自動駕駛汽車仿真測試場景生成方法綜述

【摘要】針對自動駕駛汽車仿真測試場景生成方法進行了系統梳理，綜述了自動駕駛汽車仿真測試場景定義、場景解構、數據驅動式場景生成、機理建模式場景生成等方向的最新研究進展，并對測試場景的相關評價與應用進行了總結，最后，提出了未來研究應重點考慮融入中國駕駛場景特征，深化邊緣場景生成策略，加速場景構建的標準體系化建設工作。

關鍵詞：自動駕駛 測試場景 數據驅動 機理建模

中圖分類號：U467.13" "文獻標志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20240047

An Overview of Generation Methods for Autonomous Vehicle

Simulation Test Scenarios

Li Weinan1，2， Wang Yu1，2， Li Linrun1，2， Meng Xiangzhe1，2， Wang Chao1，2， Liu Di1，2

（1. Global Ramp;D Center， China FAW Corporation Limited， Changchun 130013; 2. National Key Laboratory of Advanced Vehicle Integration and Control， Changchun 130013）

【Abstract】This paper systematically sorts out the generation methods of simulation test scenarios for autonomous vehicle， summarizes the latest research progress in the fields of autonomous vehicle simulation test scenario definition， scenario deconstruction， scenario generation based on data driven， and scenario generation based on mechanism modeling， and summarizes the relevant evaluation and application of test scenarios. Finally， the paper proposes that future research should focus on integrating the characteristics of Chinese driving scenarios， deepening the research on edge scenario generation strategies， and accelerating the construction of the standard system of scenario construction.

Key words： Autonomous driving， Test scenario， Data driven， Mechanism modeling

【引用格式】 李偉男， 王宇， 李林潤， 等. 自動駕駛汽車仿真測試場景生成方法綜述[J]. 汽車工程師， 2024（7）： 1-10.

LI W N， WANG Y， LI L R， et al. An Overview of Generation Methods for Autonomous Vehicle Simulation Test Scenarios[J]. Automotive Engineer， 2024（7）： 1-10.

1 前言

隨著科學技術的加速發展和城市化的持續推進，承載著“零事故、低污染”等美好愿景，自動駕駛技術應運而生。依據國際自動機工程師學會（SAE International）的標準，自動駕駛汽車的自動化水平包括人工駕駛（L0）、駕駛輔助（L1）、部分自動駕駛（L2）、有條件自動駕駛（L3）、高度自動駕駛（L4）和完全自動駕駛（L5）共6個等級。針對高等級自動駕駛汽車（L3級及以上），自動駕駛系統與整車制造商將分別作為車輛的駕駛主體和責任主體[1]，因此，高等級自動駕駛汽車上路前必須通過嚴格的測試評價來證明其安全性。

然而，隨著自動駕駛汽車自動化水平的不斷提升，其內部系統復雜度、外部環境多變性和駕駛任務多樣性也在不斷提高，這些變化為自動駕駛汽車的測試評價帶來了新的挑戰。近年來，自動駕駛系統導致的交通事故頻發，也暴露了復雜行駛環境下自動駕駛汽車應對能力不足的問題。目前，圍繞自動駕駛汽車的測試主要包括實車測試和仿真測試。

實車測試是最直接、最真實的測試方法，能夠獲取準確的測試數據，是傳統汽車的主要測試方法。然而，相關研究表明，自動駕駛汽車需要進行2.4×108 km以上的測試，才能充分證明系統的安全性[2]。受限于測試周期和成本，實車測試難以滿足自動駕駛汽車的測試里程要求。

相比于實車測試，仿真測試主要通過物理建模、數值仿真、圖像渲染等技術，構建面向不同應用需求的汽車虛擬仿真測試場景。仿真測試具備測試效率高、資源消耗低、靈活性強以及可重復性好等顯著優點，目前已經成為自動駕駛汽車測試驗證的重要手段[3-4]。

仿真測試的核心和重點在于場景的選擇與構建[5]。傳統方法主要依賴于專家經驗進行場景枚舉式生成，即基于自動駕駛汽車測試過程中的實踐積累、總結提煉得到的場景要素信息等專家經驗信息，通過枚舉式生成等方法進行場景生成，但這種方式難以滿足自動駕駛汽車進行大規模仿真測試的需求。近年來，如何解決場景庫的大規模自動化生成問題已經成為國內外學者的研究熱點。朱冰等[6]對基于場景的自動駕駛汽車測試技術的相關研究進展進行了系統梳理和總結，詳細分析了典型測試方式和測試平臺的技術要點，并概述了基于場景的加速測試技術。鄧偉文等[7]分析和總結了自動駕駛場景定義、場景解構、場景生成等方向的最新研究進展，概述了多要素耦合的系統化建模理論研究的重要意義。任秉韜等[8]系統闡述了國內外在場景自動構建和交通仿真建模方面研究工作的進展與現狀，介紹了團隊相關研究的應用情況。雖然目前對基于場景的仿真測試技術已經有了較多的研究綜述，但是針對場景生成技術的系統性、全面化總結分析仍然有待提出。

本文在廣泛調研國內外最新研究成果的基礎上，圍繞自動駕駛汽車仿真測試場景生成方法進行綜述，系統梳理場景的定義，歸納場景的解構要素，將場景的自動生成方法劃分為數據驅動式場景生成、機理建模式場景生成兩大類分別開展分析，對場景自動化生成的相關評價及應用方法進行總結，分析現有研究的不足，并提出研究展望。

