主題詞：自動駕駛場景生成TPEMOTPECARLA中圖分類號：U467.3；TP391.9 文獻(xiàn)標(biāo)志碼：A DOI： 10.19620/j.cnki.1000-3703.20240092

Automatic Generation Method of Autonomous Driving Simulation Test ScenariosBasedon Tree-StructuredParzen Estimator

QinQin'，Yang Zhisheng1，LiDaoxin1，Shen Zhiwei2，Cao Xiaolin3 （1.Shanghai Polytechnic University，Schoolof Intellgent Manufacturingand ControlEngineering，Shanghai 201209; 2.School of Electrical Engineering and Telecommunications，Universityof New South Wales，Sydney 2052; 3.College of Automotive Engineering，Jilin University，Changchun 130015）

【Abstract】In viewof theexponential increase in thenumberof keyscene scenariosgenerated in high-dimensional space，andthediicultyoftraditionalartificialconstructionorrandomsearchmethods tobalancecoverageandeficiencythis paper proposes a search method basedon single-objective Tree structure Parzen Estimator（TPE）and Multi-Objective Tree structureParzen Estimator （MOTPE）.Asoftware-in-the-loopautomatedsimulationtesting framework isbuiltbyusing the CARLA simulator.Taking weather elementsasanexample，thecriticalscenario generationefectsofthediffrent search algorithmsarecompared.Theexperimentalresultsindicate thattheTPE-basedsearch methodandthe MOTPE-based method increase thenumberofkeyscenariosgeneratedby3.11timesand2.O6times，respectively，comparedtotherandomsearch method.TheMOTPEmethodis1.53times beter than TPEintermsofscenarioquality.When combinedwithscenario automaedgenerationandtesting frameworks，thesemethodsefectivelyadress theissueof explodingscenario numbers， allowing for the discovery of scenarios with high testing value.

Key words：Autonomous driving，Scenario generation，Tree-structured Parzen Estimator （TPE），Multi-Objective Tree-structured Parzen Estimator （MOTPE），CARLA

【引用格式】秦琴，楊志勝，李道鑫，等.基于樹結(jié)構(gòu)Parzen估計(jì)器的自動駕駛仿真測試關(guān)鍵場景生成方法[J].汽車技術(shù)，2025（5）：39-46.QINQ，YANGZS，LIDX，etal.Automatic Generation Methodof AutonomousDriving SimulationTestScenarios BasedonTree-Structured ParzenEstimator[J].Automobile Technology，2025（5）： 39-46.

1前言

隨著車輛系統(tǒng)復(fù)雜性的提升，交通環(huán)境變化、駕駛?cè)蝿?wù)多樣性等因素成為自動駕駛車輛測試評價(jià)面臨的全新挑戰(zhàn)。由于傳統(tǒng)道路場地測試的經(jīng)濟(jì)與時(shí)間成本較高，且測試可重復(fù)性弱，已經(jīng)無法滿足極端場景的測試需求?；趫鼍暗淖詣玉{駛虛擬仿真測試方法在效率、測試成本等方面具有巨大優(yōu)勢，可成為自動駕駛車輛場景驗(yàn)證的重要手段[2-3]

為了克服傳統(tǒng)場景測試方法的盲目性和低效問題，Ramakrishna等4基于KD 樹（K-dimensional Tree，Kd-Tree）結(jié)構(gòu)改進(jìn)隨機(jī)近鄰搜索算法和基于引導(dǎo)貝葉斯優(yōu)化的關(guān)鍵場景生成方法，雖然能夠顯著提升關(guān)鍵場景的生成效率，但基于引導(dǎo)貝葉斯優(yōu)化的關(guān)鍵場景生成方法的搜索時(shí)間是隨機(jī)近鄰搜索方法的2.7倍。文獻(xiàn)[6]提出基于球樹（Ball-Tree）算法優(yōu)化隨機(jī)近鄰搜索（BallTree-RandomNeighborhood Search，BallTree-RNS）算法，使隨機(jī)近鄰算法搜索時(shí)間明顯降低。邢星宇等[7]提出基于高斯過程的貝葉斯優(yōu)化的關(guān)鍵場景生成方法，和基于遺傳算法的關(guān)鍵場景生成方法，前者生成關(guān)鍵場景的數(shù)量是后者的0.76倍，但關(guān)鍵場景的離散程度是后者的28.7倍。與傳統(tǒng)場景測試方法不同，基于優(yōu)化搜索方法生成的場景針對性更強(qiáng)，且在開發(fā)階段能夠進(jìn)行快速迭代優(yōu)化，彌補(bǔ)基于數(shù)據(jù)分析方法的不足。但在高維參數(shù)空間中，此類方法的計(jì)算復(fù)雜度較高。

