--后台回复“资料”，领取特斯拉专利技术解析报告--
随着自动驾驶等级的提高，汽车系统变得更加复杂。多变的天气、复杂的交通环境、多样的驾驶任务和动态的行驶状态等都为自动驾驶汽车测试评价提出了新的挑战。特别是自动驾驶汽车的测试评价对象已经从传统汽车的人、车二元独立系统变为人-车-环境-任务强耦合系统。
基于场景的虚拟测试技术试验场景配置灵活、测试效率高、测试重复性强、测试过程安全、测试成本低，可实现自动测试和加速测试，节省大量人力物力。因此，基于场景的虚拟测试已成为自动驾驶汽车测试评价不可或缺的重要环节。国内外众多科研机构和研究人员都对此开展了广泛的研究。本文将从自动驾驶测试场景、自动驾驶虚拟测试平台、自动驾驶加速测试方法三个方面对基于场景的虚拟测试研究进行总结和归纳，分析和展望目前研究所面临的问题，以及自动驾驶汽车虚拟测试研究未来的发展趋势。
自动驾驶测试场景
“场景（Scenerio）”一词来源于拉丁语（Olinda），意为舞台剧，现泛指生活中特定的情景。随着科技的发展，场景的概念逐渐应用于工业生产的开发测试过程中。
“场景”的应用领域
基于场景的测试最先应用于软件系统的开发，“场景”用来描述系统的使用方式、使用要求、使用环境，以及构想更多可行的系统。现阶段在自动驾驶领域，“场景”尚没有明确统一的定义。但根据RAND、PEGASUS等不同机构的定义，其核心要素上是一致的：都包含道路环境要素、包含其他交通参与者、包含车辆驾驶任务，同时，这些要素都会持续一定时间、具有动态变化的特性。
本文对于自动驾驶测试场景的理解为：场景是自动驾驶汽车与其行驶环境各组成要素在一段时间内的总体动态描述，这些要素组成由所期望检验的自动驾驶汽车的功能决定。简言之，场景可以认为是自动驾驶汽车行驶场合与驾驶情景的有机组合。
确定场景要素是进行基于场景的自动驾驶汽车虚拟测试的首要环节。本文综合不同场景要素研究，提出了如图2所示的场景要素具体情况。测试场景要素主要包括测试车辆和交通环境要素2大类，其中，测试车辆要素又包括测试车辆基础要素、目标信息以及驾驶行为3类；交通环境要素包括天气和光照、静态道路信息、动态道路信息和交通参与者信息4类。
场景要素
自动驾驶测试场景的数据来源主要包括真实数据、模拟数据和专家经验等三个部分，具体内容如图3所示。
测试场景数据来源
真实数据来源主要包括自然驾驶数据、事故数据、路侧单元监控数据，以及驾驶人考试、智能汽车封闭试验场测试、开放道路测试等典型测试数据。典型的自然驾驶场景数据采集车辆配置如图4所示。
典型的自然驾驶场景数据采集车辆
模拟数据：模拟数据来源主要包括驾驶模拟器数据和仿真数据。驾驶模拟器数据是利用驾驶模拟器进行测试得到的场景要素信息。相比道路测试，驾驶模拟器测试安全、高效、可重复性好，可以进行大范围的以及危险和极限工况的驾驶人在环测试。
专家经验数据是指通过以往测试的经验知识总结得到的场景要素信息，标准法规测试场景是典型的专家经验场景数据来源。目前，世界各国已有80余类自动驾驶测试法律法规。我国最新发布的《智能网联汽车自动驾驶功能测试规程（试行）》提出了包括交通标志和标线的识别及响应等在内的34个测试场景。
不同数据来源之间的场景数据格式及类型存在差异，且原始数据中存在大量无效数据、错误数据，需要对场景数据进行适当的处理才能形成真正可用的自动驾驶汽车测试场景。根据现有的典型场景数据处理方式，本文总结归纳提出了如图5所示的场景数据处理流程。
场景数据处理流程
自动驾驶虚拟测试
典型的自动驾驶汽车测试验证架构如图6所示，测试方式主要包括模型在环测试、驾驶模拟器测试、硬件在环测试和车辆在环测试等在虚拟环境中进行的虚拟测试，以及在封闭试验场和公共道路进行的实车测试。其中，虚拟测试方式主要包括模型在环测试、硬件在环测试和车辆在环测试。
自动驾驶验证框架
模型在环测试采用模拟场景、车辆动力学模型、传感器模型、决策规划算法进行虚拟环境下的自动驾驶测试，其主要应用于系统开发的最初阶段，没有硬件参与系统测试，主要用于验证算法的正确性。
硬件在环测试主要包括环境感知系统在环测试、决策规划系统在环测试和控制执行系统在环测试等，其测试要求包括：持续测试（可根据此时目的进行自动测试）、组合测试（不同标准在同一场景中进行评价，例如安全性、舒适性等）、扩展性（简单功能的测试结果具有扩展性，例如对于车道保持的测试结果可扩展应用于高级自动驾驶功能）。
典型硬件在环测试方案
车辆在环测试是将整车嵌入到虚拟测试环境中进行测试，通过模拟场景测试整车的性能，主要包括封闭场地车辆在环和转毂平台车辆在环，其关键在于将车辆信息传递给模拟环境以及将模拟环境中产生的传感器信息传递给车辆控制器。
车辆在环测试方案
基于场景的自动驾驶加速测试
