自動駕駛汽車仿真測試與評價方法進展

周干 張嵩 羅悅齊

（上海汽車集團 前瞻技術(shù)研究部，上海 201804）

主題詞：自動駕駛 安全 仿真 測試評價方法

1 前言

隨著汽車行業(yè)的快速發(fā)展，汽車保有量逐步提升，道路安全事故頻發(fā)。為了減少交通事故造成的嚴重傷亡，各汽車制造商正在不斷加大對主動安全技術(shù)和智能化技術(shù)的研發(fā)投入以提高汽車的安全性。隨著先進駕駛輔助系統(tǒng)（ADAS）技術(shù)的不斷升級完善并逐步向智能化發(fā)展，汽車在不久的將來會實現(xiàn)自動駕駛。表1所示是基于SAE標準的汽車自動駕駛分級系統(tǒng)[1]，當達到第5級系統(tǒng)時，理論上“自動駕駛系統(tǒng)”將完全掌控感知、決策和執(zhí)行，從而完全避免人類駕駛員的失誤，獲得極高的安全性。但是，隨著汽車自動化程度不斷升級，如何高效的測試和驗證自動駕駛算法的合理性及系統(tǒng)的穩(wěn)定性已經(jīng)成為業(yè)內(nèi)的一大挑戰(zhàn)。

目前，自動駕駛車輛測試可分為實車測試和虛擬仿真測試。虛擬仿真測試借助于計算機仿真技術(shù)，與實車測試比較，具有測試速度快、成本低、無安全風險等優(yōu)點，在產(chǎn)品開發(fā)的早期階段被廣泛采用，所以研究出高效、經(jīng)濟的仿真測試方法對廠家尤為重要。由于構(gòu)成真實交通場景交通參與者的類型、大小、形狀、顏色等特征不同，以及道路環(huán)境，天氣等因素復雜多變，如何合理的構(gòu)造模擬真實交通場景的交通參與者模型成為自動駕駛測試的關(guān)鍵問題之一。本文通過文獻挖掘，系統(tǒng)總結(jié)了國內(nèi)外研究者在針對自動駕駛的仿真測試與評價方法研究上取得的最新進展。

2 五種測試方法評述

2.1 蒙特卡洛方法

為了更精確得解決一個復雜的問題，可以用一種隨機方法去求解近似值，這種方法稱為“蒙特卡洛方法”。蒙特卡洛這種隨機算法雖然不能得到問題的真實解，但卻可以將復雜的問題簡化，以簡單重復的算法求解各種復雜問題[2]。

表1 自動駕駛分級[1]

早在2004年，Gietelink等[3]利用蒙特卡洛方法結(jié)合基于PreScan搭建的車-硬件在環(huán)系統(tǒng)驗證了ADAS系統(tǒng)的可靠性及穩(wěn)定性。作者選定了一個高速的巡航（ACC）測試場景，通過PreScan建模并進行N次的隨機試驗，根據(jù)評價標準，統(tǒng)計每次試驗的結(jié)果(失效或成功)，失效次數(shù)為Nf，最后得到ACC系統(tǒng)的失效概率（Nf/N），隨著試驗次數(shù)的不斷增大，N→∞，系統(tǒng)失效的概率越接近于真實的值。

2.2 蒙特卡洛加速測試方法

蒙特卡洛算法可以將駕駛場景變成一個隨機模型，基于大數(shù)定理，隨著重復測試次數(shù)的增大，測試結(jié)果總是會收斂到真值[4]。但是要讓結(jié)果逼近真值，需要非常大量的樣本容量。隨著智能駕駛技術(shù)不斷升級，整車控制子系統(tǒng)更加復雜，需要測試驗證的場景更加多樣化及連續(xù)性，若任用傳統(tǒng)的蒙特卡洛算法進行測試，則需要更多的計算硬件支持，勢必會增加測試的時間及成本。

為了獲得更快的測試速度，Zhao等[5][6]基于蒙特卡洛算法提出了加速測試算法。如圖1所示，該研究將蒙特卡洛加速測試模型分為4步。首先，基于大量的自然駕駛數(shù)據(jù)，定義第一輛干擾車的行為為自動駕駛車輛駕駛表現(xiàn)的主要干擾源，然后將日常駕駛數(shù)據(jù)做偏態(tài)分布并著重強調(diào)臨界場景，再使用挑選的數(shù)據(jù)導入模型進行加速測試，獲得測試數(shù)據(jù)。最后，根據(jù)重要性采樣方法對結(jié)果進行偏態(tài)采樣獲得真實場景下系統(tǒng)的碰撞率或遇到危險場景的概率等重要數(shù)據(jù)。此方法僅選擇臨界場景進行隨機試驗，大大降低了測試里程，提高測試效率。

2.3 博弈論方法

傳統(tǒng)的博弈論方法主要處理兩個參與者之間的混合策略納什均衡，例如零和博弈。而駕駛行為涉及到各個駕駛員在復雜場景和信息有限的條件下的決策和交互，因此可以將博弈論方法擴展到多個參與者，用于預(yù)測和模擬人類駕駛員的行為，從而構(gòu)建符合自然駕駛特性的仿真交通環(huán)境，用以測試自動駕駛汽車應(yīng)對混合交通的性能。Li等人[7]基于此方法構(gòu)建了多層次的駕駛員模型：Level-K模型，并用這些模型按照一定的次序組合構(gòu)建各種測試場景，來驗證自動駕駛算法的合理性。

圖1 加速測試方法原理與流程[5][6]