因此，本文基于樹結(jié)構(gòu)Parzen估計(jì)器8（Tree-structuredParzenEstimator，TPE）與多目標(biāo)樹結(jié)構(gòu)Parzen估計(jì)器]（Multi-Objective Tree-structured ParzenEstimator，MOTPE）提出關(guān)鍵場景優(yōu)化搜索方法，使用開源仿真模擬器CARLA低成本搭建場景自動化生成與測試框架，通過對比隨機(jī)搜索方法與BalITree-RNS方法，驗(yàn)證本文方法的有效性。

2順序模型優(yōu)化的關(guān)鍵場景生成方法

自動駕駛的行駛場景具有復(fù)雜多樣、難以預(yù)測等特性，需要依據(jù)功能場景元素，結(jié)合經(jīng)驗(yàn)知識，確定邏輯場景參數(shù)。由于場景要素眾多，參數(shù)空間通常是高維連續(xù)的，且隨機(jī)生成的場景風(fēng)險(xiǎn)等級較低，無法保證場景的覆蓋度。若測試全部場景，雖然能夠滿足場景的全覆蓋，但會生成大量無價(jià)值場景，導(dǎo)致測試效率降低，不具有可操作性。同時(shí)，受模擬器的不確定性以及待測對象的黑盒特性影響，難以依靠人工調(diào)參保證場景的覆蓋率。

本文基于序列模型的優(yōu)化（SequentialModel-BasedOptimization，SMBO）方法，將關(guān)鍵場景生成問題轉(zhuǎn)化為目標(biāo)函數(shù)最小化的黑盒優(yōu)化問題，結(jié)合自動化測試框架不斷迭代優(yōu)化，搜索關(guān)鍵價(jià)值場景，其框架如圖1所示。

SMBO算法將代理模型 M_t 近似替代真實(shí)的目標(biāo)函數(shù)f，以降低目標(biāo)函數(shù)的評估成本。根據(jù)邏輯場景的參數(shù)空間 D 參數(shù)間約束關(guān)系R，將搜索空間限定為圖形結(jié)構(gòu)。在每輪測試中，采集函數(shù) s 在約束條件 R 下，借助代理模型對目標(biāo)函數(shù)的近似評估能力，對參數(shù)空間 D 進(jìn)行評估，并選擇一個(gè)最優(yōu)的候選點(diǎn) x^* ，作為本輪仿真測試的場景。重復(fù)上述過程，代理模型達(dá)到最大迭代次數(shù)后結(jié)束測試，最終生成關(guān)鍵場景集合 H 和傳感器采集數(shù)據(jù)集P。

2.1場景定義與約束條件

由于自動駕駛仿真測試對于場景的定義未統(tǒng)一，本文根據(jù)文獻(xiàn)[10]定義場景，將場景按照抽象程度劃分為3類，分別為：

a.功能場景：抽象程度最高，由自然語言描述功能性需求。例如“在雨天，車輛經(jīng)過十字路口”。b.邏輯場景：用于描述參數(shù)空間及各參數(shù)見的邏輯關(guān)系。例如，光照角度的范圍為 [-90^°，90^°] ，降水量的范圍為 0mm，100mm] 0c.具體場景：在參數(shù)空間中采樣合理、具體的數(shù)值。例如，光照角度為 45^° 、降水量為 50mm 的天氣場景。

利用場景要素間約束關(guān)系，利用圖結(jié)構(gòu)約束搜索空間，確定參數(shù)范圍后進(jìn)行采樣，如圖2所示。例如，在天氣場景中，當(dāng)霧濃度大于0時(shí)，可對霧能見度采樣；當(dāng)霧濃度等于0時(shí)，不僅增加了搜索時(shí)間，且無實(shí)際意義。

2.2基于TPE的關(guān)鍵場景生成

TPE基于SMBO的全局優(yōu)化算法，結(jié)合預(yù)期改進(jìn)（ExpectedImprovement，EI）準(zhǔn)則，通過密度估計(jì)方法重構(gòu)目標(biāo)函數(shù)優(yōu)化過程。

