一种自动驾驶仿真场景要素的提取方法*

白雪松，邓伟文，任秉韬，刘 鹏，李江坤，丁 娟

（1.北京航空航天大学交通科学与工程学院，北京 100191；2.东风汽车集团有限公司技术中心，武汉 430056；3.浙江天行健智能科技有限公司，嘉兴 314000）

前言

智能化是汽车行业未来的发展趋势［1］。汽车的安全性一直以来受到汽车企业和科研机构的广泛关注，自动驾驶技术的发展赋予了汽车安全相关研究新的需求，进而导致自动驾驶的测试与评价研究成为当前全球关注的热点问题［2］。近年来Uber、Tesla等的事故暴露了其面对复杂行驶环境时应对能力不足的问题，与此同时Waymo的虚拟测试里程数已达到100亿英里［3］，百度自动驾驶仿真系统也进行着大量测试，基于模拟仿真场景的虚拟测试已成为主流趋势，仿真测试场景理论的相关研究成为自动驾驶仿真测试验证亟需的新方法和重要手段［4］。

驾驶场景模拟仿真的本质是使用计算机建模物理世界，其目的是要将无限的物理世界映射到有限的仿真场景中，其首要环节是确定场景要素。在驾驶场景理论相关研究中，国内外学者针对测试场景的组成、构建以及评价的理论和方法开展了不同程度的研究，但场景要素的种类和形式目前在学术界和产业界还未达成共识，德国PEGASUA和ASAM是目前广受关注的测试场景研发项目组织，其定义了“功能-逻辑-具体”的场景分层体系［5］。OpenX系列和ISO3450X系列是目前最为常用的场景描述标准，其中OpenDrive和OpensSenario是最为常用的开源文件格式［6-7］，但其定义文件对如何确定标准中的基本场景要素和属性没有进行明确阐述。在场景要素的组成和提取方面，Geyer等［8］认为场景是测试时预先定义的驾驶环境、驾驶任务、静态要素和动态要素；RAND公司报告中将场景要素分为5层，分别为道路信息、道路基础设施、道路信息与道路设施的动态变化、动态目标以及环境状况等；Hallerbach等［9］从参数赋值的角度提出了仿真关键场景的识别方法，建立了评价车辆安全和交通质量的指标；Matthaei等［10］讨论了天气和光照是否应列为场景要素。Erwin等［11］认为在系统开发的前期，只需道路和其他交通参与者的基本信息。综上分析可知，当前研究主要是基于已知的场景要素进行分析且更多倾向场景构建的理论方法，在场景要素定义层面多为主观分析，缺少客观的场景要素提取方法作为支撑；同时针对如何解释和设计针对某一测试主体的要素组成没有进行提及。以上问题导致了不同仿真平台对于场景理解和架构设计不一致，也带来了场景库接口与转换的障碍。针对场景的组成要素的可解释描述是场景理论研究的基础。

针对以上问题本文中提出一种汽车自动驾驶仿真测试场景的关键要素提取方法。本文的创新点有：（1）采用一种从自动驾驶系统角度逐级分解的方法分析了场景要素对硬件及感知、决策和控制系统的影响；（2）建立一种场景要素-系统结构-系统功能平面映射方程用于量化要素影响的重要性；（3）基于平面节点判别矩阵建立要素提取模型用于实现场景关键要素的判别与筛选。最后分析了第四届世界智能驾驶仿真挑战赛的行人安全避撞场景元素构成，说明了方法的合理性和有效性。

1 场景对自动驾驶系统的影响分析

面向自动驾驶仿真测试的场景构建的基础是讨论场景要素对自动驾驶汽车的影响，目前相关研究分散且不明确，同时相关场景定义均未对场景要素的合理性进行说明，本节从自动驾驶汽车及其工作过程说明要素的选择及其合理性。

1.1 自动驾驶汽车及其工作过程

汽车自动驾驶将传统的人-车-环境的驾驶情形外延到车-环境，导致了自动驾驶系统在进行工作时除面对车辆的自身状态，还要对行驶环境进行认知。自动驾驶汽车是多种结构和功能的集成体［12］，结构是指系统的硬件构成，包括车载传感器（相机、雷达、定位系统以及通信系统等）和线控车辆平台两部分；功能是指系统的关键算法（感知识别算法、决策规划算法以及运动控制算法）。自动驾驶汽车在系统算法和结构的协调下驱动车辆实现预期的运动，如图1所示。工作时通过车载传感器收集行驶环境信息后结合自身的驾驶任务，使用感知识别算法对车载传感信号进行处理，决策规划算法接收感知输出后进行信息融合，然后决策和规划相应的轨迹，运动控制算法控制车辆平台对已规划轨迹进行跟随，车辆平台接收运动控制信号后驱动车辆运动。

