隨著汽車智能化程度的不斷提高，智能汽車通過(guò)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(yīng)對(duì)的行駛環(huán)境狀況也越來(lái)越復(fù)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(qiáng)的不確定性、難以重復(fù)、不可預(yù)測(cè)和不可窮盡。限于研發(fā)周期和成本、工況復(fù)雜多樣性，特別是安全因素的考慮，傳統(tǒng)的開(kāi)放道路測(cè)試試驗(yàn)或基于封閉試驗(yàn)場(chǎng)的測(cè)試難以滿足智能駕駛系統(tǒng)可靠性與魯棒性的測(cè)試要求。因此，借助數(shù)字虛擬技術(shù)的仿真測(cè)試成為智能駕駛測(cè)試驗(yàn)證一種新的手段，仿真場(chǎng)景的構(gòu)建作為模擬仿真的重要組成部分，是實(shí)現(xiàn)智能駕駛測(cè)試中大樣本、極限邊界小概率樣本測(cè)試驗(yàn)證的關(guān)鍵技術(shù)，這對(duì)提升智能駕駛系統(tǒng)的壓力和加速測(cè)評(píng)水平顯得尤為重要。面向智能駕駛測(cè)試的仿真場(chǎng)景構(gòu)建技術(shù)已成為當(dāng)前汽車智能化新的研究課題和世界性的研究熱點(diǎn)，作為一種新興技術(shù)仍面臨許多挑戰(zhàn)。本文提出了面向智能駕駛測(cè)試的仿真場(chǎng)景構(gòu)建方法，系統(tǒng)闡述了國(guó)內(nèi)外研究工作的進(jìn)展與現(xiàn)狀，包括場(chǎng)景自動(dòng)構(gòu)建方法和交通仿真建模方法，重點(diǎn)分析一些值得深入研究的問(wèn)題并圍繞場(chǎng)景構(gòu)建技術(shù)的發(fā)展趨勢(shì)進(jìn)行了討論分析，最后介紹了團(tuán)隊(duì)相關(guān)研究在 2020 中國(guó)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(chǎng)景應(yīng)用情況。

關(guān)鍵詞: 汽車智能駕駛; 模擬仿真; 仿真測(cè)試; 場(chǎng)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(guò)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(fù)雜性和動(dòng)態(tài)變化是影響汽車智能駕駛系統(tǒng)性能最為關(guān)鍵的因素。因此，建立一種模擬和重現(xiàn)復(fù)雜開(kāi)放行駛環(huán)境的仿真測(cè)試方法和系統(tǒng)，實(shí)現(xiàn)對(duì)汽車智能駕駛有效的測(cè)試驗(yàn)證，是汽車智能駕駛技術(shù)與產(chǎn)品開(kāi)發(fā)的關(guān)鍵技術(shù)，對(duì)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(qiáng)，汽車需應(yīng)對(duì)的行駛環(huán)境越來(lái)越復(fù)雜，環(huán)境高度的不確定性、難以重復(fù)、不可預(yù)測(cè)和不可窮盡等特征使得有限的場(chǎng)地和道路測(cè)試遠(yuǎn)遠(yuǎn)無(wú)法復(fù)制、重現(xiàn)或窮舉行駛環(huán)境對(duì)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(chǎng)地測(cè)試和開(kāi)放道路測(cè)試不僅周期長(zhǎng)、成本高，無(wú)法滿足對(duì)系統(tǒng)數(shù)十億公里行程的大樣本和可靠性測(cè)試要求。另一方面，與汽車行駛安全測(cè)試密切相關(guān)的極限危險(xiǎn)工況屬于小樣本、小概率事件，開(kāi)放的道路測(cè)試往往難以復(fù)制，測(cè)試安全也無(wú)法保障。此外，中國(guó)地域遼闊、人口眾多，駕駛行為特征和交通狀況與歐美等國(guó)相比也有其鮮明的地域性特點(diǎn)和差異性。綜上分析，傳統(tǒng)的開(kāi)放道路測(cè)試試驗(yàn)以及基于封閉試驗(yàn)場(chǎng)的測(cè)試難以滿足智能駕駛系統(tǒng)的可靠性和魯棒性的測(cè)試要求。因此基于數(shù)字虛擬仿真技術(shù)的模擬仿真測(cè)試成為目前智能駕駛測(cè)試驗(yàn)證新的重要手段，是汽車智能駕駛技術(shù)與產(chǎn)品研發(fā)的前端關(guān)鍵技術(shù)，體現(xiàn)和決定了智能化技術(shù)與產(chǎn)品核心競(jìng)爭(zhēng)力。

