面向自動駕駛測試的危險變道場景泛化生成

趙祥模 趙玉鈺 景首才,2 惠 飛 劉建蓓

目前,自動駕駛汽車正在由測試示范逐步邁入量產商用階段的過程中[1],保證自動駕駛在實際交通環境中安全運行是商用上路許可的關鍵[2].自動駕駛上路前需經過數十億英里的安全性測試[3],由于傳統的道路、場地測試受測試效率、成本、場景等的限制,已經難以滿足自動駕駛汽車測試的需求[4].Riedmaier 等[5]和 Sun 等[6]分別分析了各類基于場景的自動駕駛汽車安全評估的方法,其中虛擬仿真測試方法利用數字虛擬仿真技術模擬真實的測試場景[7],可以為自動駕駛測試提供豐富多樣的測試場景,在測試效率、成本方面具有顯著的優勢,已成為一種重要的自動駕駛測試驗證手段[8].

在虛擬仿真測試中,場景是對真實交通運行過程中人、車、路和環境的抽象描述.ISO 21448 標準中 SOTIF 從功能安全的角度將自動駕駛場景分為已知安全場景、已知危險場景、未知安全場景和未知危險場景[9].現實中安全關鍵場景和罕見風險事件覆蓋率較低[10],為了實現自動駕駛的全方位測試,希望能夠通過虛擬仿真技術,利用有效的場景生成方法,生成危險場景,發現被測系統的未知危險場景,明晰自動駕駛系統安全場景邊界,提高自動駕駛的安全性.

鄧偉文等[11]系統性地綜述了自動駕駛的仿真場景自動生成方法.現有場景生成方法可分為數據驅動、模型驅動和數據-模型驅動 3 類.在數據驅動的危險變道場景生成方面,陳吉清等[12]基于車輛事故數據,提出一種考慮危險事故特征的測試場景構建方法,建立了 15 個涉及道路幾何特征的自動駕駛測試場景.王潤民等[13]系統地闡述了測試場景、場景要素、基元場景之間耦合的邏輯關系.朱冰等[14]提出一種多維邏輯場景的自動駕駛安全性評價聚類方法,并以前車緊急制動場景驗證了聚類方法的可行性.基于模型驅動的場景生成方法方面,Menzel等[15]提出一種基于本體論的高速公路場景建模方法,構建了包含道路層次、交通基礎設施、臨時操作、對象和環境的 5 層次知識表示模型,用類、邏輯公理和語義 Web 規則實現了對德國高速公路的建模.Jesenski 等[16]提出了一個可以描述任意道路配置場景的通用模型,考慮相關車道路段的車輛之間相互作用,設計一個層次采用分析框架,利用公開數據集擬合了模型參數,并推斷出交通場景.基于數據-模型驅動的危險場景生成方法方面,Ding 等[17]提出一種自適應安全關鍵場景生成方法,將場景分解為條件概率,將概率稱作構建塊,用一系列自回歸構建塊來表示交通場景,利用策略梯度強化學習方法對風險場景參數進行搜索優化.

相鄰車道前方車輛變道切入是常見的高風險場景,也是各類生成方法研究的主要目標場景.目前,危險變道場景生成主要基于數據-模型驅動的方法.Feng 等[18-20]提出了一種智能網聯汽車測試場景庫生成統一框架,并采用多啟動優化方法獲得局部關鍵場景,利用兩車縱向距離、相對速度以及碰撞時間等參數,生成了變道場景.周文帥等[21]利用 highD數據集,建立了車輛變道切入描述模型,提出了基于蒙特卡羅的測試用例生成方法.上述方法僅僅考慮變道場景中兩車關系的特征參數,無法精確描述人駕車輛變道切入的運動狀態,難以構建動態測試場景.Sun 等[22]提出了一種評估自動駕駛安全性的自適應實驗設計方法,智能駕駛員模型和三階貝塞爾曲線被用來描述背景車輛變道切入軌跡.基于確定模型的軌跡生成方法計算簡單,但生成軌跡數量有限,并且難以生成符合駕駛員特征的緊急變道軌跡.朱宇等[23]構建兩車軌跡約束關系模型,以變道軌跡起始位置、變道車速度、兩車距離、兩車相對速度、變道切入時刻為參數,利用蒙特卡羅方法模擬車輛采樣時間的車輛位置,最終形成了變道軌跡.但這種方法利用相對位置作為參數,同一場景狀態下生成的變道軌跡切入點是相同的,這并沒有增加生成變道軌跡的風險程度,只是增加了變道切入軌跡的數量.

