徐向陽，胡文浩，，董紅磊，王 琰，肖凌云，李鵬輝

（1. 北京航空航天大學交通科學與工程學院，北京 100191；2. 國家市場監(jiān)管總局缺陷產品管理中心，北京 100101；3. 中國汽車工程研究院股份有限公司，重慶 401122）

前言

“零事故”是自動駕駛汽車發(fā)展的安全目標，隨著傳感器探測精度、多傳感器融合、深度學習等技術的快速發(fā)展，自動駕駛功能在實驗室、封閉場地和可控開放道路上已經初步實現(xiàn)［1-2］。但在自動駕駛汽車正式投放市場之前，還需要進行一系列的安全測試和評價，以保證自動駕駛的安全性。反觀自動駕駛的發(fā)展過程就是駕駛員駕駛操作逐漸退出的過程［3］，原本由駕駛員完成的“感知-決策-執(zhí)行”動作逐漸要由車輛替代完成，因此原有僅針對車輛動態(tài)操控、被動安全和零部件系統(tǒng)的測試評價體系無法滿足自動駕駛汽車的測試需求。通過調研國內外自動駕駛汽車主要研究方向發(fā)現(xiàn)，自動駕駛汽車的研究重點已經從自動駕駛技術的突破與實現(xiàn)逐漸向自動駕駛功能的測試評價技術轉移［4-5］。

現(xiàn)階段主要的測試方法為實車道路測試，然而，根據(jù)美國交通部公布的數(shù)據(jù)［6］，駕駛員需要行駛約80 萬km 才會發(fā)生一起碰撞事故，平均需要駕駛車輛35年。美國蘭德公司Kalra 等［7］研究認為，在95%置信度水平下，要證明自動駕駛汽車在事故致死率方面比人類駕駛員低20%，需要進行142 億km 以上的道路測試。因此，許多學者認為，目前尚無已知的在經濟上可行的測試評價方法，這也被稱為“自動駕駛上路的批準陷阱”［4］。各國研究人員均在研究探索可行的自動駕駛汽車測試方法，美國密歇根大學彭輝教授提出，自動駕駛汽車99%的測試驗證工作應在虛擬環(huán)境中完成，0.9%應在實際場地環(huán)境中完成，最后少部分在公共交通環(huán)境中完成。虛擬測試將是自動駕駛汽車測試驗證的主要方式，而場景是虛擬測試的基礎。

場景是從空間和時間維度描述人-車-路-環(huán)境之間復雜動態(tài)關系的模型，是自動駕駛汽車產品研發(fā)和功能測試的基礎［8-10］。本文中基于大量國內外研究機構和學者發(fā)表的研究報告與文獻資料，系統(tǒng)地梳理了場景定義與架構、場景主要信息源及采集方法、場景信息提取挖掘方法和場景構建與測試應用的研究現(xiàn)狀，總結分析了現(xiàn)有研究的不足，并提出了研究展望。

1 場景定義與架構

通用性的定義和結構性的框架是場景研究的基礎，然而，在場景研究的初期，并沒有關于場景具體定義和架構的深入研究，相關機構和學者只是將車輛周邊的環(huán)境信息概括為“場景”，并應用于自然駕駛和交通事故等分類和歸納研究中［11-14］。隨著自動駕駛汽車測試驗證對場景應用需求的增加，有學者從自動駕駛感知與功能測試的角度系統(tǒng)梳理了機器對行駛環(huán)境的認知需求，并基于此提出了場景的定義和架構。Ulbrich 等［15］提出場面（Scene）、情形（Situation）和場景（Scenario）的關聯(lián)性，并認為場景是多個場面按照時序情形依次發(fā)生的過程，并會持續(xù)一段時間。歐盟PEGASUS項目［16-18］系統(tǒng)分析自動駕駛汽車不同研發(fā)階段的測試需要，依據(jù)抽象程度和表達方式的不同，將場景分為功能場景、邏輯場景和具體場景3類，并結合測試需求將場景劃分為道路層、交通設施層、臨時調整的交通設施層、移動物體層、環(huán)境狀態(tài)層和通信層6個層次。趙祥模等［19］認為自動駕駛測試場景指在一定時空范圍內，自動駕駛汽車與行駛環(huán)境中的其他車輛、基礎設施、天氣、光照、障礙物等要素綜合交互的過程，同時，將場景要素分為靜態(tài)要素和動態(tài)要素兩大類。朱冰等［20］在綜述的基礎上，提出了自動駕駛測試場景的內涵是自動駕駛汽車與其行駛環(huán)境各要素在一段時間內的總體動態(tài)描述，并將場景要素分為交通環(huán)境要素和測試車輛基礎信息2大類，共覆蓋7個具體要素信息。

