王 榮，孫亞夫，宋 娟

（1. 工業(yè)和信息化部計(jì)算機(jī)與微電子發(fā)展研究中心（中國軟件評測中心），智能網(wǎng)聯(lián)駕駛測試與評價(jià)工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，北京 100048；2. 北京千方科技股份有限公司，北京 100085）

前言

以自動(dòng)駕駛車輛（包括智能汽車、無人駕駛汽車、智能網(wǎng)聯(lián)汽車等）為例，在自動(dòng)駕駛技術(shù)的發(fā)展和智能網(wǎng)聯(lián)汽車商業(yè)化應(yīng)用的迫切需求下，自動(dòng)駕駛車輛道路測試顯得極為重要。通過對自動(dòng)駕駛車輛進(jìn)行道路測試，既可以對新技術(shù)進(jìn)行測試驗(yàn)證，促進(jìn)技術(shù)發(fā)展，還可以檢驗(yàn)自動(dòng)駕駛車輛的安全性［1-2］。

基于道路場景的車輛測試方法是目前主流的車輛測試方法。例如美國公路交通安全管理局（NHTSA）預(yù)碰撞場景、美國交通部（DOT）和Waymo核心駕駛能力的測試項(xiàng)目和場景［3］。德國政府研究事故場景，在電子地圖上表示事故類型、交通類型和事故嚴(yán)重程度［4］。歐盟梳理潛在的和真實(shí)事故場景與特征，總結(jié)人工和自動(dòng)駕駛關(guān)鍵場景［5］。我國發(fā)布的《智能網(wǎng)聯(lián)汽車道路測試管理規(guī)范（試行）》規(guī)定自動(dòng)駕駛功能檢測項(xiàng)目。中國智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)創(chuàng)新聯(lián)盟和全國汽標(biāo)委針對此《管理規(guī)范》細(xì)化的檢測項(xiàng)目與場景［6-7］。中關(guān)村智通智能交通產(chǎn)業(yè)聯(lián)盟發(fā)布《自動(dòng)駕駛車輛測試道路要求》，對測試道路進(jìn)行分級［8］。北京理工大學(xué)張昕等［9］提出基于信息熵的特殊區(qū)域環(huán)境復(fù)雜度計(jì)算模型。吉林大學(xué)王云鵬等［10］提出定量評價(jià)交通環(huán)境因素的方法。在現(xiàn)有技術(shù)中，場景復(fù)雜度模型沒有針對自動(dòng)駕駛汽車的自身數(shù)據(jù)進(jìn)行綜合分析，場景分類也大多基于自動(dòng)駕駛功能、事故等維度，沒有區(qū)分不同類別場景的難易度或復(fù)雜程度，從而無法依據(jù)分類選取出適用于自動(dòng)駕駛道路測試的典型場景。因此，現(xiàn)階段自動(dòng)駕駛車輛須進(jìn)行大量的場景測試來驗(yàn)證自動(dòng)駕駛能力，測試效率和測評效果均有待提升。基于現(xiàn)有技術(shù)，研究場景評價(jià)與分類方法是自動(dòng)駕駛車輛道路測試亟需突破的難點(diǎn)之一［11-12］。

本文中提出了一種自動(dòng)駕駛車輛道路測試的場景評價(jià)與分類方法，以解決現(xiàn)有技術(shù)存在的無法區(qū)分不同道路測試場景的復(fù)雜度，更無法依據(jù)分類選取出適用于自動(dòng)駕駛道路測試的典型場景，測試效率和測評效果均有待提升的問題。通過確定一個(gè)或多個(gè)預(yù)先創(chuàng)建的道路場景，并確定為創(chuàng)建道路場景所采用的場景組成要素；獲取場景組成要素所對應(yīng)的信息，將場景組成要素劃分為靜態(tài)場景要素和動(dòng)態(tài)場景要素；進(jìn)一步計(jì)算靜態(tài)場景要素和動(dòng)態(tài)場景要素分別對應(yīng)的場景復(fù)雜度，綜合得到道路場景所對應(yīng)的場景復(fù)雜度分值。最后，根據(jù)道路場景所對應(yīng)的場景復(fù)雜度分值實(shí)現(xiàn)對場景的分類，使最終得到的分類結(jié)果既能體現(xiàn)出不同道路場景的復(fù)雜程度，又能體現(xiàn)出不同道路場景的類別，本文中提出的道路場景評價(jià)與分類方法能大幅提升測試效率和測評效果。

