【摘要】以自動駕駛場景庫為研究對象，通過分析當前自動駕駛場景庫的不足和行業(yè)需求，研究形成基于真實交通數(shù)據(jù)的自動駕駛場景生成規(guī)范。首先，對場景要素和格式進行說明和規(guī)范；其次，通過場景挖掘、自動化標簽處理和數(shù)據(jù)合規(guī)脫敏生成場景數(shù)據(jù)集；最后，通過對真實場景的風險評估以及對異常事件場景的標準化加工最終形成安全合規(guī)、高質量、高價值的城市級挑戰(zhàn)性場景庫。

關鍵詞：交通數(shù)據(jù) 自動駕駛 場景庫 數(shù)據(jù)合規(guī)

中圖分類號：U467.1+3" "文獻標志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20240059

Research on Autonomous Driving Scenarios Library Based on Real Traffic Data

（Beijing Connected and Autonomous Vehicles Technology Co.， Ltd.， Beijing 100176）

【Abstract】This paper takes the autonomous driving scenario library as the research object，and by analyzing shortcomings of autonomous driving scenario library and industry demand， and formes a set of operation guidelines for autonomous driving scenarios construction based on real world traffic data. Firstly， the elements and formats of autonomous driving scenarios have been illustrated and standardized. Secondly， scenario datasets are generated by a three-step procedure， including scenario mining， automated annotating and data compliance desensitization. Finally， a set of safe， compliant， high-quality， and high-value city level challenging autonomous driving scenarios was ultimately formed by risk assessment of real collection scenarios and standardized processing of abnormal events.

Key words： Traffic data， Autonomous driving， Scenario library， Data compliance

【引用格式】 鄭方丹， 宋娟， 路鵬飛. 基于真實交通數(shù)據(jù)的自動駕駛場景庫研究[J]. 汽車工程師， 2024（7）： 11-17.

ZHENG F D， SONG J， LU P F. Research on Autonomous Driving Scenarios Library Based on Real Traffic Data[J]. Automotive Engineer， 2024（7）： 11-17.

1 前言

隨著自動駕駛技術的快速發(fā)展，行業(yè)愈發(fā)認識到基于真實道路測試存在高成本、高耗時等局限性，模擬仿真測試可以作為道路測試的重要補充，從仿真測試到封閉場地測試，再到開放道路測試的測試路徑早已成為共識。因此，仿真技術的研究和應用受到廣泛關注，數(shù)據(jù)集和場景庫作為仿真測試的基礎，在自動駕駛技術測試驗證和優(yōu)化過程中具有重要作用，其數(shù)據(jù)來源的真實性和多樣性對自動駕駛技術的發(fā)展尤為重要[1-5]。

國內(nèi)外自動駕駛科技企業(yè)、整車企業(yè)和模擬仿真測試企業(yè)都在積極協(xié)調行業(yè)資源，建設自動駕駛場景數(shù)據(jù)集和場景庫。其中，國內(nèi)外第三方測試服務企業(yè)先后公開發(fā)布了多個自動駕駛數(shù)據(jù)集，涵蓋普通障礙物檢測、信號燈識別、行人檢測等多種通用場景，可以支撐開展自動駕駛測試驗證活動[6-7]。與此同時，國外領先的自動駕駛科技企業(yè)特斯拉，正在基于自身龐大的用戶存量，利用眾采方式收集大量的交通場景，并從中挖掘高價值的異常事件場景和事故場景，開展場景重建，可顯著提升自動駕駛算法的測試和訓練效果。相比之下，國內(nèi)的場景數(shù)據(jù)集和場景庫開發(fā)主要依賴場景泛化，場景庫的真實度較低，且大多數(shù)場景庫所涵蓋的場景依然以普通車輛的運行場景為主，與自動駕駛車輛的運行模式存在較大差異。

基于真實交通情況的數(shù)據(jù)集和場景庫越來越受到自動駕駛科技企業(yè)和整車企業(yè)的重視，但在數(shù)據(jù)安全層面，業(yè)內(nèi)相關企業(yè)尚未建立起完善的數(shù)據(jù)安全共享流程和保障辦法，同時缺少專業(yè)的自動駕駛數(shù)據(jù)安全治理工具，使得場景數(shù)據(jù)的流轉面臨安全合規(guī)風險[8]。

