自動駕駛車輛道路測試場景評價方法與試驗驗證*

王 榮，孫亞夫，宋 娟

（1. 工業和信息化部計算機與微電子發展研究中心（中國軟件評測中心），智能網聯駕駛測試與評價工業和信息化部重點實驗室，北京 100048；2. 北京千方科技股份有限公司，北京 100085）

前言

以自動駕駛車輛（包括智能汽車、無人駕駛汽車、智能網聯汽車等）為例，在自動駕駛技術的發展和智能網聯汽車商業化應用的迫切需求下，自動駕駛車輛道路測試顯得極為重要。通過對自動駕駛車輛進行道路測試，既可以對新技術進行測試驗證，促進技術發展，還可以檢驗自動駕駛車輛的安全性［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）預碰撞場景、美國交通部（DOT）和Waymo核心駕駛能力的測試項目和場景［3］。德國政府研究事故場景，在電子地圖上表示事故類型、交通類型和事故嚴重程度［4］。歐盟梳理潛在的和真實事故場景與特征，總結人工和自動駕駛關鍵場景［5］。我國發布的《智能網聯汽車道路測試管理規范（試行）》規定自動駕駛功能檢測項目。中國智能網聯汽車產業創新聯盟和全國汽標委針對此《管理規范》細化的檢測項目與場景［6-7］。中關村智通智能交通產業聯盟發布《自動駕駛車輛測試道路要求》，對測試道路進行分級［8］。北京理工大學張昕等［9］提出基于信息熵的特殊區域環境復雜度計算模型。吉林大學王云鵬等［10］提出定量評價交通環境因素的方法。在現有技術中，場景復雜度模型沒有針對自動駕駛汽車的自身數據進行綜合分析，場景分類也大多基于自動駕駛功能、事故等維度，沒有區分不同類別場景的難易度或復雜程度，從而無法依據分類選取出適用于自動駕駛道路測試的典型場景。因此，現階段自動駕駛車輛須進行大量的場景測試來驗證自動駕駛能力，測試效率和測評效果均有待提升。基于現有技術，研究場景評價與分類方法是自動駕駛車輛道路測試亟需突破的難點之一［11-12］。

本文中提出了一種自動駕駛車輛道路測試的場景評價與分類方法，以解決現有技術存在的無法區分不同道路測試場景的復雜度，更無法依據分類選取出適用于自動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。通過確定一個或多個預先創建的道路場景，并確定為創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的信息，將場景組成要素劃分為靜態場景要素和動態場景要素；進一步計算靜態場景要素和動態場景要素分別對應的場景復雜度，綜合得到道路場景所對應的場景復雜度分值。最后，根據道路場景所對應的場景復雜度分值實現對場景的分類，使最終得到的分類結果既能體現出不同道路場景的復雜程度，又能體現出不同道路場景的類別，本文中提出的道路場景評價與分類方法能大幅提升測試效率和測評效果。

1 場景設計方案

基于國際、國內自動駕駛測試場景標準規范、道路交通事故場景和國家智能汽車與智慧交通（京冀）示范區的測試經驗［13］，建立智能網聯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行梳理組合，提取自動駕駛測試場景。

1.1 場景組成要素庫

通過分析標準規范場景，包括ISO、NTHSA、SAE、ENCAP、FMCSA 和ADAS 場景［14-18］，結合網絡事故視頻、公安交管道路交通事故數據和事故還原等道路交通事故和人為駕駛經驗，將自動駕駛車輛道路測試場景要素庫劃分為靜態場景要素和動態場景要素。其中靜態要素包括路段、車道、道路交通標志、道路交通標線、交通信號燈、其他設施和天氣，動態要素包括場景參與者。場景要素庫見表1。

表1 自動駕駛車輛道路測試場景要素庫

1.2 測試場景的提取

根據上述場景要素庫中的組成要素，從功能、邏輯等維度進行梳理組合，自動駕駛功能包括直行、跟車、變更車道和路口左轉等，邏輯維度是在功能研究的基礎上，考慮自然環境條件、道路屬性和運動狀態等，進而劃分為不同時間、不同天氣狀態、道路等級和道路長度等，設計形成測試場景［19］，如圖1 所示。