1 場景設(shè)計(jì)方案

基于國際、國內(nèi)自動(dòng)駕駛測試場景標(biāo)準(zhǔn)規(guī)范、道路交通事故場景和國家智能汽車與智慧交通（京冀）示范區(qū)的測試經(jīng)驗(yàn)［13］，建立智能網(wǎng)聯(lián)汽車道路測試場景要素庫，通過選取基本要素與要素組成，從功能和邏輯等維度進(jìn)行梳理組合，提取自動(dòng)駕駛測試場景。

1.1 場景組成要素庫

通過分析標(biāo)準(zhǔn)規(guī)范場景，包括ISO、NTHSA、SAE、ENCAP、FMCSA 和ADAS 場景［14-18］，結(jié)合網(wǎng)絡(luò)事故視頻、公安交管道路交通事故數(shù)據(jù)和事故還原等道路交通事故和人為駕駛經(jīng)驗(yàn)，將自動(dòng)駕駛車輛道路測試場景要素庫劃分為靜態(tài)場景要素和動(dòng)態(tài)場景要素。其中靜態(tài)要素包括路段、車道、道路交通標(biāo)志、道路交通標(biāo)線、交通信號燈、其他設(shè)施和天氣，動(dòng)態(tài)要素包括場景參與者。場景要素庫見表1。

表1 自動(dòng)駕駛車輛道路測試場景要素庫

1.2 測試場景的提取

根據(jù)上述場景要素庫中的組成要素，從功能、邏輯等維度進(jìn)行梳理組合，自動(dòng)駕駛功能包括直行、跟車、變更車道和路口左轉(zhuǎn)等，邏輯維度是在功能研究的基礎(chǔ)上，考慮自然環(huán)境條件、道路屬性和運(yùn)動(dòng)狀態(tài)等，進(jìn)而劃分為不同時(shí)間、不同天氣狀態(tài)、道路等級和道路長度等，設(shè)計(jì)形成測試場景［19］，如圖1 所示。

1.3 測評場景

根據(jù)上述方法設(shè)計(jì)道路場景，參考T/CMAX116-01-2018《自動(dòng)駕駛車輛道路測試能力評估與方法》［20］，從自動(dòng)駕駛車輛認(rèn)知與交通法規(guī)遵守能力、執(zhí)行能力、應(yīng)急處置與人工介入能力和綜合駕駛能力等方面，設(shè)計(jì)搭建50 組城市道路測評場景，如圖2所示。

圖1 自動(dòng)駕駛車輛道路測試場景的提取

2 場景評價(jià)與分類方法

提出場景復(fù)雜度模型，它是根據(jù)道路交通環(huán)境的影響因素，建立一個(gè)評估道路交通環(huán)境復(fù)雜程度的評價(jià)模型，用來反映道路交通環(huán)境的參與者和其所處的交通環(huán)境之間的相互作用關(guān)系。進(jìn)一步通過場景評價(jià)方法進(jìn)行場景分類，可以分為簡單、中等和復(fù)雜3 個(gè)等級的環(huán)境測試場景。場景評價(jià)與分類流程如圖3 所示。

場景評價(jià)理論主要基于場景復(fù)雜度，它是指自動(dòng)駕駛車輛道路測試評價(jià)場景的復(fù)雜程度，在研究道路交通環(huán)境影響因素時(shí)僅考慮周圍環(huán)境對自動(dòng)駕駛車輛造成的其他交通參與者、路段、標(biāo)志標(biāo)線等相關(guān)影響因素，不考慮風(fēng)向、溫度濕度、樹木抖動(dòng)等自然條件。場景復(fù)雜度是一個(gè)相對的概念，不會(huì)離開自動(dòng)駕駛車輛而存在，是一個(gè)隨著因素變化而變化的變量，在道路交通環(huán)境測試中會(huì)隨著距離、速度等因素的變化而變化。

本文中將自動(dòng)駕駛車輛道路測試場景復(fù)雜度分為靜態(tài)場景復(fù)雜度和動(dòng)態(tài)場景復(fù)雜度，其中靜態(tài)場景復(fù)雜度引入信息熵理論，計(jì)算離散信息源的信息量總和，考慮靜態(tài)場景要素的類型和權(quán)重；動(dòng)態(tài)場景復(fù)雜度引入加速引力模型，考慮場景參與者和測試車輛之間的距離、速度等的相互影響因素［21-23］。場景復(fù)雜度由靜態(tài)場景復(fù)雜度和動(dòng)態(tài)場景復(fù)雜度的綜合評價(jià)結(jié)果得到，場景復(fù)雜度如圖4所示。