2 自動駕駛測試場景

2.1 場景的定義

場景定義是實現場景認知的基礎。“場景”一詞最早來源于古法語“scene”，表示舞臺上的一幕[9]。隨著科學技術的發展，研究人員逐漸將場景的概念延展應用到工業生產的開發測試中，主要描述系統的使用方式、使用要求和使用環境。

在傳統汽車領域，場景通常指車輛周圍環境的相關信息，主要在交通事故分析、自然駕駛研究等分類和歸納工作中得到了廣泛應用[10]。在自動駕駛領域，場景是開發過程中的核心需求和指導原則，高頻率地應用于高等級自動駕駛系統的模擬測試中，但是，現階段自動駕駛領域尚無對場景的統一定義。Elrofai等[11]認為場景是指自動駕駛汽車周圍動態環境在一個特定時間范圍內的持續變化。Schuldt等[12]認為自動駕駛測試場景是多個場面單元按照時間順序依次展現的過程，該過程會持續一定的時間。Menzel等[13]基于不同的抽象層級，將場景分為具體場景、邏輯場景和功能場景，并基于狀態空間變量對場景中各元素間的關聯及其取值狀態進行了詳細的描述。Hina等[14]提出了一種基于本體論的場景解析方法，該方法將場景分解為駕駛員、環境和車輛這三個本體，及其各自的子類和屬性，從而構建本體模型以有效表征自動駕駛的各種場景。趙祥模等[15]提出，場景是指在一定時空范圍內自車與環境中其他要素的充分交互過程。王軍雷等[16]挖掘相關公開專利信息，經梳理、總結可知，自動駕駛汽車仿真測試場景構建的關鍵技術點主要包括環境仿真和車輛仿真，重點在于如何實現對真實環境中的道路場景要素、交通流信息及交通參與者運動行為的有效模擬。

歸納上述對場景的研究結果，提取、整合各描述中的核心要素，可以將自動駕駛汽車仿真測試場景定義為在一段時間內、一定駕駛任務下自動駕駛汽車與行駛環境各組成要素之間持續性的動態描述，行駛環境的組成要素包括其他交通參與者、基礎設施、道路、天氣等，具體的組成由駕駛任務決定。

2.2 場景的解構

場景是高度復雜且多源異構的系統，由多個場景元素通過動態關聯組合而成，而非簡單的元素要素堆砌。因此，明確并理解這些場景要素對于生成自動駕駛汽車的測試場景至關重要。OpenX系列標準中的OpenSCENARIO和OpenDRIVE是目前廣泛采用的開源場景描述文件格式[17]，這兩種標準詳細規定了場景中的交通動態要素和道路要素的描述方式，國內外學者也針對場景要素的內容及組成開展了不同程度的研究，但目前仍未達成共識。

Korbiniand等[18]將被測自動駕駛汽車之外的測試場景元素劃分為靜態部分（交通標志、建筑、車道線等）、動態部分（行人、機動車、非機動車等）和環境部分（溫度、濕度、可見度、風速等）。白雪松等[19]總結指出，仿真場景的主要元素可以劃分為靜態的道路設施和動態的天氣、光照與交通條件，這些元素具體涵蓋了道路、建筑物、天氣狀況、光照條件、交通設施、周邊車輛以及交通路況等多樣化的信息。朱向雷等[20]從基本屬性出發，將場景元素劃分為靜態路外元素（交通標志、建筑等）、靜態路內元素（車道類型、路面類型等）、動態路外元素（交通參與者類型、數量等）和動態路內元素（交通參與者類型、數量等）。吳旭陽[21]等深入研究了自動駕駛系統中視覺和激光雷達傳感器的感知過程，詳細分析了影響這些傳感器性能的各種因素，實現了對天氣環境（雨、雪、霧等）、交通環境（道路、建筑物、標牌、標志線等）和光線環境（逆光、背光和反光等）等典型場景元素的提取。

綜上，基于上述場景元素的劃分策略，并參考GB/T 41798—2022《智能網聯汽車自動駕駛功能場地試驗方法及要求》中對測試場景和相關場景環境元素的詳細描述[22]，對場景組成元素進行歸納，并將其整理成表1的形式，能夠更清晰地展示自動駕駛系統測試場景的關鍵組成要素。

3 仿真測試場景生成方法

面向自動駕駛汽車仿真測試，各國學者提出了多種基于已知數據源或經驗知識的場景挖掘、解構與重構生成方法，這些方法所生成的場景在代表性和應用方向上呈現出多樣性。本文在系統研究現有場景構建方法的基礎上，結合自動駕駛仿真測試需求，歸納總結出兩種主要的場景生成方式：一種是基于數據驅動的測試場景生成方法，能夠有效還原數據中的有效信息并生成衍生場景；另一種是基于機理建模的測試場景生成方法，能夠實現在短時間內基于理論模型生成大量的場景。梳理仿真測試場景生成框架如圖1所示，數據驅動與機理建模方法之間通過優勢互補，提升了自動駕駛汽車測試場景庫的豐富性與多樣性。