1.3 測評場景

根據上述方法設計道路場景，參考T/CMAX116-01-2018《自動駕駛車輛道路測試能力評估與方法》［20］，從自動駕駛車輛認知與交通法規遵守能力、執行能力、應急處置與人工介入能力和綜合駕駛能力等方面，設計搭建50 組城市道路測評場景，如圖2所示。

圖1 自動駕駛車輛道路測試場景的提取

2 場景評價與分類方法

提出場景復雜度模型，它是根據道路交通環境的影響因素，建立一個評估道路交通環境復雜程度的評價模型，用來反映道路交通環境的參與者和其所處的交通環境之間的相互作用關系。進一步通過場景評價方法進行場景分類，可以分為簡單、中等和復雜3 個等級的環境測試場景。場景評價與分類流程如圖3 所示。

場景評價理論主要基于場景復雜度，它是指自動駕駛車輛道路測試評價場景的復雜程度，在研究道路交通環境影響因素時僅考慮周圍環境對自動駕駛車輛造成的其他交通參與者、路段、標志標線等相關影響因素，不考慮風向、溫度濕度、樹木抖動等自然條件。場景復雜度是一個相對的概念，不會離開自動駕駛車輛而存在，是一個隨著因素變化而變化的變量，在道路交通環境測試中會隨著距離、速度等因素的變化而變化。

本文中將自動駕駛車輛道路測試場景復雜度分為靜態場景復雜度和動態場景復雜度，其中靜態場景復雜度引入信息熵理論，計算離散信息源的信息量總和，考慮靜態場景要素的類型和權重；動態場景復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］。場景復雜度由靜態場景復雜度和動態場景復雜度的綜合評價結果得到，場景復雜度如圖4所示。

圖2 50組城市道路交通場景

2.1 靜態場景復雜度

靜態場景復雜度引入信息熵理論確定靜態場景要素的信息熵，考慮靜態場景要素的類型和權重。靜態復雜度系數（信息熵）計算公式為

式中：θ1為靜態場景復雜度系數；h為靜態場景復雜度中各個場景組成要素所對應分組標簽的類型總數；pi為根據靜態場景復雜度構建的圖形結構中相同類型節點數與節點總數的比值。

圖3 場景評價與分類流程示意圖

圖4 自動駕駛車輛道路測試行為評價場景復雜度

不同靜態環境要素權重根據專家打分確定：

式中：C0為靜態場景復雜度；βn為靜態場景組成要素中第n個分組所對應的權重；Yn為靜態場景組成要素中第n個分組內各個場景組成要素所對應的預設分值之和。

2.2 動態場景復雜度

基于引力模型研究，提出動態場景復雜度與場景中的動態因素有關，復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學函數關系。將動態因素對測試車輛的影響作用視為環境復雜度的場效應機制，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度的指標，對環境復雜度的場分布進行數學描述，將動態因素進行抽象概括。根據測試車輛屬性與交通參與者屬性初步形成具有場效應的復雜度引力模型結構體系，其模型的基本形式為

式中：C1為動態場景復雜度；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。

測試車輛的屬性值的計算公式為

式中：a為常系數，為調整模型規范的一個常數；t1為測試車輛的反應時間；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算公式為

式中：p為常數；t2為交通參與者的被感測時間；v2為交通參與者的速度；d2為交通參與者的運動距離。

根據靜態場景復雜度和動態場景復雜度計算得到道路測試場景的復雜度，即

式中C為道路測試場景復雜度。

3 場景評價與分類的試驗研究

從設計搭建的50 組自動駕駛車輛道路測試場景中選取10 組典型場景，通過開展實車試驗研究，搭建測試環境、采集并分析試驗數據，旨在對自動駕駛車輛道路測試場景評價方法進行驗證。

3.1 試驗準備

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、攝像頭、工控機、慣導等測試設備，測試車輛與設備見圖5。

圖5 Tesla Model S和測試設備

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，安裝在可移動小車上，如圖6所示。

圖6 交通參與者

3.1.3 數據采集設備

數據采集設備采用華測P3 北斗高精度定位測向接收機。通過慣導采集測試車輛的數據，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據包括交通參與者速度等。

3.2 場景評價與分類試驗

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

3.2.1 測試現場

測試車輛位于測試車道，開啟自動駕駛模式；測試終點設在離測試車輛前進方向十字路口左側50 m 以上的位置，行人沿兩車道分割線同向行走，實時記錄測試車輛和行人的速度、相對距離和夾角等參數，測試現場如圖8所示。

