自動駕駛仿真測試場景庫構建研究

曾德松，高琛，譚北海，余榮

（1.廣東工業大學，廣州 510006；2.廣州蔚馳科技有限公司，廣州 511455）

0 引言

現今，自動駕駛是一個熱點話題。近10年來，國內外各大汽車制造廠商、眾多研究機構、新型創業公司和各大高校都在智能汽車和自動駕駛領域進行了巨大的投入與研究，力求盡快的將智能汽車投入實際應用。然而，Tesla公司和Uber公司的自動駕駛汽車在近年來發生的事故使得大家認識到自動駕駛汽車在真正商業化應用前，都需要經過大量的測試驗證才能進行生產使用［1］。傳統的測試方法就是利用裝有自動駕駛技術的汽車在真實道路上進行測試，這種方式體現出來的缺點就是時間長、成本高、不充分，另外真實道路測試受到很多限制，一些極端邊界測試由于安全性考慮是無法實現的。從美國國家公路交通安全管理局（NHTSA）的研究數據來看［2］，一輛汽車大約人為駕駛43.6萬英里（70萬公里）才會遇到一起事故，而且大約人為駕駛1億英里（1.6億公里）導致1人死亡。這樣來看事故場合測試不僅很難得到而且安全性存在較大問題。單純依靠真實道路測試的方法顯現了巨大的局限性，限制了自動駕駛技術的測試開發。

基于真實道路測試的局限性，仿真技術在自動駕駛領域的應用受到廣泛研究者研究探索，通過研究也發現國內外自動駕駛汽車的研究方向重點在于自動駕駛仿真測試開發［3］。目前自動駕駛測試開發流程一般是先仿真測試再到真實道路測試，仿真測試占有較大比重。所以自動駕駛仿真場景庫是自動駕駛測試驗證不可或缺的角色。目前對于仿真測試開發以及仿真場景庫搭建主要聚焦在國內外一些大型公司，如美國Waymo和中國百度，此外車企、研究高校也逐漸在仿真測試場景庫方面進行大量的研究開發。

在一個自動駕駛場景中人-車-路-環境之間是可以從空間、時間維度來描述的，是一個復雜動態關系的模型，這種關系模型形成的無限場景是自動駕駛仿真測試開發的基礎［4］。為了解決傳統道路測試的一系列局限性，本文基于大量國內外的研究和相關研究文獻分析，在第1節中針對場景作為自動駕駛仿真測試場景庫的主體進行一系列的分析，梳理了場景的定義、場景的元素、場景的數據來源；在第2節中總結了常見場景數據處理，主要包括數據預處理、場景特征提取、場景聚類分析；在第3節中歸納了自動駕駛仿真測試場景庫體系的搭建、分布式架構、基于場景庫的V字開發模型；在第4節中以前面的為基礎提出了基于場景庫開發的應用；在第5節中對目前自動駕駛仿真測試場景庫的研究提出了一些未來的研究展望。

1 自動駕駛仿真測試場景

1.1 場景定義

對于自動駕駛領域來說場景就是為了測試驗證自動駕駛技術的環境，通常與軟件的系統開發相結合，運用于測試開發的各個方面，因此在構建自動駕駛仿真場景庫之前理解場景顯得至關重要［5］。在仿真測試軟件系統方面可以用于系統使用的描述、使用要求、使用環境，以及構建性能更加突出的軟件系統［6］。

但是，在自動駕駛仿真測試領域中，至今也沒有研究者給出過絕對唯一的場景定義。Ulbrich等［7］定義“場景是按照時間序列進行的事件發展”，所有的場景都在一個初始化時間序列的環境中開始。Go等［8］定義“場景由參與者、參與者的背景信息和對其環境的假設、參與者的目的、行動或事件的順序”，總的來說，任何領域的場景要素都是一樣的，但是場景的使用卻大不相同。Menzel等［9］根據自動駕駛仿真測試在不同階段所需場景的不同，提出了三個大的場景分類，有功能場景、邏輯場景、具體場景。朱冰等［10］在相關研究綜述的分析上提出場景的本質在于自動駕駛汽車在每個行駛時間中與每個相關的環境成員的動態組合。