在實際測試應用過程中，部分學者將被測車輛功能特征引入到測試場景。Geyer等［9］認為場景是自動駕駛測試要素，涵蓋了環(huán)境元素、動態(tài)元素和駕駛指令，同時也包括了駕駛員的行為和自動駕駛的自主行為。美國國家公路交通安全管理局（NHTSA）［21］發(fā)布的報告中提出自動駕駛汽車測試場景的框架，具體包括車輛運動行為（DDT）、設計運行范圍（ODD）、事件感知與決策行為（OEDR）和失效模式行為（FM），從車輛功能特征的角度對測試場景進行描述。

本文歸納上述研究認為，場景是描述主車自動駕駛功能特征與人-車-路-環(huán)境-信息之間的復雜時間、空間動態(tài)關系的模型，自動駕駛測試場景信息應包括場景要素和測試要素2 類，并由10 層信息組成（如圖1 所示）。同時，應結合被測汽車技術路徑及測試目的，對場景組成元素進行分級，若場景元素信息量能夠達到基礎要求，就可應用于測試。

2 場景信息提取與挖掘方法

面向自動駕駛測試，各國學者提出了多種基于已知數(shù)據(jù)源或經驗知識的場景提取構建、挖掘、解構與重構方法，不同方法得到的場景在代表性和應用方向各不相同。本文在系統(tǒng)研究現(xiàn)有場景構建方法的基礎上，結合自動駕駛測試需求，歸納了場景的構建方法體系，包括具體場景提取構建、人類駕駛典型邏輯場景挖掘分析、自動駕駛危險邏輯場景推理演繹和具體場景重構衍生（如圖2 所示），下面對相關方法的關鍵技術和研究進展分別進行綜述。

2.1 具體場景直接構建

圖1 自動駕駛測試場景要素及分層架構

圖2 場景構建方法體系

具體場景直接構建是依據(jù)場景架構及要素組成，從基礎數(shù)據(jù)源進行提取或者組合推理出具體場景。朱冰等［20］認為場景的來源包括真實數(shù)據(jù)、模擬數(shù)據(jù)和專家經驗3 個部分的9 個信息源。舒紅等［22］結合自動駕駛主要功能特點，提出了一種基于經驗知識組合推理測試場景群的方法。由于地域代表性是評價自動駕駛適用范圍最為直接的指標，而在現(xiàn)有場景來源中僅有規(guī)模化采集的自然駕駛數(shù)據(jù)和事故數(shù)據(jù)具備相對可信的統(tǒng)計分析意義及區(qū)域代表性，因此，本文中主要關注基于自然駕駛數(shù)據(jù)和事故數(shù)據(jù)的提取構建方法。

2.1.1 自然駕駛場景信息提取關鍵技術

由于自然駕駛數(shù)據(jù)采集由多個傳感器配合完成，采集到的數(shù)據(jù)為多源異構數(shù)據(jù)，在應用于場景構建之前需要進行數(shù)據(jù)的融合處理。本文中總結自然駕駛場景信息提取流程，如圖3 所示，具體包括：數(shù)據(jù)采集、目標物融合感知、自然駕駛片段提取和場景數(shù)據(jù)標注提取。

