隨著汽車智能化程度的不斷提高，智能汽車通過環(huán)境傳感器與周邊行駛環(huán)境的信息交互與互聯(lián)更為密切，需應對的行駛環(huán)境狀況也越來越復雜，包括行駛道路、周邊交通和氣象條件等諸多因素，具有較強的不確定性、難以重復、不可預測和不可窮盡。限于研發(fā)周期和成本、工況復雜多樣性，特別是安全因素的考慮，傳統(tǒng)的開放道路測試試驗或基于封閉試驗場的測試難以滿足智能駕駛系統(tǒng)可靠性與魯棒性的測試要求。因此，借助數(shù)字虛擬技術的仿真測試成為智能駕駛測試驗證一種新的手段，仿真場景的構(gòu)建作為模擬仿真的重要組成部分，是實現(xiàn)智能駕駛測試中大樣本、極限邊界小概率樣本測試驗證的關鍵技術，這對提升智能駕駛系統(tǒng)的壓力和加速測評水平顯得尤為重要。面向智能駕駛測試的仿真場景構(gòu)建技術已成為當前汽車智能化新的研究課題和世界性的研究熱點，作為一種新興技術仍面臨許多挑戰(zhàn)。本文提出了面向智能駕駛測試的仿真場景構(gòu)建方法，系統(tǒng)闡述了國內(nèi)外研究工作的進展與現(xiàn)狀，包括場景自動構(gòu)建方法和交通仿真建模方法，重點分析一些值得深入研究的問題并圍繞場景構(gòu)建技術的發(fā)展趨勢進行了討論分析，最后介紹了團隊相關研究在 2020 中國智能駕駛挑戰(zhàn)賽仿真賽和世界智能駕駛挑戰(zhàn)賽的仿真場景應用情況。

關鍵詞: 汽車智能駕駛; 模擬仿真; 仿真測試; 場景構(gòu)建; 交通建模; 智能駕駛挑戰(zhàn)賽

SFITIC
引 言

隨著汽車智能化和共享化程度的不斷提高，智能駕駛汽車通過環(huán)境感知與周邊行駛環(huán)境的交互也在不斷增多，行駛環(huán)境已成為智能駕駛不可分割的重要組成部分。汽車的行駛環(huán)境涉及道路、氣象條件和交通狀況，其復雜性和動態(tài)變化是影響汽車智能駕駛系統(tǒng)性能最為關鍵的因素。因此，建立一種模擬和重現(xiàn)復雜開放行駛環(huán)境的仿真測試方法和系統(tǒng)，實現(xiàn)對汽車智能駕駛有效的測試驗證，是汽車智能駕駛技術與產(chǎn)品開發(fā)的關鍵技術，對于提升汽車智能化水平尤為重要。

汽車行駛環(huán)境包括行駛道路、周邊交通和氣象條件等諸多因素，其高逼真的重現(xiàn)和構(gòu)建面臨諸多挑戰(zhàn)。隨著智能駕駛功能的不斷增強，汽車需應對的行駛環(huán)境越來越復雜，環(huán)境高度的不確定性、難以重復、不可預測和不可窮盡等特征使得有限的場地和道路測試遠遠無法復制、重現(xiàn)或窮舉行駛環(huán)境對智能駕駛系統(tǒng)的影響。一方面，限于研發(fā)周期和成本，現(xiàn)有的封閉場地測試和開放道路測試不僅周期長、成本高，無法滿足對系統(tǒng)數(shù)十億公里行程的大樣本和可靠性測試要求。另一方面，與汽車行駛安全測試密切相關的極限危險工況屬于小樣本、小概率事件，開放的道路測試往往難以復制，測試安全也無法保障。此外，中國地域遼闊、人口眾多，駕駛行為特征和交通狀況與歐美等國相比也有其鮮明的地域性特點和差異性。綜上分析，傳統(tǒng)的開放道路測試試驗以及基于封閉試驗場的測試難以滿足智能駕駛系統(tǒng)的可靠性和魯棒性的測試要求。因此基于數(shù)字虛擬仿真技術的模擬仿真測試成為目前智能駕駛測試驗證新的重要手段，是汽車智能駕駛技術與產(chǎn)品研發(fā)的前端關鍵技術，體現(xiàn)和決定了智能化技術與產(chǎn)品核心競爭力。