上述研究觀點中對于場景定義在核心點上觀念是相同的：場景定義中應該包含自動駕駛測試車輛的駕駛任務、其他交通參與者和車輛所處的環境。并且，這三者之間會形成一定的動態交互行為。因此，場景的定義可以這樣描述：場景是一段時間內測試車輛和周圍行駛環境中的各組成元素動態互動聯系的描述。具有無限豐富、極其復雜、難以預測、不可窮盡等特點。

1.2 場景元素

確定自動駕駛場景中的元素是任何基于場景技術開發的基石。然而，對于場景中元素的類型與內容，不同研究者之間仍存在爭議。Geyer等［11］提出場景元素有預定好的駕駛任務、靜態場景元素和動態場景元素。Sauerbier等［12］提出場景元素應包括測試車輛、交通環境元素、駕駛任務信息和特定駕駛行為。Groh等［13］將場景元素分為三類：靜態元素，指靜止時間足夠長到動作幾乎察覺不到的物體，比如車道線、靜態交通標志等；動態元素，指在一定時間內有一定行為動作的物體，比如行人、騎自行車的人等；環境元素，指所處環境中的一些微觀元素，比如天氣、照明、風速等。

每一個自動駕駛仿真測試場景中測試車輛在行駛的過程中會影響周圍的場景元素，反過來周圍場景元素也會對測試車輛產生影響，尤其是測試車輛與周圍的交通流。更加深入理解來說測試車輛的本身屬性也對場景的構成產生巨大影響。本文通過整合并分析上述研究，梳理了如圖1所示的場景元素組成。

圖1 場景元素

其中場景元素主要有兩大類：車輛基本信息和環境元素。其中，車輛基本信息包括三類：測試車輛的靜態屬性、動態屬性和駕駛任務，環境要素包括四類：氣象、靜態環境、動態環境和交通參與者。

1.3 場景數據來源

了解場景定義以及場景元素后就需要收集大量的場景數據，建立場景庫。目前國內外已經有很多研究機構搭建收集數據，以此來搭建仿真測試場景庫。德國KITTI、美國NHTSA、中國騰訊TAD Sim、百度Apollo等都在為自動駕駛測試開發領域開發了大量的場景數據收集系統，給后續仿真場景的搭建提供強有力的數據支撐［14］。整個自動駕駛仿真場景所需的數據來源主要有真實數據、仿真數據［15］，如圖2所示。

圖2 場景數據來源

1.3.1 真實數據

真實數據源主要包括自然駕駛數據、事故數據、封閉場地測試數據、開放道路測試數據。其中自然駕駛數據與事故數據是最常見的真實數據來源，一般研究都基于這兩者。

自然駕駛數據來源一般是通過先進的數據采集設備［16］，比如在傳統汽車上安裝攝像頭、導航儀、雷達等多個傳感器，然后像平時生活開車一樣駕駛汽車進行采集數據。比較常見的自然駕駛數據采集環境通常有城市交通道路、高速公路等。國內外對于自然數據的采集體系可以說是相當龐大，美國NHTSA和密歇根州交通部贊助密歇根大學交通研究所開發的IVBSS項目自主搭建了高效的數據采集系統，并利用此系統在幾百人駕駛14個月的情況下采集了超過33萬公里數據［17］。中國汽車技術研究中心有限公司從2015年開始在北京、天津、上海等城市開展自然數據采集項目，到目前為止已經有超過32萬公里的數據，設計城市中心、鄉村道路、高速路等常見區域［18］。

事故數據來源一般從每個國家的道路交通事故數據中進行人為的分析篩選。雖然事故數據比較缺乏，但目前許多國家和研究機構都開發收集了比較可靠的交通事故數據，如中國的中汽技術研究中心建立的CIDAS事故數據庫、德國的GIDAS深度事故數據庫、美國國家公路交通安全管理局的GES數據庫。