目標物融合感知是在時間、空間同步的基礎上，匯總自然駕駛采集到的攝像頭、雷達和車載CAN總線等信息，采用語義分割和深度學習等技術，系統(tǒng)識別行駛過程中的交通參與方、車道線和交通標識等動靜態(tài)目標物，及其與主車在時間、空間中相對關系。

圖3 自然駕駛數(shù)據(jù)預處理流程

自然駕駛片段提取是實現(xiàn)測試應用的關鍵，片段的劃分需要綜合考慮數(shù)據(jù)采集區(qū)域、數(shù)據(jù)類型和自動駕駛測試需求。同濟大學陳名揚［23］研究認為，自然駕駛數(shù)據(jù)中過程是最基本組成單元，并分為長時間行車過程、中等時間行車過程、短時間行車過程和泊車過程?，F(xiàn)階段，針對自然駕駛片段提取，主要面向涉及危險事件的短時間過程，吳斌等［24］基于駕駛員制動和轉向輸入特性，建立了緊急制動和緊急轉向的數(shù)據(jù)模型，并提出了自然駕駛數(shù)據(jù)的危險評估算法。Sun 等［25］基于自然駕駛數(shù)據(jù)綜合考慮車輛速度、橫向/縱向/垂向加速度和制動壓力，提出了一種自動識別危險事件的評估方法。

場景數(shù)據(jù)標注提取是針對每個自然駕駛片段，綜合視覺和雷達感知識別算法、信息融合技術［26-28］和人工操作，在目標物融合感知的基礎上從行駛片段中標注并提取場景構建所需的交通設施信息、綠化與建筑設施、動態(tài)參與方信息和天氣與環(huán)境信息等。

自然駕駛數(shù)據(jù)可根據(jù)實際研究的需要，架設傳感設備來采集信息，信息的完整度及準確度較高，但是采集典型場景尤其是危險場景的效率較低，當數(shù)據(jù)積累到一定程度時將表現(xiàn)出明顯的長尾效應。

2.1.2 事故預碰撞具體場景信息提取關鍵技術

對于自動駕駛汽車測試，事故信息中最為重要的是事故發(fā)生前5 s左右的信息，而這類信息從傳統(tǒng)事故深度調查中無法直接獲取，需要根據(jù)事故現(xiàn)場痕跡特征對事故發(fā)生的過程進行再現(xiàn)分析，然后從事故再現(xiàn)結果獲取場景構建所需的信息。

傳統(tǒng)道路交通事故的再現(xiàn)研究多基于運動學和動力學模型進行反向推算［29］，但由于事故中包含大量的不確定因素，對再現(xiàn)結果的準確性有較大的影響［30-32］。近年來，隨著城市基礎設施建設的完善，道路監(jiān)控視頻覆蓋面快速提升。根據(jù)NAIS 事故深度調查數(shù)據(jù)顯示，在我國城市地區(qū)發(fā)生的交通事故，有道路監(jiān)控視頻或者行車記錄儀記錄的比例超過了50%。與此同時，事故數(shù)據(jù)記錄裝置（EDR）［33-36］、新能源汽車及自動駕駛汽車的行駛信息記錄模塊中也記錄了大量車輛行駛信息［37］，這些信息可有效提高事故再現(xiàn)的準確度。

VUFO 在預碰撞場景（pre?crash?matrix，PCM）研究中［38］，依托已完成再現(xiàn)分析的GIDAS 數(shù)據(jù)構建了超過10 000例預碰撞具體場景。國家市場監(jiān)督管理總局缺陷產品管理中心和西華大學基于NAIS 數(shù)據(jù)建設了預碰撞場景數(shù)據(jù)庫，已經完成1 000例預碰撞具體場景的提取構建。