模擬仿真測試主要采用精確物理建模、高效數(shù)值仿真、高逼真圖像渲染等相結(jié)合的方法，逼真地構(gòu)建包括車輛、道路、天氣和光照、交通等在內(nèi)的人車環(huán)境模型，以及各類車載傳感器模型。針對汽車行駛環(huán)境無限豐富的特征以及對車載環(huán)境傳感器的復雜影響，綜合運用幾何映射、物理映射、像素映射和概率映射等多種映射方式構(gòu)建具有不同屬性、滿足不同應用需求的高逼真度數(shù)字化場景及場景庫。

仿真場景構(gòu)建技術是智能駕駛汽車虛擬仿真測試的關鍵與核心。

一方面，相機、毫米波雷達、激光雷達等傳感器廣泛應用于智能駕駛系統(tǒng)中，能夠采集車輛外在行駛環(huán)境的多樣性數(shù)據(jù)，這使得基于數(shù)據(jù)驅(qū)動的機器學習方法為智能駕駛感知算法中目標識別以及決策控制中的軌跡規(guī)劃均提供了極好的解決途徑。機器學習方法需要大量帶標注且內(nèi)容豐富的數(shù)據(jù)集用以模型訓練。卷積神經(jīng)網(wǎng)絡越復雜，參數(shù)越多，網(wǎng)絡才越可能有更高的擬合能力，同時也需要更多的數(shù)據(jù)用于模型訓練。雖然通過實車道路采集的場景數(shù)據(jù)真實性高，但是場景樣本類型往往比較單調(diào)，并且人工標注繁瑣且容易出錯。因此，通過高逼真的道路場地構(gòu)建、交通建模等技術手段建立的模擬仿真場景已經(jīng)逐漸被國際上廣泛認同和接受。它能夠為機器學習提供大量帶標注的數(shù)據(jù)集，可包含豐富的、具有邊界特征場景內(nèi)容的數(shù)據(jù)，這為深度學習的感知、強化學習的規(guī)劃算法奠定了堅實的數(shù)據(jù)基礎。

另一方面，智能駕駛測試需要大量多樣性的測試樣本來反映復雜多變的智能駕駛汽車應用環(huán)境。然而從真實道路上和試驗場地得到的路采數(shù)據(jù)往往場景內(nèi)容單調(diào)、不易泛化。如交通安全事故一些邊緣或極端行駛工況，屬小概率事件。對小概率事件的測試需要巨大的數(shù)據(jù)樣本，并且事故樣本的獲取具有危險性且難以復制，需要很長的測試周期。構(gòu)建高逼真度的仿真場景數(shù)據(jù)集，不僅需要滿足ASIL（Automotive Safety Integrity Level）和 ISO26262 等在內(nèi)的各種測試標準、規(guī)范以及測試需求，重構(gòu)高速、城區(qū)和鄉(xiāng)村等各類豐富的駕駛場景測試用例。同時它需要滿足內(nèi)容、類型和屬性的多樣性需求，利用道路、交通和天氣光照各要素模型自動生成大規(guī)模數(shù)據(jù)集，體現(xiàn)場景的典型性、極限邊界性特征，實現(xiàn)智能駕駛汽車全天候、全工況的自動化測試、驗證和評價。

因此，面向智能駕駛測試的仿真場景構(gòu)建技術已成為當前汽車智能化新的研究課題和世界性的研究熱點，作為一種新興技術仍面臨許多挑戰(zhàn)，其方法有待深入研究。本文在國內(nèi)外仿真場景構(gòu)建技術研究工作的基礎上，綜述了包括場景自動構(gòu)建方法、交通仿真建模方法的自動駕駛軟件測試技術，重點分析一些值得深入研究的問題，為進一步研究提供參考。

SFITIC
場景構(gòu)建方法
場景內(nèi)涵與架構(gòu)