假設(shè)邏輯場景為 X ，目標(biāo)函數(shù)f： XR 為 X 到實(shí)數(shù)集合 R 的映射，在代理模型 M 中，當(dāng) f（x） （負(fù)向）超過閾值 y^* 時(shí)，邏輯場景參數(shù) x_i∈X_i 的期望改進(jìn)值為：

式中： p（y|x_i） 為代理模型 M 中，輸人參數(shù) x_i 對應(yīng)目標(biāo)函數(shù)y 的條件概率分布。

由于 p（y|x_i） 計(jì)算成本較高，TPE通過貝葉斯公式采用反向建模策略，利用非參數(shù)密度 p（x_i|y） 和 p（y） 進(jìn)行建模，其中， p（x_i|y） 可拆分為2個(gè)密度函數(shù)：

式中： ?，g 分別為表現(xiàn)較好和較差的場景密度分布。

l（x_i） 由觀測值集合的子集 定義，該子集滿足 ，使用分位數(shù) γ 確定 y^* ，即y^* 滿足 p（y*）=γ，γ∈（0，1）. ，根據(jù)經(jīng)驗(yàn)本文選擇 γ=0.15 。

假設(shè) 或 ，使用Parzen估計(jì)器構(gòu)建 l（x_i） 或 g（x_i） 的密度為：

式中： w_xi^′ 為具體場景的權(quán)重， w_p 為固定先驗(yàn) x_p 的權(quán)重， 為樣本點(diǎn) x_i^′ 處放置的截?cái)喔咚购撕瘮?shù)。

使用截?cái)喔咚购撕瘮?shù)構(gòu)建密度估計(jì)器 N_trunc（μ，σ，a，b） 其中， σ 為帶寬 _，μ 為均值， Φ_a，b 分別為定義域的下界和上界。通過上述建模方式，得到參數(shù) x_i 的期望改進(jìn)值：

因此，基于TPE的搜索算法偽代碼如表1所示。當(dāng)某個(gè)采樣場景重復(fù)出現(xiàn)，極易導(dǎo)致測試效率降低。為了保證測試場景多樣性與算法穩(wěn)定性，本文基于球樹算法，綜合考慮場景的關(guān)鍵程度以及其在指定鄰域內(nèi)的樣本密度，在保持測試多樣性的同時(shí)，提升算法的穩(wěn)定性和效率：

式中： f（x^′） 為具體場景 x^′ 的評價(jià)函數(shù)， BallTreeKnn（x） 為范圍 d 中場景 x 的數(shù)量， L 為所有場景的 K 近鄰最大值與常數(shù) c 之和。

式（5）中，常數(shù) C 越小，偏向于搜索多樣性的場景，反之，則偏向于選擇更危險(xiǎn)的場景。

2.3基于MOTPE的關(guān)鍵場景生成

MOTPE方法設(shè)置觀測值集合為 ，對于每個(gè)邏輯場景參數(shù) x_i∈X_i ，則 p（x_i|y） 為：

當(dāng) Y^* 滿足 p（（y*）∪（y||Y^*））=γ 的場景，本文根據(jù)經(jīng)驗(yàn)選取 γ=0.15，y* 表示在非支配排序中，所有場景 Y^* 被 y 支配， _y∣∣Y^* 表示 y 與 Y^* 不存在支配關(guān)系，如圖3所示。

鑒于目標(biāo)函數(shù)為多目標(biāo)，MOTPE在觀測集劃分策略方面不同于TPE方法。TPE的樣本劃分基于單一自標(biāo)函數(shù)值的排序，而MOTPE則需要依據(jù)多目標(biāo)優(yōu)化中的帕累托支配關(guān)系進(jìn)行處理，即MOTPE對觀測集進(jìn)行非支配排序，將非支配等級較高的樣本集合優(yōu)先加入D_ι， 再引人貪婪超體積子集選擇（HypervolumeSubsetSelectionProblem，HSSP）策略，選擇近似最優(yōu)子集加入 D_ι ，剩余樣本劃分為 D_g 。場景劃分偽代碼如表2所示。