模擬仿真測(cè)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(duì)汽車行駛環(huán)境無(wú)限豐富的特征以及對(duì)車載環(huán)境傳感器的復(fù)雜影響，綜合運(yùn)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(yīng)用需求的高逼真度數(shù)字化場(chǎng)景及場(chǎng)景庫(kù)。

仿真場(chǎng)景構(gòu)建技術(shù)是智能駕駛汽車虛擬仿真測(cè)試的關(guān)鍵與核心。

一方面，相機(jī)、毫米波雷達(dá)、激光雷達(dá)等傳感器廣泛應(yīng)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(dòng)的機(jī)器學(xué)習(xí)方法為智能駕駛感知算法中目標(biāo)識(shí)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(jī)器學(xué)習(xí)方法需要大量帶標(biāo)注且內(nèi)容豐富的數(shù)據(jù)集用以模型訓(xùn)練。卷積神經(jīng)網(wǎng)絡(luò)越復(fù)雜，參數(shù)越多，網(wǎng)絡(luò)才越可能有更高的擬合能力，同時(shí)也需要更多的數(shù)據(jù)用于模型訓(xùn)練。雖然通過(guò)實(shí)車道路采集的場(chǎng)景數(shù)據(jù)真實(shí)性高，但是場(chǎng)景樣本類型往往比較單調(diào)，并且人工標(biāo)注繁瑣且容易出錯(cuò)。因此，通過(guò)高逼真的道路場(chǎng)地構(gòu)建、交通建模等技術(shù)手段建立的模擬仿真場(chǎng)景已經(jīng)逐漸被國(guó)際上廣泛認(rèn)同和接受。它能夠?yàn)闄C(jī)器學(xué)習(xí)提供大量帶標(biāo)注的數(shù)據(jù)集，可包含豐富的、具有邊界特征場(chǎng)景內(nèi)容的數(shù)據(jù)，這為深度學(xué)習(xí)的感知、強(qiáng)化學(xué)習(xí)的規(guī)劃算法奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

另一方面，智能駕駛測(cè)試需要大量多樣性的測(cè)試樣本來(lái)反映復(fù)雜多變的智能駕駛汽車應(yīng)用環(huán)境。然而從真實(shí)道路上和試驗(yàn)場(chǎng)地得到的路采數(shù)據(jù)往往場(chǎng)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(duì)小概率事件的測(cè)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(xiǎn)性且難以復(fù)制，需要很長(zhǎng)的測(cè)試周期。構(gòu)建高逼真度的仿真場(chǎng)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(cè)試標(biāo)準(zhǔn)、規(guī)范以及測(cè)試需求，重構(gòu)高速、城區(qū)和鄉(xiāng)村等各類豐富的駕駛場(chǎng)景測(cè)試用例。同時(shí)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(dòng)生成大規(guī)模數(shù)據(jù)集，體現(xiàn)場(chǎng)景的典型性、極限邊界性特征，實(shí)現(xiàn)智能駕駛汽車全天候、全工況的自動(dòng)化測(cè)試、驗(yàn)證和評(píng)價(jià)。

因此，面向智能駕駛測(cè)試的仿真場(chǎng)景構(gòu)建技術(shù)已成為當(dāng)前汽車智能化新的研究課題和世界性的研究熱點(diǎn)，作為一種新興技術(shù)仍面臨許多挑戰(zhàn)，其方法有待深入研究。本文在國(guó)內(nèi)外仿真場(chǎng)景構(gòu)建技術(shù)研究工作的基礎(chǔ)上，綜述了包括場(chǎng)景自動(dòng)構(gòu)建方法、交通仿真建模方法的自動(dòng)駕駛軟件測(cè)試技術(shù)，重點(diǎn)分析一些值得深入研究的問(wèn)題，為進(jìn)一步研究提供參考。

SFITIC
場(chǎng)景構(gòu)建方法
場(chǎng)景內(nèi)涵與架構(gòu)