圖7 測試場景30

圖8 場景30測試現場

3.2.2 評價方法

（1）靜態場景復雜度

統計場景30的靜態環境要素庫如圖9所示。

圖9 場景30環境靜態要素庫

場景30的構成節點分組統計如表2所示。

計算交通環境復雜度系數：

表2 場景30靜態環境要素的節點分組統計

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

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

表3 靜態要素分值

靜態環境復雜度分數為

（2）動態場景復雜度

將試驗測試數據代入式（3）～式（5），得到的動態場景復雜度分數為

（3）場景復雜度

自動駕駛車輛道路測試場景復雜度為

3.3 試驗結果分析

對10 組典型場景的場景復雜度分別進行計算，統計每個場景的靜態場景復雜度、動態場景復雜度和場景復雜度，10 組典型場景復雜度統計如表4所示。

表4 10組場景復雜度匯總

從表4 可知，利用本文中研究的場景復雜度模型可以計算出每個場景的復雜度值，其中靜態場景復雜度主要由不同類型的靜態場景要素權重和場景要素值決定，通過試驗發現，采用信息熵理論可以計算出靜態場景的復雜度值，可有效地比較不同場景的難易度，但是數值相差并不大，主要原因可能是現階段還沒考慮靜態場景的差異性變化，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。而動態場景復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，通過試驗發現，采用引力模型可以有效區分不同場景難易度，有利于簡單、中等、復雜不同等級場景的劃分。

進一步通過散點圖觀察不同場景的場景復雜度，橫坐標取為場景編號，縱坐標取為場景復雜度，10 個場景的分布情況如圖10 所示。按復雜度將場景分成3個等級，場景復雜度<100為簡單場景，100≤場景復雜度≤500 為中等場景，場景復雜度>500為復雜場景，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為復雜場景。

圖10 場景分類圖

4 試驗結果驗證

具體分析每組場景的復雜度值，觀察是否與人類認知的場景復雜度相同，以驗證場景復雜度模型的合理性。場景復雜度驗證-1如圖11所示。場景下面括弧中的數值表示復雜度值。場景5（侵入車輛識別）的復雜度>場景7（路口行人橫穿道路）的復雜度>場景6（椎桶識別）的復雜度，與人類駕駛員經驗相同。在實際駕駛過程中，駕駛員躲避靜態的障礙物、規律運動的障礙物和非規律運動障礙物的難度也是逐漸增加的。

圖11 場景復雜度驗證-1

場景復雜度驗證-2 如圖12 所示。通過分析場景5、場景22 和場景42，場景42（彎道會車）的復雜度>場景22（T型路口直行時，左側支路車輛左轉）的復雜度>場景5（侵入車輛識別）的復雜度，與人類駕駛員經驗相同，試驗結果合理。

場景復雜度驗證-3如圖13所示。由圖可見，場景34（路口右轉彎，左側支路車輛直行）的復雜度>場景29（路口左轉彎，對向車輛直行）的復雜度，與人類駕駛經驗相同，在實際駕駛過程中，十字路口右轉比左轉更易發生事故，試驗結果合理。

圖12 場景復雜度驗證-2

圖13 場景復雜度驗證-3

綜上所述，通過實際道路測試，場景復雜度可以合理反映自動駕駛車輛在不同場景下測試的復雜程度和發生事故的風險大小，驗證了復雜度模型的合理性。

5 結論與展望

基于場景復雜度模型提出一種自動駕駛車輛道路測試場景的分類方法，既可以實現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駕駛車輛的場景復雜度，從而有助于自動駕駛車輛企業或第三方測評機構選取典型場景對自動駕駛能力進行測試驗證，有助于提高自動駕駛車輛測試效率和測試結果的可信度，推進自動駕駛車輛的產業化。

深入研究了自動駕駛車輛在開放道路環境下的測試方法，并在國家智能網聯交通（京冀）示范區進行了可行性驗證。試驗結果表明，基于場景的自動駕駛車輛道路測試方法能夠對車輛的駕駛行為安全進行有效的測試與評價。本研究將推動北京市自動駕駛車輛道路測試管理規則的頒布，促進自動駕駛企業開展道路測試，有利于實現冬奧會投放自動駕駛車隊的目標。