內(nèi)容概覽

第一部分：引言——研究抽象場景的動機(jī)與挑戰(zhàn)

第二部分：示例——基于SOCA的抽象場景生成和描述方法

第三部分：示例——基于矩陣形式的抽象場景生成和描述方法

第四部分：結(jié)語——現(xiàn)有方法局限的總結(jié)

1  引言

1.1 研究抽象場景的動機(jī)

對于自動駕駛系統(tǒng)（Automated Driving System，ADS）的測試目標(biāo)一直以來有兩類技術(shù)路線：「里程覆蓋」和「場景覆蓋」。眾所周知，前者相對簡單粗暴直接；然而對于復(fù)雜（內(nèi)部異質(zhì)性高的）環(huán)境來說，需要驗證多長的里程才是足夠的里程，其答案要么讓人不舒服（可行性極低），要么讓人不安心（結(jié)果的置信太低）。

當(dāng)我們在上述分叉路口，選擇走上「場景覆蓋」或者基于場景的測試驗證道路的時候，就需要面對「縱向」「橫向」兩類問題。

其中，「縱向」是指場景的全生命周期，從怎么構(gòu)成，到怎么逐級細(xì)化，怎么逐步使用，包括：

場景要素：從要素層面構(gòu)建一類場景，包括經(jīng)典的六層場景要素模型，或基于此形成的七層場景要素模型：1-道路結(jié)構(gòu)；2-道路設(shè)施；3-道路和設(shè)施的臨時改變；4-交通參與者；5-氣候環(huán)境；6-通信狀態(tài)；7-自車狀態(tài)和行為。

描述語言：從無到有、從粗到細(xì)地定義和描述一類場景，包括不同抽象層級的場景描述語言（見圖1）：功能場景->抽象場景->邏輯場景->具體場景。

場景測試：從場景文本到數(shù)字模擬環(huán)境、物理模擬環(huán)境到真實環(huán)境實現(xiàn)基于一類場景測試的全過程。

圖1 四種抽象層級的場景描述

如果從2016年的PEGASUS項目和2018年的SAKURA項目算起，在這條基于場景的測試驗證道路上，各國已開展了7、8年的大規(guī)模探索了，上述關(guān)于場景要素、描述語言和場景測試的三方面問題已經(jīng)被解決得七七八八了，除了：

描述語言：還欠缺對功能場景和抽象場景的規(guī)范化描述方法。

場景測試：在可信、真實、高效等方面還有長串的技術(shù)問題待解決。

那么「橫向」呢？

回到“場景覆蓋”的目的，橫向是要回答「場景的全集是什么？有多少？」

在這個問題上，我們前進(jìn)得不多。在低級別自動駕駛系統(tǒng)上，所累積的經(jīng)驗和方法論，在面對功能的復(fù)雜化和ODD（Operational Design Domain）的擴(kuò)大化時，顯得蒼白無力。

是時候，直面這個挑戰(zhàn)了。

1.2 抽象場景描述的目標(biāo)和挑戰(zhàn)

先簡單回顧一下，在這個橫向維度上，專家學(xué)者們所做過的一些研究和方案（見表1）：

表1 場景覆蓋方案

在這兩類方案之間，是否能找到一種方案，同時兼具：「場景覆蓋」和「高效生成」，也即得到的場景集合對于需要測試論證的自動駕駛系統(tǒng)來說既是是充分的也是必要的？

以此為目標(biāo)的話，大體的實現(xiàn)思路如下：

在抽象場景層級上實現(xiàn)場景覆蓋：既有可能嚴(yán)謹(jǐn)?shù)鼗貞?yīng)「場景覆蓋」的需求；也可能通過工具的編譯，自動化地向下實現(xiàn)邏輯場景或具體場景的生成，從而支持基于場景的測試；

結(jié)合自動駕駛的預(yù)期功能進(jìn)行抽象場景生成：能有的放矢地生成（或選擇）待測場景，從而避免大量冗余場景的生成，實現(xiàn)高效生成。

聚焦「生成抽象場景的挑戰(zhàn)與方案」，本文梳理了兩篇相關(guān)論文，提煉其中的共性技術(shù)框架，結(jié)合路口、匝道口和路段等典型道路結(jié)構(gòu)的實例，介紹相關(guān)技術(shù)方案。

1.3 抽象場景描述方法框架

面向抽象場景的生成及描述，這兩篇論文所采用的技術(shù)框架相似，均可被歸納為四個核心模塊，即道路空間劃分、ADS決策空間的構(gòu)建、ADS的決策行為及基于決策行為的等價類劃分和抽象場景生成：