現有變道場景生成方法通過優化變道場景參數或生成背景車輛運動軌跡來構建危險測試場景,但是為了滿足自動駕駛高風險場景測試的需求,面向自動駕駛決策規劃控制系統測試,構建動態危險變道測試場景,還需要解決的問題包括:1)如何生成符合人駕車輛特征的不同切入角度的風險變道軌跡? 生成變道軌跡需要滿足真實環境中的車輛動力學約束,并接近真實駕駛人操縱下的車輛軌跡特征,但又要在同一初始狀態下生成不同切入角度的變道軌跡,增加生成變道場景覆蓋度;2)如何利用不同風險的背景車變道軌跡構建可從理論上避免的風險臨界測試場景? 為了避免產生不切實際的危險場景,需要根據車輛動力學和物理極限,構建安全邊界模型,結合背景車不同切入角度,生成理論上可避免的風險臨界測試場景.

因此,本文針對自動駕駛虛擬測試動態危險變道場景生成問題,提出一種基于數據-模型驅動的自動駕駛測試危險場景泛化生成方法.基于 NGSIM US101 數據集中的緊急變道數據,提出一種考慮人駕車輛特征的緊急變道軌跡對抗生成方法(Batch normalization-attention mechanism-sequence generative adversarial nets with policy gradient,BN-AM-SeqGAN),構建基于安全距離的兩車變道狀態約束模型,計算風險臨界場景下的被測自動駕駛車輛初始狀態,提出危險場景泛化生成算法,生成危險變道測試用例,形成變道危險測試場景庫.

1 變道場景數據

本文使用美國 NGSIM US101 DATA 公開數據集,該數據集收集了如圖1 所示高速公路車輛的行駛數據,該路段由 5 個主線車道和 1 個輔助車道組成.記錄了以 0.1 s 為時間周期的車輛位置、車輛長度、瞬時速度、瞬時加速度、車道編號等信息,前期團隊研究了變道行為識別方法,已經從數據集中識別出 1 740 條變道行為[24],根據文獻[25]對緊急變道工況持續時間的統計分布研究,緊急變道行為指變道車輛從變道開始到變道完成所需時間小于 2 s,因此,本文在前期研究形成的變道軌跡數據集的基礎上,篩選出了變道時間小于 2 s 的變道軌跡數據,形成了由 511 條緊急變道軌跡構成的數據集,并把變道起始位置點坐標進行歸零處理.選取一條緊急變道軌跡,其位置、速度和加速度軌跡如圖2 所示,綠色虛線間的數據表示選取的緊急變道數據.在提取到的緊急變道軌跡數據集中,變道完成時間在1.4 s 到 2 s 之間的場景占所有場景的 70%.本文提取的真實變道軌跡數據的平均值、最大最小值、方差、標準差如表1 所示.

表1 真實數據的數據特征Table 1 Data characteristics of real data

圖1 數據采集區域Fig.1 Data acquisition area

圖2 變道數據速度、加速度分析Fig.2 Speed and acceleration analysis of lane-changing data

緊急變道軌跡數據集中變道背景車的速度均值和標準差分別如圖3 和圖4 所示.其中變道背景車平均速度取值范圍為 1 m/s～23 m/s,91% 的變道背景車平均速度的標準差均低于 0.4 m/s.

圖3 真實數據縱向速度分布Fig.3 Longitudinal speed distribution of real data

2 基于 BN-AM-SeqGAN 的緊急變道軌跡生成方法

變道軌跡數據是一系列離散的序列數據,序列生成對抗網絡 (SeqGAN)可以有效學習序列數據特征,生成高相似度的序列數據[26],因此,本節提出一種基于 SeqGAN 網絡的變道軌跡生成方法.

本文對變道軌跡坐標進行了歸一化處理,橫向方向的位置變化和縱向方向的速度變化最能表征變道軌跡特征,并且縱向速度是位置關于時間的導數,因此在生成數據時考慮變道車在x軸方向上的速度vx和y軸方向的位置y.真實緊急變道車輛狀態軌跡可以表示為集合L={L1,···,Li,···,L511},其中第i條變道狀態軌跡,N表示變道軌跡的序列長度,本文設置為 20,Li∈L,表示變道的橫向位置和縱向速度.