3.1 數據驅動式場景生成方法

3.1.1 場景數據

通過挖掘場景數據實現場景庫的自動化生成是數據驅動方法的核心，為了確保自動駕駛汽車在測試時能夠涵蓋多種場景類型，需要收集大量的典型場景數據，并以此為基礎構建完善的場景庫，保障自動駕駛系統能夠進行充分的測試，從而提高其在實際應用中的安全性和可靠性[23]。如圖2所示，自動駕駛測試場景的數據來源主要涵蓋自然駕駛數據、模擬駕駛數據和專家經驗數據等3個部分。

自然駕駛數據內容多樣，主要包括道路駕駛數據、封閉場地測試以及交通事故數據等典型測試數據[24]。道路駕駛數據的采集往往通過在傳統汽車上加裝雷達、攝像頭、高精度慣性導航系統等多傳感器采集平臺，在車輛正常行駛過程中采集場景要素數據實現。封閉場地測試數據是自動駕駛汽車在封閉的汽車試驗場內進行測試得到的場景要素數據，目前，我國已經建設了多個智能汽車封閉測試場地，如上海的智能網聯汽車試點示范區、長春的國家智能網聯汽車應用（北方）示范區等。交通事故數據的獲取是在真實的交通事故數據集中進行場景要素提取，目前，代表性的數據庫包括美國事故數據庫（General Estimates System，GES）、德國深度調查事故數據庫（German In-Depth Accident Study，GIDAS）等[25]。

模擬駕駛數據主要包含兩大類，即仿真數據和駕駛模擬器數據。仿真數據是指自動駕駛汽車在仿真環境下運行過程中產生的數據，仿真環境可以通過真實場景生成或自行配置產生。駕駛模擬器數據是指通過模擬真實的駕駛環境和車輛操作，利用駕駛模擬器進行測試所獲取的數據，駕駛模擬器是集成車輛運動學模型、顯示設備、聲音設備、數據采集設備以及踏板、轉向盤等駕駛員操縱機構于一體的虛擬仿真測試設備[26]。

專家經驗數據是基于自動駕駛汽車測試過程中的實踐積累，通過總結提煉得到的場景要素信息，如根據標準、法規中的測試場景進行場景數據提取。以聯合國法規R157《裝備自動車道保持系統的車輛認證的統一規定》（Uniform Provisions Concerning the Approval of Vehicles with Regard to Automated Lane Keeping System）為例，其提出了對車道保持、跟隨前車、視野測試、換道測試等測試場景的具體要求，能夠提供豐富的測試場景要素信息參考[27]。

3.1.2 典型場景生成

區別于傳統的依賴于專家經驗的枚舉式場景生成方法，基于數據驅動的場景自動化生成方法的核心在于通過數據處理實現場景要素的解構與重構，考慮到場景數據中可能存在大量的冗余數據，不同來源的場景數據往往在類型、格式上也存在一定的差異，因此，典型場景數據處理方式主要包括以下幾個步驟：

a. 清洗、修復場景數據。在滿足數據完整性約束的前提下，對場景數據中的無效數據、重復數據、異常數據進行清除，根據數據內部的統計學規律補全可修復的缺失數據，對清洗修復后的場景數據進行整理。

b. 生成附加信息。受限于原始數據中單位、種類等的固定要求，車頭時距等場景附加信息需通過對原始數據集中的數據進行轉換或計算得到。

c. 標注關鍵信息。通過語義分析、貝葉斯網絡、半監督學習等方式對場景要素中的關鍵信息進行標注。

d. 設計場景分類規則。結合被測自動駕駛系統的功能需求，分析、總結不同場景數據之間的差異，設計場景的分類規則。

e. 聚類場景數據。通過層次聚類、K-均值（K-Means）聚類等方法對場景數據進行聚類處理，聚類結果需要與步驟d中所設計的場景分類規則吻合。

f. 場景生成。根據得到的場景數據聚類結果計算不同場景的概率分布情況，并據此進行測試場景的隨機生成。

3.1.3 危險場景生成

在場景數據采集過程中，出于安全性和可行性考慮，所收集的場景數據往往局限于安全范圍內，這導致危險場景數據在數據集中的出現頻率相對較低。目前，主要通過機器學習算法實現對典型場景庫中危險場景的補充，首先對場景數據庫中的交通車輛軌跡等運動特性進行學習，然后訓練生成相關模型以及相應的危險場景，實現對典型場景危險度的補充。

Krajewski等[28]分別設計了軌跡生成對抗網絡和軌跡變分自編碼器，并通過無監督機器學習算法對網絡模型進行訓練，訓練后的網絡模型能夠基于原始場景數據智能生成全新軌跡。Ding等[29]基于雙向編碼器和多分支解碼器實現了對多次軌跡發生器的構建，能夠有效補充典型數據集外多車交互下的危險場景。魏鵬等[30]挖掘了跟車場景下前車的運動特性分布特征并使用高斯混合模型進行擬合，基于快速搜索隨機樹搜索邊緣加速度來隨機控制前車運動，能夠快速生成跟車危險場景測試用例。

3.2 機理建模式場景生成方法

機理建模式場景生成方法是一種根據場景物理原型進行場景內部機制表征與生成的方法，核心在于通過理論模型創造場景，因此，對場景數據體量的要求不高，主要包括組合式場景生成方法和邊緣場景生成方法。