使用貪婪HSSP算法獲得近似最優(yōu)子集，保證所選子集的超體積值不低于最優(yōu)超體積的 （1-e^-1） 倍[]，，算法偽代碼如表3所示。

本文使用的權(quán)重策略與TPE相同，由于傳統(tǒng)期望改進(jìn)策略不適用于多目標(biāo)優(yōu)化，所以將期望超體積改進(jìn)（ExpectedHypervolumeImprovement，EHVI）作為采集函數(shù)，得到最終期望超體積改進(jìn)：

式中： n_IH 為超體積指標(biāo)函數(shù)。

3軟件在環(huán)仿真測試框架搭建

本文基于場景的測試方法，利用開源仿真模擬器CARLA、CARLALeaderboard模塊（CARLA挑戰(zhàn)賽基準(zhǔn)評測模塊）構(gòu)建軟件在環(huán)測試框架。該框架可保存危險(xiǎn)場景數(shù)據(jù)，用于模型的二次訓(xùn)練，同時(shí)，在系統(tǒng)開發(fā)的初級階段在一定程度上消除模型隱患。

測試框架包括場景生成模塊、評價(jià)模塊和仿真模塊，如圖4所示。測試開始時(shí)，由場景生成模塊生成具體的可執(zhí)行場景文件，再經(jīng)過仿真模塊加載場景文件以及模型文件，并開始運(yùn)行仿真測試，本輪測試結(jié)束后，通過評價(jià)模塊獲得測試結(jié)果，并返回場景生成模塊，繼續(xù)新一輪的場景生成與測試。

CARLA支持多種傳感器（如激光雷達(dá)、攝像頭、GPS等）配置，具備模塊化應(yīng)用程序編程接口。便于場景與測試流程的集成[12]。通過結(jié)合Leaderboard模塊，使用CARLAScenarioRunner提供的仿真世界的信息，評估被測對象在模擬器中的運(yùn)行狀態(tài)，實(shí)現(xiàn)自動駕駛的性能評估，構(gòu)建軟件在環(huán)的自動化仿真測試環(huán)境，仿真場景如圖5所示。

鑒于測試場景多為高緯度場景，各場景要素間為有機(jī)關(guān)聯(lián)的整體。因此，在場景生成模塊中，使用YAML語言設(shè)計(jì)采樣約束文件及場景描述文件，利用結(jié)構(gòu)化描述定義邏輯場景4。在場景描述文件中手動配置參數(shù)及其范圍，在采樣約束文件中設(shè)置約束條件，從而確保有效測試場景，降低參數(shù)空間，加快搜索速度。同時(shí)，該模塊集成采樣器組件，在邏輯場景的參數(shù)空間中搜索具體場景。對于TPE及MOTPE算法，在約束條件下搜索高測試價(jià)值場景。

仿真開始后，采樣器讀取場景描述文件和采樣約束文件，將邏輯場景及約束條件作為采樣器的輸人，采樣器獲得具體場景后，由場景要素解釋器接收結(jié)果，合成新的可執(zhí)行場景文件，進(jìn)行下一輪仿真測試。

4試驗(yàn)設(shè)計(jì)

由于天氣條件易影響視覺傳感器的性能，當(dāng)光線過強(qiáng)時(shí)，光線的能量無法迅速散射，導(dǎo)致反射光經(jīng)多次折射形成眩光，進(jìn)而降低圖像的對比度；當(dāng)光線到達(dá)成像平面時(shí)，會形成虛像點(diǎn)或明亮光斑，影響成像質(zhì)量[3]。因此，本文以天氣場景為例，基于開源高保真模擬器搭建自動化測試平臺，并驗(yàn)證提出方法的有效性。

4.1被測對象與邏輯場景

本文被測對象為LBC控制器模型，該模型將基于視覺的自動駕駛系統(tǒng)分為2個(gè)關(guān)鍵階段：第一階段利用模擬器提供的環(huán)境信息，構(gòu)建一個(gè)訪問環(huán)境真實(shí)狀態(tài)信息（如地圖布局與動態(tài)參與者位置）的專家控制器，用于指導(dǎo)車輛行為；第二階段以該專家代理作為教師，訓(xùn)練一個(gè)僅依賴于前視圖像輸入的端到端駕駛策略。通過橫向、縱向比例-積分-微分（ProportionIntegrationDifferentiation，PID）控制器實(shí)現(xiàn)對特定路徑點(diǎn)的跟蹤，在CARLA基準(zhǔn)測試中展示出優(yōu)異的魯棒性[14]。