「模塊一：道路空間劃分」

將場景中具體的道路幾何結(jié)構(gòu)以一定的方式劃分為有限個區(qū)域，以便對道路信息進(jìn)行抽象提取，從而實現(xiàn)后續(xù)基于區(qū)域的分析。例如，圖2展示了對一段單向雙車道道路的劃分示例，包括A、B、C、D四個區(qū)域，其中ADS在區(qū)域A。

圖2 道路空間劃分示例（參考區(qū)域圖方法，詳情見下文）

「模塊二：ADS決策空間的構(gòu)建」

場景空間是指場景中全部要素所有可能的狀態(tài)的集合，而決策空間是場景空間的子空間，其中包含了可能影響ADS決策行為的要素及其狀態(tài)。

決策空間中存在不同的情景（Situation）。例如，表2是在上述區(qū)域圖的基礎(chǔ)上構(gòu)建的決策空間示例。通過對表2各個維度的狀態(tài)進(jìn)行組合，可以得出在圖3中的情景示例，如情景①中，區(qū)域C存在一輛向區(qū)域B變道的車輛，對自車產(chǎn)生威脅；在情景②中，區(qū)域B的車輛減速，使得與自車的車距小于安全距離，產(chǎn)生威脅。

表2 決策空間示例

「模塊三：ADS的決策行為及基于決策行為的等價類劃分」

為了有效地歸類決策空間中的情景，一種思路是建立情景與ADS決策行為的映射關(guān)系，這個映射關(guān)系構(gòu)成了行為等價類的概念。行為等價類是基于ADS決策行為對決策空間的歸并，本質(zhì)上是經(jīng)過歸類的情景集合，歸類的依據(jù)是ADS在特定情景中需要執(zhí)行的預(yù)期正確決策行為。換言之，在一個行為等價類中的所有情景中，ADS的預(yù)期正確決策行為是相同的。

通過對ADS決策空間的情景進(jìn)行遍歷，專家可以為ADS設(shè)計各種情景中的預(yù)期正確決策行為。例如，對于一個AEB系統(tǒng)而言，其主要決策行為是緊急制動，因此可以定義行為等價類“緊急制動”，該等價類包含情景①、情景②等情景（見圖3）。這種歸類方法有助于對ADS的決策空間進(jìn)行有效的梳理。

圖3 行為等價類示例

「模塊四：抽象場景生成」

抽象場景生成：基于決策空間和決策行為等價類，我們可以分別得出情景和ADS的決策行為，將它們進(jìn)行組合，實現(xiàn)抽象場景生成。

連續(xù)抽象場景生成：將上述單個抽象場景按照時間順序，在空間連續(xù)的條件下進(jìn)行組合，即實現(xiàn)連續(xù)抽象場景生成。

基于上述四大核心模塊，所提出的抽象場景方法框架對場景中所有可能直接影響ADS決策行為的要素進(jìn)行了抽象和組織（見圖4），進(jìn)而生成抽象場景。圖5展示了四個模塊之間的關(guān)系。后續(xù)將基于這個框架，結(jié)合路口、匝道口和路段等典型道路結(jié)構(gòu)的實例，介紹兩種抽象場景生成及描述方法。

圖4 抽象場景方法框架

圖5 核心模塊的相互關(guān)系

2  基于SOCA的抽象場景生成和描述方法，以十字路口為例

2.1 SOCA簡介

博世公司提出了SOCA方法（System co-design for open context analysis, 用于開放環(huán)境分析的系統(tǒng)協(xié)同設(shè)計）[7]，該方法被用于描述抽象場景，并在自動駕駛測試評估相關(guān)的國際標(biāo)準(zhǔn)ISO 34502：Scenario based safety evaluation framework[8]的附錄中得到引用。本節(jié)將以前文提到方法思路為脈絡(luò)，介紹SOCA方法如何描述抽象場景。

2.2 道路空間劃分

SOCA方法通過區(qū)域圖方法來劃分道路空間，將具體的道路幾何結(jié)構(gòu)以及具體的交通參與者的抽象為不同的區(qū)域。本節(jié)通過ADS在十字路口右轉(zhuǎn)的場景（見圖6）示例來說明區(qū)域圖的構(gòu)建方法，見圖7。

圖6 十字路口右轉(zhuǎn)場景示意圖，橙色的車輛表示自動駕駛車輛

區(qū)域圖由不同類型的區(qū)域和邊界組成，區(qū)域的位置和大小并不是固定的，可以隨具體場景的情況來決定大小。區(qū)域圖包含以下類型的區(qū)域：