2.1 SeqGAN 的背景介紹

SeqGAN 是一種由θ參數化的生成器Gθ和φ參數化的判別器Dφ兩部分組成[27]的序列生成對抗網絡.生成器Gθ學習真實序列數據的數據特征,并合成新的序列數據樣本;判別器Dφ對輸入的數據進行分類,判別輸入數據是真實數據還是生成數據,兩個模塊進行博弈直到達到平衡點[28],其結構圖如圖5 所示.判別器Dφ(圖5 左側)在真實數據和生成數據上進行訓練,生成器Gθ(圖5 右側)通過策略梯度進行訓練.訓練過程中獎勵信號由判別器提供,并通過蒙特卡羅搜索傳遞回中間值.生成器生成序列表示為,其中M表示生成軌跡的總數,生成的第m條軌跡表示為,,S是生成器可用候選數據.生成器生成第m條軌跡的狀態,表示當前生成的序列,動作是下一個要選擇的數據.

圖5 SeqGAN 的結構圖Fig.5 Structure diagram of SeqGAN

生成器Gθ的目標是從當前狀態zn-1生成一個序列,以最大化其預期的結束獎勵J(θ),判別器為蒙特卡羅搜索補全的完整序列提供獎勵值,迭代更新生成器.預期的結束獎勵如式 (1)所示.

其中RN是判別器對一個完整序列的獎勵,zn-1表示當前狀態,θ表示生成器的策略,是一個序列的動作值函數,即從狀態zn-1開始,采取行動,然后遵循策略Gθ計算預期累積獎勵.

SeqGAN 以長短時記憶網絡 (Long short-term memory,LSTM)作為生成器,卷積神經網絡 (Convolutional neural network,CNN)作為判別器.生成器基于策略梯度方法針對判別器獲得新的獎勵J(θ)對參數θ進行優化,以直接最大化長期回報.SeqGAN對第m條序列的訓練模型如式 (2)所示,其中,pdata和分別表示真實樣本序列數據的概率分布和生成樣本序列數據的概率分布,I表示生成器和判別器的收益.

2.2 基于 BN-AM-SeqGAN 的軌跡生成方法

為了解決 SeqGAN 收斂速度慢、軌跡生成準確性低的問題,本文分別對 SeqGAN 的生成器和判別器進行優化,提出一種 BN-AM-SeqGAN 方法,其結構圖如圖6 所示.

圖6 BN-AM-SeqGAN 的結構圖Fig.6 Structure diagram of BN-AM-SeqGAN

生成器部分展示了對 LSTM 的改進,生成器中真實數據ln輸入到批標準化(Batch normalization,BN)后的 LSTM 網絡中,σ表示sigmoid 激活函數,tanh表示激活函數,c表示細胞狀態,BN(·)表示批標準化操作,hn表示隱藏層的信息.判別器在 CNN 的卷積層前后分別加入了注意力機制.BNAM-SeqGAN 的算法步驟見算法 1.

算法 1.BN-AM-SeqGAN

2.3 BN-AM-SeqGAN 生成器優化

原始 SeqGAN 的生成器的 LSTM 網絡由輸入門、遺忘門、輸出門構成,在 LSTM 網絡訓練的過程中存在損失放大的問題,從而造成生成數據不準確,批標準化可以降低損失放大的程度.本文在生成器的 LSTM 網絡引入了批標準化操作,優化后的生成器可以有效地降低后面幾層的損失.批標準化包含平移參數和放縮參數,通過修改參數的值可以控制歸一化之后的范圍,批標準化具體過程如算法 2 所述.