為了充分驗(yàn)證模型在不同天氣場景下的表現(xiàn)，本文將CARLA提供的5號小鎮(zhèn)作為測試場地，該地圖逼真度高、細(xì)節(jié)豐富，設(shè)有豐富的交通標(biāo)志和車道線，每輪測試選擇不同路線，保證測試的復(fù)雜性，如圖6所示。

試驗(yàn)環(huán)境選擇天氣和交通參與者要素，其中，天氣要素包含云量、降雨量、積水量、光照角度、霧濃度、霧能見度；交通參與者包括行人與車輛，使用CARLA內(nèi)部的人工智能（Artificial Intelligence，AI）行人與自動駕駛模塊，并引人交通密度參數(shù)。

邏輯場景的場景要素及參數(shù)分布如表4所示，通過添加約束條件，當(dāng)降雨量為 [40mm，100mm] 時(shí)，光照角度為 [-20^°，90^°] ，避免極端場景下無法正常執(zhí)行預(yù)期的自動駕駛?cè)蝿?wù)。

4.2 目標(biāo)函數(shù)

為了評估自動駕駛車輛的安全性，根據(jù)文獻(xiàn)[15]的安全性評價(jià)指標(biāo)，選取CARLALeaderboard中受天氣要素影響較大的評價(jià)指標(biāo)構(gòu)建目標(biāo)函數(shù)，用以表征各場景參數(shù)組合的關(guān)鍵程度。將碰撞率 闖紅燈頻率 R_r. 平均道路偏離距離 d_mean，o 作為評價(jià)指標(biāo)，其中， R_c 反映被測對象對交通參與者的識別性能， R_r 反映被測對象對交通標(biāo)志的識別性能， d_{mean，o} 反映被測對象的車道線識別能力以及車道保持性能。相關(guān)公式為：

式中： T_p 為自車與行人的碰撞次數(shù)， T_v 為自車與車輛、行人的碰撞次數(shù)， S_d 為行駛軌跡的距離， T_r 為闖紅燈次數(shù)，S_o 為車輛偏離道路的行駛距離。

基于上述指標(biāo)，本文的目標(biāo)函數(shù)為：

或MOTPE算法的無效場景，使用TPE算法的有效場景（9）用MOTPE算法的有效場景

針對無效場景，車輛無法完成駕駛?cè)蝿?wù)，為了保證代理模型的分布，目標(biāo)函數(shù)值設(shè)置為無效值；在有效場景中，為了客觀分析TPE方法和MOTPE方法的性能表現(xiàn)，對不同評價(jià)指標(biāo)使用相同的權(quán)重，根據(jù)實(shí)際情況通過層次分析法分配不同權(quán)重，并選擇集成模型進(jìn)行多指標(biāo)綜合性評價(jià)，表征場景的關(guān)鍵度，將最大值優(yōu)化問題轉(zhuǎn)化為最小值優(yōu)化問題。

5試驗(yàn)結(jié)果與分析

本文針對邏輯場景中不同天氣要素，使用隨機(jī)搜索（RandomSearch）、球樹隨機(jī)鄰域搜索（BallTree-RandomNeighborhoodSearch，BallTree-RNS）方法分別搜索100個(gè)仿真測試場景；TPE方法和MOTPE方法使用隨機(jī)搜索方法構(gòu)建初始代理模型，最大迭代100次為終止條件，各方法的搜索質(zhì)量與效率如表5所示。

由表5可知，Random、BalITree-RNS的搜索結(jié)果中，關(guān)鍵場景占比分別為 18% 和 27% ，而TPE和MOTPE搜索到更多的關(guān)鍵場景，占比分別為 56% 和 37% 。各方法搜索關(guān)鍵場景的平均間隔時(shí)間為TPE ∵ MOTPE：BallTree-RNS ∴ RandomSearch =1：1.5：1.9：2.8 。結(jié)合不同方法統(tǒng)計(jì)評價(jià)指標(biāo)結(jié)果，如圖7所示，TPE方法生成關(guān)鍵危險(xiǎn)場景的效率高于MOTPE方法，同時(shí)，二者均優(yōu)于使用近鄰搜索策略的BalITree-RNS和未使用優(yōu)化策略的Random方法。

