編者按：論文提出了一種創(chuàng)新方法，用于生成針對行人交互的高風險測試場景，填補了自動駕駛汽車（AV）測試領(lǐng)域中車輛-行人交互場景研究的空白。研究基于中國四個城市的真實交通數(shù)據(jù)，結(jié)合三階段自主緊急制動模型和人工勢場法，開發(fā)了一個以行人為核心的關(guān)鍵場景生成框架。通過重要性采樣和優(yōu)化算法，成功生成了 50 個高暴露頻率和高風險的車輛-行人交互場景，為自動駕駛汽車的安全性和適應(yīng)性測試提供了重要支持。這一研究不僅推動了自動駕駛技術(shù)的發(fā)展，也為復(fù)雜交通環(huán)境中的車輛行人交互安全評估提供了新的思路。

本文譯自：

《Generation of critical pedestrian scenarios for autonomous vehicle testing》

文章來源：

Accident Analysis & Prevention，Volume 214, May 2025, 107962

作者：

Lan Yang a, Songyan Liu a, Shuo Feng b, Hong Wang c, Xiangmo Zhao a, Guangyue Qu a, Shan Fang a

作者單位：

a長安大學(xué)信息工程學(xué)院，b清華大學(xué)自動化系，c清華大學(xué)智能汽車設(shè)計與安全研究院

原文鏈接：

https://www.sciencedirect.com/science/article/pii/S000145752500048X

摘要：當前的自動駕駛汽車（AV）測試場景主要關(guān)注AV與周圍車輛之間的交互，而對高風險行人交互的考慮有限。本文提出了一種生成專為面向行人的評估而設(shè)計的關(guān)鍵測試場景的方法。首先，從中國4個城市的12個信號燈十字路口收集了微觀交通數(shù)據(jù)。通過在相同的時空環(huán)境中提取重疊的車輛和行人軌跡數(shù)據(jù)，創(chuàng)建了一個車輛-行人交互場景庫。其次，采用三階段自主緊急制動模型模擬自動駕駛汽車的決策和控制過程，取代了原有場景庫中的車輛代理。此外，應(yīng)用人工勢場法評估實時交互風險，從而能夠識別高風險場景。然后開發(fā)了一個面向行人的關(guān)鍵測試場景生成框架，定義了關(guān)鍵決策變量，例如速度差、相對橫向距離以及行人和車輛之間的相對縱向距離。設(shè)計了一個重要性抽樣函數(shù)，結(jié)合了情景暴露頻率和交互風險，以生成關(guān)鍵情景。該過程通過輔助目標函數(shù)進一步細化，以指導(dǎo)搜索方向。為了提高計算效率，采用了粒子群優(yōu)化和洪水填充算法。使用這種方法，生成了50個高價值的車輛與行人互動測試場景，其特點是暴露頻率和風險高。這些場景包含多樣化和高風險的交互動態(tài)，為AV的高保真行人安全測試提供了強大的支持。

關(guān)鍵詞：自動駕駛測試，行人測試場景，人車交互，場景生成

Ⅰ 引言

根據(jù) SAE 的自動化水平，3 級及以上（L3+）自動駕駛汽車不需要駕駛員始終如一地執(zhí)行駕駛?cè)蝿?wù)，從而可能降低與人為錯誤相關(guān)的風險并提高行人安全。與此同時，世界衛(wèi)生組織的《全球道路安全狀況報告》（2023 年全球道路安全狀況報告）強調(diào)，全球道路死亡人數(shù)每年達到 135 萬人，其中行人占其中死亡人數(shù)的 21%，使行人成為高度脆弱的道路使用者（VRU），交通事故的風險更高。因此，準確的行人識別以及適當?shù)臎Q策和控制對于自動駕駛汽車的廣泛部署至關(guān)重要。行人表現(xiàn)出獨特的運動特征和復(fù)雜、多變的行為模式，尤其是在過馬路和十字路口時（Sengupta 等人，2024 年），這給自動駕駛汽車決策和控制過程帶來了很大的不確定性（Wang 等人，2023 年).因此，以行人互動為重點的廣泛 AV 測試至關(guān)重要（Rezwana 和 Lownes，2024 年，Rasouli 和 Tsotsos，2020 年）。