算法 2.批標準化 BN

優化的生成器對每個激活函數的輸入數據進行批標準化運算,LSTM 網絡經過優化可以維持輸入數據分布的穩定性,方便網絡的訓練,使生成模型更快收斂.假設當前的輸入是,優化后的生成器模型中遺忘門fn可以表示為:

其中Wf表示遺忘權重,hn-1表示前一層的隱藏狀態,表示當前輸入的內容,bf表示遺忘門偏置項.輸入門由兩個模塊組成,一個模塊將篩選的數據信息保存到記憶細胞中,如式(4)所示:

其中Wi表示輸入權重,bi表示輸入偏置項.另一個模塊把當前時刻傳遞的數據信息保存到記憶細胞中,如式(5)所示:

其中Wc和bc分別表示記憶細胞權重和記憶細胞偏置項,tanh表示激活函數.新的記憶細胞cn由遺忘門fn和輸入門in更新,如式(6)所示:

輸出門On計算需要輸出的信息,傳遞隱藏狀態hn,如式(7)和式(8)所示:

其中Wo和bo分別表示輸出門權重和記憶細胞偏置項,hn-1表示上一時刻的隱藏狀態.最后使用softmax函數將隱藏狀態hn轉換為概率分布,用來生成近似真實數據的軌跡數據.

生成器通過蒙特卡羅樹搜索將生成的部分序列數據補充完整,判別器對完整的序列數據進行評估進而優化生成器中的參數,當前隱藏狀態遺忘權重hn繼續執行 LSTM 網絡.

2.4 BN-AM-SeqGAN 判別器優化

原始的 SeqGAN 判別器的特征提取層是一個CNN,包括輸入層、卷積層、池化層,引入了注意力機制,在特征提取層的卷積層前后加入了注意力層,保證數據在可控范圍內變動,提高 CNN 提取高維特征向量的準確性,改善序列生成的質量.

將序列數據注入到判別器后,由第一個注意力層利用自注意力機制對傳入序列的特征加以鑒別和整合,放縮參數為H=32,傳入序列數據的長度為N=20,傳入的序列數據將被表示為N×H的矩陣,注意力層對矩陣進行處理之后,矩陣大小仍然為N×H.

卷積層主要利用卷積核在注意力層處理后的矩陣上做點積運算,提取真實數據的數值特征,以便計算生成數據與真實數據的差異.

第二個注意力層的操作是利用放縮參數大小為m=64 的自注意力機制處理所有卷積核,自注意力機制可用式 (9)表示.

式中Q表示當前 Query 的矩陣,K表示 Key 的矩陣,V表示 Value 的矩陣,其中Q=K=V,Q取值為數據的概率分布矩陣.當輸入一個變道軌跡坐標序列,里面的每個坐標點需要和序列中的所有坐標點進行注意力權重參數計算,然后把權重參數乘以對應的詞輸出結果.這樣做的目的是可以學習到坐標序列內部坐標點之間的依賴關系,獲得序列的結構信息.

池化層和分類層分別對特征向量進行降維、關鍵特征提取和分類,最后將得到的結果傳遞給生成器以優化生成器的參數.

2.5 損失函數

對于生成器來說,預訓練和對抗訓練過程中使用的損失函數是不一樣的,在預訓練過程中,生成器使用的是交叉熵損失函數,而在對抗訓練過程中,使用的則是策略梯度中的損失函數,即對數損失乘以獎勵值,可用式 (10)表示.

判別器在預訓練和對抗訓練過程中的損失函數是一樣的,使用交叉熵作為分類和預測任務的目標函數,使用對數損失函數來訓練判別器,損失函數fφ可用式 (11)表示:

其中pdata表示真實樣本序列數據的概率分布.

本文使用原始數據作為評估度量,使用最小平均負對數似然作為生成序列的損失值,如式 (12)所示,在生成數據實驗中NLL值越小說明生成效果越好.

3 基于碰撞約束的場景泛化生成方法

3.1 基于碰撞約束的被測自動駕駛車輛初始狀態生成

在背景車輛緊急變道軌跡生成之后,為了構建危險測試場景,需要生成被測自動駕駛車輛在場景初始時刻的狀態.本文利用背景變道車輛和被測車輛間的運動安全約束,推算了危險臨界場景下被測自動駕駛車輛在場景初始時刻的狀態,構建了危險測試場景.被測自動駕駛車輛與變道背景車不發生碰撞的臨界條件是指當變道背景車完成變道時,被測自動駕駛車輛經過一定的制動恰好與變道背景車輛保持相同速度,并且保持最小距離.

人駕背景車輛的制動階段分為 3 個部分,t1制動反應時間的勻速運動階段、t2時間段的變減速運動階段和t3時間段的勻減速運動階段.被測自動駕駛車輛與人駕背景車輛相比,t1制動反應時間很小,可以忽略不計[29],整個制動過程的時間為t,與變道背景車完成變道的時間相等,因此,本文考慮的制動時間t由t2和t3兩部分組成.