針對行業(yè)在自動駕駛數(shù)據(jù)集和場景庫方面的迫切需求，考慮國家對汽車行業(yè)日趨嚴格的數(shù)據(jù)安全合規(guī)要求，本文重點研究基于真實交通數(shù)據(jù)的自動駕駛場景庫建設方法，提出能夠滿足數(shù)據(jù)安全合規(guī)要求的自動駕駛景庫搭建方法。

2 自動駕駛場景定義

2.1 自動駕駛場景要素

自動駕駛場景可以概括描述為自動駕駛車輛與其所在道路交通環(huán)境的總和，包括靜態(tài)道路信息、動態(tài)交通狀況、天氣等環(huán)境信息等諸多要素的集合。場景作為上述要素的抽象與映射，本質上闡述了要素組成及其內(nèi)部邏輯關系，是場景庫搭建的理論基礎，同時也是技術開發(fā)的基礎，能夠幫助自動駕駛系統(tǒng)識別和理解路面環(huán)境、其他車輛及行人等各種不同的交通參與者，并作出正確決策。

在自動駕駛場景庫構建方面，世界各國政府及智能汽車產(chǎn)業(yè)都給予了相當?shù)闹匾?。德國的PEGASUS項目提出了6層場景模型，用于指導構建標準化的智能汽車系統(tǒng)開發(fā)和測試驗證場景庫；自動化及測量系統(tǒng)標準協(xié)會（Association for Standardization of Automation and Measuring systems，ASAM）在此基礎上建立了仿真領域的OpenX系列虛擬仿真測試場景標準體系；美國國家高速公路交通安全管理局（National Highway Traffic Safety Administration，NHTSA）發(fā)布了關于自動駕駛測試場景和用例的框架；在國內(nèi)，中國汽車技術研究中心、中國道路交通事故深入研究（China In-Depth Accident Study，CIDAS）項目、百度Apollo、國汽（北京）智能網(wǎng)聯(lián)汽車研究院有限公司等也開展了諸多相關工作。

本文采用OpenX標準的6層模型場景描述架構，6層場景要素分別為道路、交通基礎設施、臨時路況、對象、環(huán)境、數(shù)字信息。如圖1所示：第1層為道路層，包括車道數(shù)量、特殊車道等靜態(tài)信息要素，用于描述場景的靜態(tài)道路環(huán)境；第2層為交通基礎設施，用于描述場景的地物信息；第3層為臨時路況，指第1層和第2層上的臨時操作，用于描述場景的動態(tài)環(huán)境信息；第4層為交通狀況，是場景的核心內(nèi)容；第5層為環(huán)境，用于描述場景的氣象環(huán)境信息；第6層為數(shù)字信息。

2.2 自動駕駛場景格式

為實現(xiàn)場景仿真測試、場景元素組合、場景微調、場景復用等多種需求下的場景應用，必須定義標準化的場景文件格式。目前，國際上較為通用的場景文件格式為ASAM提出的OpenX仿真標準系列，即OpenDRIVE及OpenSCENARIO，前者實現(xiàn)地圖解析，后者實現(xiàn)場景轉換，兩者均以統(tǒng)一建模語言（Unified Modeling Language，UML）數(shù)據(jù)模型為基礎，可以導出xml格式的拓展文件。

OpenDRIVE定義仿真場景中的靜態(tài)內(nèi)容，包括道路幾何形狀、車道數(shù)量、道路沿線特征、車道限速標志和信號燈等影響車輛通行的交通標志以及道路基礎設施，描述仿真中的道路環(huán)境信息；OpenSCENARIO定義仿真場景中的動態(tài)內(nèi)容，包括車輛的軌跡路線、速度距離變化、換道偏移等復雜的、同時發(fā)生的車輛操作動作，描述仿真中道路上或道路外活動的車輛或行人的行為。將OpenDRIVE和OpenSCENARIO搭配使用，能夠完整描述一個包含靜態(tài)信息和動態(tài)信息的仿真測試場景，滿足自動駕駛仿真、虛擬測試、開發(fā)和驗證需求。

2.3 自動駕駛場景來源

自動駕駛場景的數(shù)據(jù)來源于真實數(shù)據(jù)和仿真數(shù)據(jù)，如圖2所示。前者是真實道路交通情況的數(shù)字映射，后者是模擬仿真情況的參數(shù)設定，可通過邏輯推演獲得。

