摘" 要： 為了驗(yàn)證智能汽車的安全性，需要生成大量用例用于系統(tǒng)測(cè)試。對(duì)此，提出一種基于臨界安全距離模型的用例生成方法，該方法用于生成測(cè)試自動(dòng)緊急轉(zhuǎn)向（AES）系統(tǒng)的場(chǎng)景用例。首先通過(guò)對(duì)臨界安全距離模型進(jìn)行分析，識(shí)別出影響行車安全的關(guān)鍵參數(shù)；然后，從自然駕駛數(shù)據(jù)集High D中提取這些參數(shù)，并采用核密度估計(jì)方法構(gòu)建AES測(cè)試場(chǎng)景的描述模型。使用蒙特卡洛（MC）方法對(duì)描述模型進(jìn)行抽樣，生成與自然駕駛行為參數(shù)特征相符的測(cè)試用例。同時(shí)，為了解決MC方法生成用例中風(fēng)險(xiǎn)及危險(xiǎn)場(chǎng)景匱乏的問題，進(jìn)一步引入重要性抽樣（IS）方法，以提升風(fēng)險(xiǎn)用例和危險(xiǎn)用例的生成比例。實(shí)驗(yàn)結(jié)果表明：所提方法能夠高效地生成用于AES系統(tǒng)的測(cè)試用例；與MC方法相比，IS方法在風(fēng)險(xiǎn)用例上平均增加207.9%，在危險(xiǎn)用例上平均增加272.6%，從而顯著提高了測(cè)試效率。

關(guān)鍵詞： 自動(dòng)緊急轉(zhuǎn)向； 自動(dòng)駕駛； 測(cè)試用例； 臨界安全距離； High D數(shù)據(jù)集； 核密度估計(jì)； 蒙特卡洛法； 重要性抽樣

中圖分類號(hào)： TN911.23?34； TP391.9" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " "文章編號(hào)： 1004?373X（2024）16?0130?07

Method of automatic driving testing case generation for AES scene

RAO Congbo1， ZHAO Jin2， LIU Chang2， SUN Nianyi2

（1. Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education， Guizhou University， Guiyang 550025， China;

2. School of Mechanical Engineering， Guizhou University， Guiyang 550025， China）

Abstract： In order to verify the safety of intelligent vehicles， a large number of cases need to be generated for the system testing. On this basis， a case generation method based on the critical safety distance model is proposed， which is used to generate scene cases for testing the autonomous emergency steering （AES） system. The critical safe distance model is analyzed to identify the key parameters that affect the driving safety. Further， these parameters are extracted from the automatic driving dataset High D， and the kernel density estimation method is used to construct the descriptive model for the AES testing scene. The Monte Carlo （MC） method is used to sample the descriptive model， and generate testing cases that match the feature parameters of automatic driving behaviors. In order to improve the shortages of risk and dangerous scenes in cases generated by the MC method， the importance sampling （IS） method is further introduced to increase the generation proportion of risk and dangerous cases. The experimental results show that the proposed method can efficiently generate testing cases for the AES system. In comparison with the MC method， the IS method has an average increase of 207.9% in risk cases and 272.6% in dangerous cases， significantly improving the testing efficiency.

Keywords： autonomous emergency steering; automatic driving; testing case; critical safety distance; High D dataset; kernel density estimation; Monte Carlo method; importance sampling

0" 引" 言

主動(dòng)避撞是智能汽車主動(dòng)安全技術(shù)之一[1]。當(dāng)智能汽車有碰撞風(fēng)險(xiǎn)時(shí)，主動(dòng)避撞系統(tǒng)將自動(dòng)切入控制車輛執(zhí)行機(jī)構(gòu)以阻止碰撞發(fā)生。歐盟新車安全評(píng)鑒協(xié)會(huì)（European New Car Assessment Programme， E?NCAP）基于真實(shí)數(shù)據(jù)分析指出，汽車主動(dòng)避撞系統(tǒng)能夠避免大約38%的交通事故，對(duì)于無(wú)法完全避免的交通事故，也可以減少事故所造成的人員傷害和財(cái)產(chǎn)損失[2]。因此，主動(dòng)避撞技術(shù)是未來(lái)智能汽車技術(shù)的重要發(fā)展趨勢(shì)之一。