1.3.2 仿真數據

仿真數據源主要包括駕駛模擬器數據、仿真軟件仿真數據。

駕駛模擬器數據主要來源于駕駛模擬器，駕駛模擬器可以在仿真軟件中由真實人員駕駛來進行采集數據，相比于真實道路駕駛而言駕駛模擬器既可以保證安全性又可以體現真實性。熊堅等［19］研究說明目前著力開發小型駕駛模擬器可以緩解中國交通面臨的許多問題，模擬器主要由駕駛系統、控制系統、視覺系統和語音系統組成。Rong等［20］介紹了一種用于自動駕駛的高保真駕駛模擬器-LGSVL，提供端到端的全棧模擬，可以隨時連接到Autoware和Apollo。

仿真軟件仿真數據主要來源于仿真軟件，通過人為的設定駕駛任務或行駛路線，讓測試車輛在虛擬仿真場景下進行行駛，以此來產生仿真數據［21］。仿真環境中的場地可以通過導入地圖或地圖建模生成，其核心構成主要包括交通流建模，周圍靜態環境建模［22］。交通流建模大多采用開源交通流仿真軟件，如VISSIM、SUMO等，另外元胞自動機的方式也比較常見［23］。

2 場景數據處理

利用各個來源的場景數據進行仿真場景庫構建之前必須進行場景數據處理，而場景數據處理的核心是提取能夠體現目標場景的特征元素。這個過程需要經過一系列操作。

德國PEGASUS項目在歐洲汽車工業領域的帶動下擁有17個合作伙伴，一直努力于如何實現自動駕駛汽車在保證質量的前提下快速實現商用，在其研究自動駕駛仿真技術的過程中就提出了場景數據的處理流程［24］：原始場景數據采集生成、場景數據格式單位檢查、額外備注信息的生成、場景相互之間關聯程度的分析、場景發生概率分析、場景數字化聚類分析，由邏輯場景經仿真軟件生成測試場景。百度Apollo自動駕駛部門提出了一種集中在場景聚類分析方面的方法，主要包含目標場景數據清洗、分析場景元素組成、數字化聚類操作［25］。基于國內外對自動駕駛場景數據處理的研究與綜述，本文總結了常見場景數據處理，主要有數據預處理、場景特征提取、場景聚類分析。

2.1 數據預處理

從數據來源來看不同方式獲取的傳感器數據可能存在格式、單位等差異。而且原始數據沒有經過預處理會出現很多無效、錯位數據。因此，傳感器數據清洗成為構建場景庫的前提。

一開始對采集到原始場景數據在利用之前必須進行數據的清洗，不然會影響后續的使用效率。數據清洗主要針對數據冗余、數據缺失、數據異常等進行相關的數據修復操作［26］。目前數據清洗技術已經得到了不錯的發展，不僅僅是通過人工手段，更加高效的是算法加人工輔助的方式。不過任何數據清洗方式都必須按照在滿足數據清洗質量的前提下盡量降低數據清洗代價［27］。可以用C ost(x)來衡量單個數據元組的清洗代價，C ost(s)表示整個數據集的清洗代價，定義為：

式中x是分組后的單個數據元組；φ(x)是x與所有數據元組總和的比值；t i是數據要素；是修復后的數據要素；s是所有數據元組總和；D是t A到的距離。

2.2 場景特征提取

經過清洗后的數據必須經過場景特征提取才能實現場景解構，以場景特征為要素進行場景聚類是目前比較契合的思路。其中蘇江平等［28］根據特征變量的統計分布，選擇更加突出場景組成的要素，有道路類型、車輛速度、行人狀態、行人速度、時間。胡林等［29］根據測試車輛與兩輪車的測試為場景，選擇光照、道路類型、測試車輛行駛速度、兩輪車行駛速度等特征要素。目前對于場景特征元素的確定一般都是根據目標測試場景的需求來進行主觀的分析，沒有客觀的依據。徐向陽等［30］基于事故場景選擇對事故嚴重影響程度的因素采取多元Logistics回歸模型進行分析，多元Logistics回歸模型可以定義如公式（3）。