真實數(shù)據(jù)來源于自然駕駛數(shù)據(jù)、事故數(shù)據(jù)、路側單元采集到的數(shù)據(jù)、封閉場地測試數(shù)據(jù)和開放道路測試數(shù)據(jù)。自然駕駛數(shù)據(jù)是通過在汽車上加裝攝像頭、雷達等多類傳感器，在車輛正常行駛過程中采集到的包含各場景要素的數(shù)據(jù)；事故數(shù)據(jù)是各國家、地區(qū)、城市記錄存儲的交通事故數(shù)據(jù)，基于這些數(shù)據(jù)能夠分析提煉出適用于自動駕駛場景測試的特征要素；路側單元數(shù)據(jù)是來源于交通、路政、車路協(xié)同等政府部門和企業(yè)在交叉路口、主次干道、事故多發(fā)路段等處搭設的路側單元雷達、攝像頭等設備采集到的場景要素數(shù)據(jù)；封閉場地測試和開放道路測試數(shù)據(jù)來源于企業(yè)在自動駕駛車輛研發(fā)測試、示范應用和商業(yè)化試點過程中，在測試場或測試示范區(qū)道路等地采集到的場景要素數(shù)據(jù)。

仿真數(shù)據(jù)來源于仿真測試過程中，通過人為設定軟件（虛擬仿真系統(tǒng)）和硬件（駕駛模擬器等）參數(shù)，使測試車輛在設置的駕駛任務或行駛路線下進行虛擬場景測試，從而產(chǎn)生的仿真場景數(shù)據(jù)。

本文的數(shù)據(jù)來源于真實交通環(huán)境，對國內(nèi)智能網(wǎng)聯(lián)示范區(qū)范圍內(nèi)產(chǎn)生的車端、路側、地圖等自動駕駛數(shù)據(jù)進行高效提煉和加工，形成高真實度、特色鮮明且具備行業(yè)應用價值的自動駕駛場景數(shù)據(jù)集和異常事件場景庫，在安全合規(guī)的框架內(nèi)通過異常事件場景共享系統(tǒng)面向自動駕駛科技企業(yè)、整車企業(yè)、模擬仿真測試服務企業(yè)、研究機構等提供高價值、標準化且安全合規(guī)的場景服務。圍繞國內(nèi)智能網(wǎng)聯(lián)示范區(qū)運營過程中產(chǎn)生的全方位車端和路側自動駕駛數(shù)據(jù)以及地圖數(shù)據(jù)，開發(fā)自動駕駛場景挖掘引擎，本文對采集的真實自動駕駛數(shù)據(jù)開展特色場景挖掘，提煉出具備高應用價值的自動駕駛脫離場景、緊急制動場景、復雜交通流場景等，并對場景進行自動化剪裁和標簽處理，形成自動駕駛場景數(shù)據(jù)集，供相關企業(yè)開展場景庫開發(fā)工作。

3 自動駕駛場景數(shù)據(jù)集構建

3.1 自動駕駛場景挖掘

在自動駕駛場景庫建設過程中，遍歷了國內(nèi)智能網(wǎng)聯(lián)示范區(qū)60 km2范圍內(nèi)近800輛自動駕駛車輛和330多個智能化路口的真實自動駕駛運行數(shù)據(jù)，挖掘出1 000余條高價值的自動駕駛真實異常事件場景，通過場景運行風險評估，挖掘出100余例自動駕駛危險工況和事故場景，并從數(shù)據(jù)庫中檢索場景相關的車路協(xié)同感知數(shù)據(jù)，包含全量交通參與者的位置、速度、航向角、目標物類型等真實運行數(shù)據(jù)，通過場景還原工具轉化為OpenX格式仿真場景數(shù)據(jù)。

自動駕駛場景建設的第一步是對自動駕駛汽車運行過程中發(fā)生的異常事件進行自動化識別。目前，針對已有數(shù)據(jù)資源，可采用車輛運行狀態(tài)數(shù)據(jù)濾波優(yōu)化和視頻圖像數(shù)據(jù)特征識別兩條技術路線實現(xiàn)異常事件的自動挖掘。