場景作為行駛環(huán)境與汽車駕駛情景的一種綜合體現(xiàn)，描述了車輛外部行駛環(huán)境的道路場地、周邊交通、氣象( 天氣和光照) 和車輛自身的駕駛?cè)蝿蘸蜖顟B(tài)等信息，是影響和判定智能駕駛功能與性能因素集合的一種抽象與映射，具有高度的不確定、不可重復、不可預測和不可窮盡等特征。在場景中作為動態(tài)要素的交通流運動特性對主車運動和操作的干擾更為直接，是場景的關鍵部分之一。Menzel 等人（2018）根據(jù) ISO26262 標準定義中對場景的需求，對場景定義做了延伸，從應用的角度將場景定義為功能場景、邏輯場景和具體場景。場景對于汽車智能駕駛的影響不僅集中在中間介質(zhì)的傳感感知部分，也體現(xiàn)在智能端的決策控制中，此外影響往往不是單一要素的作用，而是相互依存、相互影響的多個要素通過適當機制耦合、系統(tǒng)作用的結(jié)果。以雨天為例，不僅妨礙了車載環(huán)境傳感的信息獲取，也降低了路面附著系數(shù)，提升了軌跡規(guī)劃和底盤穩(wěn)定控制的難度。

國內(nèi)外研究學者針對智能駕駛測試場景開展了不同程度的理論方法方面的研究。德國 PEGASUS 項目（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）是目前廣受關注的測試場景研發(fā)項目，研究定義了場景（scenario）“功能—邏輯—具體”（functional-logical-concrete）三級分層體系，以及面向概念—開發(fā)—測試—標定的場景庫構(gòu)建流程及智能駕駛測試方法（Ulbrich 等，2015；Menzel 等，2018），通過開發(fā) OpenScenario 接口試圖建立可用于模擬仿真、試驗場和真實環(huán)境中測試和試驗高級智能駕駛系統(tǒng)的標準化流程。Hallerbach 等人（2018）從參數(shù)賦值的角度提出了基于仿真的關鍵場景識別方法，建立了評價車輛安全和交通質(zhì)量的性能指標。Zhao 等人（2018）圍繞加速測試框架（accelerated evaluation），提出了采用扭曲車輛運行數(shù)據(jù)的統(tǒng)計分布的智能駕駛汽車加速測試評估方法，用以提升跟馳和超車情景中智能駕駛車輛安全性能的測評效率。Langner 等人（2018）提出了利用自動編碼器自動識別數(shù)據(jù)池內(nèi)獨特性高場景的方法，用于構(gòu)建衍生關鍵場景。Yan 等人（2018）采用基于行駛距離侵入—碰撞時間的危險判斷方法，從采集車視頻數(shù)據(jù)中將危險區(qū)域劃分為多個場景片段，從而生成一系列測試案例。此外北京航空航天大學、吉林大學（朱冰 等，2019）、同濟大學、天津中汽研數(shù)據(jù)中心、國汽（北京）智聯(lián)研究院和中汽院智能網(wǎng)聯(lián)等高校研究機構(gòu)也進行了相關課題的探索，極大地推動了場景理論和構(gòu)建方法的發(fā)展。

綜上分析，在場景理論與方法研究方面，分析影響智能駕駛系統(tǒng)的場景特征，抽象并深刻凝練能夠反映無限豐富與復雜行駛環(huán)境的有限場景的關鍵要素與特征，深入理解場景的網(wǎng)絡結(jié)構(gòu)與相互耦合關系，都可以為深層次的場景構(gòu)建方法研究奠定堅實的理論基礎。

場景自動生成方法

描述場景邊界與極限特征，研究場景構(gòu)建與自動生成方法是提升智能汽車加速測試能力的關鍵。

采用隨機組合場景要素的方法可形成大規(guī)模的場景工況案例，但普遍為常規(guī)的自然駕駛工況，真正能夠檢測車輛的行駛安全能力的危險場景比較有限，難以具有邊界與極限角度檢驗智能駕駛處理環(huán)境突發(fā)狀態(tài)的應急和安全能力。目前場景構(gòu)建研究工作主要集中于利用真實世界的采集數(shù)據(jù)，借助統(tǒng)計模型分析重現(xiàn)或衍生出危險場景案例（Langner 等，2018；Ulbrich 等，2015；Menzel 等，2018；Yan 等，2018）。然而車輛在行駛過程中遇到危險場景的概率往往很小，大多數(shù)難以直接從自然駕駛采集中得到，這使得利用統(tǒng)計模型衍生難以足夠接觸到汽車智能駕駛的安全邊界，需要分析明確描述并找到危險邊界和極限，而這恰恰是當前危險場景所面臨的難題。