图1 自动驾驶汽车及其工作过程

1.2 场景对自动驾驶系统影响的分析

场景是对车辆行驶环境的一种数学映射描述，映射过程能够刻划和模拟场景的不同要素对自动驾驶汽车影响与作用，其中车外的行驶环境主要由气象、道路设施和交通组成。本节将分析和量化场景要素对自动驾驶汽车的影响。

1.2.1 气象要素的影响

气象要素包含光照、雨、雪、雾、风等，气象要素的影响方面很多，光照强度会影响相机的成像距离。色温导致同一物体在不同光照颜色下成像的颜色会发生变化，影响目标识别算法的性能。雨滴形成的雨线会对激光雷达的激光束产生反射，降低激光雷达的探测距离。无规律飘落的雪花随机分布在图像上影响目标识别算法。雾会影响相机的成像距离。风会使车辆摇动，影响车辆的稳定性和路径跟踪效果。毫米波雷达的探测原理是接收信号强度大于最小的可识别强度时，通过处理信号获得目标信息，气象因素中的雪要素对其探测影响很大。降雪引起的雷达系统功率损耗［13］的计算公式为

式中：f为频率，GHz；I为降雪强度，cm/h。

对于77 GHz的毫米波雷达，在不同降雪强度下的雪衰损耗如表1所示。

表1 毫米波雷达雪衰损耗

图像是获取场景信息（颜色和纹理）的主要途径，但相机易受天气和光照的影响，从成像机理来看，影响图像清晰度的因素如图2所示。

图2 图像清晰度的气象影响因素

1.2.2 道路场地要素的影响

道路场地要素包含道路设施和路边建筑等。道路曲率直接影响路径规划功能，道路的曲率越大路径越弯曲，规划出行驶路径难度越大。坡度直接影响车辆的路径跟踪能力，上坡和下坡过程由于车辆重力的影响增大了路径跟踪的控制难度。路面的材料和纹理会影响使用相机作为传感器的自动驾驶系统的感知算法。路面附着系数直接影响车辆的底盘系统的稳定性控制。车道数影响任务决策。交叉口中不同交通流向的路径交叉会影响自动驾驶系统的决策过程，交叉口中左转路径与右转路径曲率的差异和多处人车冲突的存在对自动驾驶的决策和路径规划都有直接影响。

1.2.3 交通及其设施要素的影响

场景中交通标识类型、数量越多，识别的难度越大。路边建筑的临路遮挡影响传感器的探测范围，导致硬件感知性能衰减。交通参与者的物理属性主要是外形尺寸、材质和运动特性。外形尺寸属性影响硬件感知和目标识别两方面。交通车的外形会对自动驾驶的传感产生物理遮挡，同时会影响目标识别的难度，车辆越小识别难度越大。不同的材质会影响目标识别的效果，仿真场景中车辆运动的不同属性和运动的不确定性会严重影响自动驾驶系统的决策与规划。交通及其设施因素对于决策规划系统的影响主要体现在周边交通车的运动行为，交通车的数量对场景复杂度的影响巨大［14］，纹理材质和运动状态等会影响场景的复杂度等属性。

1.3 仿真场景的要素列表

综合上述分析并结合实际行驶环境的抽象总结，可确定仿真测试场景的关键要素组成结构，如表2所示。仿真场景的主要因素可划分为具有静态特征的道路设施和具有动态特征的气象和交通，具体包括道路、建筑物、天气、光照、交通设施、周边车辆和交通路况等信息。

表2 测试场景关键要素及属性

2 场景关键要素的提取与筛选

物理世界的无穷无尽导致汽车所能遇到的场景也充满无限可能，而不同结构和功能的自动驾驶仿真测试所需的场景要素也不同，为解决场景要素的可解释性和场景设计的合理性，本文提出了影响要素的提取模型。

2.1 仿真场景关键要素提取方法

物理系统的运行面临各种环境因素的干扰，一般的解决方案是通过建模进行仿真。典型的场景建模是将行驶环境进行有限维度映射的过程，由于环境要素不可穷举的特性和计算机模拟需要的有限维度是矛盾的。如何从环境要素中提取对物理系统有影响的要素成为关键问题。场景要素的提取过程就是分析环境要素对特定物理系统影响的过程。考虑物理系统可分为结构和功能两部分，为更好地进行降维，提出基于系统的结构和功能耦合分析的环境影响要素的提取模型，如图3所示。