2.2 人類駕駛典型邏輯場景挖掘分析

按照2.1 節(jié)方法提取到的場景均為離散的場景數(shù)據(jù)集，可直接應用于自動駕駛功能測試，但無法滿足測試對場景覆蓋面的需求，需要進一步采用分類和聚類等多元統(tǒng)計方法，分析挖掘典型場景特征及主要參數(shù)閾值空間和概率分布模型，可形成具有代表性的人類駕駛典型邏輯場景。

NHTSA［39］基于NASS?GES 數(shù)據(jù)庫分析提取了37類乘用車典型預碰撞功能場景。Najm 等［40］基于NASS?GES事故數(shù)據(jù)庫提取了涉及追尾、換道和駛出路面的典型預碰撞功能場景，并設計出針對自動駕駛前碰撞預警和車道偏離預警功能的具體測試場景。德國聯(lián)邦交通研究所（BASt）等15 家單位［41］共同發(fā)起的ASSESS 項目，依據(jù)GIDAS 事故數(shù)據(jù)，針對自動駕駛緊急制動和前碰撞預警功能分析提取出4類典型邏輯場景和20 種測試場景，并已應用于AEB的測試評價。

考慮到場景數(shù)據(jù)的離散性和形態(tài)的復雜性，有學者采用聚類分析算法挖掘典型場景。Philippe等［42］針對1 056例發(fā)生在路口的交通事故案例，采用k?medoids 聚類分析算法挖掘出15 類典型丁字路口危險場景和6 類十字路口邏輯場景。Lenard 等［43］針對9 360 例汽車與行人碰撞事故，應用系統(tǒng)聚類分析，挖掘出能夠代表86%事故案例的6 類典型邏輯場景。蘇江平等［44］和劉穎等［45］分別基于自然駕駛數(shù)據(jù)，利用系統(tǒng)聚類方法得到4類和5類具有不同代表性的典型行人交通沖突邏輯場景。胡林等［46］、Cao等［47］和Sui 等［48］分別依托419 例、672 例和535 例汽車與兩輪車碰撞事故案例，采用聚類分析算法提取了11 類、6 類和4 類典型邏輯場景。相關邏輯場景已經不同程度應用于自動駕駛功能的測試與評價中。

采用多元統(tǒng)計分析方法可有效提取典型邏輯場景，然而基于現(xiàn)有數(shù)據(jù)源挖掘到的場景均無法有效體現(xiàn)自動駕駛特有的危險特征。

2.3 自動駕駛危險邏輯場景推理演繹

自動駕駛汽車特有的通行行為必然會帶來新的危險場景，基于已有自動駕駛測試數(shù)據(jù)、專家分析經驗以及自動駕駛事故調查數(shù)據(jù)，結合自動駕駛技術路線，分析自動駕駛行為特征并提取風險因子，并以人類駕駛典型邏輯場景為基礎，可實現(xiàn)特定自動駕駛功能下的危險邏輯場景的推理演繹?，F(xiàn)階段，關于場景推理演繹及風險因子的文獻資源有限，國際標準化組織（ISO）發(fā)布的ISO/PAS 21448：2019《Road Vehicles?Safety of the Intended Functionality（道路車輛預期功能安全）》［49］從觸發(fā)事件角度分析了車輛算法、傳感器和執(zhí)行器的風險因子。本文中系統(tǒng)梳理了自動駕駛部件組成及功能特性，從自動駕駛感知、決策、執(zhí)行和通信4 個功能維度提出了風險因子分析的重點關注因素（如圖4所示）。