其中，基于車輛運行狀態(tài)數(shù)據(jù)的濾波優(yōu)化是通過監(jiān)測智能網(wǎng)聯(lián)汽車當前運行模式（driveMode）字段，自動判斷自動駕駛系統(tǒng)退出或被接管的異常事件，并分析自動駕駛車輛的實際運行數(shù)據(jù)，包括加速度、航向角變化率、駕駛行為等與異常事件發(fā)生頻次之間的關聯(lián)度，如圖3所示，通過設定運行數(shù)據(jù)閾值篩選異常事件場景。在實際應用中，可對車輛運行狀態(tài)數(shù)據(jù)進行滑動濾波，以去除數(shù)據(jù)噪聲，提升場景識別準確率。

視頻圖像數(shù)據(jù)的場景特征識別以特殊訓練的基于自監(jiān)督一致性學習框架的交通事故檢測（Traffic Accident Detection for driving systems by proposing a Self-Supervised Consistency learning framework，SSC-TAD）為基礎，吸收幀預測框架和軌跡預測框架的性能優(yōu)點，從幀外觀一致性、目標運動一致性和場景上下文一致性三個方面對異常事件場景檢測進行建模，如圖4所示。使用上下文表示模塊提取參與者內(nèi)部以及整個視頻幀的信息關系，并設計一個圖生成式對抗網(wǎng)絡（Graph Generative Adversarial Networks，GraphGAN）模型來訓練視覺場景上下文生成器和判別器，根據(jù)預先定義的多任務損失函數(shù)判斷每一幀中異常事件的發(fā)生概率。

上述場景挖掘工作將挖掘自動駕駛脫離場景、急減速場景、緊急制動場景、異常低速場景、超速場景、自動駕駛退出場景、復雜交通流場景和高速公路運行場景等8類具備高應用價值的場景。與這些場景相關的自動駕駛車輛運行數(shù)據(jù)還需要進行整理和清洗，以提升數(shù)據(jù)質量，滿足場景還原要求。

數(shù)據(jù)清洗過程中，除根據(jù)路側設備可信空間范圍裁剪數(shù)據(jù)規(guī)模外，還需要通過軌跡匹配識別自動駕駛車輛編號（ID），從而為還原后的動態(tài)場景提供主視角，如圖5所示。

同時，還需要針對感知設備精度造成的數(shù)據(jù)質量問題進行修復，如圖6所示，包括：采用長短時記憶（Long Short Term Memory，LSTM）神經(jīng)網(wǎng)絡算法，對由車輛遮擋、檢測丟失等問題引起的車輛軌跡斷續(xù)的情況進行修正，基于車輛的歷史軌跡點，實現(xiàn)對中間缺失值的差值補全；基于指數(shù)和多項式平滑算法糾正車輛航向角偏差；基于采用匈牙利匹配算法與卡爾曼濾波并融合豐富微觀交通運動特征的時空軌跡歷史數(shù)據(jù)，實現(xiàn)同目標軌跡匹配，從而消除同一目標ID不一致的問題。

3.2 自動化標簽處理

自動駕駛場景來源于采集的真實自動駕駛車輛運行狀態(tài)數(shù)據(jù)，是構建自動駕駛測試場景的基礎來源。自動化標簽處理是場景庫建設的第二步?；趯Π詣玉{駛車輛所處的人、車、環(huán)境等信息的全方位數(shù)據(jù)分析，通過對場景數(shù)據(jù)的挖掘，研究交通環(huán)境和駕駛行為特征，完成對場景的理解和場景要素的特征提取與類聚，并可通過場景要素的重組，衍生出更多合理的場景，為后續(xù)場景數(shù)據(jù)庫建設奠定基礎。

場景構成要素包括車、路、行駛環(huán)境等，對多種要素進行組合，存在無限豐富、極其復雜、不確定性強的特點?，F(xiàn)階段，各機構沒有形成統(tǒng)一的場景定義標準，場景的理解、定義及合理高效、明確統(tǒng)一的場景要素分類方式研究，是場景庫構建的開始和關鍵，對于建立場景庫模型非常必要。本文以采集到的自動駕駛場景數(shù)據(jù)為依據(jù)具體開展場景定義和場景要素分類研究，從測試車輛、靜態(tài)環(huán)境、動態(tài)環(huán)境、交通參與者和氣象環(huán)境的角度對場景要素進行分析，提出場景要素分類體系。根據(jù)場景要素分類體系分析自動駕駛交通環(huán)境場景和異常事件的場景要素及場景主體要素，對場景的各種動、靜態(tài)元素進行特征提取，研究場景信息提取與挖掘理論，設計場景提取的算法，實現(xiàn)場景的提??；根據(jù)場景要素分類體系構建通用的場景要素層次模型，分析各維度場景要素的可能屬性，設計場景要素標注模型，為場景數(shù)據(jù)統(tǒng)一標準化的要素標注提供依據(jù)；通過元素之間的關聯(lián)關系對場景元素進行重新組合及通過基于人工經(jīng)驗的標注方式進行場景組合形成新的典型性場景，從而形成自動駕駛場景數(shù)據(jù)集。

