基于場景的自動駕駛汽車運行安全測試和認證概述

周文輝

（公安部道路交通安全研究中心，北京 100062，中國）

1 概述

由于道路環境及相應的駕駛任務的復雜多變，導致自動駕駛汽車面臨的行車場景異常復雜，其數量巨大，甚至是無窮的。傳統的基于行駛里程測評汽車的辦法變得基本不可行，應用自動駕駛道路測試中的“接管”“事故”等指標也難以全面有效地評估自動駕駛功能的運行安全性。為此，業內普遍推崇基于場景的自動駕駛汽車運行安全測試辦法。

基于場景的自動駕駛汽車運行安全測試和認證面臨的最大挑戰，是確定可靠的、具有科學性和代表性的測試場景集，并基于此開展具體測試和評價。國內外在這方面開展了大量的研究，形成了基本的技術框架。具體如下圖所示：

圖1 基于場景的自動駕駛汽車運行安全測試和認證技術流程

上述流程中，處于中間核心位置的是場景數據庫，各類場景均在此匯集和存儲。場景主要有三個層次，最高層次是功能場景，即通過自然語義描述的場景，抽樣程度最高，如“切入”。第二層次是邏輯場景，需要給出影響場景的每個因素的參數的范圍，如切入時的橫向速度范圍。第三層次是具體場景，是各個參數均明確的場景，如切入時道路交通環境、兩車初始速度和距離、切入車輛的橫向速度等。上圖中，場景數據庫的左側，是構建場景庫的過程；右側，描述的是從場景庫中抽取場景，并開展測試和安全評估的過程。

2 場景數據來源

總體而言，場景庫數據來源主要有兩種。一種是知識類的，另一種是數據類的。知識包括各種表現形式的抽象信息、相關標準規范，或者是實際事故案例數據。數據主要來源于實際道路交通數據，如場地測試數據等。最具代表性的是實際駕駛數據。近年來，通過無人機獲取實際駕駛數據的做法被逐漸使用。通過無人機拍攝實際交通場景，可以以視頻方式獲取各交通參與者的速度、位置、軌跡等信息。這種獲取數據的方式無須額外安裝使用傳感器，較為經濟和高效，也不會對實際交通造成嚴重干擾。不足之處是獲取交通場景的范圍一般在400米以內，這對高速公路來說，略顯不足。隨著自動駕駛技術的發展，各相關組織和企業都紛紛開始構建屬于自己的實際駕駛數據，但往往不對外開放。

3 場景生成

根據場景數據來源的不同，場景生成的方式也不同，具體分為基于知識的場景生成方法和數據驅動的場景生成方法。

3.1 基于知識的場景生成方法

基于知識的場景生成方法，其實質是系統化地將知識轉化為場景。抽象的交通安全知識，以及交通規則、事故案例數據、消費者測試結果、自動駕駛倫理準則、自動駕駛交通安全分析方法、專家意見等均是場景構建所需的知識來源。其中基于已有知識資源和專家經驗構建場景的方法使用最為廣泛，在此過程中，大部分使用本體方法論來存儲和結構化專家知識。

3.2 數據驅動的場景生成方法

這種方法又細分為三類具體方法，分別是數據抽取法、數據聚類/分類法、參數化法，上述具體方法均廣泛應用了機器學習和模式識別技術。

數據抽取法，主要用于構建邊緣場景，是直接從各類數據范圍內抽取具體數據，形成具體場景，具體采用直接尋找場景中對自動駕駛具有挑戰性的參數或通過觸發動作構建具體場景。觸發動作一般是對其他交通參與者的行為作“更具挑戰性”的預測。更進一步的，應用神經網絡和貝葉斯網絡方法，數據抽取法還可用于形成新的具體場景。