2.3.1 從“感知”角度分析

自動駕駛汽車感知是采用車載感知元件，探測并識別自動駕駛決策所需的必要信息。在場景推理演繹時應重點關注傳感器感知極限以及外部信息的干擾等因素。

圖4 自動駕駛風險因子關注因素

自動駕駛汽車常用的車載感知元件有攝像頭、毫米波雷達和激光雷達等，各感知元件均有著相應的優(yōu)缺點［50-51］。攝像頭對目標物的識別和分類具有先天優(yōu)勢，尤其在平面目標特征識別方面，是其他感知元件無法取代的，但在惡劣天氣條件下其識別效果會受到嚴重的影響［52-54］。毫米波雷達采用毫米波波段探測外界目標，由于其波長相對較長，探測穩(wěn)定度相對較高，但對非金屬物體和靜態(tài)物體的識別不敏感，同時，多輛車之間的雷達波也存在相互干擾的可能。激光雷達探測精度遠高于其他感知元件，在障礙物檢測方面具有較大的優(yōu)勢，但在惡劣天氣條件下的探測范圍和探測精度也容易受到影響［55］。由于單一感知元件有明顯的優(yōu)缺點，采用多傳感器融合技術可實現(xiàn)傳感器優(yōu)勢性能聚合，但由于識別算法的復雜性，不可避免地會有一定的局限性［56］。

2.3.2 從“決策”角度分析

自動駕駛汽車決策是基于感知獲取的場景信息，對目標物的運動狀態(tài)進行識別和預測，并規(guī)劃出合理的駕駛動作和行駛路徑。在場景推理演繹時應重點關注參與方之間的復雜運動交互。

自動駕駛汽車將長期與人類共用交通資源，人類駕駛汽車的行為不確定性，如違反交通規(guī)則通行、緊急變道和切入行為，將給自動駕駛汽車的決策帶來挑戰(zhàn)；行人和二輪車由于運動慣性較低，運動軌跡及行為的突變也將提高自動駕駛汽車目標跟蹤與預測算法的復雜程度［57］。

2.3.3 從“執(zhí)行”角度分析

自動駕駛汽車執(zhí)行是依據(jù)決策指令，控制車輛完成規(guī)定的駕駛動作和行駛路徑，在場景推理演繹時應重點關注道路條件干擾及車輛的動力學極限。

自動駕駛汽車在行駛過程中，復雜的道路條件如道路坡度、路面破損和附著條件等，會對車輛橫、縱向避讓措施和安全車速等涉及車輛動力學極限的參數(shù)決策產生較大影響［58-59］，將給自動駕駛汽車的執(zhí)行策略帶來直接挑戰(zhàn)。

2.3.4 從“通信”角度分析

自動駕駛汽車V2X 通信是特殊的感知功能，依托具體V2X 通信功能可獲取道路交通標識、參與方位置和運動等場景信息，有效擴展車載傳感器的感知范圍。涉及V2X 通信功能的測試場景在推理演繹時應重點關注通信時延、信息丟失和錯誤等問題。

V2X通信高度依賴道路基礎設施和通信數(shù)據(jù)格式與協(xié)議標準的統(tǒng)一，常見的V2X 通信技術包括移動通信網絡（LTE）、Wi?Fi、專用短程通信（DSRC）和ZigBee 等，不同技術手段在通信距離、速度、時延和抗干擾方面性能差異較大，由此可能帶來的通信延時、信息丟失及錯誤等問題，會直接影響通信的可靠性，并對自動駕駛決策算法帶來挑戰(zhàn)［60-64］。

2.4 具體場景重構衍生

經多元統(tǒng)計挖掘和推理演繹獲取的人類駕駛和自動駕駛邏輯場景無法直接應用于測試，需要進一步生成具體場景，而重構衍生是批量生成具體場景，提高測試效率的關鍵手段。以邏輯場景主要參數(shù)及其概率分布模型為基礎，采用隨機采樣、重要性采樣和機器學習等算法模型提取參數(shù)值，可實現(xiàn)具體場景的重構衍生。

現(xiàn)階段，關于重構衍生算法的研究，主要集中在算法模型的設計。Schuldt 等［65］在連續(xù)隨機采樣的基礎上，分析系統(tǒng)安全的影響因素，將連續(xù)參數(shù)離散化，采用組合算法生成組合測試集的方法生成測試場景。Fellner 等［66］基于快速搜索隨機樹的算法框架，在給定的狀態(tài)變量初始值為定值的前提下，通過尋找模型的變異值確定變量取值，實現(xiàn)測試場景的生成。