在部署到公共道路上之前，自動駕駛汽車必須經(jīng)過一系列嚴格的測試程序，以確保其可靠性和安全性（Sohrabi 等人，2021 年）。測試主要關(guān)注 AV 在各種復(fù)雜流量中的響應(yīng)，這對測試方法提出了更嚴格的要求，已成為 AV 測試領(lǐng)域的關(guān)鍵挑戰(zhàn)。與自動駕駛汽車測試相關(guān)的國際標準，例如 SAE J3016、ISO 21448（國際標準化組織 （ISO），2022 年）、ISO 26262（國際標準化組織 （ISO），2018 年）、ISO 34501（國際標準化組織 （ISO），2022 年）和 ISO 34502（國際標準化組織 （ISO），2022 年），旨在解決和探索功能安全、預(yù)期功能安全 （SOTIF） 和測試場景的標準化定義和測試內(nèi)容。其中，ISO 34502 引入了基于多支柱方法的自動駕駛汽車測試系統(tǒng)，包括虛擬測試、閉場測試和開放道路測試。三種測試工具和場景相輔相成，實現(xiàn)全面測試覆蓋的目標。虛擬測試是 AV 測試系統(tǒng)的基礎(chǔ)組件，旨在最大限度地利用在受控的封閉場地或開闊道路環(huán)境中難以或無法復(fù)制的測試場景。具體來說，在虛擬測試階段必須解決各種高風險、復(fù)雜、關(guān)鍵甚至極端情況，以有效評估 AV 安全性能的上限。

大多數(shù) AV 測試研究側(cè)重于涉及被測試的 AV 與周圍車輛之間交互的場景，包括典型、危險和事故場景（Baby 等人，2024 年，Li 等人，2024 年，Zhou 等人，2023 年）。然而，必須強調(diào)的是，行人是車輛在實際交通環(huán)境中行駛時必須考慮的最不可預(yù)測和最關(guān)鍵的動態(tài)因素之一。這在城市十字路口和交通繁忙的地區(qū)尤為明顯，因為那里的人流密集，行為復(fù)雜多樣。在高峰時段，頻繁的過馬路和不可預(yù)測的街道中移動使 AV 的實時決策進一步復(fù)雜化，從而增加了難度和風險。在這種情況下，全面的行人測試使 AV 能夠適應(yīng)不同的行人行為和高密度環(huán)境，有效減少與行人相關(guān)的事故，并增強系統(tǒng)應(yīng)對復(fù)雜交通情況的能力。因此，這種類型的測試對于確保在人口稠密的城市地區(qū)安全部署 AV 至關(guān)重要。

為了解決自動駕駛測試研究中的空白，本文介紹了一個框架，用于利用來自中國大中城市信號燈交叉路口的微觀交通數(shù)據(jù)集來生成關(guān)鍵的行人測試場景。該框架旨在生成涉及車輛和行人之間頻繁且高風險交互的高價值場景，為高保真 AV 測試提供有價值的見解。

(1)本研究提出了一個為 AV 生成關(guān)鍵行人測試場景的框架。車輛與行人之間的相對速度和距離被定義為場景的決策變量。開發(fā)了基于情景暴露頻率和交互風險水平的重要性抽樣函數(shù)，并帶有輔助目標函數(shù)來指導(dǎo)關(guān)鍵情景的識別。該框架在城市交叉路口環(huán)境中有效地生成各種高風險的車輛-行人交互場景。

