了仿真場景中的動態(tài)內(nèi)容，并經(jīng)常與表征靜態(tài)內(nèi)容的OpenDRIVE一起，共同組成測試場景。

另一個工具CommonRoad也被多次使用，其中一個原因是它基于NGSIM US 101數(shù)據(jù)集中實現(xiàn)了高速公路場景。這一系列應(yīng)用于道路規(guī)劃的可組合的benchmark目的是為研究人員提供一種評估和比較他們的規(guī)劃器的方法。

為了在場景中表示道路網(wǎng)絡(luò)，LanLets地圖(OSM格式的一個開放擴展)被廣泛使用(例如GeoScenario和CommonRoad)。

譯者注：場景基本上可以分為靜態(tài)和動態(tài)兩大塊。靜態(tài)需要地圖，對于開發(fā)階段，可以把系統(tǒng)中使用的地圖作為底層來構(gòu)建靜態(tài)場景，使用特定的數(shù)據(jù)格式構(gòu)建動態(tài)場景；對于產(chǎn)品落地時的測試階段，則往往需要使用標準地圖格式和標準的動態(tài)場景格式。OpenDrive、Lanlet、OpenSCENARIO、GeoScenario都同屬此列。

重新做一個類似于OpenDrive和OpenSCENARIO的東西并不難，但正如作者提到的，這里的關(guān)鍵是一個標準化的格式，是可以幫忙減少切換仿真工具的使用開銷，方便統(tǒng)一標準化場景庫的格式。OpenDrive和OpenSCENARIO以及其他的OpenX系列標準最初由VTD推動，后來又把這個標準立項交給了標準化組織ASAM，這個轉(zhuǎn)交對于推動測試標準化的過程而言是很有意義的。

國內(nèi)目前也有相關(guān)的工作，華為、上汽集團、中汽中心數(shù)據(jù)資源中心、51VR、騰訊科技參與了C-ASAM的工作。

另外需要順便提一點，OpenDrive、lanlet、OSM是可以通過簡單的解析腳本相互轉(zhuǎn)換的，通過這些轉(zhuǎn)換可以復(fù)用很多其他軟件的建模工作。另外，支持OpenSCENARIO的軟件，我目前看到的有VTD和Carla，github上也有一些開源的解析器。其他仿真軟件其實可以快點支持這個功能，這不是太難的事，但卻是一件很重要的事。

OpenDrive和OpenSCENARIO這些標準也帶來了一些衍生問題，如在某種程度上增加了建模場景的時間成本。例如，如何將路測數(shù)據(jù)自動化轉(zhuǎn)化為標準場景格式？這就需要新的解決方案。關(guān)于這個話題，本文不再進一步展開。

常見的關(guān)鍵場景（Common Critical Scenarios）

從NHTSA的車禍數(shù)據(jù)中可以檢索到最頻繁出現(xiàn)的crash 場景。CARLA AD Challenges就使用了NHTSA pre-crash里的常見關(guān)鍵場景來測試agent的表現(xiàn)。

Pusse和Klusch 2019則使用GIDA分析了德國發(fā)生的數(shù)千起事故，并以此作為基準，使用開源的3D駕駛模擬器OpenDS對場景進行虛擬建模。

譯者注：對于L2級的產(chǎn)品，NHTSA和GIDAS是很有價值的。但在面對L4級產(chǎn)品時，這兩個經(jīng)典的場景來源則相對有些捉襟見肘。

對于L4，最終的答案應(yīng)該還是繞不開數(shù)據(jù)和關(guān)鍵場景這兩個詞。它們的關(guān)系是不解耦的。

數(shù)據(jù)不用多說了，有自動駕駛功能（或數(shù)據(jù)搜集功能）的車輛大規(guī)模部署的最直觀好處是什么？就是各種各樣的數(shù)據(jù)，這方面的典型例子是特斯拉。數(shù)據(jù)能幫我們分析出各種不常見的長尾場景，也能幫助統(tǒng)計不同地區(qū)不同行為的參數(shù)規(guī)律，這些數(shù)據(jù)經(jīng)過分析后，可以凝練成關(guān)鍵場景，也可以針對性的修改系統(tǒng)的策略或參數(shù)，以提高系統(tǒng)的表現(xiàn)。