自動(dòng)緊急轉(zhuǎn)向（Autonomous Emergency Steering， AES）是一種通過(guò)控制前輪轉(zhuǎn)角使汽車按照避撞軌跡行駛的主動(dòng)避撞技術(shù)。在車速較高時(shí)，如果突發(fā)緊急狀況，通過(guò)AES完成主動(dòng)避撞具有更高的效率[3]。相較于自動(dòng)緊急制動(dòng)（Autonomous Emergency Braking， AEB），AES在高車速、低附著率工況下所需的避讓距離更短[4]。

AES等主動(dòng)避撞技術(shù)可以有效減少交通事故的發(fā)生，已成為行業(yè)共識(shí)，但該類技術(shù)在全面部署之前，仍需大量測(cè)試以驗(yàn)證其系統(tǒng)的可靠性。相關(guān)研究[5]表明，使用基于里程的測(cè)試方法，要證明智能汽車的安全性達(dá)到人類駕駛水平，需要數(shù)億甚至數(shù)百億英里的公共道路測(cè)試。例如，以95%置信度證明智能汽車可以比人類駕駛汽車減少20%的事故率，需要進(jìn)行至少142億km的里程道路測(cè)試，這相當(dāng)于100輛汽車以40 km/h的速度[6]全天24 h連續(xù)行駛400年。因此，基于里程的測(cè)試方法是一種高成本、低效率的驗(yàn)證方式。

相較基于里程的測(cè)試方法，基于場(chǎng)景的仿真測(cè)試方法有配置靈活、可重復(fù)性好及成本低等優(yōu)點(diǎn)，現(xiàn)階段許多學(xué)者都關(guān)注基于場(chǎng)景的仿真測(cè)試方法。Zhao D等首先將重要性抽樣（Importance Sampling， IS）方法引入場(chǎng)景仿真測(cè)試中，從安全實(shí)驗(yàn)?zāi)Ｐ筒渴穑⊿afety Pilot Model Deployment， SPMD）項(xiàng)目數(shù)據(jù)集中提取前車切入場(chǎng)景的參數(shù)分布，并使用交叉熵理論遞歸搜索最優(yōu)重要性分布，最終實(shí)現(xiàn)加速測(cè)試[7]。文獻(xiàn)[8]中提出一種將功能場(chǎng)景轉(zhuǎn)換為邏輯場(chǎng)景的方法，并在研究中將邏輯場(chǎng)景參數(shù)空間表示為OpenDRIVE和OpenSCENARIO格式，為實(shí)現(xiàn)功能場(chǎng)景到具體場(chǎng)景的自動(dòng)化生成提供了重要依據(jù)。舒紅等提出一種基礎(chǔ)測(cè)試場(chǎng)景群的構(gòu)建方法，采用PICT組合測(cè)試工具生成目標(biāo)參數(shù)高覆蓋的組合場(chǎng)景群，使得測(cè)試效率大大提高，但是基于組合推理的方法會(huì)生成不符合現(xiàn)實(shí)駕駛情況的極端用例，降低測(cè)試置信度[9]。周文帥等提出一種用于驗(yàn)證自動(dòng)駕駛功能的測(cè)試用例構(gòu)建方法，該方法以切入場(chǎng)景為例，使用蒙特卡洛（Monte Carlo， MC）方法生成大量測(cè)試用例。實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠有效生成覆蓋不同風(fēng)險(xiǎn)程度的測(cè)試用例[10]。朱冰等建立了一種基于自然駕駛數(shù)據(jù)的安全評(píng)價(jià)體系，首次提出場(chǎng)景風(fēng)險(xiǎn)指數(shù)概念，為客觀評(píng)價(jià)自動(dòng)駕駛算法在特定駕駛場(chǎng)景中的性能優(yōu)劣提供了量化參考[11]。

綜上，國(guó)內(nèi)外學(xué)者對(duì)構(gòu)建自動(dòng)駕駛系統(tǒng)測(cè)試的典型場(chǎng)景已開展了大量研究，并取得了一定成果。但目前大多數(shù)場(chǎng)景要素提取方法和用例生成方法都是用于AEB系統(tǒng)的開發(fā)及驗(yàn)證，而針對(duì)AES系統(tǒng)仿真驗(yàn)證的相關(guān)研究還相對(duì)較少。由于兩種避撞方式在避撞機(jī)理上的本質(zhì)差異，用于AEB系統(tǒng)測(cè)試的用例生成方法難以直接應(yīng)用到AES系統(tǒng)中。