被測自動駕駛車輛制動過程與變道背景車輛的相對距離與相對速度的變化可由式 (13)～式 (16)表示,其中v表示被測自動駕駛車輛與變道背景車的縱向相對速度,amax表示被測自動駕駛車輛制動時的最大加速度,d1表示被測自動駕駛車輛相對變道背景車在縱向上行駛的距離,vc表示變減速結束之后被測自動駕駛車輛的速度,變減速階段被測自動駕駛車輛行駛的相對距離[29]可用式 (13)表示,在計算時由于t2很小,可以只考慮前一項.勻減速完成后相對速度減為 0,勻減速階段被測自動駕駛車輛行駛的相對距離可用式 (15)表示.

典型危險變道測試場景如圖7 所示,其中dmin是最小安全距離,dh表示被測自動駕駛車輛行駛的距離,dt表示變道背景車行駛的距離,vav表示被測自動駕駛車輛的初始速度,vhv表示變道背景車的速度,l表示車長.被測自動駕駛車輛以最大減速度緊急制動,變道背景車完成變道的同時被測車輛完成制動,兩車相對靜止 (不發生碰撞的臨界條件),被測車車頭接近前車車尾,制動過程中存在如下公式.

圖7 被測自動駕駛車輛和變道背景車行駛狀態Fig.7 Driving status of the tested automated vehicle and lane-changing background vehicle

結合式 (13)～式(17)可以求出最小安全距離dmin和被測自動駕駛車輛初始速度vav如下:

根據《公路工程技術標準》[30]給出的車輛安全行駛時的橫向安全距離計算式如下:

其中,dL是被測自動駕駛車輛與變道背景車的初始橫向距離.本文將變道背景車的初始位置進行了歸一化處理,因此被測車縱向位置表示為xav=-dmin,橫向位置表示為yav=dL,從而得到被測車的初始狀態(xav;yav;vav).

3.2 危險變道測試場景泛化生成方法

為了能大規模生成危險變道測試場景,本節在被測自動駕駛車輛初始狀態生成方法的基礎上,介紹危險變道測試場景泛化生成.

首先對NGSIM US101 Data 數據集中的變道軌跡進行預處理,篩選出緊急變道軌跡,并將每條變道軌跡的起始點坐標進行歸一化處理,再利用算法 1 生成并篩選新的變道軌跡,在碰撞約束條件下計算每條變道軌跡對應的被測自動駕駛車輛的初始狀態,在第 1 節中介紹了變道場景數據的特征,因此本文采用生成變道背景車輛的平均速度計算被測自動駕駛車輛初始狀態.變道數據與對應的被測車初始狀態構成危險變道測試場景.具體危險變道測試場景泛化生成方法如算法 3 所示.其中,被測車初始狀態集其中第m條變道軌跡對應的被測車初始狀態表示生成的第m條變道軌跡,危險變道測試場景表示為

算法 3.危險變道場景泛化生成方法

4 實驗和結果

本文基于真實的變道數據集來生成緊急變道軌跡數據,結合變道約束生成被測自動駕駛車輛初始狀態,將兩車合并生成危險變道測試場景,實現危險變道測試場景的泛化生成.

4.1 實驗環境

本文所用的硬件設備為:Windows10 64 位操作系統,顯卡為 Nvidia Quadro K2200,處理器為英特爾至強 E5-2 623,內存為 12 GB;軟件設備為:編程語言 python3.6,深度學習框架為 Tensor-Flow1.9.0,用 Unity 創建仿真實驗場景,運行環境為 pycharm2020.實驗中用到的參數含義及其設置如表2 所示.

表2 實驗中的參數設置Table 2 Parameter settings in the experiment

4.2 緊急變道軌跡生成

生成測試場景中變道背景車輛的運動軌跡與真實的變道軌跡的相似度越高,說明算法的生成準確性越好.因此本節從生成軌跡分布、變道完成時間分布、不同生成網絡對比 3 個方面驗證本文所提BN-AM-SeqGAN 算法生成軌跡的準確性.

真實緊急變道軌跡、真實軌跡分布的上界和下界以及生成的緊急變道軌跡如圖8 所示,說明所生成的緊急變道軌跡符合真實軌跡的上下界分布.