3.2.1 組合式場景生成

組合式場景生成方法需要通過本體論對交通場景中的元素組成及關系進行分析、提取，建立能夠結構化描述場景的本體模型，然后將本體模型作為場景組合模型的輸入[31]，能夠更加關注部分關鍵場景參數，有助于提高場景參數設置效率。

通過本體論實現對場景的結構化描述是組合式場景生成的重要前置環節。Chen等[32]設計了一種高速公路匝道合流場景的測試用例生成方法，基于本體論分別建立了針對道路、環境和車輛的本體模型，實現場景參數結構化和測試用例生成。朱波等[33]基于本體論對場景中的信息進行參數化，將表征場景的參數化信息與多通道態勢圖進行關聯，采用K-均值聚類算法對場景對象分布類型進行聚類。季言實[34]針對冰雪路面條件下駕駛場景的復雜特性，基于分類與回歸樹（Classification And Regression Tree，CART）提取冰雪路面條件下的典型場景信息，利用本體論實現對提取信息的結構化歸納、存儲。

基于本體論方法建立環境本體后，楊清蓉[35]將結構化的變道場景環境本體輸入場景組合模型，基于成對獨立組合測試方法實現測試場景的生成。張培興[36]基于本體論進行道路屬性、車輛屬性等場景要素的順序化提取，利用冪定律分布描述本體要素屬性，分析本體要素參數概率分布規律，最后輸入組合測試模塊進行測試。

3.2.2 邊緣場景表征與分類

邊緣測試場景通常指自動駕駛汽車難以應對的小概率事件場景，或基于真實交通事故數據所衍生出的場景。這些場景可以視為典型測試場景的有力補充，因為它們能夠揭示自動駕駛系統在非常規或極端情況下的表現，有必要通過邊緣測試場景自動化生成方法來提高自動駕駛汽車的功能邊界測試效率。

邊緣場景的表征與分類是實現邊緣場景泛化衍生的基礎，Tang等[37]基于MATLAB環境開發了一套邊緣場景的參數特征識別策略，實現了對城市交通中邊緣場景的可視化表征。Nitsche等[38]采用K-中心點（K-Medoids）聚類算法對1 056起事故案例進行了分析聚類，實現了對13類三枝路口邊緣場景和6類四枝路口邊緣場景的有效表征。Wang等[39]采用最大減速度、平均減速度和車輛動能減少百分比實現對場景風險等級的表征，并使用決策樹來研究駕駛員特征、周圍車輛、道路環境與邊緣場景風險等級之間的關系。

吳斌等[40]通過三層漸進式的方法實現對邊緣場景的分類，第一層分析車輛的行駛速度與加速度、橫擺角度等的關系，第二層分析車輛的碰撞時間等數據指標，第三層基于模糊評價實現對危險指標的量化以及場景分類。陳吉清等[41]在結合了通過聚類分析得到的典型車輛碰撞邊緣場景后，深入探究了這些邊緣事故的典型特征，并據此構建了15個涵蓋不同道路路段類型的自動駕駛測試場景，其中包含9個涉及路口路段的場景和6個涉及普通路段的場景。胡越寧等[42]基于378例碰撞事故案例進行場景要素提取，利用聚類分析和卡方檢驗算法，并基于事故類型提取典型參數特征，得到10類三枝路口典型邊緣場景。

3.2.3 邊緣場景生成

實現對邊緣測試場景的表征與分類后，往往需要采用先進的機器學習算法等方法訓練和學習邊緣場景中的樣本特征，進而智能化生成場景庫中不存在的邊緣場景樣本。現有研究中典型的邊緣測試場景生成方法包括基于優化搜索的邊緣測試場景生成方法和基于強化學習的邊緣測試場景生成方法。

基于優化搜索策略的邊緣場景生成方法的核心在于構建被測車輛與周圍環境中其他車輛之間的交互模型，不斷迭代優化參數空間，該方法能夠逐步減小測試過程中實際碰撞風險與預期碰撞風險之間的差異，生成一系列邊緣測試場景，這些場景能夠精準地測試自動駕駛車輛的功能邊界，從而確保車輛在各種復雜環境下的安全性和可靠性。Yasasa等[43]使用貝葉斯優化方法自動生成對抗性邊緣場景，優化了對行人等目標與車輛發生碰撞場景的交互建模，相關場景能夠顯著暴露自動駕駛汽車設計的不足之處。歐洋辰等[44]使用貝塞爾曲線生成道路參考線后進行場景元素泛化，使用支持向量機算法尋找危險場景邊界，實現了邊緣場景的快速生成。

基于強化學習的邊緣測試場景生成方法主要是在被測車輛與環境交互的過程中引入反饋機制，根據反饋結果獲得學習信息并不斷更新模型參數。Koren等[45]利用馬爾可夫決策過程描述自動駕駛汽車與環境之間的交互過程，基于深度強化學習與蒙特卡洛搜索來生成邊緣測試場景。李江坤等[46]提出了一種基于強化學習和場景動力學融合的邊緣測試場景生成方法，能夠模擬實際交通場景中交通參與者之間的對抗與博弈行為特征。如圖3所示，該方法首先通過微分方程構建場景動力學系統，然后基于神經網絡模型構建邊緣場景的黑盒控制器，最后利用強化學習實現對邊緣場景的優化求解。