圖2 50組城市道路交通場景

2.1 靜態(tài)場景復(fù)雜度

靜態(tài)場景復(fù)雜度引入信息熵理論確定靜態(tài)場景要素的信息熵，考慮靜態(tài)場景要素的類型和權(quán)重。靜態(tài)復(fù)雜度系數(shù)（信息熵）計(jì)算公式為

式中：θ1為靜態(tài)場景復(fù)雜度系數(shù)；h為靜態(tài)場景復(fù)雜度中各個(gè)場景組成要素所對應(yīng)分組標(biāo)簽的類型總數(shù)；pi為根據(jù)靜態(tài)場景復(fù)雜度構(gòu)建的圖形結(jié)構(gòu)中相同類型節(jié)點(diǎn)數(shù)與節(jié)點(diǎn)總數(shù)的比值。

圖3 場景評價(jià)與分類流程示意圖

圖4 自動(dòng)駕駛車輛道路測試行為評價(jià)場景復(fù)雜度

不同靜態(tài)環(huán)境要素權(quán)重根據(jù)專家打分確定：

式中：C0為靜態(tài)場景復(fù)雜度；βn為靜態(tài)場景組成要素中第n個(gè)分組所對應(yīng)的權(quán)重；Yn為靜態(tài)場景組成要素中第n個(gè)分組內(nèi)各個(gè)場景組成要素所對應(yīng)的預(yù)設(shè)分值之和。

2.2 動(dòng)態(tài)場景復(fù)雜度

基于引力模型研究，提出動(dòng)態(tài)場景復(fù)雜度與場景中的動(dòng)態(tài)因素有關(guān)，復(fù)雜度與測試車輛和場景參與者的速度、兩者之間的距離與夾角等存在某種數(shù)學(xué)函數(shù)關(guān)系。將動(dòng)態(tài)因素對測試車輛的影響作用視為環(huán)境復(fù)雜度的場效應(yīng)機(jī)制，測試車輛與場景參與者之間的相對速度與距離作為衡量場強(qiáng)度的指標(biāo)，對環(huán)境復(fù)雜度的場分布進(jìn)行數(shù)學(xué)描述，將動(dòng)態(tài)因素進(jìn)行抽象概括。根據(jù)測試車輛屬性與交通參與者屬性初步形成具有場效應(yīng)的復(fù)雜度引力模型結(jié)構(gòu)體系，其模型的基本形式為

式中：C1為動(dòng)態(tài)場景復(fù)雜度；K1為測試車輛的屬性值；K2為交通參與者的屬性值；c為常數(shù)。

測試車輛的屬性值的計(jì)算公式為

式中：a為常系數(shù)，為調(diào)整模型規(guī)范的一個(gè)常數(shù)；t1為測試車輛的反應(yīng)時(shí)間；v1為測試車輛的行車速度；d1為測試車輛與交通參與者的距離；θ為測試車輛與其他交通參與者之間的夾角。

交通參與者屬性值的計(jì)算公式為

式中：p為常數(shù)；t2為交通參與者的被感測時(shí)間；v2為交通參與者的速度；d2為交通參與者的運(yùn)動(dòng)距離。

根據(jù)靜態(tài)場景復(fù)雜度和動(dòng)態(tài)場景復(fù)雜度計(jì)算得到道路測試場景的復(fù)雜度，即

式中C為道路測試場景復(fù)雜度。

3 場景評價(jià)與分類的試驗(yàn)研究

從設(shè)計(jì)搭建的50 組自動(dòng)駕駛車輛道路測試場景中選取10 組典型場景，通過開展實(shí)車試驗(yàn)研究，搭建測試環(huán)境、采集并分析試驗(yàn)數(shù)據(jù)，旨在對自動(dòng)駕駛車輛道路測試場景評價(jià)方法進(jìn)行驗(yàn)證。

3.1 試驗(yàn)準(zhǔn)備

3.1.1 測試車輛

測試車輛選用Tesla Model S，在測試車輛上安裝激光雷達(dá)、攝像頭、工控機(jī)、慣導(dǎo)等測試設(shè)備，測試車輛與設(shè)備見圖5。

圖5 Tesla Model S和測試設(shè)備

3.1.2 交通參與者

（1）背景車

交通參與者是3 輛背景車：上汽大通T60，長×寬×高為5 365 mm×1 900 mm×1 809 mm；華晨金杯，長×寬×高為5 020 mm×1 690 mm×1 935 mm；福田皮卡，長×寬×高為5 310 mm×1 860 mm×1 790 mm。