場(chǎng)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(chǎng)地、周邊交通、氣象( 天氣和光照) 和車輛自身的駕駛?cè)蝿?wù)和狀態(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(fù)、不可預(yù)測(cè)和不可窮盡等特征。在場(chǎng)景中作為動(dòng)態(tài)要素的交通流運(yùn)動(dòng)特性對(duì)主車運(yùn)動(dòng)和操作的干擾更為直接，是場(chǎng)景的關(guān)鍵部分之一。Menzel 等人（2018）根據(jù) ISO26262 標(biāo)準(zhǔn)定義中對(duì)場(chǎng)景的需求，對(duì)場(chǎng)景定義做了延伸，從應(yīng)用的角度將場(chǎng)景定義為功能場(chǎng)景、邏輯場(chǎng)景和具體場(chǎng)景。場(chǎng)景對(duì)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(gè)要素通過(guò)適當(dāng)機(jī)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(guó)內(nèi)外研究學(xué)者針對(duì)智能駕駛測(cè)試場(chǎng)景開(kāi)展了不同程度的理論方法方面的研究。德國(guó) PEGASUS 項(xiàng)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(guān)注的測(cè)試場(chǎng)景研發(fā)項(xiàng)目，研究定義了場(chǎng)景（scenario）“功能—邏輯—具體”（functional-logical-concrete）三級(jí)分層體系，以及面向概念—開(kāi)發(fā)—測(cè)試—標(biāo)定的場(chǎng)景庫(kù)構(gòu)建流程及智能駕駛測(cè)試方法（Ulbrich 等，2015；Menzel 等，2018），通過(guò)開(kāi)發(fā) OpenScenario 接口試圖建立可用于模擬仿真、試驗(yàn)場(chǎng)和真實(shí)環(huán)境中測(cè)試和試驗(yàn)高級(jí)智能駕駛系統(tǒng)的標(biāo)準(zhǔn)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(guān)鍵場(chǎng)景識(shí)別方法，建立了評(píng)價(jià)車輛安全和交通質(zhì)量的性能指標(biāo)。Zhao 等人（2018）圍繞加速測(cè)試框架（accelerated evaluation），提出了采用扭曲車輛運(yùn)行數(shù)據(jù)的統(tǒng)計(jì)分布的智能駕駛汽車加速測(cè)試評(píng)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(cè)評(píng)效率。Langner 等人（2018）提出了利用自動(dòng)編碼器自動(dòng)識(shí)別數(shù)據(jù)池內(nèi)獨(dú)特性高場(chǎng)景的方法，用于構(gòu)建衍生關(guān)鍵場(chǎng)景。Yan 等人（2018）采用基于行駛距離侵入—碰撞時(shí)間的危險(xiǎn)判斷方法，從采集車視頻數(shù)據(jù)中將危險(xiǎn)區(qū)域劃分為多個(gè)場(chǎng)景片段，從而生成一系列測(cè)試案例。此外北京航空航天大學(xué)、吉林大學(xué)（朱冰 等，2019）、同濟(jì)大學(xué)、天津中汽研數(shù)據(jù)中心、國(guó)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(jī)構(gòu)也進(jìn)行了相關(guān)課題的探索，極大地推動(dòng)了場(chǎng)景理論和構(gòu)建方法的發(fā)展。

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

場(chǎng)景自動(dòng)生成方法

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

采用隨機(jī)組合場(chǎng)景要素的方法可形成大規(guī)模的場(chǎng)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(cè)車輛的行駛安全能力的危險(xiǎn)場(chǎng)景比較有限，難以具有邊界與極限角度檢驗(yàn)智能駕駛處理環(huán)境突發(fā)狀態(tài)的應(yīng)急和安全能力。目前場(chǎng)景構(gòu)建研究工作主要集中于利用真實(shí)世界的采集數(shù)據(jù)，借助統(tǒng)計(jì)模型分析重現(xiàn)或衍生出危險(xiǎn)場(chǎng)景案例（Langner 等，2018；Ulbrich 等，2015；Menzel 等，2018；Yan 等，2018）。然而車輛在行駛過(guò)程中遇到危險(xiǎn)場(chǎng)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(jì)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(xiǎn)邊界和極限，而這恰恰是當(dāng)前危險(xiǎn)場(chǎng)景所面臨的難題。