式中Y為事故場景的嚴重影響程度，其中Y的取值為i=1，2，3，…，A-1；x是影響事故程度的變量，其中N是變量x的數量；α是回歸模型的截距；β是回歸模型的系數；每一種結果均與Y=A進行對比。

在初步主觀分析選取自動駕駛仿真測試特征要素后采用SPSS數據分析軟件進行模型分析。

2.3 場景聚類分析

場景特征提取后由于各個特征要素之間的單位存在較大的差異，會導致聚類分析效率低下，所以在聚類分析前要進行場景特征變量進行數字化處理［31］。根據場景特征變量在場景中的表現形式可以進行靜態定義處理和動態定義處理，其中靜態定義處理其實就是指可以用常數表示狀態，比如天氣中的晴天和雨天就可以用0和1表示；動態定義處理就是指元素狀態會隨時變化，不能單純用常數來表示，比如測試車輛速度和目標速度可以采用極差標準化的方式進行處理［32］，這樣處理后的動態變量取值就在0～1范圍內，標準化后的變量用z xy表示，如公式（4）。

式中i為數據樣本的個數；y為一個數據樣本中特征變量的個數。

比如危險場景進行特征提取并且特征變量預處理后可以形成如表1所示。

表1 事故場景特征變量的定義

在對相關場景特征進行數字化處理后就可以進行聚類分析。聚類分析是一種比較常見的數據挖掘算法，核心是利用數字公式將相似性高的對象或者元素劃分為一類，相似度低的相互分開［33］。常用的聚類算法主要包括K均值聚類、層次聚類、密度聚類、基于深度學習的聚類等［34］。其中層次聚類算法大致的聚類分析過程如圖3所示［35］。

圖3 層次聚類流程

3 自動駕駛仿真場景庫

隨著目前新能源領域的快速發展，自動駕駛技術也成為研究的熱門。自動駕駛技術要想得到不斷的完善必須經過充的測試，必須從一開始道路測試到現在的場景測試轉化，國內有許多企業已經在這方面有了一定的突破成果，比如中國汽車工程研究股份有限公司搭建的“中國典型場景庫V2.0”、百度的“Apollo場景庫”、騰訊的“TAD Sim場景庫”等。

3.1 場景庫體系搭建

在第1節中闡述了自動駕駛場景的相關概念，其實自動駕駛場景庫是由滿足某種測試需求的一系列自動駕駛測試場景構成的數據庫，是自動駕駛汽車研發與測試過程中的基礎數據庫，是加快自動駕駛安全測試開發的重要數據庫，搭建場景庫主要通過虛擬仿真環境及工具鏈進行復現［36］。整個搭建過程由數據層到場景層。搭建流程如圖4所示。其實直接通過仿真軟件的場景編輯器進行人工編輯場景各個元素也可以搭建仿真場景，但是只靠仿真軟件的方式搭建的場景其真實性、逼真性表現低下。

圖4 仿真場景庫搭建流程

（1）數據層主要是通過真實的開放或者封閉場地、仿真軟件、經驗庫中采集仿真場景構建所需的數據并對采集到的數據進行一系列的預處理操作，比如冗余刪除、缺失刪除、數據修復等，最后進行數據格式和參數的統一化后導入場景層。

（2）場景層主要是將數據層導入的數據進行場景特征提取、場景特征數字化操作以形成有用的場景集，然后通過場景聚類處理形成不同的邏輯場景，最后由邏輯場景通過仿真軟件構成不同的仿真場景形成場景庫。