Xia 等［67］建立了一種涵蓋場景復雜度指標的測試用例隨機組合生成算法。其中場景復雜度主要算法思路為：分析影響場景復雜度的組成要素，確定各要素值及其對應的復雜度指標，通過不同組成要素的隨機組合實現(xiàn)測試用例的采樣，其中采樣得到的每一個測試用例u可以通過元組表示為：u=(wG；p1，wG；p2，...，wG；pLG-1)，wG；pj代表該測試用例中特定場景要素與其他要素之間的相對重要性指標向量，該測試用例的復雜度

密歇根州立大學Zhao 和Huang 等的研究團隊［68-73］基于自然駕駛數(shù)據(jù)對測試場景中目標車輛的運動數(shù)據(jù)進行分布擬合，并通過重要性抽樣算法將擬合的模型f(u)采樣值向危險參數(shù)范圍進行偏移得到一個全新的概率分布模型f?(u*)，以改變目標車的運動狀態(tài)。原始模型的概率密度函數(shù)表示如下：

式中：u為目標車運動模型的隨機采樣參數(shù)；μ為概率密度均值。

將測試結果的事故率最高作為求解偏移值的優(yōu)化目標，然后利用二次規(guī)數(shù)函數(shù)或交叉熵算法求得對應的偏移值，最后基于偏移值重新構造目標車的隨機運動模型。

基于新模型采樣生成碰撞可能性更高的目標車運動軌跡，可實現(xiàn)測試加速7 000倍。

經重構衍生得到的具體場景具有足夠的樣本量，可有效覆蓋邏輯場景，同時，結合自動駕駛功能和測試需求的不同，可設計針對性的重構衍生算法，在虛擬仿真平臺中可有效實現(xiàn)自動駕駛的全面測試和加速測試。

3 虛擬測試應用

經提取和挖掘的場景信息可直接應用于虛擬場景的構建及測試，目前廣泛使用的虛擬場景構建及仿真軟件包括VTD、PreScan、CarMaker、PanoSim 和51VR等［74］，軟件均提供了模塊交互式的場景設計界面，使用者可拖動車道線、路面、車輛、交通標志等模塊，設置交通參與方行駛軌跡和速度等信息，形成虛擬場景文件。與此同時，相關軟件也支持Open?drive格式下高精度地圖的自動導入，可快速生成虛擬道路環(huán)境。然而，模塊交互式的場景設計方案易于使用者快速掌握使用技巧，但場景搭建效率較低。為此，部分機構基于通用場景格式，開展了虛擬場景自動化構建方法研究。中國汽車工程研究院股份有限公司面向Open?X 場景格式開發(fā)了場景數(shù)據(jù)處理平臺（i?SDAT）及工具鏈，可實現(xiàn)虛擬場景的自動化構建，極大提高了場景構建的效率。

虛擬場景應用于自動駕駛測試的方式較多，一般可歸納為片段式場景測試、多片段拼接式場景連續(xù)測試和融合交通流的場景測試3種方法。

（1）基于場景片段的測試應用

在實際虛擬測試過程中，面向自動駕駛功能及測試需求，首先需要確定場景測試用例集，每一個測試用例均為一個單獨的片段，測試時，需依次完成所有場景片段的測試。該測試方法具有測試流程清晰、覆蓋度高、適應性高、測試初始狀態(tài)可調等特點，是現(xiàn)階段虛擬仿真測試的主流方式。

（2）多場景片段拼接的測試應用

為實現(xiàn)L3 及以上等級自動駕駛汽車的連續(xù)場景測試，部分機構提出了一種基于多場景片段拼接的測試方法，在虛擬環(huán)境下，將多個場景采用觸發(fā)的方式進行有機排布，通過設定自動駕駛汽車行駛路線，實現(xiàn)被測場景的順次觸發(fā)，達到連續(xù)測試的目的［75］。

