內容提要
隨著自動駕駛等級的提高，汽車系統變得更加複雜。多變的天氣、複雜的交通環境、多樣的駕駛任務和動態的行駛狀態等都為自動駕駛汽車測試評價提出了新的挑戰。特別是自動駕駛汽車的測試評價對象已經從傳統汽車的人、車二元獨立系統變為人-車-環境-任務強耦合系統。
基於場景的虛擬測試技術試驗場景配置靈活、測試效率高、測試重複性強、測試過程安全、測試成本低，可實現自動測試和加速測試，節省大量人力物力。因此，基於場景的虛擬測試已成為自動駕駛汽車測試評價不可或缺的重要環節。國內外眾多科研機構和研究人員都對此開展了廣泛的研究。本文將從自動駕駛測試場景、自動駕駛虛擬測試平臺、自動駕駛加速測試方法三個方面對基於場景的虛擬測試研究進行總結和歸納，分析和展望目前研究所面臨的問題，以及自動駕駛汽車虛擬測試研究未來的發展趨勢。
自動駕駛測試場景
1.1 場景的定義
“場景（Scenerio）”一詞來源於拉丁語（Olinda），意為舞臺劇，現泛指生活中特定的情景。隨著科技的發展，場景的概念逐漸應用於工業生產的開發測試過程中。
圖1 “場景”的應用領域
基於場景的測試最先應用於軟件系統的開發，“場景”用來描述系統的使用方式、使用要求、使用環境，以及構想更多可行的系統。現階段在自動駕駛領域，“場景”尚沒有明確統一的定義。但根據RAND、PEGASUS等不同機構的定義，其核心要素上是一致的：都包含道路環境要素、包含其他交通參與者、包含車輛駕駛任務，同時，這些要素都會持續一定時間、具有動態變化的特性。
本文對於自動駕駛測試場景的理解為：場景是自動駕駛汽車與其行駛環境各組成要素在一段時間內的總體動態描述，這些要素組成由所期望檢驗的自動駕駛汽車的功能決定。簡言之，場景可以認為是自動駕駛汽車行駛場合與駕駛情景的有機組合。
1.2 場景的要素
確定場景要素是進行基於場景的自動駕駛汽車虛擬測試的首要環節。本文綜合不同場景要素研究，提出瞭如圖2所示的場景要素具體情況。測試場景要素主要包括測試車輛和交通環境要素2大類，其中，測試車輛要素又包括測試車輛基礎要素、目標信息以及駕駛行為3類；交通環境要素包括天氣和光照、靜態道路信息、動態道路信息和交通參與者信息4類。
圖2場景要素
1.3 場景的數據來源
自動駕駛測試場景的數據來源主要包括真實數據、模擬數據和專家經驗等三個部分，具體內容如圖3所示。
圖3測試場景數據來源
真實數據來源主要包括自然駕駛數據、事故數據、路側單元監控數據，以及駕駛人考試、智能汽車封閉試驗場測試、開放道路測試等典型測試數據。典型的自然駕駛場景數據採集車輛配置如圖4所示。
圖4典型的自然駕駛場景數據採集車輛
模擬數據：模擬數據來源主要包括駕駛模擬器數據和仿真數據。駕駛模擬器數據是利用駕駛模擬器進行測試得到的場景要素信息。相比道路測試，駕駛模擬器測試安全、高效、可重複性好，可以進行大範圍的以及危險和極限工況的駕駛人在環測試。
專家經驗數據是指通過以往測試的經驗知識總結得到的場景要素信息，標準法規測試場景是典型的專家經驗場景數據來源。目前，世界各國已有80餘類自動駕駛測試法律法規。我國最新發布的《智能網聯汽車自動駕駛功能測試規程（試行）》提出了包括交通標誌和標線的識別及響應等在內的34個測試場景。
1.4 場景的處理方式
不同數據來源之間的場景數據格式及類型存在差異，且原始數據中存在大量無效數據、錯誤數據，需要對場景數據進行適當的處理才能形成真正可用的自動駕駛汽車測試場景。根據現有的典型場景數據處理方式，本文總結歸納提出瞭如圖5所示的場景數據處理流程。
圖5場景數據處理流程
自動駕駛虛擬測試
典型的自動駕駛汽車測試驗證架構如圖6所示，測試方式主要包括模型在環測試、駕駛模擬器測試、硬件在環測試和車輛在環測試等在虛擬環境中進行的虛擬測試，以及在封閉試驗場和公共道路進行的實車測試。其中，虛擬測試方式主要包括模型在環測試、硬件在環測試和車輛在環測試。
圖6自動駕駛驗證框架
模型在環測試採用模擬場景、車輛動力學模型、傳感器模型、決策規劃算法進行虛擬環境下的自動駕駛測試，其主要應用於系統開發的最初階段，沒有硬件參與系統測試，主要用於驗證算法的正確性。
硬件在環測試主要包括環境感知系統在環測試、決策規劃系統在環測試和控制執行系統在環測試等，其測試要求包括：持續測試（可根據此時目的進行自動測試）、組合測試（不同標準在同一場景中進行評價，例如安全性、舒適性等）、擴展性（簡單功能的測試結果具有擴展性，例如對於車道保持的測試結果可擴展應用於高級自動駕駛功能）。
圖7典型硬件在環測試方案
車輛在環測試是將整車嵌入到虛擬測試環境中進行測試，通過模擬場景測試整車的性能，主要包括封閉場地車輛在環和轉轂平臺車輛在環，其關鍵在於將車輛信息傳遞給模擬環境以及將模擬環境中產生的傳感器信息傳遞給車輛控制器。
圖8車輛在環測試方案
基於場景的自動駕駛加速測試