基于场景的自动驾驶加速测试目前主要有两种方式：一种方式是基于虚拟环境搭建测试场景的快速性与可重复性，根据测试需求进行测试场景的随机生成，短时间内生成大量测试场景；另一种方式是参照整车强化腐蚀测试方法所提出的危险场景强化生成方法。
测试场景随机生成的技术路线主要包括以蒙特卡洛模拟法、快速搜索随机树为代表的基于随机采样的生成方法，基于场景要素重要性层次分析的生成方法以及基于机器学习的方法等。
相比在现实世界搭建真实测试场景，在虚拟环境进行测试用例的生成可以极大程度上减少时间以及资源上的消耗。然而，由于自然情况下事故的发生概率较低，使用场景随机生成的方式仍可能面临大量计算的困扰，危险场景强化生成的方法可以很好的解决这个问题。
若自动驾驶汽车在危险情况表现良好，则通常情况下其系统安全性也可以得到很好的保障。因此，测试危险场景下自动驾驶汽车的性能得到了越来越多学者的关注。
Zhao D等人根据定义的危险场景，提出了一种重要性采样的危险场景加速生成方法，其核心思想是引入一个新的概率密度函数f*(x)代替原本的f(x)，增大危险场景的生成概率，从而减少测试次数。在使用随机采样的场景生成方法时，危险场景的概率密度函数为f(x),其最小测试次数为：
其中γ为危险场景发生的概率，β为给定常数，z与N(0,1)的逆累积分布函数有关
使用重要性采样进行危险场景生成时，危险场景的概率密度函数为f*(x)，其最小测试次数为：
其中，I(x)为危险事件的指标函数，L(x)为使用重要性采样的似然比，为改变概率密度函数后，危险场景发生的概率
通过对前车切入、前车制动等典型场景对危险场景强化生成的方法进行验证，证明其测试速度可达到蒙特卡洛测试模拟的7000倍。
研究展望
虽然各国学者针对基于场景的自动驾驶汽车虚拟测试进行了广泛的研究，并取得了一定的成果，但目前的研究水平还无法满足自动驾驶汽车测试的迫切需求，世界范围内尚未建立完善的自动驾驶汽车虚拟测试评价体系。未来，在如下几个方面仍需进一步深入研究：
场景解构与自动重构技术
真实交通场景复杂多变，数据量庞大，应根据场景要素分析，进行场景特征要素提取，实现场景解构。同时，场景要素复杂繁多，在测试不同的自动驾驶功能时，所需的场景要素类型不尽相同。如何根据测试需求自动重构测试场景是目前亟待解决的关键问题。
人-车-环境系统一体化高置信度建模
当前人、车、环境模型多进行单独构建，彼此之间的耦合联系尚未明确，应通过传感器信号的路径损耗、阴影衰减和噪声建模，描述传感器模型与环境模型的耦合机理，进而，对驾驶人、车辆、环境的影响因素进行全面分析，搭建构建人-车-环境一体化高置信度模型。
构建自动驾驶汽车虚拟测试标准工具链
目前，自动驾驶汽车的虚拟测试多参照“V”型流程，未来应明确不同虚拟测试平台之间的测试优势，采用接近服役条件下自动驾驶系统在环设计方法和多构型执行机构一体化测试技术，建立统一、规范的自动驾驶汽车虚拟测试标准工具链。
不同自动驾驶汽车渗透率下的混合交通模拟与测试
建立不同自动驾驶汽车渗透率下的混合交通模型，分析不同自动驾驶汽车数量的交通态势及车辆行为，进行混合交通测试是未来自动驾驶虚拟测试一个新的研究领域。
建立测试案例动态自适应随机生成机制
根据场景要素组合准则与约束关系，构建多危险等级测试场景，建立测试案例动态自适应随机生成机制，并实现海量数据高速并发是自动驾驶虚拟测试未来的研究重点
建立自动驾驶汽车虚拟测试标准体系
环境复杂度、任务复杂度、人工干预度、行驶智能性等方面均可以作为虚拟测试的评价内容。未来应研发适应技术发展趋势的虚拟测试评价体系架构，建立测试标准体系。
由于自动驾驶汽车行驶场景具有极其复杂、无限丰富、不可预知的特点，传统的道路测试方法已不能满足自动驾驶测试需求，基于场景的虚拟测试已成为自动驾驶汽车测试验证不可或缺的重要组成部分。
本文对基于场景的自动驾驶汽车虚拟测试技术的研究进展进行了系统的梳理和总结；明确了测试场景的内涵，归纳了测试场景的要素种类，概述了测试场景的数据来源，并系统地总结了场景数据的处理方法。在此基础上，对模型在环、硬件在环和车辆在环测试方案及其关键技术进行了系统的梳理，概述了典型的测试场景随机生成方法和危险场景强化生成方法。
基于场景的自动驾驶汽车虚拟测试尚处于技术发展的初级阶段，需要多领域科研工作者的共同推进，未来研究应着力突破基于解构与自动重构的测试场景数据库、人-车-环境系统一体化高置信度建模、自动驾驶汽车虚拟测试标准工具链、不同自动驾驶汽车渗透率下的混合交通模拟与测试、测试案例动态自适应随机生成机制等核心共性技术，建立自动驾驶汽车虚拟测试标准体系，为自动驾驶技术发展和产业落地提供有力支撑。
转载自中国公路学报，文中观点仅供分享交流，不代表本公众号立场，如涉及版权等问题，请您告知，我们将及时处理。
-- END --