3.3 數(shù)據(jù)合規(guī)脫敏

近年來，國家高度重視汽車數(shù)據(jù)安全。自動駕駛作為汽車領域涉及海量數(shù)據(jù)交互流轉的典型代表，場景庫數(shù)據(jù)來源涉及對大量個人信息和道路環(huán)境信息的采集和加工處理。因此，考慮場景庫的數(shù)據(jù)安全合規(guī)需求，在完成自動化標簽處理后，需要對個人隱私信息和道路標志等可能涉及重要數(shù)據(jù)的部分進行脫敏處理。

本文開發(fā)并部署了針對自動駕駛場景庫的數(shù)據(jù)脫敏系統(tǒng)，利用FlowCV底層技術，感知多平臺、多數(shù)據(jù)端、多種類型數(shù)據(jù)，經(jīng)由分布式數(shù)據(jù)處理框架進行視頻、圖片等內(nèi)容的關鍵敏感信息檢測，從而形成關聯(lián)敏感數(shù)據(jù)網(wǎng)絡。研發(fā)人員可以通過系統(tǒng)提供的規(guī)則引擎，在數(shù)據(jù)網(wǎng)絡中發(fā)現(xiàn)特定的敏感內(nèi)容，并對視頻、圖片等敏感內(nèi)容進行脫敏處理。數(shù)據(jù)脫敏系統(tǒng)工作流程如圖7所示，包含數(shù)據(jù)采集、數(shù)據(jù)處理和數(shù)據(jù)脫敏三大模塊。

其中，數(shù)據(jù)處理模塊用于識別視頻中的敏感信息，包括：人臉、車牌、時間戳、路口標志、路牌；重要敏感區(qū)域的地理信息、人員流量、車輛流量，如軍事管理區(qū)；反映經(jīng)濟運行情況的數(shù)據(jù)，如車輛流量等。該模塊采用金字塔解析網(wǎng)絡（Pyramid Scene Parsing Network，ESPNet）作為目標檢測分割網(wǎng)絡，并將傳統(tǒng)高效空間金字塔（Efficient spatial pyramid，ESP）模塊中的逐點卷積改為分組的逐點卷積，以進一步提升網(wǎng)絡效率，并降低過擬合。采用歸一化指數(shù)函數(shù)（Softmax函數(shù)）作為損失函數(shù)，將多個神經(jīng)元的輸出映射到（0，1）區(qū)間內(nèi)，從而將輸出視為概率來解釋目標識別結果。

數(shù)據(jù)脫敏模塊基于系統(tǒng)定義的脫敏策略，對視頻中的敏感信息進行脫敏處理（馬賽克、模糊等），生成脫敏后的視頻和圖片，包括服務器模塊、數(shù)據(jù)讀取模塊、目標檢測模塊、馬賽克處理模塊、轉碼子模塊和靜態(tài)服務器模塊。數(shù)據(jù)脫敏模塊能夠實現(xiàn)對敏感信息的位置檢測，獲得敏感信息位置數(shù)據(jù)并輸入馬賽克處理模塊，輸出RGB圖片數(shù)據(jù)信息，進而將上一階段輸出的RGB圖片數(shù)據(jù)暫存到一個臨時視頻文件中，利用轉碼模塊對臨時視頻文件進行壓縮轉碼，輸出最終的視頻文件，其工作流程如圖8所示。

4 自動駕駛異常事件場景庫開發(fā)

4.1 自動駕駛運行風險評估

在自動駕駛異常事件場景庫開發(fā)過程中，為進一步提升場景庫應用價值，以及后續(xù)基于場景庫開展的模擬仿真測試工作的價值密度，對識別出的異常事件場景進行風險評估，目的是從異常事件場景中進一步篩選出存在較高事故風險的場景，用于后續(xù)場景庫開發(fā)。