綜上，基于優化搜索方法的邊緣場景生成方法能夠快速發現導致系統故障的場景，減少測試場景的數量，但目標函數設計困難，且缺乏對自動駕駛系統在邊緣場景下的預測和行為決策的能力測試?；趶娀瘜W習的邊緣測試場景生成方法能探測到不易發生的小概率事件，但同時會造成算力浪費以及產生重復的測試場景。

4 測試場景評價與應用

4.1 測試場景評價

對生成的測試場景的綜合評價是實現其應用的前提，梳理現有研究中對測試場景的評價維度，主要包括以下幾個方面，在實際應用中可以結合測試目的進行組合使用：

a. 場景有效性。場景有效性是評價生成場景是否達到預期設想的重要指標，蔣淵德等[47]利用真實駕駛數據構建測試集，對測試場景中模擬的車輛交互過程進行了對比驗證，分析了場景的有效性。

b. 場景復雜性。場景復雜性用來反映道路交通環境的參與者與其所處的交通環境之間的相互作用關系的復雜程度，王榮等[48]通過信息熵和引力模型相結合的方法，實現了對自動駕駛車輛道路測試場景的復雜性評價。

c. 場景風險性。場景風險指自動駕駛汽車在行駛過程中由交通要素產生的風險，蘇欣[49]采用專家方法與數學方法相結合的方式，設計多指標權重，通過模糊評價的方式實現了對場景風險性的評價。

d. 場景覆蓋性。場景覆蓋性是評價場景是否全面的重要指標，場景覆蓋性評價需要與被測自動駕駛功能的設計運行域和測試目的相匹配，李東峻[50]從靜態場景要素和動態場景要素出發，綜合考慮場景要素之間的交互作用，實現了對場景覆蓋性的評價。

4.2 測試場景應用

評價合格的測試場景主要應用于自動駕駛仿真測試，使用者可以基于場景參數信息，在VTD、Carla、PanoSim、PreScan、CarMaker等場景仿真器中配置或導入道路、車輛、交通標志等場景元素及相關參數，形成仿真場景文件并進行仿真測試。此外，為了提高仿真場景的搭建效率，可以通過編寫自動化腳本實現對大批量仿真場景的自動化構建。

目前，基于場景的自動駕駛汽車測試方式主要可以歸納為三類：片段式測試應用，將每個獨立的場景以片段的形式依次完成測試；拼接式測試應用，將每個獨立的場景片段進行拼接、排布，通過設定自動駕駛汽車測試順序，實現被測場景的連續觸發測試，提高測試的連續性；融合式測試應用，將場景片段有機融入真實交通流數據中進行測試，提高測試的真實度。

5 總結與展望

隨著自動駕駛汽車智能化等級的提升，對自動駕駛測試場景的全面性、有效性要求也日益嚴苛，傳統的場景枚舉式生成方法已經無法滿足大規模仿真測試的需求。本文在廣泛調研國內外最新研究文獻的基礎上，對自動駕駛汽車測試場景的定義、生成方法以及應用進行了系統性梳理、分析和總結。盡管自動駕駛汽車測試場景自動化生成研究已有所突破，但仍存在明顯不足?，F有的方法主要局限于生成簡單的測試場景，這些場景與真實的駕駛環境相差甚遠，因此難以滿足高階自動駕駛系統在安全性評估測試方面的需求。目前，自動駕駛測試場景生成的研究尚未成熟，未來還應重點關注以下幾個方面：

a. 基于中國駕駛場景特征優化場景建模。中國是全世界交通路況最豐富的國家，包括復雜的立交橋、山路以及各種類型的交通場景，考慮到中國駕駛場景的復雜性和特殊性，如何基于現有數據構建出與中國實際用車情況高度契合的仿真測試場景，成為目前亟待解決的核心問題。在未來的研究中，需要構建中國駕駛場景特征的提取方法，研究如何提高測試場景庫與中國駕駛場景特征的貼近度，實現高維復雜場景的高效模擬。

b. 深化邊緣場景生成策略。邊緣場景是對典型場景的重要補充，如果自動駕駛汽車在邊緣場景下也能展現出良好的性能，那么其在典型場景下的系統性能通常也能得到充分保障。目前的研究主要集中在邊緣場景的優化求解領域，缺少對典型場景與邊緣場景遷移機理和分布概率的研究，需要深化對邊緣場景生成策略的研究，實現對場景空間的有效擴建。

c. 加速場景構建的標準體系化建設。目前，自動駕駛測試場景的分類并沒有廣泛認可的統一標準，涵蓋場景定義與架構、提取挖掘、推理演繹、重構衍生以及相關工具鏈等全維度內容的標準體系仍有待建設。

參考文獻

[1]" "SAE. Taxonomy and Definitions for Terms Related to DrivingAutomation Systems for On-Road Motor Vehicles： SAE J3016[S]. Pennsylvania， USA： SAE， 2021.

[2]" "BENMIMOUN M. Effective Evaluation of AutomatedDriving Systems[C]// WCX? 17： SAE World Congress"Experience. Detroit： SAE， 2017： 1-6.

[3]" "猶佐龍. 智能網聯汽車仿真測試方法[J]. 汽車工程師， 2019（4）： 35-38.

YOU Z L. Simulation Test Method of Intelligent Connected Vehicle[J]. Automotive Engineer， 2019（4）： 35-38.