Level-K模型，是基于實際駕駛過程中駕駛員根據(jù)所觀測到的交通情況做出推測并選擇駕駛行為的事實所開發(fā)的多層次駕駛員模型。其中0級模型也稱最底層模型，代表智能駕駛員選擇駕駛行為時只按照自身需求而不用考慮其余車輛的駕駛行為。例如，車輛需要從A車道換至B車道，不需要考慮臨近車輛的駕駛行為，此駕駛員模型被稱為0級模型。如果某輛車參考0級駕駛員模型的駕駛行為選擇自己的駕駛行為，則定義此駕駛員模型為1級駕駛員模型。以此例推，K級駕駛員模型以K-1級駕駛員模型的駕駛行為為參考選擇駕駛行為，從而得到Level-K模型。

與蒙特卡洛方法不同的是，基于博弈論方法進行自動駕駛算法的測試，不再純粹基于數(shù)據(jù)去描述環(huán)境車輛的行為，而是從人類駕駛行為的本質(zhì)機理出發(fā)，建立起駕駛員交互模型，從而構(gòu)建接近真實的交通環(huán)境工況，進而驗證自動駕駛算法在真實交通環(huán)境下的響應(yīng)性能[8]。

2.4 測試場景矩陣

前三節(jié)所述的“蒙特卡洛方法”、“加速測試方法”和“博弈論方法”都是基于重構(gòu)的環(huán)境、車、駕駛員模型及交通模型對自動駕駛算法進行測試，由于這些方法反映了實際道路上的駕駛狀態(tài)，因此需要較長的測試里程，才能得到更可靠的測試結(jié)果。另一種思路是人工設(shè)計特定的測試場景。Menzel等人[9]基于功能安全標準ISO 26262[10]的V模型驗證法定義多樣化的測試場景，并選擇必要的危險場景進行測試以提高測試效率。

如圖2所示，研究者參考V模型的開發(fā)過程，提出了場景定義的三個階段，即概念設(shè)計階段、系統(tǒng)開發(fā)階段、測試階段。在概念設(shè)計階段，可以定義高度抽象化的測試場景，即定義構(gòu)成交通場景的要素，如：車輛、道路、行人等。隨著開發(fā)過程的不斷推進，場景定義變得更加具體。在系統(tǒng)開發(fā)階段，場景定義需要包含構(gòu)建場景要素的狀態(tài)參數(shù)的范圍，如道路的寬度范圍、車輛位置范圍等。最后，在測試階段，場景定義需要包含場景要素狀態(tài)的具體值。這樣便得到一個結(jié)構(gòu)化的場景定義方法，即首先根據(jù)ISO 26262標準進行類目定義，然后將各階段的場景按等級劃分為“功能場景”、“邏輯場景”和“具體場景”，得到矩陣化的測試場景庫，再進行危險性分析和風險評估，最后選擇必要的案例進行測試和驗證。

圖2 分階段場景定義[9]

2.5 駕駛模擬器仿真測試

為了達到更真實的仿真效果，現(xiàn)代汽車的工程師借助航空駕駛模擬器的原型搭建了可以實現(xiàn)人-車-路-交通等場景協(xié)同的閉環(huán)仿真平臺[11]。用該仿真平臺進行自動駕駛仿真測試，不但提高了測試效率，還可以實現(xiàn)人與車、車與路等交通參與者的實時交互，為應(yīng)對更高級別的自動駕駛測試提供了切實有效的技術(shù)方向。

一個典型的駕駛模擬器仿真平臺主要由4部分組成，如圖3所示：駕駛模擬器座艙，實時仿真機，視覺圖形發(fā)生器，多自由度運動平臺。駕駛模擬器座艙為人車交互系統(tǒng)，包含電動轉(zhuǎn)向模塊，電子穩(wěn)定控制模塊，ECU模塊。實時仿真機用來運行自動駕駛仿真軟件、車輛動力學仿真軟件。視覺圖形發(fā)生器用于呈現(xiàn)駕駛狀態(tài)的視覺效果，并在顯示器上展示。同時，視覺發(fā)生器還建立了3D實時仿真環(huán)境，包括路面、護欄、交通參與者等。多自由度運動平臺承載駕駛模擬器座艙，該平臺可實現(xiàn)橫向、縱向、垂直方向的擺動，這樣可以模擬真實交通場景下的車輛動力學形態(tài)。駕駛模擬器仿真測試方法可以在安全高效的環(huán)境下，最大程度地考慮人的因素，這對于正處在上升階段的自動駕駛技術(shù)意義重大。一方面，短期內(nèi)的自動駕駛汽車在工作過程中隨時需要接受人類駕駛員的接管，基于駕駛模擬器可以研究并優(yōu)化接管過程的安全性。另一方面，未來很可能形成自動駕駛與人類駕駛混合交通的局面，因此，自動駕駛技術(shù)如何正確識別和適應(yīng)人類駕駛行為，也是應(yīng)該重點研究的一個問題，這也可以通過駕駛模擬器仿真實現(xiàn)人機交互測試。

圖3 多自由度駕駛模擬器仿真平臺

3 總結(jié)與展望

本文討論了不同的自動駕駛測試方法的原理與特點，通過討論發(fā)現(xiàn)，測試場景矩陣的方法可以構(gòu)造典型的交通場景，但是場景的覆蓋率較低，適合應(yīng)用于項目開發(fā)早期或用于算法或子系統(tǒng)的驗證。蒙特卡洛方法生成的交通場景具有隨機性，但是場景覆蓋率更高，若基于實車采集的數(shù)據(jù)用蒙特卡洛加速算法生成交通場景，雖不能覆蓋所有交通場景，但和真實的場景更接近，且可以加快測試速度。運用多自由度駕駛模擬器集成平臺測試，不僅可以進行自動駕駛系統(tǒng)的測試，還可以提供人-車-路系統(tǒng)協(xié)同的真實交通場景測試，為測試更高級別的自動駕駛車輛提供了未來的方向。