駕駛區(qū)：用于表示ADS存在的區(qū)域，其遵循ADS的行駛意圖進(jìn)行構(gòu)建，不同駕駛區(qū)之間由帶有方向的邊界連接，用于表示ADS的路徑；在示例中，根據(jù)ADS的右轉(zhuǎn)行駛意圖構(gòu)建駕駛區(qū)（Y、F1、G、F2、H），并使用紅色箭頭表示ADS的路徑。

位置區(qū)：用于表示其他交通參與者的位置，對于所有可能干擾ADS通過駕駛區(qū)的交通參與者構(gòu)建位置區(qū)域。在示例中，因為行人在過馬路時會對駕駛區(qū)F2構(gòu)成威脅，所以劃分位置區(qū)L和位置區(qū)M，此外可能存在如急救車等應(yīng)急車輛威脅到駕駛區(qū)G的情況，因此劃分位置區(qū)K和J。

信息區(qū)：用于表示交通信息，包含每個可能存在的影響ADS決策基礎(chǔ)設(shè)施要素，如交通燈和路牌等。在示例中，信息區(qū)T表示了交通燈狀態(tài)。

圖7 十字路口右轉(zhuǎn)的區(qū)域圖示例

2.3 ADS的決策空間構(gòu)建

通過對道路空間進(jìn)行劃分，能夠幫助梳理場景中影響ADS決策的要素。在區(qū)域圖的基礎(chǔ)上設(shè)計ADS的決策空間，在上述例子中，ADS的決策空間如表3所示。

表3 ADS在十字路口右轉(zhuǎn)的決策空間

決策空間中的每個維度是場景信息的一個方面，對于每個維度設(shè)置離散的狀態(tài)集，要求狀態(tài)之間是互不相交的，且每個維度的狀態(tài)應(yīng)該是全集。每個維度的狀態(tài)組合在一起，可得到一個情景，在這個例子中，共有6×2×2×2×2×9=864種情景。值得一提的是，維度的選擇主要取決于區(qū)域圖，而狀態(tài)可選項的設(shè)置則受到研究目的影響，可根據(jù)研究目的設(shè)置更具體的狀態(tài)可選項，只需要保證狀態(tài)可選項的互斥性和維度的完備性即可。

2.4 基于ADS的決策行為的等價類劃分

對于每個情景，都根據(jù)專家知識設(shè)定在這個情況下ADS應(yīng)該做的行為。在十字路口右轉(zhuǎn)的區(qū)域圖中，結(jié)合表3的決策空間，可以設(shè)置如下的行為等價類：

繼續(xù)前進(jìn)

舒適地停車在讓行線前

安全地停車在讓行線前

緊急地停在讓行線前

闖紅燈且駕駛區(qū)F1不可通行

闖紅燈但未陷入危險

發(fā)生險情或事故

安全地停在駕駛區(qū)G

安全地停在駕駛區(qū)H

在沒有交通燈的十字路口行駛

在設(shè)計行為等價類時，通常先從比較明顯的情景開始設(shè)計等價類，如當(dāng)交通燈處于黃燈或紅燈的狀態(tài)且自車處于駕駛區(qū)Y.B時，ADS應(yīng)該采用舒適的制動強(qiáng)度停止在讓行線前面，而對于這個行為來說，決策空間的其他維度的狀態(tài)是無關(guān)緊要的，所以「舒適地停車在讓行線前」這一行為等價類共包含2×2×2×2×2×1=32種情景。

行為等價類的設(shè)計需要滿足完備性和一致性，完備性是指決策空間中存在的情景都被添加到至少一個行為等價類中，一致性是指決策空間中的情景都被添加到了最多一個行為等價類中。為保證等價類的完備性和一致性，在SOCA方法中，專家設(shè)計行為等價類的過程時，會使用系統(tǒng)級輔助開發(fā)的SCODE(System Co-design，系統(tǒng)協(xié)同設(shè)計)工具[9]同步檢查滿足情況以及計算剩余決策空間給出選擇建議。

以上由原論文作者設(shè)置的行為等價類僅供參考，并不是唯一答案，若研究出發(fā)點(diǎn)不同，在實踐時可以修改決策空間的顆粒度，然后基于決策空間設(shè)計不同的行為等價類。