針對(duì)此問題，本文提出一種基于臨界安全距離模型的AES系統(tǒng)測(cè)試用例生成方法。通過(guò)核密度估計(jì)描述影響AES系統(tǒng)安全性的參數(shù)概率分布；利用MC方法對(duì)建立的概率分布模型抽樣，生成符合參數(shù)概率分布的測(cè)試用例，以驗(yàn)證模型的有效性；最后，使用IS方法對(duì)模型進(jìn)行抽樣，解決風(fēng)險(xiǎn)用例和危險(xiǎn)用例匱乏的問題，提高測(cè)試效率。

1" 臨界安全距離模型

主動(dòng)避撞的關(guān)鍵在于準(zhǔn)確地評(píng)估車輛當(dāng)前的碰撞風(fēng)險(xiǎn)。圖1所示是一種用于評(píng)估車輛碰撞風(fēng)險(xiǎn)的臨界安全距離模型。在跟車時(shí)，如前車發(fā)生緊急狀況，當(dāng)車距[D]大于臨界安全距離[Dsafety]時(shí)，主動(dòng)避撞系統(tǒng)不會(huì)介入控制車輛；當(dāng)車距[D]小于[Dsafety]而大于臨界制動(dòng)距離[Dbrake]時(shí)，主動(dòng)避撞系統(tǒng)會(huì)介入制動(dòng)系統(tǒng)，采用制動(dòng)的方式避免碰撞；當(dāng)[D]小于[Dbrake]而大于臨界轉(zhuǎn)向距離[Dsteer]時(shí)，通過(guò)制動(dòng)已無(wú)法避撞，此時(shí)，采用轉(zhuǎn)向的方式仍可實(shí)現(xiàn)避撞；當(dāng)[D]小于[Dsteer]時(shí)，通過(guò)制動(dòng)及轉(zhuǎn)向均無(wú)法避撞，在該情況下，主動(dòng)避撞系統(tǒng)通過(guò)制動(dòng)盡可能地減小車輛碰撞的相對(duì)速度，最大限度地降低碰撞帶來(lái)的損失和傷害。

為確定不同避撞策略的臨界距離，建立基于臨界安全距離的風(fēng)險(xiǎn)評(píng)估模型，并選擇轉(zhuǎn)向避撞的路徑軌跡。常見的轉(zhuǎn)向路徑規(guī)劃方法有多項(xiàng)式法、三角函數(shù)法、B樣條曲線法和圓弧曲線法等[12]。其中，多項(xiàng)式法建立的路徑具有連續(xù)性好、實(shí)時(shí)性強(qiáng)、平滑無(wú)突變等特點(diǎn)，符合駕駛?cè)藢?shí)際換道特征，也更易被乘客接受，是一種被廣泛采用的路徑規(guī)劃方法。本研究采用基于五次多項(xiàng)式的路徑規(guī)劃方法得出轉(zhuǎn)向避撞的路徑軌跡，其路徑規(guī)劃方法如圖2所示。

圖2中，主車轉(zhuǎn)向換道開始時(shí)刻位置為坐標(biāo)原點(diǎn)，x方向?yàn)榭v向，y方向?yàn)闄M向。在此坐標(biāo)系下，基于五次多項(xiàng)式的路徑規(guī)劃方法軌跡方程為：

[y（x）=a0+a1x+a2x2+a3x3+a4x4+a5x5] （1）

式中：[y（x）]為換道參考軌跡；[a0]、[a1]、[a2]、[a3]、[a4]、[a5]為待確定的多項(xiàng)式系數(shù)。

換道路徑中，起點(diǎn)是路徑坐標(biāo)系原點(diǎn)，終點(diǎn)在路徑坐標(biāo)系中的坐標(biāo)為[（xe，ye）]。路徑起點(diǎn)和終點(diǎn)的曲率為0，所規(guī)劃的路徑光滑，即整個(gè)路徑曲線的曲率變化連續(xù)，起點(diǎn)和終點(diǎn)的橫向速度和橫向加速度均為0。五次多項(xiàng)式路徑約束方程為：