為綜合定量評估自動駕駛車輛的交通運行風險，本文結合國內(nèi)智能網(wǎng)聯(lián)示范區(qū)交通特征和駕駛行為習慣，全面考慮道路線形與道路類型等設施因素、天氣等環(huán)境因素、交通流量等交通因素、機動車與行人等道路使用者因素，提出自動駕駛汽車開放測試安全風險評估方法。安全風險度越低，安全度就越高，可開放給自動駕駛汽車道路測試的可能性就越大。反之，安全風險度高的場景，對于自動駕駛測試而言有利于解決“長尾”問題，真實場景的危險性使得該類場景庫的開發(fā)更具價值且更為迫切，基于高運行風險的真實場景開發(fā)出的自動駕駛場景庫的價值就越高、應用意義越大。本文通過分析交通安全風險因素、制定風險評估方法及流程，實現(xiàn)自動駕駛事件場景運行風險評估。

4.1.1 自動駕駛車輛的交通運行風險致因因素分析

綜合考慮交通基礎設施、交通工程設施、交通流量、非機動車與行人、交通環(huán)境等因素，結合自動駕駛交通事件以及接管情況數(shù)據(jù)，解析自動駕駛車輛交通安全風險致因因素，定量分析各致因因素對自動駕駛車輛運行風險的影響程度。

4.1.2 自動駕駛車輛的交通運行風險評估方法

自動駕駛車輛在感知、執(zhí)行、決策方面與人工駕駛車輛均存在明顯區(qū)別，本文構建綜合考慮道路設施因素、環(huán)境因素、交通因素、道路使用者等類因素的自動駕駛運行風險評估指標，研究提出自動駕駛運行風險評估模型和方法，并對自動駕駛運行風險進行分級。

4.1.3 自動駕駛事件場景運行風險評估系統(tǒng)

在評估指標和方法研究的基礎上，研究自動駕駛事件場景運行風險評估系統(tǒng)的功能框架，開發(fā)自動駕駛事件場景運行風險評估系統(tǒng)，面向自動駕駛場景數(shù)據(jù)集開展高風險異常事件場景的挖掘，結合自動駕駛真實交通數(shù)據(jù)，開展自動駕駛場景運行風險評估，總結提煉自動駕駛交通安全風險評估流程，形成自動駕駛交通安全風險評估標準。

4.2 異常事件場景標準化加工

本文以場景定義和場景元素為基礎理論體系，設計場景標簽分類體系，以此為基礎完成數(shù)據(jù)預處理、場景標注、場景提取、場景泛化、場景生成等數(shù)據(jù)處理過程，生成自動駕駛場景文件夾和標準格式的OpenSCENARIO文件，如圖9所示。

利用預處理后且經(jīng)過場景運行風險評估系統(tǒng)篩選的數(shù)據(jù)集，基于規(guī)則與機器學習的算法，針對指定的道路交通環(huán)境，依據(jù)主車行駛特點、主車與目標物的相對狀態(tài)對典型場景進行識別。可提取到的場景包括行人橫穿場景、會車場景、主車換道場景、跟車行駛場景、鄰車切入場景、前車切出場景、主車轉向場景和主車掉頭場景等，該方法用于實現(xiàn)對典型駕駛場景的離線自動提取。

考慮到人工的思考力和經(jīng)驗優(yōu)勢，在標注過程中加入人工校驗環(huán)節(jié)，目的是補充自動標注時部分沒有體現(xiàn)的標簽，豐富場景標簽，并自動提取真值數(shù)據(jù)，以優(yōu)化迭代自動提取算法。利用預處理后的原始采集數(shù)據(jù)，基于場景分類體系中的要素標簽進行標注。標注信息涵蓋自動駕駛退出、緊急制動、異常低速、復雜交通流、事故等9類典型真實異常事件類型，車輛、行人、非機動車、交通標志等10類道路常見障礙物目標，晴朗、雨雪、霧霾等7類天氣屬性，黑夜、逆光、復雜光照等5類光照條件屬性，以及濕滑路面、坑洼路面等3類行駛環(huán)境要素，如圖10所示。

利用高運行風險場景數(shù)據(jù)，提取出不同場景中的自車軌跡和目標物軌跡，根據(jù)軌跡的航向角、速度和位置等特征進行分析匯總，生成基礎軌跡庫，為場景應用打下基礎。測試應用場景的主要目的是基于實際車輛行為生成定制化的測試用例場景，可用于決策和控制算法的測試和驗證。真實世界中能夠獲得的事故場景或邊緣場景數(shù)量較少，且獲取方式難度較大，通常需要采用手工搭建的方式生成測試用例場景，而利用真實自動駕駛數(shù)據(jù)進行場景重建可以在保障場景可信度的情況下快速獲得所需的場景。