(2)為了研究行人特征對中國自動駕駛汽車的重大影響，本研究收集了 4 個大中城市（西安、天津、重慶和長春）的 12 個信號燈十字路口的微觀交通數(shù)據(jù)集。數(shù)據(jù)集包含 AV 測試場景的關(guān)鍵元素，包括車輛、交通信號燈和各種 VRU。通過過濾受交通信號影響的車輛軌跡數(shù)據(jù)，并結(jié)合正常行為軌跡、闖紅燈違規(guī)、加速穿越、規(guī)避機動和車輛周圍的動作，建立了一個原始的場景庫。該庫反映了中國駕駛員和行人的獨特特征，專為行人自動駕駛汽車測試量身定制。

(3)為了準確識別高風險的車行交互場景，采用三階段自主緊急制動 （AEB） 模型來模擬自動駕駛汽車在與行人交互過程中的決策和控制過程，取代了原始場景庫中的車輛代理。此外，人工勢場 （APF） 方法用于評估車輛和行人的實時風險場。這種方法可以在車輛與行人互動期間更精確地識別危險邊界場景，從而提高危急情況下風險評估的可靠性。

Ⅱ 文獻綜述

近年來，全球研究人員一直在探索測試自動駕駛汽車安全性的可行方法。自動駕駛汽車在早期階段的廣泛安全測試主要集中在各種車輛交互場景（如并道、駛出、跟車和變道）中的連續(xù)加速測試，旨在確定自動駕駛汽車的安全邊界（Zhao et al.， 2018;（Wei et al.， 2024）。但是，一旦滿足基本測試，則應(yīng)擴大范圍，以包括對實際交通場景中其他交通參與者（TP） 的安全測試。近年來，人們越來越關(guān)注自動駕駛汽車的行人測試?，F(xiàn)有的自動駕駛行人測試研究包括基于標準規(guī)定的行人場景測試、基于仿真工具的行人場景測試以及生成自動駕駛行人測試場景的方法。

在批量生產(chǎn)之前，自動駕駛汽車需要根據(jù)特定標準和法規(guī)進行行人防撞測試，例如歐洲的 ECE R127 和中國的 GB/T 38186-2019 （UNECE， GB/T 44719）。此類測試通常在封閉的測試場中進行，通過設(shè)置標準化場景并使用假人來確定初始位置、速度和與車輛的碰撞角度。然而，封閉測試場的有限條件使得完全復(fù)制復(fù)雜和隨機的行人場景變得具有挑戰(zhàn)性（Zhang et al.， 2023）。

因此，一些研究人員一直在研究在模擬條件下預(yù)設(shè)行人行為（例如步行速度和路徑），以創(chuàng)建更復(fù)雜的測試場景，評估自動駕駛汽車（中國新車評估計劃（C-NCAP），2024 年）（歐洲新車評估計劃 （Euro NCAP），2023 年).研究建議使用 VR 模擬來構(gòu)建可以模擬復(fù)雜行人行為和反應(yīng)的虛擬環(huán)境（Tran 和 Parker，2024 年）（Kwon 等人，2022 年），使自動駕駛汽車能夠在安全可控的環(huán)境中進行廣泛的行人測試。軟件在環(huán) （SIL） 測試通過在虛擬環(huán)境中模擬行人場景來驗證自主系統(tǒng)決策模塊的性能，特別是當行人接近或互動時（Yu et al.， 2023， Angulo et al.， 2023）。模型在環(huán) （MIL）測試通過計算機模型模擬自動駕駛系統(tǒng)的控制邏輯，特別適合測試行人識別和路徑規(guī)劃模型（Bruggner et al.， 2021）。硬件在環(huán) （HIL） 測試將車輛傳感器和控制系統(tǒng)連接到仿真平臺，以評估行人接近或互動時的系統(tǒng)響應(yīng)（Zhu et al.， 2024）。