3.2 分布式架構

從數據-場景-場景庫整個開發流程來看，系統需要具備數據處理、數據渲染、場景生成等能力，這些功能實現的背后反映了場景庫設計應該具有優秀存儲技術與計算技術的支撐。單一的節點不能滿足大數據量以及高性能的要求，必須將場景庫設計成一個多節點共同分擔任務的系統架構。互聯網技術中的分布式技術就能完美實現這個架構需求，它追求的理念是降低單個服務器的壓力，保證高可靠、低時延。場景庫各個模塊可以采用分布式微服務進行設計開發，一般可以使用SpringCloud+SpringBoot框架或Dubbo+Zoo?Keeper框架。每個模塊中的存儲、計算任務可以使用主流大數據開發最具代表的幾款框架：Ha?doop、Spark、Storm、Samza。整體搭建架構如下圖5所示。郭建朋［37］采用微服務框架實現了具有數據檢驗提交、數據標注、數據統計分析三個模塊的自動駕駛場景庫數據系統，模塊中的存儲采用FastDFS分布式存儲系統，計算任務采用Spark框架。崔志斌［38］利用Docker+Spark技術在云端搭建高性能云數據平臺，實現了本地與邊緣云端之間的低時延數據數據傳輸。

圖5 分布式整體搭建架構

3.3 基于場景庫的V字開發模型

隨著自動駕駛水平的提高，測試場景變得無限豐富，極其復雜，難以捉摸，取之不盡。在道路測試中覆蓋所有情況已不可能。因此基于場景庫的開發模型變得越加重要。針對自動駕駛的仿真測試同樣必須滿足汽車的V字開發流程，如圖6所示是基于場景庫的V字開發模型。它主要包括虛擬測試和實車測試。虛擬測試有模型在環測試（MIL）、駕駛員在環測試（DIL）、硬件在環測試（HIL）、車輛在環測試（VIL），實車測試有封閉道路測試和開放道路測試［39］。

圖6 基于場景庫的V字開發模型

（1）MIL。模型在環測試是一種虛擬仿真方法，測試系統包括工作臺、測試軟件和虛擬仿真模型。虛擬仿真模型與被測軟件的數據交互通過系統實現，涉及道路交通模型、車輛動力學模型、傳感器模型和控制算法［40］。可以通過一系列測試用例在開發環境中運行來驗證模型與設計功能之間的一致性，主要用于初級階段模型與算法的開發。MIL測試邏輯如圖7所示［41］。

圖7 MIL測試邏輯

（2）DIL。駕駛員在環測試指駕駛員通過外接駕駛器通過人機交互界面進行駕駛虛擬車輛，以此實現駕駛員操作車輛與虛擬場景中其他車輛的互動。Dosovitskiy等［42］介紹了一種用于自動駕駛研究的駕駛模擬器-CARLA，可以支持自動駕駛系統的開發、驗證，并使用在三種自動駕駛方法性能研究上。Manawadu等［43］開發了一個簡易的駕駛模擬器，可以連接任意接口，創建由駕駛員在現實駕駛中遇到的場景和事件組成的虛擬環境，并實現完全自動駕駛。張珊等［44］利用駕駛員在環在仿真軟件CarMaker上仿真開發的一個危險碰撞場景中進行測試，以此來驗證在危險駕駛情況下ADAS的反應能力。

（3）HIL。硬件在環測試是一種半物理的測試方式，在于測試計算機的軟硬件綜合性能。HIL測試適用于比較復雜的工況，在為危險場景測試中可以體現其高效、可重復的優點。Kon?ar等［45］介紹了一個完整的汽車視頻記錄器HIL設備解決方案，是一種模塊化和可擴展化的設備。這種設備可以顯著減少自動駕駛所需的算法開發時間。Di等［46］開發了一個基于HIL用于ADAS功能驗證的車輛測試臺，該測試臺通常用于測試汽車上的發動機模塊、制動系統模塊、變速器控制模塊。

（4）VIL。車輛在環測試是指現實世界中真實測試車輛融合到虛擬環境中進行的整車驗證測試，VIL可以反映與現實世界相同水平的車輛動力學，節省構建外部環境進行系統驗證的成本，并可以避免測試過程中可能發生的碰撞風險［47］。趙祥模等［48］開發了一個由多個子系統組成的VIL自動駕駛快速測試平臺，可以使汽車行駛狀況達到真實道路行駛狀態。Tettamanti等［49］介紹了一種新的車輛在環測試環境方法，能夠模擬自動測試車輛周圍的真實交通，實現安全的車輛測試。