[4] YAO S， ZHANG J， HU Z， et al. Autonomous-Driving Vehicle Test Technology Based on Virtual Reality[J]. Journal of Engineering， 2018， 2018（16）： 1768-1771.

[5]" "曾杰， 譚龍， 丁雪聰， 等. 仿真測試在智能網聯汽車準入測試的政策應用與技術基礎分析[J]. 汽車文摘， 2022（10）： 19-23.

ZENG J， TAN L， DING X C， et al. Analysis of Simulation Test Technology and Policy for Intelligent and Connected Vehicle Product Access Application[J]. Automotive Digest， 2022（10）： 19-23.

[6]" "朱冰， 張培興， 趙健， 等. 基于場景的自動駕駛汽車虛擬測試研究進展[J]. 中國公路學報， 2019， 32（6）： 1-19.

ZHU B， ZHANG P X， ZHAO J， et al. Review of Scenario-Based Virtual Validation Methods for Automated Vehicles[J]. China Journal of Highway and Transport， 2019， 32（6）： 1-19.

[7]" "鄧偉文， 李江坤， 任秉韜， 等. 面向自動駕駛的仿真場景自動生成方法綜述[J]. 中國公路學報， 2022， 35（1）： 316-333.

DENG W W， LI J K， REN B T， et al. A Survey on Automatic Simulation Scenario Generation Methods for Autonomous Driving[J]. China Journal of Highway and Transport， 2022， 35（1）： 316-333.

[8]" "任秉韜， 鄧偉文， 白雪松， 等. 面向智能駕駛測試的仿真場景構建技術綜述[J]. 中國圖象圖形學報， 2021， 26（1）： 1-12.

REN B T， DENG W W， BAI X S， et al. Technologies of Virtual Scenario Construction for Intelligent Driving Testing[J]. Journal of Image and Graphics， 2021， 26（1）： 1-12.

[9]" "中國社會科學院語言研究所. 新華字典[M]. 第10版. 北京： 商務印書館， 2004.

Institute of Linguistics of the Chinese Academy of Social Sciences. Xinhua Dictionary[M]. 10th Edition. Beijing： The Commercial Press， 2004.

[10] BáLINT A， FAGERLIND H， KULLGREN A. A Test-Based Method for the Assessment of Pre-Crash Warning and Braking Systems[J]. Accident Analysis and Prevention， 2013， 59： 192-199.

[11] ELROFAI H， WORM D， CAMP O O D. Scenario Identification for Validation of Automated Driving Functions[C]// International Forum on Advanced Microsystems for Automotive Applications 2016. Berlin： Springer， 2016： 153-163.

[12] SCHULDT F， ULBRICH S， MENZEL T， et al. Defining and Substantiating the Terms Scene， Situation， and Scenario for Automated Driving[C]// Intelligent Transportation Systems （ITSC）. Gran Canaria， Spain： IEEE， 2015： 982-988.

[13] MENZEL T， BAGSCHIK G， MAURER M. Scenarios for Development， Test and Validation of Automated Vehicles[C]// 2018 IEEE Intelligent Vehicles Symposium. Changshu， China： IEEE， 2018： 1821-1827.

[14] HINA M D， THIERRY C， SOUKANE A， et al. Cognition of Driving Context for Driving Assistance[J]. International Journal of Computer and Information Engineering， 2018， 12（2）： 56-66.

[15] 趙祥模， 承靖鈞， 徐志剛， 等. 基于整車在環仿真的自動駕駛汽車室內快速測試平臺[J]. 中國公路學報， 2019， 32（6）： 124-136.

ZHAO X M， CHENG J J， XU Z G， et al. Self-Driving Car Indoor Rapid Test Platform Based on Vehicle-in-the-Loop Simulation[J]. China Journal of Highway and Transport， 2019， 32（6）： 124-136.

[16] 王軍雷， 王亮亮， 王靜， 等. 基于專利分析的自動駕駛汽車虛擬場景庫構建技術研究[J]. 汽車技術， 2022（12）： 9-14.

WANG J L， WANG L L， WANG J， et al. Research on Autonomous Vehicle Virtual Scenario Construction Technologies Based on Patent Analysis[J]. Automobile Technology， 2022（12）： 9-14.

[17] LOPER M M， BLACK M J. OpenDR： An Approximate Differentiable Renderer[C]// European Conference on Computer Vision. Berlin： Springer， 2014： 154-169.

[18] KORBINIAN G， THOMSAS K， BENJAMIN F， et al. Towards a Scenario-Based Assessment Method for Highly Automated Driving Functions[C]// 8th Conference on Driver Assistance. Munich， Germany： Staffordshire University， 2017： 1-7.

[19] 白雪松， 鄧偉文， 任秉韜， 等. 一種自動駕駛仿真場景要素的提取方法[J]. 汽車工程， 2021， 43（7）： 1030-1036+1065.

BAI X S， DENG W W， REN B T， et al. An Extraction Method of Scenario Elements for Autonomous Driving Simulation[J]. Automotive Engineering， 2021， 43（7）： 1030-1036+1065.

[20] 朱向雷， 吳志新， 張宇飛， 等. 基于場景降維及采樣方法的場景庫優化方法研究[J]. 汽車工程， 2023， 45（8）： 1408-1416.