2.5 抽象場景生成

綜上，前文中三個核心模塊成功地實現(xiàn)了對場景各要素的抽象描述。以下是一個示例，展示如何使用三個核心模型生成抽象場景：

道路結(jié)構(gòu)、道路基礎(chǔ)設(shè)施：

見圖7的區(qū)域圖

ADS的行為：

安全地停在駕駛區(qū)G

情景：

駕駛區(qū)F1的允許通行狀態(tài)=可通行

駕駛區(qū)G的允許通行狀態(tài)=可通行

駕駛區(qū)F2的允許通行狀態(tài)=不可通行

駕駛區(qū)H的允許通行狀態(tài)=不可通行

ADS所在的區(qū)域=G

3  基于SOCA的抽象場景生成和描述方法，以匝道路段為例

在本節(jié)，將介紹運(yùn)用SOCA方法分析高速公路上ADS匝道匯入的例子，幫助讀者更好的理解抽象場景的生成方法。

3.1 道路空間劃分

以高速公路匝道匯入為例，構(gòu)建區(qū)域圖（見圖8）。ADS處于匝道上，意圖向主路匯入。

圖8 高速公路匝道匯入的區(qū)域圖

3.2 ADS的決策空間構(gòu)建

根據(jù)區(qū)域圖，設(shè)計決策空間（見表4），其中主要關(guān)注駕駛區(qū)D的通行狀態(tài)，分析了各個位置區(qū)對駕駛區(qū)D的影響，以決定駕駛區(qū)D的可通行狀態(tài)，為了簡化決策空間，駕駛區(qū)A、B、C、E設(shè)置為「可通行」和「不可通行」。

表4 高速公路匝道匯入的決策空間

3.3 基于ADS的決策行為的等價類劃分

在這個例子中，作者設(shè)計了十一個行為等價類，和一個非系統(tǒng)類。非系統(tǒng)類是指抽象場景中所有不可能發(fā)生或無意義的情況，在這些情況下不需要設(shè)計ADS的行為。行為等價類如下所示：

以目標(biāo)車速移動

調(diào)整車速至限速

減緩碰撞

緊急制動

舒適制動

等待間隙

違法制動

調(diào)整車速尋找間隙

違法停車

等待下個區(qū)域空閑

換道

為了方便讀者更好的理解等價類的含義，我們給出每個行為等價類的一個情景示例：

3.4 抽象場景生成

通過使基于單個ADS行為的抽象場景按照時序和邏輯關(guān)系進(jìn)行組合，可以形成連續(xù)的抽象場景，圖9展示了ADS成功匯入匝道的連續(xù)抽象場景示例。

本節(jié)以三車道直行路段為示例，將抽象場景以可計算、可解釋的矩陣形式描述[10]，并以自車為參考系來表達(dá)其他交通參與者（以汽車為例）相對自車的狀態(tài)（相對速度大小、距離遠(yuǎn)近等）。

4.1 道路空間劃分

將場景中的道路拓?fù)浣Y(jié)構(gòu)用以自車為參考系的柵格形式進(jìn)行表達(dá)，如圖10所示，具體如下：

在自車周圍一定橫向和縱向范圍內(nèi)，將三車道路段劃分成若干柵格，其中的每行柵格對應(yīng)一條車道

每個柵格所覆蓋的距離范圍與自車速度成正相關(guān)

在被占用柵格中采用慣性系數(shù)β表達(dá)周圍車輛相對自車的速度，下式給出一種計算示例

圖10 三車道路段柵格描述示意圖

4.2 場景矩陣

為了自動化生成抽象場景，基于以上的柵格表示方法，將柵格轉(zhuǎn)換為矩陣形式。下方矩陣B是對圖9的場景柵格的表示。

同樣地，場景中背景車的動作也按照矩陣形式進(jìn)行描述，包括速度變化，即速度保持、加速和減速；橫向位置變化，即車道保持、向左或向右變道。二者可同時執(zhí)行，故最多可有3x3=9個不同動作。

背景車的動作矩陣設(shè)計如下：

矩陣中的對角元素表示車道保持；

表示向左變道；

表示向右變道

將動作矩陣與狀態(tài)矩陣相乘，結(jié)果即對應(yīng)著每個背景車執(zhí)行動作后的中間情景。例如，處的車道保持和向右變道動作分別表示為A=(,0,0;0,0,0;0,0,0)和A=(0,0,0;,0,0;0,0,0)。（感興趣的讀者可計算一次矩陣乘法，從而更好地理解此過程）

4.3 ADS的決策空間及行為等價類劃分

本節(jié)的道路拓?fù)浣Y(jié)構(gòu)相對簡單，從簡單的決策空間分析，參考了IDM的功能對ADS的行為等價類進(jìn)行劃分。表5給出了一種行為等價類與其對應(yīng)情景的劃分方式。若ADS功能更加高級和復(fù)雜，可以參考文獻(xiàn)[11]中所提出的方法分析決策空間并劃分其行為等價類，以保證等價類劃分的完備性和一致性。

