一種基于場景元素的自動駕駛車輛運行范圍評估方法

A Method for Evaluating the Operating Range of Autonomous Vehicles Based on Scene Elements

Pan Xinfu1Ni Hailong2 Luo Zhenggang2 1.CATARC Automotive Proving Ground Co.，Ltd.，Yancheng 2241o0，China 2.Jilin University，Changchun ，China

Abstract：Autonomous vehiclesarecomprehensiveintellgentsystemsencompassngenvironmentalperception，vehiclepositioning，pathplaning，anddecision-makingandcontrol.Vehiclesofdierentlevelsofutonomyhavevaryingadaptabilitytothrvion ments.Combiningenvironmentalperceptioninformationwiththeautonomousvehicle'soperatingrangecanhelpthevehicledetermine whethertoexitautonomousdrivingtoensuredrivingsafety.Basedonthis，thepaperproposesamethodforcomprehensivelyevaluat ingtheoperatingrangeofanautonmousvehicle.Themethoddeconstructsandclasifiesautonomousdrivingenvironmentalinfoationintoaserisofsceneelements.Atransfermodelistestablsed，incoporatingteaalyticierarchyprocestocalulatete complexityofthecurrentscene.Finally，theoperatingrangeof theautonomous vehicleisevaluatedbasedontestresults.

Key words：Autonomous driving;Scene elements;ODD;Operating range;Evaluation method

1前言

從21世紀初開始，自動駕駛得到了快速的發展，ADAS相關功能（如AEB、ACC等）已經趨于成熟，自動駕駛正在向L3、L4更高級別邁進。得益于感知技術的成熟，華為、小鵬、特斯拉等汽車品牌的相關車型已經能在復雜城市道路上實現一定程度的自動駕駛。但是目前這些車輛也僅能在一定的運行范圍內開啟自動駕駛。現在的自動駕駛技術還處于發展階段，無法保證自動駕駛汽車在任何天氣和任何道路環境中都可以安全行駛。因此，要根據該系統的能力來提前設定好運行范圍，通過限制行駛環境和行駛方法，將有可能發生的事故防范于未然。

運行范圍和設計運行域ODD（OperationalDesignDomain）的概念相似，但又不完全一樣。SAEJ3016將設計運行域定義為“特定駕駛自動化系統或其功能專門設計的運行條件，包括但不限于環境、地理和時間限制，和/或某些交通或道路特征的存在或缺失[1。簡單來說，ODD就是要定義好在哪些工況下是能夠自動駕駛的，脫離了這些工況，自動駕駛就不能保證工作。任何一臺自動駕駛車輛，都必須有一定限定的工況。而這個工況可以很寬泛，也可以很精準，這決定了自動駕駛車輛能勝任什么樣的場景。美國運輸部國家公路交通安全管理局（National Highway Traffic SafetyAdministration，NHT-SA）于2018年9月發布《AFrameworkforAutomatedDrivingSystem Testable CasesanoScenarios》[2]，對 ODD的分類框架和應用方法進行了系統的介紹。NHTSA對ODD的定義為：自動駕駛系統可以設計運行的操作范圍，包括道路類型、速度范圍、光照條件、天氣條件和其他相關的運行約束。NHTSA的ODD分類法通過結構化的方法定義自動駕駛系統的0DD，如圖1所示。2020年11月，北京市發布的《自動駕駛車輛道路測試管理實施細則（試行）》3]，定義了ODD，是指設計時確定的駕駛自動化功能的本車狀態和外部環境。國際標準化組織2023年發布的IS034503，比較明確地給出了自動駕駛車輛設計運行域的分類和關鍵元素4，為全球自動駕駛系統的設計與測試提供了統一的參考規范。2025年由中國汽車技術研究中心有限公司牽頭起草的推薦性國家標準《智能網聯汽車自動駕駛系統設計運行條件》，規定企業定義自動駕駛系統的第一步是定義其設計運行條件，即自動駕駛系統可以啟動、安全執行動態駕駛任務的條件。通過定義設計運行條件，明確自動駕駛系統的功能和局限性，并將該功能和局限傳遞給自動駕駛系統或用戶[5]。

然而，想要精準、全面地描述或規定某一自動駕駛系統的設計運行域，并判斷當前道路場景是否超出系統的運行范圍是相當困難的。眾多標準文件都只明確了和設計運行域相關的場景元素，沒有提出如何準確獲取特定自動駕駛系統的運行范圍或邊界場景。國內外學者大多都傾向于通過仿真測試獲取自動駕駛系統的邊界場景，以此來界定車輛的運行范圍[6。仿真場景的生成方法主要有三種：a.對離線場景庫進行自適應采樣7；b.基于強化學習的場景自適應生8；c.基于數據驅動的場景自動生成[9]。仿真測試的優勢是可以無視碰撞風險，以低成本高效率覆蓋大量測試場景；其缺陷也很明顯，那就是測試場景與真實場景有一定區別，測試結果無法完全替代真實車輛開放道路測試結果，并且自動駕駛仿真算法下放到實車后，其自動駕駛能力與仿真結果也會存在一定差異。

針對上述問題，本文的研究基于ODD場景元素和自動駕駛車輛開放道路測試結果，判斷新場景是否超出自動駕駛系統運行范圍，為系統后續是否需要做出更保守更安全的駕駛策略提供參考，比如自動駕駛系統降級或退出。此外，本文的研究可為相關部門制定開放道路測試管理細則提供技術支撐，并為面向自動駕駛的道路基礎設施改善提供參考。