[y（xe）=yey（0）=y（0）=y（0）=0y（xe）=y（xe）=0] （2）

將式（2）代入式（1），得：

[y（x）=ye10xxe3-15xxe4+6xxe5] （3）

當(dāng)車速較高時(shí)，轉(zhuǎn)向換道過(guò)程中航向角變化較小，車輛沿車道的縱向速度[v]近似為恒定值，避撞路徑縱向距離[xe]與換道時(shí)間[te]的關(guān)系表示為：

[xe=vte] （4）

將式（4）代入式（3），并對(duì)其求二階導(dǎo)數(shù)，可得側(cè)向加速度[ay]：

[ay（t）=F··（t）=60yett3e-180yet2t4e+120yet3t5e] （5）

由式（5）可得側(cè)向加速度最大值和換道時(shí)間[te]，公式如下：

[ay（t）max=103ye3t2e] （6）

[te=103ye3ay，max（t）] （7）

式中：[ye]為換道橫向距離；[ay，max（t）]為換道過(guò)程最大側(cè)向加速度。本文取[ye]=3.75 m，[ay，max（t）]=5.25 m/s2。

臨界轉(zhuǎn)向距離[Dsteer]公式如下：

[Dsteer=（vm-vb）te] （8）

式中：[vm]、[vb]分別為主車速度和前車速度。

臨界制動(dòng)距離[Dbrake]參考文獻(xiàn)[13]，公式為：

[Dbrake=（vm-vb）tdelay+v2m-v2b2ax+Ssafety] （9）

式中：[tdelay]為車輛制動(dòng)系統(tǒng)延遲時(shí)間；[ax]為制動(dòng)減速度；[Ssafety]為安全車距。本文取[tdelay]=0.2 s，[ax]=6.86 m/s2，[Ssafety]=5 m。

由式（8）、式（9）可知，臨界轉(zhuǎn)向距離[Dsteer]和臨界制動(dòng)距離[Dbrake]與[vm]、[vb]有關(guān)。因此，以主車速度[vm]、前車速度[vb]、跟車距離[D]為關(guān)鍵參數(shù)，建立車輛避撞場(chǎng)景描述模型。

2" AES測(cè)試場(chǎng)景描述模型

為獲取真實(shí)跟車數(shù)據(jù)并構(gòu)建符合實(shí)際駕駛情況的AES測(cè)試場(chǎng)景描述模型，從自然駕駛數(shù)據(jù)集High D中提取AES測(cè)試場(chǎng)景的關(guān)鍵參數(shù)，使用核密度估計(jì)方法建立描述模型。

2.1" High D自然駕駛數(shù)據(jù)集

High D數(shù)據(jù)集包含了德國(guó)高速公路上車輛的大量自然行駛軌跡，由亞琛工業(yè)大學(xué)汽車工程研究所發(fā)布。數(shù)據(jù)搜集自德國(guó)科隆附近的6個(gè)不同地點(diǎn)，數(shù)據(jù)采集地點(diǎn)如圖3所示。數(shù)據(jù)集有效數(shù)據(jù)采集時(shí)長(zhǎng)為11.5 h，包括110 000車輛以及5 600條完整的變道記錄，車輛總行駛里程為45 000 km。車道數(shù)量和車輛速度因位置而異，記錄的數(shù)據(jù)中包括轎車和卡車。本研究所用數(shù)據(jù)均采集于A46號(hào)高速公路杜塞爾多夫路段。

High D數(shù)據(jù)集中的數(shù)據(jù)采用一種從空中角度測(cè)量車輛數(shù)據(jù)的方法進(jìn)行采集，通過(guò)先進(jìn)的計(jì)算機(jī)視覺算法，實(shí)現(xiàn)了位置誤差小于10 cm的采集精度。其數(shù)據(jù)采集方法如圖4所示，以鳥瞰視角測(cè)量每輛車的位置和運(yùn)動(dòng)情況，滿足本研究對(duì)基于場(chǎng)景的驗(yàn)證需求。

High D數(shù)據(jù)集根據(jù)記錄數(shù)據(jù)內(nèi)容的不同，分為Recording Meta Information、Track Meta Information、Tracks、Image of the Highway Section四種類型。本文中選取Track Meta Information數(shù)據(jù)文件提取跟車數(shù)據(jù)。該文件數(shù)據(jù)以.csv格式存儲(chǔ)，數(shù)據(jù)文件部分內(nèi)容及其含義如表1所示。