（2）假人

交通參與者模擬行人，安裝在可移動(dòng)小車上，如圖6所示。

圖6 交通參與者

3.1.3 數(shù)據(jù)采集設(shè)備

數(shù)據(jù)采集設(shè)備采用華測P3 北斗高精度定位測向接收機(jī)。通過慣導(dǎo)采集測試車輛的數(shù)據(jù)，包括測試車輛速度、測試車輛正前方與交通參與者之間的夾角、測試車輛與交通參與者的距離和交通參與者數(shù)據(jù)包括交通參與者速度等。

3.2 場景評價(jià)與分類試驗(yàn)

選取的10 組典型場景編號分別為5、6、7、13、22、29、30、33、34、42，分別計(jì)算每個(gè)場景的場景復(fù)雜度分值。下面以測試場景30 為例，計(jì)算該測試場景的復(fù)雜度。該測試場景的測試車輛在右側(cè)車道左轉(zhuǎn)，行人沿車道線同向行走，如圖7所示。

3.2.1 測試現(xiàn)場

測試車輛位于測試車道，開啟自動(dòng)駕駛模式；測試終點(diǎn)設(shè)在離測試車輛前進(jìn)方向十字路口左側(cè)50 m 以上的位置，行人沿兩車道分割線同向行走，實(shí)時(shí)記錄測試車輛和行人的速度、相對距離和夾角等參數(shù)，測試現(xiàn)場如圖8所示。

圖7 測試場景30

圖8 場景30測試現(xiàn)場

3.2.2 評價(jià)方法

（1）靜態(tài)場景復(fù)雜度

統(tǒng)計(jì)場景30的靜態(tài)環(huán)境要素庫如圖9所示。

圖9 場景30環(huán)境靜態(tài)要素庫

場景30的構(gòu)成節(jié)點(diǎn)分組統(tǒng)計(jì)如表2所示。

計(jì)算交通環(huán)境復(fù)雜度系數(shù)：

表2 場景30靜態(tài)環(huán)境要素的節(jié)點(diǎn)分組統(tǒng)計(jì)

靜態(tài)影響類別的權(quán)重分別為路段、車道、交通信號燈和天時(shí)，設(shè)置難易程度（0-10）分別為3、6、6.5、5［8-9］。通過判斷矩陣，得到權(quán)重：路段β1=0.1463，車道β2=0.2927，交通信號燈β3=0.3171，天時(shí)β4=0.2439。

表3 為靜態(tài)要素分值表，由專家打分確定各指標(biāo)對應(yīng)影響要素分值［8-9］，路段Y1=7、車道Y2=5、交通信號燈Y3=6、天時(shí)Y4=3、Y5=3。

表3 靜態(tài)要素分值

靜態(tài)環(huán)境復(fù)雜度分?jǐn)?shù)為

（2）動(dòng)態(tài)場景復(fù)雜度

將試驗(yàn)測試數(shù)據(jù)代入式（3）～式（5），得到的動(dòng)態(tài)場景復(fù)雜度分?jǐn)?shù)為

（3）場景復(fù)雜度

自動(dòng)駕駛車輛道路測試場景復(fù)雜度為

3.3 試驗(yàn)結(jié)果分析

對10 組典型場景的場景復(fù)雜度分別進(jìn)行計(jì)算，統(tǒng)計(jì)每個(gè)場景的靜態(tài)場景復(fù)雜度、動(dòng)態(tài)場景復(fù)雜度和場景復(fù)雜度，10 組典型場景復(fù)雜度統(tǒng)計(jì)如表4所示。

表4 10組場景復(fù)雜度匯總

從表4 可知，利用本文中研究的場景復(fù)雜度模型可以計(jì)算出每個(gè)場景的復(fù)雜度值，其中靜態(tài)場景復(fù)雜度主要由不同類型的靜態(tài)場景要素權(quán)重和場景要素值決定，通過試驗(yàn)發(fā)現(xiàn)，采用信息熵理論可以計(jì)算出靜態(tài)場景的復(fù)雜度值，可有效地比較不同場景的難易度，但是數(shù)值相差并不大，主要原因可能是現(xiàn)階段還沒考慮靜態(tài)場景的差異性變化，比如雙向車道的角度、高低和匯合等因素，未來研究可以增加這方面的考慮。而動(dòng)態(tài)場景復(fù)雜度主要由測試車輛與交通參與者的速度、距離和相對夾角決定，通過試驗(yàn)發(fā)現(xiàn)，采用引力模型可以有效區(qū)分不同場景難易度，有利于簡單、中等、復(fù)雜不同等級場景的劃分。