從傳統的汽車到現在的自動駕駛車輛，隨著自動駕駛技術和網絡連接功能的增加，車輛測試也在不斷的豐富，目前MIL、SIL、HIL、DIL和VIL等在環測試已經成為自動駕駛測試開發不可或缺的組成部分［50］。從模型圖可以看出自動駕駛仿真場景數據庫嵌入到自動駕駛汽車測試開發的所有階段。其中場景提取主要通過搜索接口實現，場景生成主要通過3.1節所述搭建方法實現。由于場景豐富、計算速度快、測試效率高、資源消耗低、可重復性好、易于嵌入到汽車開發的各個環節，汽車企業和研究機構正逐步向場景化方向發展。

4 基于場景庫開發的應用

對于以上針對自動駕駛仿真測試所述的場景庫開發框架不僅可以充分體現真實駕駛場景映射到虛擬場景、虛擬場景反映真實現狀，而且分布式微服務架構支撐著整個框架，顯著提升開發效率，具有廣泛的應用和可挖掘的價值。例如可用于開發搭建自然行駛、變道超車、危險碰撞等仿真場景。蘇江平等［51］利用11輛汽車在中國五個城市進行數據采集，對其中的車與行人的危險沖突場景進行場景特征提取，然后采用系統聚類法進行聚類分析得到了四類車-行人的邏輯危險沖突場景。Xia等［52］提出一種基于場景復雜度的自動駕駛測試場景生成方法，利用層次分析法提取出衡量測試場景復雜度的指標，然后再聚類將離散的測試用例組合成連續的邏輯場景。Zhang等［53］基于中國事故深度研究（CIDAS）數據庫選取一起公路交通事故，通過分析事故原因確定了事故影響因素，然后通過虛擬仿真軟件CarMaker構建了包含實際道路環境、主車、其他交通參與者等的交通事故場景。研究目前現有的相關自動駕駛仿真測試場景開發成果可以發現搭建思路基本符合本文研究所述的自動駕駛仿真測試場景庫開發框架。基于以上1、2、3節所述內容下面以典型機動車-機動車危險碰撞場景搭建來說明本文所述場景庫開發框架的應用。

（1）總體模塊設計。從場景庫開發框架出發可以分為場景數據預處理模塊、場景特征提取模塊、場景聚類分析模塊、場景仿真構建模塊。這些模塊之間采用分布式微服務架構進行搭建，大體如圖8所示。功能頁面展示中通過微服務架構中的遠程服務調用各個模塊，每個模塊采用容器化集群技術，模塊與模塊之間也具有調用關系，每個模塊對相關數據進行提取完成模塊功能，最后存儲功能結果。這樣可以減少各模塊之間的耦合度，同時加快各個模塊的運行效率。

圖8 總體模塊設計

（2）場景數據預處理模塊。這個模塊對機動車-機動車危險碰撞場景數據中的結構化數據與非結構化數據進行異常值修正、缺失值補充。一般可以手動或者編寫清洗邏輯代碼對有異常的數據進行取均值、取默認值、舍去，要保證清洗代價盡可能低［54］。

（3）場景特征提取模塊。這個模塊根據機動車-機動車危險碰撞影響因素進行分析確定場景特征，然后對場景數據集進行特征提取。比如可以選取機動車-機動車危險碰撞場景時的光照、天氣、路段、交通控制方式、碰撞類型、機動車1速度、機動車2速度為影響因素確定場景特征元素，提取后如表2所示。

表2 機動車-機動車碰撞場景特征元素統計

（4）場景聚類分析模塊。這個模塊對各種聚類算法優劣勢比較選擇適合對場景特征提取后場景集聚類分析的算法，首先對（3）得到的特征元素表示按照表1中的數字化定義進行數字化轉換操作形成數據集，如表3所示。