2.2" 核密度估計(jì)方法

核密度估計(jì)是一種非參數(shù)檢驗(yàn)方法，該方法不需要先驗(yàn)知識(shí)來(lái)假設(shè)原參數(shù)分布，不會(huì)因分布假定不當(dāng)而導(dǎo)致模型設(shè)定錯(cuò)誤，具有良好的穩(wěn)健性[14]。文中使用基于核密度估計(jì)的非參數(shù)估計(jì)方法建立[vm]、[vb]、[D]的三元概率密度函數(shù)。

核密度估計(jì)的基本方法是基于一組來(lái)自于總體的樣本估計(jì)原參數(shù)分布。對(duì)于一組樣本值[x1，x2，…，xn]，離[x]越近的樣本點(diǎn)權(quán)重越大。樣本點(diǎn)對(duì)于[x]概率密度影響的核密度估計(jì)方法[15]為：

[f（x）=1nhi=1nKx-xih] （10）

式中：[f（x）]為概率密度函數(shù)；[K]（·）為核函數(shù)；[n]為樣本個(gè)數(shù)；[h]為窗寬。

本研究選用常見的高斯核函數(shù)，使用高斯核函數(shù)的核密度估計(jì)過(guò)程如圖5所示。

圖5中，圓點(diǎn)為樣本點(diǎn)，虛線為高斯核函數(shù)，實(shí)線為總體分布。對(duì)于給定的一組樣本，以每個(gè)樣本值為均值分別建立高斯核函數(shù)，高斯核函數(shù)在同一坐標(biāo)系下疊加并進(jìn)行歸一化處理，最終得到估計(jì)結(jié)果。

窗寬[h]的選擇對(duì)于估計(jì)效果有顯著影響。對(duì)于選用高斯核函數(shù)的核密度估計(jì)方法，為避免由于樣本異常值和極端值造成估計(jì)失效，采用四分位差法[16]選擇窗寬[h]：

[h=1.06mins，R1.34n-15] （11）

式中：[s]為樣本標(biāo)準(zhǔn)差；[R]為樣本的四分位差，即樣本從小到大排列，新序列為[X1，X2，…，Xn]，[R=X0.75n-X0.25n]。

對(duì)于主車速度[vm]、前車速度[vb]、跟車距離[D]三維數(shù)據(jù)樣本，其概率密度函數(shù)為：

[f（x）=1ni=1n1h1h2h3?Kx1-xi1h1，x2-xi2h2，x3-xi3h3] （12）

式中：[h1]、[h2]、[h3]為各分量方向上所取的窗寬。

3" AES測(cè)試場(chǎng)景用例生成

3.1" 基于MC方法的測(cè)試用例生成

真實(shí)交通運(yùn)行過(guò)程通常具有高維性和復(fù)雜性的特點(diǎn)，在測(cè)試用例生成過(guò)程中，若對(duì)其所屬場(chǎng)景數(shù)學(xué)模型進(jìn)行過(guò)度簡(jiǎn)化假設(shè)，可能會(huì)導(dǎo)致近似結(jié)果與實(shí)際情況存在較大偏差。MC方法能夠直接模擬實(shí)際復(fù)雜系統(tǒng)，可以有效解決復(fù)雜系統(tǒng)簡(jiǎn)化導(dǎo)致的結(jié)果失真問題，是解決復(fù)雜高維問題的有效方法[17]。假設(shè)用隨機(jī)變量[X]表示蒙特卡洛方法生成的場(chǎng)景，[X]服從概率密度函數(shù)為[f（x）]的分布，[x]為[X]的一個(gè)場(chǎng)景樣本；目標(biāo)場(chǎng)景集合為[W]，為從生成的場(chǎng)景當(dāng)中選擇目標(biāo)場(chǎng)景。定義[W]的指示函數(shù)[h（x）]公式如下：