圖8 變道車真實軌跡緩沖區實例Fig.8 Example of the real trajectory buffer of the lane-changing vehicle

為了驗證生成變道軌跡的速度與真實變道軌跡速度的相似性,本文對比了真實變道軌跡與生成的變道軌跡變道開始時刻和變道結束時刻速度的狀態分布,分別如圖9 和圖10 所示,其中生成的變道軌跡變道開始時刻的速度分布服從N(12.4208,3.5926)的正態分布,變道結束時刻的速度分布服從N(12.6903,3.6840)的正態分布.真實變道軌跡變道開始的速度分布服從N(12.1998,3.6887)的正態分布,變道結束的速度分布服從N(12.6799,3.7498)的正態分布.表明生成的速度概率密度符合真實速度概率密度的分布狀態.

圖9 變道開始時原始速度和生成速度的狀態分布Fig.9 State distribution of original speed and generated speed at the beginning of lane-changing

圖10 變道結束時原始速度和生成速度的狀態分布Fig.10 State distribution of original speed and generated speed at the end of lane-changing

本文對比了 BN-AM-SeqGAN 和 SeqGAN 生成的變道軌跡的變道完成時間與真實變道完成時間的百分比,生成的 511 條、50 000 條變道軌跡以及原始的 511 條變道軌跡的變道完成時間分布對比結果如表3 所示.

表3 變道完成時間分布表Table 3 Distribution of lane-changing completion time

BN-AM-SeqGAN 生成的變道軌跡分布更接近原始變道軌跡,與原始變道軌跡的變道完成時間分布相比,SeqGAN 生成的 511 條變道軌跡和 50 000條變道軌跡的變道完成時間分布均方根誤差分別為1.56 和 1.04,BN-AM-SeqGAN 生成的 511 條變道軌跡和 50 000 條變道軌跡的變道完成時間分布均方根誤差分別為 0.81 和 0.63,因此本文所提 BNAM-SeqGAN 的軌跡生成的準確性優于 SeqGAN,增加了生成軌跡與真實軌跡的近似程度.按變道完成時間進行分類,不同的變道完成時間表示不同的緊急程度,所有生成的變道軌跡都在 1 s～2 s 內完成變道,表明生成的軌跡是緊急變道軌跡.

為了進一步比較生成軌跡與真實軌跡的相似性,本文分別對比原始變道軌跡與生成變道軌跡的縱向速度及橫向位置的均方根誤差,如圖11 所示,其中 91.36% 的橫向位置均方根誤差小于 0.5,81.12% 的縱向速度均方根誤差小于 0.5,且最大均方根誤差均不超過 2,表明生成變道軌跡與原始變道軌跡具有較高的相似性.

圖11 位置和速度的均方根誤差Fig.11 Root mean square error of position and speed

為了進一步說明本文所提 BN-AM-SeqGAN在軌跡生成方面的效果,將 BN-AM-SeqGAN 與RankGAN、SeqGAN 生成數據時的損失值進行了對比,結果如圖12 所示,在生成對抗網絡中損失值R 越低說明生成效果越好.BN-AM-SeqGAN 的損失值比其他兩種網絡都低,并且收斂速度快,說明BN-AM-SeqGAN 生成數據效果比 SeqGAN 和RankGAN 的效果好.

圖12 三種生成對抗網絡的損失值對比Fig.12 The comparison of loss values of three generative adversarial networks

為了說明所提出的網絡在生成數據有效性方面的優勢,本文對比了上述 3 種網絡生成相同數量軌跡時符合緊急變道條件的軌跡數量,即生成變道完成時間小于 2 s,并且序列中相鄰軌跡點沒有較大跳躍的軌跡.BN-AM-SeqGAN 篩選 50 000 條符合要求的緊急變道軌跡需要生成 62 681 條序列.因此分別使用 SeqGAN、RankGAN 生成 62 681 條變道序列,利用相同的緊急變道條件篩選出 44 647、46 001 條符合要求的緊急變道軌跡,如表4 所示,由表4 可知,BN-AM-SeqGAN 生成數據的有效性最高.