圍繞場景的大規(guī)模構(gòu)建，國內(nèi)外研究學者開展了多方面的探索研究。Tatar（2016）利用搜索技術在 TestWeaver 軟件中自動搜索場景參數(shù)空間以確定系統(tǒng)安全邊界案例。Waymo 將實車運行中遇到的特殊場景在虛擬軟件 Carcraft 中建立相應場景模型來重復測試（Kehrer 等，2018），并采用模糊化方法在虛擬世界中衍生上千個該場景的變體。Xia 等人（2017）提出了一種基于復雜度指數(shù)和組合測試的高級駕駛輔助系統(tǒng)（ advanced driving assistance system，ADAS）的場景自動生成方法，以權衡場景覆蓋性和測試效率性。隨著人工智能技術的快速發(fā)展，強化學習方法也逐步應用在場景生成研究中，如與博弈論相結(jié)合生成競爭性的測試場景（Oyler 等，2016）、尋找風險系數(shù)高的故障場景（Koren 等，2018；Corso 等，2019；吳斌 等，2018）都是較為典型的應用。Tang 等人（ 2020）提出了一種基于軌跡優(yōu)化的車輛側(cè)翻證偽場景生成方法，能夠產(chǎn)生車輛在各種運行條件下的最壞軌跡。Stark 等人( 2019) 分析了德國深度事故研究（German in depth accident study，GIDAS）中白點場景特征，確定了新的 ADAS避免碰撞場景類別。Zhao 等人（2016）利用自然數(shù)據(jù)建立了一種關鍵場景加速生成方法，使被測車輛盡可能高概率地暴露在關鍵場景中。Althoff 和 Lutz（2018），Klischat 和 Althoff（2019）提出一種自動改變交通參與者的空間位置關系的方法，以不斷減小主車的行駛空間來產(chǎn) 生關鍵場景。Klueck 等 人（2018）利用本體論理論為智能駕駛功能生成不同的測試場景，以測試驗證系統(tǒng)中的故障。Klischat 和Althoff（2019）采用非線性優(yōu)化方法來縮小場景的可行駛空間，減小主車運動規(guī)劃的解空間，不斷探索場景臨界性。此外，Brockman 等人（ 2016）提出的一種新的模擬環(huán)境構(gòu)建方法（OpenAI GYM），通過提供數(shù)量眾多且易于設置的環(huán)境 Python 庫，以及公共接口來實現(xiàn)不同環(huán)境的集合，為強化學習的算法訓練提供了大量的測試環(huán)境（李晨溪 等，2018），可提高AI（artificial intelligence）算法模型的可重復性。

這些研究從不同角度推動了場景生成技術的快速發(fā)展，但往往采用參數(shù)遍歷搜索思路來確定系統(tǒng)狀態(tài)空間，對于明確的場景空間構(gòu)建方法仍存在很多不足。同時由于場景搜索無限擴展導致研發(fā)測試過程費時耗力。此外具有危險特征的場景構(gòu)建不同于傳統(tǒng)工況參數(shù)遍歷生成方法，需深入探究主車行駛的安全邊界，使得構(gòu)建后的場景能夠提供對應真實駕駛的有效信息，以實現(xiàn)場景危險特征的強化生成，不僅能覆蓋簡單 ADAS 的功能，也能應對 Level4級以上智能駕駛系統(tǒng)加速測試。

綜上分析，如何建立場景極限與邊界特征的描述方法，是設計和實現(xiàn)場景構(gòu)建與自動生成的關鍵。場景的自動生成方法仍需進一步研究，極大發(fā)揮智能駕駛的加速測試潛能，更好地為汽車智能駕駛的開發(fā)提供測試驗證服務，提升車輛主動安全性能。