[h（x）=1，" x∈W0，" x?W] （13）

場(chǎng)景全體[A]中的指示性函數(shù)[h（x）]的期望表示為：

[Ef[h（x）]=h（x）f（x）dx] （14）

若場(chǎng)景全體[A]中目標(biāo)場(chǎng)景[W]出現(xiàn)的概率為[p]，則[h（x）]的期望為[p]，方差為[p（1-p）]。利用蒙特卡洛方法生成[n]個(gè)場(chǎng)景樣本[xi]，則有[xi～f（x）]。[E]的蒙特卡洛估計(jì)量[E]公式為：

[Ef[h（x）]=1ni=1nh（xi），" xi～f（x）] （15）

根據(jù)大數(shù)定律，得：

[Plimn→∞Efh（x）=Efh（x）=1] （16）

[σ2Ef[h（x）]=p（1-p）n] （17）

估計(jì)的準(zhǔn)確度由相對(duì)半寬表示。相對(duì)半寬指的是相對(duì)于待估計(jì)概率置信區(qū)間的半寬。當(dāng)置信水平為1? [α]時(shí)，[E]的相對(duì)半寬定義為：

[lr=zασEf[h（x）]p] （18）

式中[zα]為概率密度函數(shù)[f（x）]的[α]分位點(diǎn)。

[E]的相對(duì)半寬小于等于給定的目標(biāo)相對(duì)半寬[β]，公式如下：

[lr=zασEf[h（x）]p≤β] （19）

測(cè)試次數(shù)[n]滿足如下條件：

[n≥z2αβ2·1-pp] （20）

自然駕駛數(shù)據(jù)集中目標(biāo)場(chǎng)景用例數(shù)量稀少，期望[p]較小，而由式（20）可知，對(duì)于滿足指定置信度的抽樣實(shí)驗(yàn)次數(shù)較多，因此傳統(tǒng)的MC方法存在實(shí)驗(yàn)效率低、測(cè)試成本高的問題。

3.2" 測(cè)試用例加速生成

IS方法是一種在概率論和統(tǒng)計(jì)學(xué)中常用的方差縮減方法，用于估計(jì)隨機(jī)變量的期望值[18]。其本質(zhì)在于：改變場(chǎng)景數(shù)據(jù)的原始分布情況，為重要場(chǎng)景分配較高的出現(xiàn)概率，從而加速測(cè)試。對(duì)式（14），引入重要性函數(shù)[q（x）]，得：

[Ef[h（x）]=h（x）f（x）q（x）q（x）dx=q（x）h（x）f（x）q（x）dx] （21）

因此，[f（x）]的期望表示對(duì)重要性函數(shù)[q（x）]進(jìn)行抽樣計(jì)算，對(duì)應(yīng)的指示函數(shù)為：

[g（x）=h（x）f（x）q（x）] （22）

對(duì)重要性函數(shù)[q（x）]進(jìn)行抽樣：

[Ef[h（x）]=Eqh（x）f（x）q（x）=1ni=1nh（xi）f（xi）q（xi），" "xi～q（x）] （23）

[σ2Eq[g（x）]=1nσ2h（x）f（x）q（x）] （24）

通常情況下，樣本的方差越小，期望收斂速率越快。為使式（24）中[g（x）]的方差變小，[h（x）]、[f（x）]與[q（x）]需呈正相關(guān)性。[h（x）]為目標(biāo)場(chǎng)景指示函數(shù)，在[h（x）=1]的區(qū)域有較大的分布概率，[q（x）]抽樣的樣本應(yīng)具備碰撞場(chǎng)景發(fā)生概率較高的特征。

4" 實(shí)驗(yàn)仿真與結(jié)果分析

4.1" 數(shù)據(jù)前處理

在High D數(shù)據(jù)集中存在大量非跟車場(chǎng)景，因此需要篩選符合條件的跟車數(shù)據(jù)。規(guī)定當(dāng)距前方車輛大于200 m時(shí)，認(rèn)定車輛未處于跟車狀態(tài)。除此之外，如表1所示，Track Meta Information數(shù)據(jù)文件中只采集和記錄主車速度[vm]、跟車距離[D]等數(shù)據(jù)，未記錄前車速度[vb]，而是使用碰撞時(shí)間（Time?to?Collision， TTC）計(jì)算得到前車速度[vb]。[TTC]公式如下：

[TTC=Dvm-vb] （25）

前車速度[vb]公式如下：

[vb=vm-DTTC] （26）

4.2" 仿真實(shí)驗(yàn)