再來談?wù)勱P(guān)鍵場景，除了前面提到的數(shù)據(jù)提煉的角度，還有一種是迭代分析的角度，其中的關(guān)鍵問題是如何定義“關(guān)鍵”，在這里我們就不做進一步的展開了。

對新數(shù)據(jù)集的需求

在許多論文中，在真實世界中進行實驗一般都被放到展望中去了。這其中一個重要原因是，因為Reality Gap的存在，在模擬或手工設(shè)計的場景中驗證的模型很難被轉(zhuǎn)換部署到真實環(huán)境中去。這催生了兩種需求:

對更逼真的模擬器的需求。
對更豐富的帶有關(guān)鍵場景的交通數(shù)據(jù)集的需求。

讓我們先來想想雞和蛋的問題：如果算法最終效果表現(xiàn)不好，那么到底是喂的數(shù)據(jù)有問題，還是算法本身有問題？實際上，驗證模擬器可能比驗證算法本身更困難，這很讓人失望。

所以接下來讓我們把重心轉(zhuǎn)到數(shù)據(jù)集上看看。

現(xiàn)實世界中的駕駛數(shù)據(jù)集對基于學(xué)習的方法非常重要，這些方法試圖對人類駕駛風格和行為建模。它們的多樣性和完整性對于預(yù)測和決策模型的一般化也是必不可少的。目前存在一些基于真實交通的場景記錄集合。但大多數(shù)還是主要涉及感知的。研究與易受傷害的道路用戶(即行人和騎自行車者)進行交互的工作主要可以使用的數(shù)據(jù)集包括：Stanford Drone數(shù)據(jù)集、清華-戴姆勒TDC數(shù)據(jù)集、JAAD數(shù)據(jù)集或Eurocity PersonsECP數(shù)據(jù)集。

對于高速公路和十字路口場景，highD 和NGSIM被提及的次數(shù)比較多。HighD的車輛軌跡是用一架無人機在德國高速公路上記錄下來的，而NGSIM數(shù)據(jù)集包含了安裝在舊金山灣區(qū)一幢建筑物頂部的攝像頭45分鐘內(nèi)記錄下來的車輛軌跡數(shù)據(jù)。SIPD研討會的參與者認為這些數(shù)據(jù)“被過度使用”，“比較無聊”，因為它們?nèi)狈?fù)雜的狀況。

不同的團隊對數(shù)據(jù)集的需求是不同的。有些人想要全知的鳥瞰圖，特別是在提取帶有遮擋情況的場景時。有些人更喜歡從車輛上記錄的數(shù)據(jù)(Pool, Kooij，和Gavrila2019)，因為借助這些數(shù)據(jù)可以捕捉上下文線索，在規(guī)劃前推斷意圖，比如騎自行車的人在轉(zhuǎn)彎前可能會舉起手臂。

在IV19上的許多工作使用了自己的駕駛模擬器或自己構(gòu)建的數(shù)據(jù)集。這使得實驗難以復(fù)制、比較。此外大多數(shù)手工制作的數(shù)據(jù)集都非常小，這不利于基于學(xué)習的模型的訓(xùn)練。另外，一個致命問題是，這些數(shù)據(jù)集包含的場景多樣性較低。

結(jié)論其實蠻清楚: 我們還是缺少一個數(shù)據(jù)集的，它具有多種多樣的、復(fù)雜的和關(guān)鍵的情況，且可用于交互感知的預(yù)測和決策。

SIPD研討會的聯(lián)合組織者Wei Zhan借此機會宣布發(fā)布了一個新的數(shù)據(jù)集，名為Interaction Dataset，用于社會互動預(yù)測和決策。以下是一些要點：

對不同的地點(如美國、德國、中國)，不同的駕駛文化，不同的交通規(guī)則，不同的場景(合并、繞行等)都有記錄。

包括了一些關(guān)鍵的情況，例如接近碰撞的情況和輕微碰撞事故，這對于測試邊緣情況非常有益。

另一個有前途的特點是，涵蓋了帶有談判的復(fù)雜的駕駛行為和不明確的路權(quán)(通行權(quán))

最后，所有場景都帶有一個基于lanelet2的帶有語義信息的HD-map。模型中也會有遮擋作為ground truth，這是測試社會認知的關(guān)鍵。