在場景質(zhì)量方面，本文以相鄰具體場景的歐式距離之和表征搜索方法對場景空間的探索能力[6，對于隨機(jī)搜索方法，相鄰具體場景歐式距離之和最高達(dá)到1963.51，而隨機(jī)近鄰搜索方法在其鄰域內(nèi)搜索關(guān)鍵場景時(shí)，其分散程度降低至1713.37?？梢?，隨機(jī)近鄰搜索方法增強(qiáng)了局部搜索能力的同時(shí)，也相應(yīng)地犧牲了對全局場景空間的探索能力。

相較于隨機(jī)搜索方法，TPE方法和MOTPE方法均采用基于代理模型和采集函數(shù)的優(yōu)化策略，在搜索過程中更注重利用與探索的平衡性，通過引導(dǎo)采樣過程集中于潛在高價(jià)值區(qū)域，故兩種方法的相鄰場景歐式距離之和均低于隨機(jī)搜索方法和近鄰搜索方法。而MOTPE方法相鄰場景歐式距離為1294.10，約為TPE方法的1.53倍。

為了分析不同搜索方法生成場景在高維參數(shù)空間的分布特性，采用主成分分析法（PCA）對場景參數(shù)向量進(jìn)行降維，并提取前3個(gè)主成分進(jìn)行三維可視化，空間分布如圖8所示，其中，關(guān)鍵場景表示Leaderboard統(tǒng)計(jì)為失敗的場景，即在該場景下車輛存在目標(biāo)函數(shù)定義的違規(guī)行為，本文設(shè)置 （R_c+R_o+R_r）≥0.015 。

由圖8可知，在生成相同數(shù)量場景時(shí)，以隨機(jī)搜索方法為基線，TPE和MOTPE搜索關(guān)鍵場景數(shù)量分別為基準(zhǔn)方法的3.11倍和2.06倍；對于生成關(guān)鍵場景的平均時(shí)間間隔，隨機(jī)搜索方法為 26.83min/ 個(gè)，TPE和MOTPE約為基線的 1/3，1/2 ；在搜索質(zhì)量方面，MOTPE方法考慮了多目標(biāo)函數(shù)的實(shí)際情況，MOTPE是TPE的1.53倍，但搜索效率方較低。TPE方法和MOTPE方法的場景參數(shù)分布相較為集中，有助于測試人員分析駕駛違規(guī)的原因，而MOTPE方法表現(xiàn)出較強(qiáng)的場景覆蓋能力與空間探索能力。

根據(jù)TPE與MOTPE方法在關(guān)鍵場景生成效果方面的差異，雖然兩種方法均采用基于代理模型與采集函數(shù)的優(yōu)化策略，但設(shè)計(jì)目標(biāo)略有不同。TPE方法面向單目標(biāo)優(yōu)化，能在有限的搜索次數(shù)內(nèi)快速聚焦于性能較差的樣本區(qū)域，從而在固定數(shù)量的采樣中獲得較高比例的關(guān)鍵場景，表現(xiàn)出更高的搜索效率。MOTPE方法在優(yōu)化過程中考慮多個(gè)性能指標(biāo)，通過期望超體積改進(jìn)策略，引導(dǎo)搜索過程更全面地逼近帕累托前沿，增強(qiáng)生成場景的多樣性。但由于該方法目標(biāo)函數(shù)更加分散，導(dǎo)致生成關(guān)鍵場景的比例相對較低，因而搜索效率略低于TPE方法。

6結(jié)束語

本文基于樹結(jié)構(gòu)Parzen估計(jì)器提出關(guān)鍵場景生成方法，緩解了高維空間樣本難以開發(fā)的問題，有效避免了傳統(tǒng)場景測試方法的隨機(jī)性和低效率。未來，可引入離散型參數(shù)，構(gòu)建更符合真實(shí)交通環(huán)境的多維復(fù)雜場景參數(shù)空間，以提高本文方法的泛化性。

參考文獻(xiàn)

[1]孫樂樂，黃松，鄭長友，等.自動駕駛仿真測試場景生成技 術(shù)研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2025，61（1）：59-79. SUNLL，HUANG S，ZHENGCY，etal.ResearchProgress onAutonomousDriving Simulation Test Scenario Generation TechnologylJ]. Computer Engineering and Applications， 2025，61（1）：59-79.

[2]蔣拯民，黨少博，李慧云，等.自動駕駛汽車場景測試研究 進(jìn)展綜述[J].汽車技術(shù)，2022（8）：10-22. JIANG ZM，DANGSB，LIHY，etal.A Surveyon the ResearchProgressofScenario-BasedTestingfor Autonomous Vehicles[J].Automobile Technology，2022（8）： 10-22.