图3 影响因素提取模型

影响要素提取模型是将系统的结构和功能解耦后逐一分析场景因素对系统不同部分的影响，最后得出场景因素对系统是否有影响的结论，具体如下。

（1）物理系统的结构划分

物理系统是由子结构组成，使用目标树的思想将物理系统按照最小结构进行划分，这时物理系统被描述为不同最小结构的集合。

式中：n为子结构个数；Si为第i个子结构。

（2）物理系统的功能划分

类比物理系统的结构划分，可依据物理系统的工作原理对功能进行划分和建模，同样采取目标树将系统进行功能划分为不同的子功能。

式中：m为子功能个数；Fj为第j个子功能。

（3）分析环境因素对物理系统的影响

由于单个环境因素对物理系统的影响被分别映射到不同的子结构和子功能，所以可通过逐一分析该因素对不同基本单元的影响，得到该因素对于系统的整体影响。考虑到不同环境因素对不同基础单元的影响不同，模型将影响程度划分为高、中、低和无4个等级（影响程度对应取值为1、2/3、1/3和0）。当将对应的影响进行数学量化后，形成了要素-结构关系向量。同理可以得到要素-功能关系向量。

（4）要素-结构-功能矩阵及其分析

模型能够反映出场景要素对相应的子结构和子功能的影响关系。当分析某一场景因素对于整个系统的影响时，通过对不同维度的要素关系进行定义后，即可得到要素-结构-功能平面（E⁃S⁃F平面），将要素间的影响关系进行量化后代入对应平面就形成了要素-结构-功能矩阵（E⁃S⁃F矩阵），通过平面分析得到场景要素和物理系统的结构与功能之间的联系，定义要素-结构-功能矩阵的性质即可评估要素是否对物理系统有影响，E⁃S⁃F矩阵定义如下。

式中：aij为基本量化节点，是通过综合分析定义的，表征场景要素对由对应结构组成系统功能的影响；amj为硬件综合影响，通过计算得到，表示硬件在不同子功能中影响的综合评价；ain为功能综合影响，也可计算得到，表征子功能在不同硬件中影响的综合评价；am1为元素本身性质，考虑模型的目的是分析特定要素对自动驾驶系统的影响，元素本身的相互响应一般定义为无。考虑到不同场景要素对于自动驾驶系统的影响存在主次关系，选取ωk作为权重因子，可在针对某一测试主体选择场景要素时反映不同子功能和子结构对于整体系统影响程度的差异。

矩阵的大小一般用范数来衡量，常见的范数包括1⁃范数，2⁃范数和F⁃范数，F范数描述了矩阵到原点的距离。本文中使用式（5）计算E⁃S⁃F矩阵的F⁃范数。

为确定所提取的要素是否保留，提出式（6）作为判断条件：

式中σ表示筛选阈值，该阈值模拟出筛选过程具有一定的惯性，即避免筛选过程只是边际效益，根据不同的分析定义，对于自动驾驶安全相关的分析一般取0。如果式（6）满足，则认为该要素对特定物理系统有影响，须保留为场景要素，否则即认为该要素对自动驾驶系统无影响，不予考虑。

在完成整个系统的要素分析后，如果系统添加了新的子结构和子功能，只须在影响要素提取模型的某一维度增加一个因素后形成分析平面，通过分析对应的矩阵即可重新进行分析。

2.2 具体场景要素的提取过程分析

雨天是常见天气现象，本节具体阐述雨要素在模型中具体节点的评价和量化过程。

（1）雨对系统结构硬件影响的分析

雨对相机的影响为大：阴雨天气下光照强度下降，雨水的反射会导致镜面反射，影响相机的成像效果；雨滴下落时图像中会出现雨线遮盖目标物体，同时雨滴属于亮点，对图像的对比度和信噪比会产生较大影响，降低图像质量。