進(jìn)一步通過散點(diǎn)圖觀察不同場景的場景復(fù)雜度，橫坐標(biāo)取為場景編號，縱坐標(biāo)取為場景復(fù)雜度，10 個(gè)場景的分布情況如圖10 所示。按復(fù)雜度將場景分成3個(gè)等級，場景復(fù)雜度<100為簡單場景，100≤場景復(fù)雜度≤500 為中等場景，場景復(fù)雜度>500為復(fù)雜場景，因此場景5、6、7、29、30 為簡單場景，場景13、22、33、42為中等場景，場景34為復(fù)雜場景。

圖10 場景分類圖

4 試驗(yàn)結(jié)果驗(yàn)證

具體分析每組場景的復(fù)雜度值，觀察是否與人類認(rèn)知的場景復(fù)雜度相同，以驗(yàn)證場景復(fù)雜度模型的合理性。場景復(fù)雜度驗(yàn)證-1如圖11所示。場景下面括弧中的數(shù)值表示復(fù)雜度值。場景5（侵入車輛識別）的復(fù)雜度>場景7（路口行人橫穿道路）的復(fù)雜度>場景6（椎桶識別）的復(fù)雜度，與人類駕駛員經(jīng)驗(yàn)相同。在實(shí)際駕駛過程中，駕駛員躲避靜態(tài)的障礙物、規(guī)律運(yùn)動(dòng)的障礙物和非規(guī)律運(yùn)動(dòng)障礙物的難度也是逐漸增加的。

圖11 場景復(fù)雜度驗(yàn)證-1

場景復(fù)雜度驗(yàn)證-2 如圖12 所示。通過分析場景5、場景22 和場景42，場景42（彎道會(huì)車）的復(fù)雜度>場景22（T型路口直行時(shí)，左側(cè)支路車輛左轉(zhuǎn)）的復(fù)雜度>場景5（侵入車輛識別）的復(fù)雜度，與人類駕駛員經(jīng)驗(yàn)相同，試驗(yàn)結(jié)果合理。

場景復(fù)雜度驗(yàn)證-3如圖13所示。由圖可見，場景34（路口右轉(zhuǎn)彎，左側(cè)支路車輛直行）的復(fù)雜度>場景29（路口左轉(zhuǎn)彎，對向車輛直行）的復(fù)雜度，與人類駕駛經(jīng)驗(yàn)相同，在實(shí)際駕駛過程中，十字路口右轉(zhuǎn)比左轉(zhuǎn)更易發(fā)生事故，試驗(yàn)結(jié)果合理。

圖12 場景復(fù)雜度驗(yàn)證-2

圖13 場景復(fù)雜度驗(yàn)證-3

綜上所述，通過實(shí)際道路測試，場景復(fù)雜度可以合理反映自動(dòng)駕駛車輛在不同場景下測試的復(fù)雜程度和發(fā)生事故的風(fēng)險(xiǎn)大小，驗(yàn)證了復(fù)雜度模型的合理性。

5 結(jié)論與展望

基于場景復(fù)雜度模型提出一種自動(dòng)駕駛車輛道路測試場景的分類方法，既可以實(shí)現(xiàn)對不同道路測試場景的分類，又能夠劃分出適用于不同自動(dòng)駕駛車輛的場景復(fù)雜度，從而有助于自動(dòng)駕駛車輛企業(yè)或第三方測評機(jī)構(gòu)選取典型場景對自動(dòng)駕駛能力進(jìn)行測試驗(yàn)證，有助于提高自動(dòng)駕駛車輛測試效率和測試結(jié)果的可信度，推進(jìn)自動(dòng)駕駛車輛的產(chǎn)業(yè)化。

深入研究了自動(dòng)駕駛車輛在開放道路環(huán)境下的測試方法，并在國家智能網(wǎng)聯(lián)交通（京冀）示范區(qū)進(jìn)行了可行性驗(yàn)證。試驗(yàn)結(jié)果表明，基于場景的自動(dòng)駕駛車輛道路測試方法能夠?qū)囕v的駕駛行為安全進(jìn)行有效的測試與評價(jià)。本研究將推動(dòng)北京市自動(dòng)駕駛車輛道路測試管理規(guī)則的頒布，促進(jìn)自動(dòng)駕駛企業(yè)開展道路測試，有利于實(shí)現(xiàn)冬奧會(huì)投放自動(dòng)駕駛車隊(duì)的目標(biāo)。