[3]鄧偉文，李江坤，任秉韜，等.面向自動駕駛的仿真場景自 動生成方法綜述[J].中國公路學(xué)報(bào)，2022，35（1）：316-333. DENGWW，LIJK，RENBT，etal.ASurvey onAutomatic Simulation Scenario Generation Methods for Autonomous 2025年第5期 Driving[J]. China Journal of Highway and Transport，2022， 35（1）：316-333.

[4]RAMAKRISHNA S，LUO B T，KUHN C B， et al.ANTICARLA： An Adversarial Testing Framework for Autonomous Vehicles in CARLA[C]// 2022IEEE 25th International Conference on Intelligent Transportation Systems （ITSC）. Macau， China： IEEE，2022： 2620-2627.

[5]RAMAKRISHNAS，LUOBT，BARVEY，et al.Risk-Aware Scene Sampling for Dynamic Assurance of Autonomous Systems[Cl// 2O22 IEEE International Conferenceon Assured Autonomy （ICAA）.Fajardo，PR，USA： IEEE，2022： 107-116.

[6]秦琴，谷文軍.Ball Tree優(yōu)化的自動駕駛仿真測試場景生 成方法[J].計(jì)算機(jī)應(yīng)用研究，2023，40（9）：2781-2784+ 2791. QIN Q，GU W J. Ball Tree Optimized Automatic Driving Simulation Test Scenario Generation Method.Application Research of Computers，2023，40（9）： 2781-2784+2791.

[7]邢星宇，吳旭陽，劉力豪，等.基于目標(biāo)優(yōu)化的自動駕駛決 策規(guī)劃系統(tǒng)自動化測試方法[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué) 版），2021，49（8）： 1162-1169. XING X Y，WU X Y，LIU L H，et al. Automatic Testing Method Based on Optimization Algorithms for the Decision and Planning System of Autonomous Vehicles[J]. Journal of Tongji University （Natural Science），2021，49（8）：1162- 1169.

[8]BERGSTRA J， BARDENETR， BENGIO Y，et al. Algorithms for Hyper-Parameter Optimization[C]// Proceedings of the 25thInternational Conferenceon Neural Information Processing Systems. Granada Spain：PMLR，2011：2546- 2554.

[9] OZAKI Y， TANIGAKI Y， WATANABE S， et al. Multiobjective Tree-Structured Parzen Estimator[J]. Journal of Artificial Intelligence Research， 2022（73）： 1209-1250.

[10] MENZEL T，BAGSCHIK G，MAURER M.Scenarios for Development，Test and Validation of Automated Vehicles[C]// 2018IEEEIntelligentVehiclesSymposium（IV）. Changshu， China： IEEE，2018：1821-1827.

[11] GUERREIRO A P， FONSECA C M，PAQUETE L. Greedy Hypervolume Subset Selection in Low Dimensions[J]. Evolutionary Computation，2016，24（3）： 521-544.

[12] PIRRI P，PAHL C， IOINI N E， et al. Towards Cooperative Maneuvering Simulation： Tools and Architecture[C]// 2021 IEEE18th Annual ConsumerCommunicationsamp; Networking Conference （CCNC）. Las Vegas， NV，USA： IEEE，2021.

[13]白雪松，鄧偉文，任秉韜，等.一種自動駕駛仿真場景要 素的提取方法[J].汽車工程，2021，43（7）：1030-1036+ 1065. BAIX S，DENG W W，REN B T，et al.An Extraction Method of Scenario Elements for Autonomous Driving Simulation[J].Automotive Engineering，2021，43（7）：1030-

1036+1065.

[14] CHEN D，ZHOU B，KOLTUN V，et al.Learningby Cheating[C]// Proceedings of the Conference on Robot Learning.Auckland，New Zealand：PMLR，202O（1OO）：66-

75.