ZHU X L， WU Z X， ZHANG Y F， et al. Research on Scenario Library Optimization Method Based on Scenario Dimension Reduction and Sampling Method[J]. Automotive Engineering， 2023， 45（8）： 1408-1416.

[21] 吳旭陽， 蒙昊藍， 邢星宇， 等. 自動駕駛系統邊緣測試用例生成[J]. 同濟大學學報（自然科學版）， 2018， 46（12）： 111-115.

WU X Y， MENG H L， XING X Y， et al. Edge Test Case Generation of Automatic Driving System[J]. Journal of Tongji University （Natural Science）， 2018， 46（12）： 111-115.

[22] 中華人民共和國工業和信息化部. 智能網聯汽車自動駕駛功能場地試驗方法及要求： GB/T 41798—2022[S]. 北京： 中國標準出版社， 2020.

Ministry of Industry and Information Technology of the People’s Republic of China. Intelligent and Connected Vehicles—Track Testing Methods and Requirements for Automated Driving Functions： GB/T 41798—2022[S]. Beijing： Standards Press of China， 2020.

[23] RSENER C， FAHRENKROG F， UHLIG A， et al. A Scenario-Based Assessment Approach for Automated Driving by Using Time Series Classification of Human-Driving Behaviour[C]// 2016 IEEE 19th International Conference on Intelligent Transportation Systems （ITSC）. Rio de Janeiro， Brazil： IEEE， 2016： 1360-1365.

[24] GAMBI A， HUYNH T， FRASER G. Generating Effective Test Cases for Self-Driving Cars from Police Reports[C]// The 2019 27th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering. New York， NY， USA： Association for Computing Machinery， 2019： 257-267.

[25] YU S， MADHAV V C， DAVID A N. Intersection Two-Vehicle Crash Scenario Specification for Automated Vehicle Safety Evaluation Using Sequence Analysis and Bayesian Networks[J]. Accident Analysis and Prevention， 2022， 176： 1879-2057.

[26] 李偉男， 李林潤， 孟祥哲. 人機共駕型車道保持輔助控制策略[J]. 汽車實用技術， 2023， 48（24）： 37-43.

LI W N， LI L R， MENG X Z. Lane Keeping Assistant Control Strategy for Human-Machine Co-Driving[J]. Automobile Applied Technology， 2023， 48（24）： 37-43.

[27] TENBROCK A， KNIG A， KEUTGENS T， et al. The ConScenD Dataset： Concrete Scenarios from the highD Dataset According to ALKS Regulation UNECE R157 in OpenX[C]// 2021 IEEE Intelligent Vehicles Symposium Workshops. Nagoya， Japan： IEEE， 2021： 1-8.

[28] KRAJEWSKI R， MOERS T， NERGER D， et al. Data-Driven Maneuver Modeling Using Generative Adversarial Networks and Variational Autoencoders for Safety Validation of Highly Automated Vehicles[C]// IEEE 2018 21st International Conference on Intelligent Transportation Systems （ITSC）. Maui， HI， USA： IEEE， 2018： 2383-2390.

[29] DING W H， WANG W S， ZHAO D. A Multi-Vehicle Trajectories Generator to Simulate Vehicle-to-Vehicle Encountering Scenarios[C]// IEEE 2019 International Conference on Robotics and Automation （ICRA）. Montreal， QC， Canada： IEEE， 2019： 4255-4261.

[30] 魏鵬， 袁夢. 基于自然駕駛數據的跟車危險場景構建[J]. 中國汽車， 2023（7）： 39-44.

WEI P， YUAN M. Construction of Car Following Critical Scenarios Based on Natural Driving Data[J]. China Auto， 2023（7）： 39-44.

[31] 黃璐. 基于本體論的無人駕駛車輛場景評估與行為決策方法研究[D]. 合肥： 中國科學技術大學， 2019.

HUANG L. Research on Ontology-Based Situation Assessment and Decision-Making Approach for Autonomous Vehicles[D]. Hefei： University of Science and Technology of China， 2019.

[32] CHEN W， KLOUL L. An Ontology-Based Approach to Generate the Advanced Driver Assistance Use Cases of Highway Traffic[C]// HAL 10th International Joint Conference on Knowledge Discovery， Knowledge Engineering and Knowledge Management. Setúbal， Portugal： Science and Technology Publications， 2018： 1-11.

[33] 朱波， 胡旭東， 談東奎， 等. 基于多通道態勢圖的自動駕駛場景表征方法[J]. 中國公路學報， 2020， 33（8）： 204-214.

ZHU B， HU X D， TAN D K， et al. Automatic Driving Scenario Representation Based on Multi-Channel Situation Map[J]. China Journal of Highway and Transport， 2020， 33（8）： 204-214.

[34] 季言實. 冰雪路面下智能汽車的認知推理決策方法研究[D]. 長春： 吉林大學， 2024.

JI Y S. Research on Cognitive Reasoning Decision-Making Method of Intelligent Vehicle in Ice and Snow Covered Pavement[D]. Changchun： Jilin University， 2024.

[35] 楊清蓉. 自動駕駛車輛變道場景的虛擬測試技術研究[D]. 貴陽： 貴州大學， 2023.

YANG Q R. Research on Virtual Testing Technology for Lane Changing Scenarios of Autonomous Driving Vehicles[D]. Guiyang： Guizhou University， 2023.