為進(jìn)一步區(qū)分AES測(cè)試用例的危險(xiǎn)程度，定義危險(xiǎn)因子[γ]和場(chǎng)景風(fēng)險(xiǎn)度函數(shù)，計(jì)算公式如下：

[γ=D-DbrakeDsteer-Dbrake] （27）

[安全用例，" γ≤0風(fēng)險(xiǎn)用例，" 0lt;γ≤0.5危險(xiǎn)用例，" 0.5lt;γ≤1] （28）

本文提取3 639條有效跟車數(shù)據(jù)，建立AES測(cè)試場(chǎng)景描述模型，并使用MC方法對(duì)建立的描述模型進(jìn)行抽樣，分別生成1 000個(gè)、3 639個(gè)、10 000個(gè)測(cè)試用例。從High D中提取的真實(shí)用例和MC方法生成的測(cè)試用例散點(diǎn)圖如圖6a）～圖6d）所示。為提高兩車距離較小、速度差較大區(qū)域的參數(shù)分布概率，增加風(fēng)險(xiǎn)用例和危險(xiǎn)用例比例，采用IS方法構(gòu)造關(guān)于[vm]、[vb]、[D]的修正分布[q（vm，vb，D）]，分別生成1 000個(gè)、3 639個(gè)、10 000個(gè)測(cè)試用例，其測(cè)試用例散點(diǎn)圖如圖6e）～圖6g）所示。

由圖6a）可知，多數(shù)High D真實(shí)用例分布在制動(dòng)安全距離曲面之外，表明High D數(shù)據(jù)集中的大部分用例數(shù)據(jù)無(wú)法用于驗(yàn)證AES系統(tǒng)功能。圖6b）～圖6d）為MC方法生成的測(cè)試用例，其用例分布情況與真實(shí)用例分布情況相同。圖6e）～圖6g）為IS方法生成的測(cè)試用例，其用例分布在與真實(shí)用例分布趨勢(shì)相同的基礎(chǔ)上，分布于制動(dòng)安全距離曲面與轉(zhuǎn)向安全距離曲面之間的用例顯著增多，該部分用例可用于AES系統(tǒng)測(cè)試。統(tǒng)計(jì)MC方法和IS方法不同危險(xiǎn)程度用例數(shù)及占比，結(jié)果見表2。

如表2所示，從High D數(shù)據(jù)集提取的3 639個(gè)真實(shí)用例中，風(fēng)險(xiǎn)用例為153個(gè)，占總數(shù)比例為4.20%；危險(xiǎn)用例為82個(gè)，占總數(shù)比例為2.25%。使用MC方法生成的測(cè)試用例中，風(fēng)險(xiǎn)用例比例分別為5.00%、5.13%、4.73%，危險(xiǎn)用例比例分別為3.70%、3.79%、4.23%，兩種不同危險(xiǎn)程度用例比例均接近于真實(shí)用例，驗(yàn)證了所建立模型的有效性和準(zhǔn)確性。使用IS方法生成的測(cè)試用例中，風(fēng)險(xiǎn)用例比例分別為16.00%、14.98%、14.78%，危險(xiǎn)用例比例分別為14.70%、14.37%、14.60%，相較于MC方法，風(fēng)險(xiǎn)用例數(shù)平均提高207.9%，危險(xiǎn)用例數(shù)平均提高272.6%。

綜上，使用MC和IS兩種不同的方法分別生成測(cè)試用例，驗(yàn)證了所提方法對(duì)于生成AES測(cè)試用例的有效性。通過(guò)比較風(fēng)險(xiǎn)場(chǎng)景比例和危險(xiǎn)場(chǎng)景比例兩個(gè)指標(biāo)可以得出，IS方法在保持原有真實(shí)用例趨勢(shì)的基礎(chǔ)上，可以有效增加用于AES系統(tǒng)測(cè)試的風(fēng)險(xiǎn)和危險(xiǎn)用例。由此可知，與MC方法相比，IS方法效率更高。