數據聚類/分類法的主要特征是將基于實際數據生成的單個場景進行分組。聚類主要通過非監督學習方法實現，具體應用的技術主要有相似測量法、層次聚類算法或貝葉斯模型過程算法，在聚類過程中，分組的原則和標準是逐漸清晰的，事先并不知曉；分類時，根據事先確定的原則和標準進行分組，主要通過監督學習方法實現，具體應用的技術較為多樣，例如根據潛在的目標車輛與其他交通參與者的碰撞方向或相對運動狀態，確定分組。更進一步的，可以應用不同變量下的人工智能方法對場景進行分組（如學習決策樹、神經網絡和深度學習等）。

根據邏輯場景的定義，其是通過參數及其范圍、分布進行描述的。通過聚類和分類形成分組后的場景，為進一步的場景參數化，形成邏輯場景奠定了基礎。即各組場景所需的參數，是通過提取各實際測量參數獲取的。對于連續型參數，根據參數最大值和最小值，確定參數范圍；對于離散型參數，根據各具體測量數值確定參數集。根據實際參數的發生概率，可確定參數的分布。另外，各參數間的相關關系也需要考慮。這方面面臨的一大挑戰是，如何通過實際觀測到的有限數據，確定各參數的分布規律。

4 場景數據庫

對于基于場景的自動駕駛汽車運行安全測試和認證而言，核心要素是建立測試場景庫。由于測試場景庫數量及各場景參數數量龐大，建立能夠高效描述和存儲場景的數據庫尤為必要。場景庫建立后，主要目標是為相關數據的讀取和處理提供標準化接口和易于機器讀取的格式。

5 選擇具體場景

選擇具體場景后，就可開展自動駕駛功能測試工作。由于參數范圍較大，因此理論上的具體場景數量是無限的。為了使測試工作具有可操作性，需要對具體場景進行科學選取。理想的狀況是，利用最小的測試量，對自動駕駛功能最大程度、最可靠的測試。具體場景的選取，主要有基于測試和基于關鍵數值這兩種方法，在其之下，還有更細化的方法，具體如下圖所示：

圖2 基于測試的具體場景選擇方法

圖3 基于關鍵數值的具體場景選擇方法

5.1 基于測試的具體場景選擇方法

通過測試選擇和評估具體場景。評估工作通過微觀交通指標值進行，上述指標值可以是與交通事故相關的、與臨界參數相關的，或者是依據相關標準、規范確定的。通過測試選擇具體場景時，可以通過在參數范圍內抽樣或在參數分布內抽樣兩種方法選取參數。前者能夠較好地控制參數的覆蓋度，但由于不可避免的參數丟失，導致從微觀評估結果推導形成宏觀評估結果受到限制，而參數分布抽樣中的參數代表了具體行為或事件發生的概率，因而可以較好地得出宏觀評估結果。

最簡單的在參數范圍內抽樣的方法是N-wise抽樣方法。采用這種方法時，所有的連續型參數均被離散化，之后對所有離散化參數進行重組。由于數據量較大，因此一般應用于簡單的駕駛輔助系統測評。如果應用在自動駕駛領域，需要進行改進以使測試效率更高，如應用實驗設計法、回歸測試、快速遍歷隨機樹算法等。

常用的參數分布內抽樣的辦法是蒙特卡羅方法，該方法對實際中出現頻率高的參數抽取的次數也高，反之亦然。由于大量高頻出現的參數對自動駕駛功能的挑戰性不大，因此使用該方法的測試效率不高。最近有不少研究致力于提升該方法的測試效率。例如，通過將極值理論和重要性采樣理論結合，可以提高測評的效率。其做法是在參數分布的外邊界選取測評參數，通過這樣系統化地選取參數，可生成更多的挑戰性場景。

5.2 基于關鍵數值的具體場景選擇方法

該方法的目的是盡可能高效地在車輛運行設計域內找出使自動駕駛不能達到合格要求的具體場景，既可用于具體場景，也可用于邏輯場景。具體方法有以下4種：

（1）基于交通事故。從現有事故案例數據生成關鍵場景，并可通過調整部分參數的辦法優化形成具體場景。但現有事故案例數據主要是針對人類駕駛人的，對人類駕駛人具有挑戰性的場景，不一定同樣對自動駕駛汽車具有挑戰性。