表3 機動車-機動車碰撞場景特征元素數字化處理

之后算法分析將數字化處理過數據集表示為一個矩陣，如公式（5）所示。

然后進行樣本間距離計算，具體方式是在聚類分析的過程中根據歐式公式來計算樣本間的距離，通過計算將距離近的類進行聚合，如公式（6）所示。

式中y是樣本中的變量總數；X(i,x)、X(j,x)表示第i、j個樣本中的第x個變量。

最后通過類間距離計算后確定最終類數以及聚類分析結果［55］。這個聚類結果可以確定每一類機動車-機動車危險碰撞邏輯場景的場景特征表示以及各個參數分布。如表4所示。

（5）場景仿真構建模塊。這個模塊根據表4中得到的邏輯場景選擇仿真軟件進行靜態場景元素和動態場景元素的仿真搭建，最終形成機動車-機動車碰撞的仿真場景庫。

表4 聚類分析成邏輯場景

5 研究展望

伴隨著自動駕駛技術研究的不斷深入發展，自動駕駛測試難度也隨之提升，開發仿真測試場景是一個非常可靠、有價值的方向，目前國內有很多的研究學者針對仿真測試進行了大量的研究，市面上有很多公司逐步開發自己的自動駕駛仿真測試場景庫并有了一定的成果，但是相比于國外來說還是比較落后，還無法跟上自動駕駛技術發展的快速步伐。未來，自動駕駛仿真測試場景庫開發方向仍具有巨大的研究開發空間，這里提出如下幾個可深入思考與探索的研究方面。

（1）國產仿真技術研究。仿真是仿真測試場景庫開發搭建中的一個重要環節，其技術的高低可以展現仿真的逼真度、豐富度。但是目前場景仿真技術因難度大、成本高處于停滯不前的狀態，并且中國還是汽車生產與消費的佼佼者，沒有自主研發的技術或軟件必然成為仿真場景開發的一大阻力，國外仿真軟件不能體現中國道路場景的特色。未來可以加大國產仿真技術的研究，開發中國特色的仿真軟件。

（2）豐富邊界場景研究。目前正常駕駛仿真場景已經開發成熟，基本可以滿足自動駕駛技術的測試需求，然而邊界場景卻極度缺乏，主要在于邊界場景構建困難。邊界場景的豐富度就可以體現一個仿真場景庫的功能邊界。現今廣大研究者還未將重心轉移到邊界場景的研究上，未來可以以邊界場景研究為核心出發點，衍生開發更多邊界場景。

（3）加速場景庫場景生成與提取研究。從數據到場景庫無非是實現場景庫場景的生成以及自動駕駛測試時的場景提取使用，由于場景生成過程的難度和場景庫場景數據龐大導致這兩個操作都需要經歷長時間的等待，為了測試效率未來可以在加速方面進行進一步的研究，可以考慮引用分布式加速引擎開發以及分布式計算平臺等。

6 結語

（1）目前自動駕駛汽車正在不斷地出現在大眾視野中，隨著而來的自動駕駛技術測試也變得更加困難，每一輛自動駕駛汽車在上路之前都必須經過充分的測試，由于臨界事故測試等場景的缺乏，道路測試已經不能滿足測試的需求。道路測試所占比重逐漸被仿真場景測試所取代，研究仿真場景開發、搭建場景庫已成為自動駕駛測試開發必不可少的重要環節。

（2）本文在調研分析大量自動駕駛仿真測試場景庫研究成果的基礎上，首先針對場景作為自動駕駛仿真測試場景庫的主體進行一系列的分析，梳理了場景的定義、場景的元素、場景的數據來源；其次，總結了常見場景數據處理，主要包括數據預處理、場景特征提取、場景聚類分析；再次，歸納了自動駕駛仿真測試場景庫體系的搭建、分布式架構、基于場景庫的V字開發模型；最后，在此基礎上提出了基于場景庫開發的應用。本文所述內容可以給自動駕駛仿真測試場景庫開發研究提供一定的參考與認知。

（3）自動駕駛仿真測試場景庫的研究現在正處于不斷探索與開發的階段，場景庫豐富度、多樣性、有效性等都需要研究開發者共同努力，未來可以往仿真場景自動生成、加速生成、共建場景庫等方向繼續研究前行，推動自動駕駛技術的發展。