（3）融合交通流的測試應用

為了強化測試場景的真實性和復雜性，有機構提出了融合交通流的測試方法，基于真實交通大數(shù)據(jù)，訓練交通流模型并融入場景片段，生成真實度高、交互性的場景，可實現(xiàn)趨近于真實道路連續(xù)駕駛狀態(tài)下的自動駕駛虛擬仿真測試［76］。

4 研究展望

在自動駕駛汽車測試場景構建方面，各國學者均開展了大量的研究，并已經在輔助駕駛功能的測試方面發(fā)揮了重要的作用，但尚未形成從數(shù)據(jù)分析挖掘到場景構建應用的完整方法鏈和工具鏈。在總結梳理現(xiàn)有場景構建研究的基礎上，提出如下研究展望。

（1）基于大數(shù)據(jù)挖掘方法擴充場景信息源

危險場景是自動駕駛汽車測試的關鍵，但是現(xiàn)有基于自然駕駛數(shù)據(jù)和事故深度調查數(shù)據(jù)的危險場景提取方法在場景構建效率和數(shù)量方面無法滿足測試的需求。應當探索引入大數(shù)據(jù)挖掘算法，在已構建場景的基礎上，融合道路監(jiān)控視頻、交管部門事故信息和車輛測試及運行信息等大數(shù)據(jù)資源，提取交通參與方的運動特征和其他場景信息，高效挖掘危險場景。

（2）拓展挖掘自動駕駛風險因子

隨著自動駕駛技術的迭代發(fā)展，其交通滲透率也將不斷提升，由此必然會帶來新的道路交通特征及安全形勢。因此，應當在充分考慮自動駕駛技術路線的基礎上，模擬研究不同自動駕駛功能及滲透率下的交通變化趨勢，分析新的道路安全形勢和可能帶來的風險因子，并在場景構建中予以考慮。

（3）對接自動駕駛測試的場景構建標準體系建設

場景構建標準體系是實現(xiàn)場景對比分析和代表性分析以及國際間場景互認的基礎，是提升自動駕駛在不同國家地域間場景適應能力的關鍵，國際標準化組織ISO/TC22/SC33 已經在推進場景構建及測試部分標準的建設［77］。面向自動駕駛測試，標準體系應當涵蓋場景定義與架構、提取挖掘、推理演繹、重構衍生、虛擬場景表達與構建的方法鏈和工具鏈等方面。

5 結論

減少道路交通事故和降低人員傷亡程度是自動駕駛汽車發(fā)展的重要目標，自主識別復雜多樣的危險場景并采取合理的處置方式是衡量自動駕駛汽車安全水平的重要體現(xiàn)。目前普遍采用的實車道路測試方法存在時間成本大、效率低且危險場景覆蓋面不足的問題，基于危險場景的虛擬測試技術是解決這一問題的重要途徑。本文從自動駕駛汽車測試場景定義與框架、主要信息源及采集方法、場景信息提取與挖掘方法和虛擬場景構建與測試應用方法4 個方面系統(tǒng)梳理了相關研究工作，歸納提出了涵蓋具體場景提取構建、人類駕駛典型邏輯場景挖掘分析、自動駕駛危險邏輯場景推理演繹和具體場景重構衍生的場景構建方法體系，并分別綜述相關研究進展。完整的場景構建方法鏈、工具鏈和標準體系，是實現(xiàn)場景高效應用于自動駕駛虛擬測試并提升自動駕駛汽車地域適應性的關鍵。在現(xiàn)有場景構建方法的基礎上，應當引入大數(shù)據(jù)挖掘方法擴充數(shù)據(jù)源提高場景代表性，拓展挖掘自動駕駛風險因子高效推演自動駕駛危險場景，構建國際標準體系實現(xiàn)場景互認，助力自動駕駛汽車安全水平提升及產業(yè)落地。