場景驅(qū)動的 AV 測試方法已成為行業(yè)公認的解決方案，用于解決 AV 性能測試挑戰(zhàn)。此類方法旨在以最少的測試工作對高價值場景進行有針對性的測試。Lin et al. （Lin et al.， 2025） 和 Fei et al. （Fei et al.， 2024）強調(diào)了控制工程和大數(shù)據(jù)驅(qū)動的車輛感知技術(shù)在智能網(wǎng)聯(lián)汽車中的關(guān)鍵作用，為自動駕駛系統(tǒng)的安全評估和行人測試場景提供了重要的技術(shù)支持。與車對車交互測試類似，AV 的行人測試場景力求從大量真實交通場景中提取盡可能多的豐富且逼真的車-行人交互場景。目前在 AV 中生成行人場景的方法主要涉及根據(jù)交通事故數(shù)據(jù)構(gòu)建場景和基于自然駕駛數(shù)據(jù) （NDD）生成場景。Lenard 等人（Lenard 等人，2018 年）等研究人員使用聚類方法確定了 6 種典型的邏輯場景，占 9,360 起汽車與行人碰撞事件中案例的 86%。Su et al. （Su et al.， 2017） 和 Liu et al. （Liu et al.， 2012） 等研究人員利用基于 NDD 的系統(tǒng)聚類方法分別確定了 4 類和 5 類代表性行人交通沖突邏輯場景。同樣，研究人員應(yīng)用聚類分析算法從數(shù)百起汽車與自行車的碰撞事件中提取典型的邏輯場景（Hu et al.， 2018， Cao et al.， 2020， Sui et al.， 2017）。雖然情景構(gòu)建方法基于真實的事故案例，但由于事故發(fā)生前數(shù)據(jù)缺乏，場景再現(xiàn)的完整性受到限制。Ma 等人和 Xu 等人（Xu et al.， 2021， Ma et al.， 2021）等研究人員專注于構(gòu)建和驗證基于 NDD 的行人-車輛和車對車交互場景。已經(jīng)提出采用真實的 NDD 來創(chuàng)建逼真的行人行為模型和交互場景（Zhu et al.， 2021， Tian et al.， 2023）。目前，流行的生成模型包括生成對抗網(wǎng)絡(luò) （GAN） 和變分自動編碼器 （VAE），它們對分布進行建模并從大型數(shù)據(jù)集生成新數(shù)據(jù)（Krajewski 等人，2018 年，Zhang 等人，2021 年，Abeysirigoonawardena 等人，2021 年，Mathieu 等人，2019 年，Yang 等人，2023 年）。Li et al. （Li et al.， 2025） 對 GAN 在交通狀態(tài)預(yù)測中的應(yīng)用進行了系統(tǒng)評價，強調(diào)了它們在增強 AV 場景生成方面的潛力。隨著大型語言模型的應(yīng)用不斷增加，Kuang 等人 （Kuang et al.， 2024） 和 Qu et al. （Qu et al.， 2023） 探索了它們在流量方面的潛力場景生成和決策支持，為提高自動駕駛系統(tǒng)的性能及其在復(fù)雜交通環(huán)境中的安全評估提供新的技術(shù)路徑和支持。Spooner 等人（Spooner 等人，2021 年）等研究人員提出了基于 GAN 的方法來生成人行橫道場景，使自動感知和決策系統(tǒng)能夠更有效地識別和響應(yīng)人行橫道。此外，還提出了情景增強模擬方法，這些方法生成關(guān)鍵情景或邊緣案例，以測試自動化系統(tǒng)在高風險或低概率情況下的性能（Klück 等人，2019 年，Sun 等人，2023 年，Zhou 等人，2024 年，Muktadir 和 Whitehead，2024 年）。

生成高價值的行人測試場景必須確保全面覆蓋，同時解決交通狀況和行人行為的不確定性，例如行人行為的隨機性和交通信號的變化。雖然 AV 的行人場景測試越來越受到關(guān)注，但對關(guān)鍵行人測試場景的研究仍然有限。本文提出了一個生成 AV 行人測試場景的框架，重點是從中國的典型交通狀況中提取車輛與行人的交互特征。