基於場景的自動駕駛加速測試目前主要有兩種方式：一種方式是基於虛擬環境搭建測試場景的快速性與可重複性，根據測試需求進行測試場景的隨機生成，短時間內生成大量測試場景；另一種方式是參照整車強化腐蝕測試方法所提出的危險場景強化生成方法。
3.1 測試場景隨機生成
測試場景隨機生成的技術路線主要包括以蒙特卡洛模擬法、快速搜索隨機樹為代表的基於隨機採樣的生成方法，基於場景要素重要性層次分析的生成方法以及基於機器學習的方法等。
相比在現實世界搭建真實測試場景，在虛擬環境進行測試用例的生成可以極大程度上減少時間以及資源上的消耗。然而，由於自然情況下事故的發生概率較低，使用場景隨機生成的方式仍可能面臨大量計算的困擾，危險場景強化生成的方法可以很好的解決這個問題。
3.2 危險場景強化生成
若自動駕駛汽車在危險情況表現良好，則通常情況下其系統安全性也可以得到很好的保障。因此，測試危險場景下自動駕駛汽車的性能得到了越來越多學者的關注。
Zhao D等人根據定義的危險場景，提出了一種重要性採樣的危險場景加速生成方法，其核心思想是引入一個新的概率密度函數f*(x)代替原本的f(x)，增大危險場景的生成概率，從而減少測試次數。在使用隨機採樣的場景生成方法時，危險場景的概率密度函數為f(x),其最小測試次數為：
其中γ為危險場景發生的概率，β為給定常數，z與N(0,1)的逆累積分佈函數有關
使用重要性採樣進行危險場景生成時，危險場景的概率密度函數為f*(x)，其最小測試次數為：
其中，I(x)為危險事件的指標函數，L(x)為使用重要性採樣的似然比，為改變概率密度函數後，危險場景發生的概率
通過對前車切入、前車制動等典型場景對危險場景強化生成的方法進行驗證，證明其測試速度可達到蒙特卡洛測試模擬的7000倍。
研究展望
雖然各國學者針對基於場景的自動駕駛汽車虛擬測試進行了廣泛的研究，並取得了一定的成果，但目前的研究水平還無法滿足自動駕駛汽車測試的迫切需求，世界範圍內尚未建立完善的自動駕駛汽車虛擬測試評價體系。未來，在如下幾個方面仍需進一步深入研究：
（1）場景解構與自動重構技術。
真實交通場景複雜多變，數據量龐大，應根據場景要素分析，進行場景特徵要素提取，實現場景解構。同時，場景要素複雜繁多，在測試不同的自動駕駛功能時，所需的場景要素類型不盡相同。如何根據測試需求自動重構測試場景是目前亟待解決的關鍵問題。
（2）人-車-環境系統一體化高置信度建模。
當前人、車、環境模型多進行單獨構建，彼此之間的耦合聯繫尚未明確，應通過傳感器信號的路徑損耗、陰影衰減和噪聲建模，描述傳感器模型與環境模型的耦合機理，進而，對駕駛人、車輛、環境的影響因素進行全面分析，搭建構建人-車-環境一體化高置信度模型。
（3）構建自動駕駛汽車虛擬測試標準工具鏈。
目前，自動駕駛汽車的虛擬測試多參照“V”型流程，未來應明確不同虛擬測試平臺之間的測試優勢，採用接近服役條件下自動駕駛系統在環設計方法和多構型執行機構一體化測試技術，建立統一、規範的自動駕駛汽車虛擬測試標準工具鏈。
（4）不同自動駕駛汽車滲透率下的混合交通模擬與測試。
建立不同自動駕駛汽車滲透率下的混合交通模型，分析不同自動駕駛汽車數量的交通態勢及車輛行為，進行混合交通測試是未來自動駕駛虛擬測試一個新的研究領域。
（5）建立測試案例動態自適應隨機生成機制。
根據場景要素組合準則與約束關係，構建多危險等級測試場景，建立測試案例動態自適應隨機生成機制，並實現海量數據高速併發是自動駕駛虛擬測試未來的研究重點
（6）建立自動駕駛汽車虛擬測試標準體系。
環境複雜度、任務複雜度、人工干預度、行駛智能性等方面均可以作為虛擬測試的評價內容。未來應研發適應技術發展趨勢的虛擬測試評價體系架構，建立測試標準體系。
總結
由於自動駕駛汽車行駛場景具有極其複雜、無限豐富、不可預知的特點，傳統的道路測試方法已不能滿足自動駕駛測試需求，基於場景的虛擬測試已成為自動駕駛汽車測試驗證不可或缺的重要組成部分。
本文對基於場景的自動駕駛汽車虛擬測試技術的研究進展進行了系統的梳理和總結；明確了測試場景的內涵，歸納了測試場景的要素種類，概述了測試場景的數據來源，並系統地總結了場景數據的處理方法。在此基礎上，對模型在環、硬件在環和車輛在環測試方案及其關鍵技術進行了系統的梳理，概述了典型的測試場景隨機生成方法和危險場景強化生成方法。
基於場景的自動駕駛汽車虛擬測試尚處於技術發展的初級階段，需要多領域科研工作者的共同推進，未來研究應著力突破基於解構與自動重構的測試場景數據庫、人-車-環境系統一體化高置信度建模、自動駕駛汽車虛擬測試標準工具鏈、不同自動駕駛汽車滲透率下的混合交通模擬與測試、測試案例動態自適應隨機生成機制等核心共性技術，建立自動駕駛汽車虛擬測試標準體系，為自動駕駛技術發展和產業落地提供有力支撐。
閱讀更多 自動駕駛最前沿 的文章