表4 網絡輸出效果對比Table 4 Comparison of network output effect

4.3 危險變道場景泛化生成

生成緊急變道軌跡之后,利用第 3.1 節所述碰撞約束條件計算被測自動駕駛車輛的初始狀態,一條緊急變道軌跡對應一個被測車輛初始狀態,構成一個危險變道測試用例,兩車軌跡如圖13 所示.對應的藍色曲線表示變道背景車輛的軌跡,紅色曲線表示被測自動駕駛車輛的軌跡,紅色曲線的終點表示被測自動駕駛車輛按照最大制動減速度完成制動,達到與變道背景車輛相同的速度.此時兩車保持最小安全距離,這時兩車處于危險臨界狀態,這說明生成的變道測試場景屬于危險變道場景.

圖13 危險變道測試場景Fig.13 Dangerous lane-changing test scenarios

為驗證本文所提危險場景生成方法的有效性,將生成軌跡按照變道縱向速度劃分成多個區間,在每個區間分別生成多條緊急變道軌跡,并按車輛以最大減速度減速的安全距離模型計算對應的被測自動駕駛車輛運動軌跡,構建不同速度的危險變道場景,選擇 10 組典型的危險變道場景如圖14 所示.背景車輛軌跡的變道切入角度不同,說明生成軌跡的多樣性.兩車軌跡保持臨界安全距離,但不相交(同一顏色表示一個測試用例),表明生成的變道測試場景屬于危險變道場景.

圖14 不同變道車輛速度的變道場景Fig.14 Lane-changing scenarios of different lane-changing speeds

用本文提出的危險變道場景泛化生成方法生成5 萬個危險變道場景構成危險變道測試場景庫,并計算每個變道場景中被測自動駕駛車輛與變道背景車輛的碰撞時間 (TTC),計算結果如圖15 所示.所生成的變道場景中,99.54% 的被測自動駕駛車輛與變道背景車輛的碰撞時間小于 1 s,生成場景中被測自動駕駛車輛與變道背景車輛的碰撞時間集中在 0.3 s～0.6 s 之間,均屬于危險變道場景,表明本文所提方法能夠有效生成自動駕駛測試危險變道場景.

圖15 危險變道測試場景庫TTC 百分比Fig.15 TTC percentage of dangerous lane-changing scenarios library

4.4 危險變道生成場景驗證

將生成的變道背景車輛和被測自動駕駛車輛運動軌跡導入 Unity 仿真平臺,搭建了基于虛擬測試的危險變道生成場景,驗證了變道切入場景生成算法的有效性.使用 Unity 中 Easyroad3D 插件建造好符合要求的道路,把生成的變道背景車輛的軌跡坐標和計算的被測自動駕駛汽車的軌跡坐標導入到數據庫中,通過實時獲取數據庫中的車輛運動狀態信息,構建了自動駕駛測試虛擬場景,效果如圖16所示,其中,綠色車輛表示變道背景車輛,藍色車輛表示被測自動駕駛車輛.被測自動駕駛車輛沿右側車道直線行駛,背景車輛按照生成危險變道軌跡從左側車道切入右側車道,被測自動駕駛車輛按照最大減速度減速從而避免與變道背景車輛發生碰撞.當背景車輛完成變道時,兩車達到不發生碰撞的臨界狀態.

5 結論

本文研究了面向自動駕駛測試的危險變道場景生成方法,基于公開數據集,利用批標準化優化生成器,引入注意力機制優化判別器,提出 BN-AMSeqGAN,結合變道安全約束,計算風險臨界場景下的被測自動駕駛車輛初始狀態,構建了危險變道測試場景,設計了場景泛化生成算法,形成了危險變道測試場景庫.實驗中,本文將 RankGAN、SeqGAN 和 BN-AM-SeqGAN 進行了對比,并使用碰撞時間評判所生成變道場景的危險程度.實驗結果顯示:本文所提方法生成的數據損失值低且收斂快,表明本文提出的方法效果更好;生成的 5 萬條變道軌跡中,變道完成時間分布均方根誤差為 0.63,表明所提方法能保證生成的緊急變道軌跡具有真實緊急變道軌跡的特征;生成的危險變道測試場景庫中有 5 萬條危險變道場景,其中 99.54% 的場景中被測自動駕駛車輛與變道背景車輛的碰撞時間小于 1 s,并且計算得到的碰撞時間集中在 0.3 s～0.6 s 之間,符合危險變道的定義,表明本文所提方法能夠有效生成自動駕駛測試危險變道場景.