雨对雷达的影响为小：毫米波雷达具有较强的穿透力，能够适应大部分的恶劣天气，因此认为雨对毫米波雷达的影响为小。

雨对定位系统的影响为小：卫星信号传播时发生折射使传播路径变长，导致接收信号产生时间误差并被传递到求伪距和反解接收机位置坐标的过程，对定位系统造成影响。

雨对V2X的影响为无：V2X具有突破视觉死角和跨越遮挡物的信息获取能力，V2X几乎不受天气状况的影响。

雨对车辆平台的影响为大：雨雪等恶劣天气使附着系数显著降低，而导致制动距离增加，驱动轮易打滑甚至空转，在积水路面上可能出现滑水现象，降低了行车安全性。

（2）雨对系统功能算法的影响分析

雨对感知识别系统的影响为中：雨粒子类似于噪声，会对目标物造成遮挡，雨天会导致相机拍摄的图片中由于有雨滴而变得模糊，会影响感知算法的识别准确性。

雨对决策规划系统的影响为无：决策规划系统是根据传感感知系统的输出进行决策和规划，一般认为雨只影响传感感知系统，对决策规划系统没有影响。

雨对运动控制系统的影响为中：雨对车辆运动控制系统体现在不同降雨条件下的道路附着系数不同，雨天时路面附着系数小，极易将车辆引入极限工作状态。

（3）综合分析

根据上述分析得到了雨-结构-功能平面，如图4所示。

图4 雨-结构-功能平面

2.3 具体测试场景用例要素筛选方法

具体测试场景用例要素筛选方法是以影响要素提取模型为核心而形成的，如图5所示。

图5 场景要素提取流程

（1）定义需要分析的行驶环境要素

根据表2可知，场景要素划分为气象、道路设施和交通。通过对场景要素使用问题树的思想进行启发式搜索后形成一个子要素无限丰富的场景要素列表。

（2）输入到影响因素提取模型

将列表中要素输入到影响因素模型进行遍历，得到对应的要素-结构-功能平面，对影响关系节点进行量化后，得到对应的E⁃S⁃F矩阵。

（3）判定该因素是否为场景要素

得到要素-结构-功能矩阵后，依据式（4）～式（6）判定是否决定存储为场景要素。

（4）所有行驶环境要素遍历完成后结束

在将第（1）步中的所有要素遍历完成后，提取结束后形成场景关键要素列表，位于表中的要素后续建立实际测试场景时需要着重考虑。

3 应用实例分析

限于研发周期和成本，特别是安全因素的考虑，近年来面向自动驾驶测试的仿真场景构建研究主要依托于数字虚拟仿真平台来实现。作者所在团队自主开发了PanoSim智能驾驶模拟仿真平台，并将其应用在第四届世界智能驾驶挑战赛（WIDC）中，首次实现国产仿真软件支持国际比赛。行人安全避撞场景是感知决策控制组的比赛题目，如图6所示。该赛题指定使用相机传感器，参赛队伍须使用感知算法识别目标。本文对赛题“行人安全避撞场景”使用影响要素提取模型进行了分析，评价其要素组成并给出相应的场景设计建议。

图6 行人安全避撞仿真场景

3.1 场景要素的具体分析

由于行人安全避撞场景的指定传感器为车载像机，因此模型的硬件结构维度仅包括像机和车辆平台两个节点，系统功能维度则依旧是感知识别系统、决策规划系统和运动控制系统，针对行人避撞具体场景而构建的场景要素提取模型如图7所示。

图7 行人安全避撞场景要素提取模型

为分析和解释行人安全避撞场景中的要素组成，使用具体测试场景用例要素筛选方法进行了筛选，提取结果与分析如表3所示。表中对场景要素相对应的要素-结构-功能矩阵的F范数进行了计算，并给出对应的筛选阈值，同时评价了该要素在已有场景中是否存在和存在要素的潜在解释性问题。特别是，由于自动驾驶测试中安全要求的严苛性，本文中选取筛选阈值全部为0。

表3 行人安全避撞测试场景要素提取与评估

3.2 行人安全避撞场景的设计建议

根据场景要素提取结果，行人安全避撞测试场景要素的组成主要包括道路、交通设施、路旁建筑和交通参与物中的机动车和行人等元素，这些元素对自动驾驶的测试极其重要，但经过分析可知，已有元素中类似于路旁建筑对行人安全避撞算法的测试意义不大，同时如果在比赛场景内丰富一些元素，例如雨雪、交通标志牌和非机动车等，会对自动驾驶系统的行人安全避撞算法起到更好的测试和区分作用。

4 结论

针对场景要素组成的基础研究和不同测试主体的场景要素选择与设计问题，本文中提出了一种汽车自动驾驶仿真测试场景的关键要素提取方法。首先采用从自动驾驶系统角度逐级分解的方法分析了场景要素对硬件及感知、决策和控制系统的影响，然后建立了一种场景要素-系统结构-系统功能平面映射方程，用于量化要素影响的重要性；接着基于平面节点判别矩阵建立了要素提取模型，用于场景关键要素的判别与筛选；最后通过第四届世界智能驾驶仿真挑战赛的行人安全避撞场景元素的实例构成应用验证了该方法的合理性和有效性。