表5 ADS的行為等價類與其對應(yīng)的情景

注：表中的期望速度、交互范圍、安全范圍和TTC閾值θ，可根據(jù)需要自行設(shè)計和定義

4.4 抽象場景生成

以下式所示矩陣作為初始場景，背景車初始的慣性系數(shù)設(shè)置為0.1。

圖11是一個抽象場景生成示例。背景車首先執(zhí)行動作，情景變?yōu)?/span>；然后自車根據(jù)此時情景做出決策行為（緊急制動），同時更新縱向位置，即完成一次場景生成。更新場景時，為了保證自車在矩陣中的位置始終不變（始終以自車為參考系），按照自車執(zhí)行動作剛好相當(dāng)于背景車執(zhí)行相反動作的原則更新矩陣。例如，自車緊急制動相當(dāng)于所有背景車加速（所有背景車慣性系數(shù)減小，縱向位置向前移動一格）。

圖11 抽象場景生成示例

可以遍歷背景車的所有動作，以保證生成場景的全面性。初始場景迭代一次后，從中隨機(jī)選取若干個場景作為下次迭代的初始場景。如此反復(fù)迭代，即實現(xiàn)了直行三車道路段的連續(xù)抽象場景生成。一個迭代3次的連續(xù)抽象場景生成過程示意如圖12所示。

圖12 連續(xù)抽象場景生成過程示意圖

5  結(jié)語

最后，編者希望探討該方法框架的難點(diǎn)。在這一方法框架中，每個核心模塊都必須結(jié)合專家知識來構(gòu)建，這導(dǎo)致無法實現(xiàn)一鍵生成抽象場景，同時也意味著場景覆蓋的范圍取決于專家的經(jīng)驗和能力。并且隨著決策空間維度的增加，將增大方法的人力成本。另外，在方法框架中可能需要多次迭代，包括對決策空間和等價類的反復(fù)調(diào)整和優(yōu)化。由于行為等價類必須同時符合完備性和一致性要求，這實際上對行為等價類和決策空間施加了限制。然而，這種限制并不會在創(chuàng)建決策空間和設(shè)計等價類時直接顯現(xiàn)出來，而是需要在檢驗階段才能被發(fā)現(xiàn)。

[1] Erwin de Gelder (TNO), Olaf Op den Camp (TNO), Niels de Boer (NTU). Scenario Categories for the Assessment of Automated Vehicles, Version 1.7[R]. 2020.

[2] NHTSA. Pre-Crash Scenario Typology for Crash Avoidance Research[R]. https://www.nhtsa.gov/automated-vehicles-safety/published-reports-and-documents. 2007.

[3] i-vista.中國智能汽車指數(shù)網(wǎng)[EB/OL].[2024-03-12].https://www.i-vista.org/

[4] Japan Automobile Manufacturers Association, Inc. Automated Driving Safety evaluation framework Ver 3.0[R]. 2022.

[5] Damm W, M?hlmann E, Rakow A. A scenario discovery process based on traffic sequence charts[J]. Validation and Verification of Automated Systems: Results of the ENABLE-S3 Project, 2020: 61-73.

[6] Li C, Sifakis J, Wang Q, et al. Simulation-based Validation for Autonomous Driving Systems[C]//Proceedings of the 32nd ACM SIGSOFT International Symposium on Software Testing and Analysis. 2023: 842-853.

[7]  Butz M, Heinzemann C, Herrmann M, et al. SOCA: Domain analysis for highly automated driving systems[C]//2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). IEEE, 2020: 1-6.

[8] International Organization for Standardization. Road Vehicles-Test Scenarios for Automated Driving Systems-Scenario based Safety evaluation framework: ISO 34502: 2022[S]. Geneva, Switzerland: ISO, 2022

[9] Bitzer M, Herrmann M, Mayer-John E. System Co-Design (SCODE): methodology for the analysis of hybrid systems: A systematics for complexity reduction of control software in embedded systems[J]. at-Automatisierungstechnik, 2020, 68(6): 488-499.

[10] Xing Xingyu, Liu Zhenyuan, Feng Tianyue, Chen Junyi, Yu Zhuoping. Function-Driven Generation Method for Continuous Scenarios of Autonomous Vehicles[C]//SAE 2022 Intelligent and Connected Vehicles Symposium. SAE, 2022.

[11]  熊璐,賈通,陳君毅,邢星宇,李博.基于有限狀態(tài)機(jī)的預(yù)期功能安全危害識別方法[J].同濟(jì)大學(xué)學(xué)報(自然科學(xué)版),2023,51(04):616-622.