5 結束語

本文從行業(yè)當前對挑戰(zhàn)性場景的高質量需求出發(fā)，提出基于真實交通數(shù)據(jù)的自動駕駛場景庫建設方案。首先，對自動駕駛場景的要素、格式和來源進行了梳理和闡述；其次，逐步論述了自動駕駛場景數(shù)據(jù)集的高效挖掘、自動化標簽處理和數(shù)據(jù)合規(guī)脫敏流程；最后，闡明了高價值挑戰(zhàn)性真實自動駕駛場景庫的生成需經(jīng)過風險評估和標準化加工兩個階段?；诒疚姆椒ㄉ傻膱鼍皫煸跀?shù)據(jù)真實性、工況全面性和場景挑戰(zhàn)性方面均具備明顯優(yōu)勢：事件集已形成超過50×104幀標注圖片，涵蓋千余條自動駕駛車路協(xié)同感知數(shù)據(jù)；事件集已標注10類道路常見障礙物目標、7類天氣屬性、5類光照條件屬性以及3類路面環(huán)境要素，場景庫全面涵蓋全量交通參與者的位置、速度、航向角、目標物類型等；異常事件集包含自動駕駛系統(tǒng)退出、緊急制動、復雜交通流等8類異常場景。

后續(xù)研究將繼續(xù)加強對更大范圍區(qū)域內(nèi)真實交通場景的異常事件提取，對更多種類的異常場景進行分析挖掘，促進生成OpenX標準格式仿真場景，為行業(yè)提供更豐富的仿真測試場景用例。

參考文獻

[1] 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. Research Progress on Scene-Based Virtual Test of Autonomous Driving Vehicle[J]. China Journal of Highway and Transport， 2019， 32（6）： 1-19.

[2] 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.

[3] 郭柏蒼， 雒國鳳， 金立生， 等. 面向自動駕駛虛擬測試的變道切入場景庫構建方法[J]. 吉林大學學報（工學版）， 2023， 53（11）： 3130-3140.

GUO B C， LUO G F， JIN L S， et al. Construction Method of Cut-in Scenario Library for Automatic Driving Virtual Tests[J]. Journal of Jilin University （Engineering and Technology Edition）， 2023， 53（11）： 3130-3140.

[4] 曾杰， 譚龍， 丁雪聰， 等. 仿真測試在智能網(wǎng)聯(lián)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.

[5] 蔣拯民， 黨少博， 李慧云， 等. 自動駕駛汽車場景測試研究進展綜述[J]. 汽車技術， 2022（8）： 10-22.

JIANG Z M， DANG S B， LI H Y， et al. A Survey on the Research Progress of Scenario-Based Testing for Autonomous Vehicles[J]. Automobile Technology， 2022（8）： 10-22.

[6] 徐向陽， 胡文浩， 董紅磊， 等. 自動駕駛汽車測試場景構建關鍵技術綜述[J]. 汽車工程， 2021， 43（4）： 610-619.

XU X Y， HU W H， DONG H L， et al. Review of Key Technologies for Autonomous Vehicle Test Scenario Construction[J]. Automotive Engineering， 2021， 43（4）： 610-619.

[7] 徐向陽， 周兆輝， 胡文浩， 等. 基于事故數(shù)據(jù)挖掘的AEB路口測試場景[J]. 北京航空航天大學學報， 2020， 46（10）： 1817-1825.

XU X Y， ZHOU Z H， HU W H， et al. Intersection Test Scenarios for AEB Based on Accident Data Mining[J]. Journal of Beijing University of Aeronautics and Astronautics， 2020， 46（10）： 1817-1825.

[8] 曾小松. 智能網(wǎng)聯(lián)汽車數(shù)據(jù)安全治理框架研究[J]. 智能網(wǎng)聯(lián)汽車， 2022（3）： 22-26.

ZENG X S. Intersection Test Scenarios for AEB Based on Accident Data Mining[J]. Intelligent Connected Vehicles， 2022（3）： 22-26.

（責任編輯 斛 畔）

修改稿收到日期為2024年3月25日。