圍繞場(chǎng)景的大規(guī)模構(gòu)建，國(guó)內(nèi)外研究學(xué)者開(kāi)展了多方面的探索研究。Tatar（2016）利用搜索技術(shù)在 TestWeaver 軟件中自動(dòng)搜索場(chǎng)景參數(shù)空間以確定系統(tǒng)安全邊界案例。Waymo 將實(shí)車運(yùn)行中遇到的特殊場(chǎng)景在虛擬軟件 Carcraft 中建立相應(yīng)場(chǎng)景模型來(lái)重復(fù)測(cè)試（Kehrer 等，2018），并采用模糊化方法在虛擬世界中衍生上千個(gè)該場(chǎng)景的變體。Xia 等人（2017）提出了一種基于復(fù)雜度指數(shù)和組合測(cè)試的高級(jí)駕駛輔助系統(tǒng)（ advanced driving assistance system，ADAS）的場(chǎng)景自動(dòng)生成方法，以權(quán)衡場(chǎng)景覆蓋性和測(cè)試效率性。隨著人工智能技術(shù)的快速發(fā)展，強(qiáng)化學(xué)習(xí)方法也逐步應(yīng)用在場(chǎng)景生成研究中，如與博弈論相結(jié)合生成競(jìng)爭(zhēng)性的測(cè)試場(chǎng)景（Oyler 等，2016）、尋找風(fēng)險(xiǎn)系數(shù)高的故障場(chǎng)景（Koren 等，2018；Corso 等，2019；吳斌 等，2018）都是較為典型的應(yīng)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(chǎng)景生成方法，能夠產(chǎn)生車輛在各種運(yùn)行條件下的最壞軌跡。Stark 等人( 2019) 分析了德國(guó)深度事故研究（German in depth accident study，GIDAS）中白點(diǎn)場(chǎng)景特征，確定了新的 ADAS避免碰撞場(chǎng)景類別。Zhao 等人（2016）利用自然數(shù)據(jù)建立了一種關(guān)鍵場(chǎng)景加速生成方法，使被測(cè)車輛盡可能高概率地暴露在關(guān)鍵場(chǎng)景中。Althoff 和 Lutz（2018），Klischat 和 Althoff（2019）提出一種自動(dòng)改變交通參與者的空間位置關(guān)系的方法，以不斷減小主車的行駛空間來(lái)產(chǎn) 生關(guān)鍵場(chǎng)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(cè)試場(chǎng)景，以測(cè)試驗(yàn)證系統(tǒng)中的故障。Klischat 和Althoff（2019）采用非線性優(yōu)化方法來(lái)縮小場(chǎng)景的可行駛空間，減小主車運(yùn)動(dòng)規(guī)劃的解空間，不斷探索場(chǎng)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(guò)提供數(shù)量眾多且易于設(shè)置的環(huán)境 Python 庫(kù)，以及公共接口來(lái)實(shí)現(xiàn)不同環(huán)境的集合，為強(qiáng)化學(xué)習(xí)的算法訓(xùn)練提供了大量的測(cè)試環(huán)境（李晨溪 等，2018），可提高AI（artificial intelligence）算法模型的可重復(fù)性。

這些研究從不同角度推動(dòng)了場(chǎng)景生成技術(shù)的快速發(fā)展，但往往采用參數(shù)遍歷搜索思路來(lái)確定系統(tǒng)狀態(tài)空間，對(duì)于明確的場(chǎng)景空間構(gòu)建方法仍存在很多不足。同時(shí)由于場(chǎng)景搜索無(wú)限擴(kuò)展導(dǎo)致研發(fā)測(cè)試過(guò)程費(fèi)時(shí)耗力。此外具有危險(xiǎn)特征的場(chǎng)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(chǎng)景能夠提供對(duì)應(yīng)真實(shí)駕駛的有效信息，以實(shí)現(xiàn)場(chǎng)景危險(xiǎn)特征的強(qiáng)化生成，不僅能覆蓋簡(jiǎn)單 ADAS 的功能，也能應(yīng)對(duì) Level4級(jí)以上智能駕駛系統(tǒng)加速測(cè)試。

綜上分析，如何建立場(chǎng)景極限與邊界特征的描述方法，是設(shè)計(jì)和實(shí)現(xiàn)場(chǎng)景構(gòu)建與自動(dòng)生成的關(guān)鍵。場(chǎng)景的自動(dòng)生成方法仍需進(jìn)一步研究，極大發(fā)揮智能駕駛的加速測(cè)試潛能，更好地為汽車智能駕駛的開(kāi)發(fā)提供測(cè)試驗(yàn)證服務(wù)，提升車輛主動(dòng)安全性能。