5" 結(jié)" 論

針對(duì)自然駕駛數(shù)據(jù)集中用于AES系統(tǒng)測(cè)試用例匱乏的問題，本文提出一種基于臨界安全距離模型的測(cè)試用例提取方法，進(jìn)一步地，使用IS方法提高用例中風(fēng)險(xiǎn)用例以及危險(xiǎn)用例的比例。實(shí)驗(yàn)結(jié)果表明，本文提出的用例提取方法有效，能夠適用于自動(dòng)駕駛功能的測(cè)試和驗(yàn)證。IS方法相較于傳統(tǒng)MC方法，對(duì)于用例的提取效率提高顯著，能夠?qū)崿F(xiàn)加速測(cè)試，提高測(cè)試效率。

注：本文通訊作者為趙津。

參考文獻(xiàn)

[1] 楊航，張成濤，覃立仁，等.自動(dòng)駕駛汽車避撞路徑規(guī)劃與跟蹤控制仿真研究[J].廣西科技大學(xué)學(xué)報(bào)，2023，34（3）：7?13.

[2] 宋曉力.基于制動(dòng)/換道的智能汽車主動(dòng)避撞系統(tǒng)研究[D].西安：長(zhǎng)安大學(xué)，2022.

[3] 李霖，朱西產(chǎn)，陳海林.駕駛員制動(dòng)和轉(zhuǎn)向避撞極限[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，44（11）：1743?1748.

[4] 來(lái)飛，黃超群.智能汽車自動(dòng)緊急轉(zhuǎn)向避撞的跟蹤控制方法對(duì)比研究[J].中國(guó)公路學(xué)報(bào)，2021，34（6）：250?264.

[5] FENG S， YAN X， SUN H， et al. Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment [J]. Nature communications， 2021， 12（1）： 748.

[6] KALRA N， PADDOCK S M. Driving to safety： how many miles of driving would it take to demonstrate autonomous vehicle reliability？ [J]. Transportation research part a： policy and practice， 2016， 94： 182?193.

[7] ZHAO D， LAM H， PENG H， et al. Accelerated evaluation of automated vehicles safety in lane?change scenarios based on importance sampling techniques [J]. IEEE transactions on intelligent transportation systems， 2016， 18（3）： 595?607.

[8] MENZEL T， BAGSCHIK G， ISENSEE L， et al. From functional to logical scenarios： detailing a keyword?based scenario description for execution in a simulation environment [C]// 2019 IEEE Intelligent Vehicles Symposium. Seattle， WA， USA： IEEE， 2019： 2383?2390.

[9] 舒紅，袁康，修海林，等.自動(dòng)駕駛汽車基礎(chǔ)測(cè)試場(chǎng)景構(gòu)建研究[J].中國(guó)公路學(xué)報(bào)，2019，32（11）：245?254.

[10] 周文帥，朱宇，趙祥模，等.面向高速公路車輛切入場(chǎng)景的自動(dòng)駕駛測(cè)試用例生成方法[J].汽車技術(shù)，2021（1）：11?18.

[11] 朱冰，張培興，劉斌，等.基于自然駕駛數(shù)據(jù)的自動(dòng)駕駛汽車安全性評(píng)價(jià)方法[J].中國(guó)公路學(xué)報(bào)，2022，35（7）：283?291.

[12] 馮明旺.基于橫縱向控制的車輛換道模型預(yù)測(cè)控制策略研究[D].大連：大連理工大學(xué)，2021.

[13] 裴曉飛，李朋，陳禎福，等.不同緊急工況下的汽車主動(dòng)避撞控制的研究[J].汽車工程，2020，42（12）：1647?1654.

[14] 石凱，聶富強(qiáng)，孫峰.多維數(shù)據(jù)判別分析的非參核密度算法研究[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（6）：8?12.

[15] PARZEN E. On estimation of a probability density function and mode [J]. The annals of mathematical statistics， 1962， 33（3）： 1065?1067.

[16] 孫志華，尹俊平，陳菲菲，等.非參數(shù)與半?yún)?shù)統(tǒng)計(jì)[M].北京：清華大學(xué)出版社，2016：9?33.

[17] 張宏?yáng)|.EM算法及其應(yīng)用[D].濟(jì)南：山東大學(xué)，2014.

[18] 郭洪艷，張家銘，劉俊，等.面向智能汽車?行人交互的虛擬測(cè)試場(chǎng)景構(gòu)建[J/OL].吉林大學(xué)學(xué)報(bào)（工學(xué)版）：1?10[2023?12?20].https：//doi.org/10.13229/j.cnki.jdxbgxb20221425.