[36] 張培興. 基于場景的自動駕駛汽車虛擬仿真加速測試與評價方法研究[D]. 長春： 吉林大學， 2023.

ZHANG P X. Research on Scenario-Based Accelerated Simulation Test and Evaluation Method for Automated Vehicle[D]. Changchun： Jilin University， 2023.

[37] TANG Y S， WANG L Y. Development of Scenes Drawing System for Urban Road Accidents[C]// IEEE International Conference Mechatronicsamp; Automation. Beijing， China： IEEE， 2011： 1152-1157.

[38] NITSCHE P， THOMAS P， STUETZ R， et al. Pre-Crash Scenarios at Road Junctions： A Clustering Method for Car Crash Data[J]. Accident Analysis and Prevention， 2017， 107： 137-151.

[39] WANG J Q， ZHENG Y， LI X F， et al. Driving Risk Assessment Using Near-Crash Database through Data Mining of Tree-Based Model[J]. Accident Analysis and Prevention， 2015（84）： 54-64.

[40] 吳斌， 朱西產， 沈劍平， 等. 基于自然駕駛研究的直行追尾危險場景誘導因素分析[J]. 同濟大學學報（自然科學版）， 2018， 46（9）： 1253-1260.

WU B， ZHU X C， SHEN J P， et al. Analysis of Causation of Rear-End Incidents Based on Naturalistic Driving Study[J]. Journal of Tongji University （Natural Science）， 2018， 46（9）： 1253-1260.

[41] 陳吉清， 舒孝雄， 蘭鳳崇， 等. 典型危險事故特征的自動駕駛測試場景構建[J]. 華南理工大學學報（自然科學版）， 2021， 49（5）： 1-8.

CHEN J Q， SHU X X， LAN F C， et al. Construction of Autonomous Vehicles Test Scenarios with Typical Dangerous Accident Characteristics[J]. Journal of South China University of Technology （Natural Science Edition）， 2021， 49（5）： 1-8.

[42] 胡越寧， 趙丹， 牛學軍. 面向自動駕駛汽車的三枝路口典型危險場景構建方法[J]. 中國人民公安大學學報（自然科學版）， 2022， 28（4）： 47-53.

HU Y N， ZHAO D， NIU X J. Construction Method of Typical Risk Scenarios at Three-Legged Junction for Autonomous Vehicles[J]. Journal of People’s Public Security University of China （Science and Technology）， 2022， 28（4）： 47-53.

[43] YASASA A， FLORIAN S， GREGORY D. Generating Adversarial Driving Scenarios in High-Fidelity Simulators[C]// IEEE International Conference on Robotics and Automation. Montreal， QC， Canada： IEEE， 2019： 8271-8277.

[44] 歐洋辰， 陳凌珊， 祁康. 自動駕駛虛擬仿真場景轉化與泛化方法研究[J]. 農業裝備與車輛工程， 2023， 61（3）： 85-89.

OU Y C， CHEN L S， QI K. Research on Automatic Driving Virtual Simulation Scene Conversion and Generalization Method[J]. Agricultural Equipment and Vehicle Engineering， 2023， 61（3）： 85-89.

[45] KOREN M， ALSAIF S， LEE R， et al. Adaptive Stress Testing for Autonomous Vehicles[C]// 2018 IEEE Intelligent Vehicles Symposium（IV）. Changshu， China： IEEE， 2018： 1-7.

[46] 李江坤， 鄧偉文， 任秉韜， 等. 基于場景動力學和強化學習的自動駕駛邊緣測試場景生成方法[J]. 汽車工程， 2022， 44（7）： 976-986.

LI J K， DENG W W， REN B T， et al. Automatic Driving Edge Scene Generation Method Based on Scene Dynamics and Reinforcement Learning[J]. Automotive Engineering， 2022， 44（7）： 976-986.

[47] 蔣淵德， 朱冰， 趙祥模， 等. 面向自動駕駛汽車測試的交通車輛交互過程建模[J]. 汽車工程， 2022， 44（12）： 1825-1833.

JIANG Y D， ZHU B， ZHAO X M， et al. Modeling of Traffic Vehicle Interaction for Autonomous Vehicle Testing[J]. Automotive Engineering， 2022， 44（12）： 1825-1833.

[48] 王榮， 孫亞夫， 宋娟. 自動駕駛車輛道路測試場景評價方法與試驗驗證[J]. 汽車工程， 2021， 43（4）： 620-628.

WANG R， SUN Y F， SONG J. Evaluation Method and Test Verification of Road Test Scenes for Autonomous Vehicles[J]. Automotive Engineering， 2021， 43（4）： 620-628.

[49] 蘇欣. 自動駕駛車模擬仿真測試場景構建及風險評價[D]. 西安： 長安大學， 2021.

SU X. Construction of Simulation Test Scenario and Risk Assessment of Autonomous Vehicle[D]. Xi’an： Chang’an University， 2021.

[50] 李東峻. 典型山地自動駕駛測試場景構建與評價[D]. 重慶： 重慶理工大學， 2023.

LI D J. Construction and Evaluation of Typical Mountain Autonomous Driving Test Scenarios[D]. Chongqing： Chongqing University of Technology， 2023.

（責任編輯 斛 畔）

修改稿收到日期為2024年3月12日。