（2）基于臨界參數。通過評估真實數據，或在已有具體場景基礎上通過優化算法形成臨界參數，但在此過程中，需要考慮自動駕駛功能行為對上述參數的影響。另外，在使用真實數據過程中，同樣面臨著“對人類駕駛人具有挑戰性的場景，不一定對自動駕駛汽車具有同樣的挑戰性”這個問題。

（3）構建挑戰情形。通過直接調整參數數值或限制邏輯場景參數范圍的辦法，增加場景難度，進而暴露更多自動駕駛功能的不足。

（4）仿真優化。根據上次微觀測評結果的結果，調整下次具體場景選擇測評，通過這樣不斷迭代的方式形成具體場景。另外也可使用成本函數優化評估被測對象安全性能，應用這個辦法時，可將每次迭代目標設定為使被測對象“即將不符合要求”，進而加速優化選擇的效率。

6 場景測試

具體場景選擇完成后，就可在各種測試環境下開展實際測試，包括真實世界測試（如場地測試、道路測試）和虛擬仿真測試。由于成本、測試效率、結果評估等方面獨特的優勢，近年來使用虛擬仿真測試的情況越來越多。

7 自動駕駛安全評估

由于測評中，實際事故很難發生，因此一般使用安全替代指標評估自動駕駛安全性，即進行微觀評估，其中最廣泛知曉的是碰撞時間（TTC）指標。利用微觀評估的結果，可進一步開展宏觀評估。在這方面，使用基于測試的方法選擇具體場景并得到微觀評估結果后，能夠較好地進一步得出宏觀評估結果，特別是若具體場景是根據參數分布抽樣獲取的，則可根據參數分布和頻率，較為方便地得出宏觀評估的統計數據。使用基于關鍵數值的方法選取具體場景，其主要目的是得出對自動駕駛功能最具挑戰的場景要素，因而很難根據其微觀評估結果開展宏觀評估。

8 總結

以上概要介紹了基于場景的自動駕駛汽車運行安全測試和認證的技術框架。這其中起樞紐作用的是保存所有場景的數據庫。場景生成以及選擇用于測試的具體場景是整個框架中最重要的部分。具體場景選擇后，就可以啟動基于場景的自動駕駛功能測試。另外，在最后一步，需要根據具體場景的微觀測試結果，進一步得出安全性能的宏觀評測結果。

深圳出臺國內首部智能網聯汽車管理法規有望加速我國自動駕駛立法進程

深圳市人大常委會表決通過了《深圳經濟特區智能網聯汽車管理條例》（以下簡稱《條例》），《條例》于今年8月1日起施行。這是國內首部關于智能網聯汽車管理的法規，對智能網聯汽車自動駕駛的定義、市場準入規則、路權、權責認定等多方面進行了具體規定。

智能網聯汽車，通常指自動駕駛汽車。本次《條例》從道路測試、準入登記、使用管理、交通違法及事故處理等進行全鏈條立法，全力為智能網聯汽車發展鋪平法律道路。有專家表示，《條例》的出臺，將為全國其他城市制定自動駕駛準入政策提供參考標準，有望加速我國自動駕駛立法進程。

自動駕駛發生交通事故時該誰擔責，是長期以來社會各界普遍關注的問題。《條例》對此作出明確規定：有駕駛人的智能網聯汽車發生交通違法或者有責任的事故，由駕駛人承擔違法和賠償責任；完全自動駕駛的智能網聯汽車在無駕駛人期間發生交通違法或者有責任的事故，原則上由車輛所有人、管理人承擔違法和賠償責任，但對違法行為人的處罰不適用駕駛人記分的有關規定；交通事故中，因智能網聯汽車存在缺陷造成損害的，車輛駕駛人或者所有人、管理人依照上述規定賠償后，可以依法向生產者、銷售者請求賠償。同時，《條例》規定，智能網聯汽車相關企業應當制定數據安全管理制度和隱私保護方案，并將存儲數據的服務器設在中國境內。