[15]XUCJ，DING WH，LV WJ，et al.Safebench：A Benchmarking Platform for Safety Evaluation of

Autonomous Vehicles[C]// 26th Conference on Neural Information Processing Systems Datasets and Benchmarks Track.NewOrleans，USA：PMLR，2022（35）：25667-25682

[16]FENG S，F(xiàn)ENGY H，YUCH，et al.Testing Scenario Library Generation for Connected and Automated Vehicles， PartI：Methodology[J]. IEEE Transactions on Intelligent Transportation Systems，2020，22（3）： 1573-1582. （責(zé)任編輯瑞秋） 修改稿收到日期為2024年4月15日。

《汽車工程師》集中與分布式電驅(qū)動系統(tǒng)及其關(guān)鍵技術(shù)?？鞲逋ㄖ?/p>

作為戰(zhàn)略新興領(lǐng)域和新質(zhì)生產(chǎn)力代表，新能源汽車產(chǎn)業(yè)的高速發(fā)展和電動汽車綜合性能的不斷提升正在重塑汽車技術(shù)與品質(zhì)、高端與豪華。多電機(jī)集中式與分布式電驅(qū)動系統(tǒng)是下一代模塊化高性能新能源整車平臺的關(guān)鍵技術(shù)，是汽車電驅(qū)動系統(tǒng)從中央集中式到軸獨(dú)立式，再到輪獨(dú)立式的變革性技術(shù)，對于擴(kuò)展提升電驅(qū)動系統(tǒng)綜合效率途徑、實(shí)現(xiàn)驅(qū)底一體化底盤動力學(xué)綜合控制、改善整車綜合性能具有重要意義。

為此，《汽車工程師》計(jì)劃推出“集中與分布式電驅(qū)動系統(tǒng)及其關(guān)鍵技術(shù)”?？⒀埣执髮W(xué)王軍年教授擔(dān)任客座主編，歡迎全國高校、科研院所和企事業(yè)單位研究團(tuán)隊(duì)踴躍投稿。

一、征稿主題（包含但不限于以下主題）

1.高效驅(qū)動電機(jī)設(shè)計(jì)技術(shù)

2.高功率密度輪轂電機(jī)技術(shù)

3.多合一電驅(qū)動系統(tǒng)集成技術(shù)

4.雙電機(jī)耦合電動驅(qū)動橋技術(shù)

5.全地形電動四驅(qū)技術(shù)

6.多軸驅(qū)動高效匹配與轉(zhuǎn)矩分配

7.多目標(biāo)四輪轉(zhuǎn)矩優(yōu)化分配技術(shù)

8.驅(qū)動防滑與驅(qū)制動一體化控制技術(shù)

9.驅(qū)動系統(tǒng)與底盤系統(tǒng)融合控制技術(shù)

10.其他電驅(qū)動系統(tǒng)設(shè)計(jì)與控制技術(shù)

二、投稿須知

1.請登錄 www.tjqc.cbpt.cnki.net在線投稿。2.論文具體要求見本刊主頁\"下載中心\"欄目《作者指南》，投稿時(shí)請?jiān)谙到y(tǒng)內(nèi)稿件基本信息的中文標(biāo)題前增加\"【集中與分布式電驅(qū)動系統(tǒng)及其關(guān)鍵技術(shù)?？縗"字樣。3.投稿截止日期為2025年6月15日。4.論文錄用并完成編輯加工后即在中國知網(wǎng)進(jìn)行網(wǎng)絡(luò)首發(fā)，紙質(zhì)期刊預(yù)計(jì)出版時(shí)間為2025年11月15日。

三、特邀客座主編

王軍年教授

工學(xué)博士，教授，博導(dǎo)，吉林大學(xué)汽車工程學(xué)院汽車工程系主任、汽車基礎(chǔ)實(shí)驗(yàn)教學(xué)中心主任、汽車研究所所長，《汽車技術(shù)》《汽車文摘》青年編委會委員，《汽車工程師》編委會委員。

主要研究方向?yàn)殡妱悠噭恿鲃优c智能四驅(qū)技術(shù)、電動汽車能量管理與驅(qū)/制動控制、電動底盤集成設(shè)計(jì)與智行運(yùn)動規(guī)控，發(fā)表學(xué)術(shù)論文約110篇，其中一作SCI/EI論文60余篇，授權(quán)中國發(fā)明專利165項(xiàng)、授權(quán)美國發(fā)明專利15項(xiàng)、授權(quán)軟件著作權(quán)7項(xiàng)。曾獲吉林省科技進(jìn)步一等獎(jiǎng)、中國汽車工業(yè)科技進(jìn)步三等獎(jiǎng)、吉林省自然科學(xué)學(xué)術(shù)成果二等獎(jiǎng)、三等獎(jiǎng)等。