2場景元素選取

國際標準化組織2023年發布的IS034503將自動駕駛ODD元素分成了三大類：場景元素（sceneryele-ments）、環境條件（environmentconditions）、動態元素（dynamicelements）。其中，場景元素主要包含影響車輛行駛的外部靜態環境要素，如位置區域、可行駛區域、交叉口、道路結構、臨時可行駛區域等。環境條件主要指天氣狀況、照明條件、通信等。動態元素是指各種動態交通參與者，如除自車外的其他行駛中車輛、非機動車、行人、動物等。在全國汽車標準化技術委員會發布的《智能網聯汽車自動駕駛系統設計運行條件》標準GB/T45312—2025 中，ODC（Design operating conditions）元素包括區域、城市道路、公路、鄉村道路、平面、縱斷面、橫斷面、道路交通標線、車道數、護欄、硬路肩、土路肩、平面交叉、環島、互通式立體交叉、道路交通標志、交通信號燈、樹木、路燈、橋梁、鐵路交叉、收費站、機動車、非機動車、風、雪、自然光源、人工光源等。GB/T45312—2025與ISO34503的主要區別是前者對ODD元素沒有進行大的分類，而是直接規定了所有需要參考的ODC元素。ISO34503更多的是指導性的規定，在自動駕駛系統設計時，可以在該標準框架下，自行刪減或增添ODD元素。

本文參考眾多標準以及國內外學者研究成果，建立了，自頂向下的運行范圍場景元素分層模型，如圖2所示。

圖2運行范圍場景元素分層模型

考慮到目前自動駕駛水平主要集中在L3級別，對于一些極端天氣，市面上絕大部分自動駕駛車輛都需要退出ODD，采用手動駕駛。因此只選取上述分層模型中的一到四層場景元素，用來分析研究自動駕駛車輛的運行范圍。道路屬性通常包含道路類型、路面類型、路面附著系數、道路曲率、最大縱坡度等[10]。基礎設施通常是指車道線、交通標識、隔離帶等。臨時設施是指由錐桶或警戒線等形成的臨時道路邊界、不可跨越障礙物等。前三層元素對應IS034503中的靜態場景元素。第四層為動態交通流，與IS034503動態元素相關，如車流密度、交通量、交通參與者速度等。在進行運行范圍評估時，如果考慮所有的ODD元素以及元素之間的相互關聯和影響，將形成一個非常龐大復雜的系統，很可能導致最后的分析結果出現大的偏差，錯誤地放大某些次要元素、降低某些關鍵元素的權重。因此需要綜合考慮上述元素對自動駕駛的影響程度，選擇如表1所示的場景元素用于評估自動駕駛車輛的運行范圍，同時表1中對各個元素也進行了簡要說明。

表1篩選后的場景元素

3場景復雜度計算

3.1基于改進層次分析法的場景元素權重計算

復雜度是一個相對比較模糊的概念。一般認為，對于復雜度的認識往往從以下幾個方面著手：有多個元素組成；組成元素種類的多樣性；元素間通過復雜的方式相互聯系。研究學者將影響復雜度的因素均視作復雜度影響因子，認為復雜度是由多個相互作用、相互關聯的復雜度影響因子構成，而復雜度的程度也是由這些相互作用的因子決定的[11]。比如Wood等[12]研究學者選出了系統中的9個影響因子以便對系統的復雜程度進行量化描述。對于智能汽車來說，它所處的道路環境由多方面組成，包括其他車輛、行人、道路指示標志等等，每個構成元素都有自身的特點，都在一定程度上影響智能汽車的駕駛行為。可以看出道路場景元素滿足影響因子數量的多樣性，并且相互影響。

常見的道路場景復雜度評估方法有多因素綜合評價法、前后分析法（Before-AfterStudy）、歸納總結法、主成分分析法、信息熵法、建立引力模型等。其中多因素綜合評價法比較常見，包括綜合指數法、特爾斐法、層次分析法（AHP）。層次分析法是指將一個復雜的多目標決策問題作為一個系統，將目標分解為多個目標或準則，進而分解為多個指標或準則的若干層次，用求解判斷矩陣特征向量的辦法，求得每一層次的各元素對上一層次某元素的優先權重，最后再通過加權求和的方法遞階歸并各備擇方案對總目標的最終權重，從而得出最優方案。層次分析法比一般的定量方法更講求定性的分析與判斷，是一種帶有模擬人腦決策方式的方法。但是層次分析法的缺陷也很明顯，那就是主觀定性成分多，元素之間的關系可能難以量化，另外在指標過多時，各元素之間權重較難判斷。為了解決上述問題，引入自動駕駛傳遞模型概念，不直接比較各個元素之間的重要程度，通過傳遞模型獲取各個場景元素對自動駕駛系統的影響程度，并以此建立判斷矩陣，計算各元素的最終權重。

層次分析法的核心是確定判斷矩陣。判斷矩陣是根據兩個指標之間的重要程度來確定的，通常由多位專家根據經驗打分獲得。本研究采取了另外一種相對更加客觀的方法來獲取各個指標的重要程度。自動駕駛是一個多級串聯的子系統，所以場景要素對自動駕駛的影響也會通過系統逐級傳遞。本文根據場景要素對自動駕駛不同層級的影響來衡量對應指標的重要程度，將自動駕駛系統從前端到后端分成了硬件感知、全局規劃、行為決策、運動規劃、路徑跟蹤5個層次，如圖3所示。

圖3自動駕駛傳遞模型層級圖

首先判斷場景元素對每個層級是否有影響，然后將受影響的層級對應的權重與場景元素對該層級的影響程度做加權求和，得到該場景元素的傳遞次數（表2），傳遞次數越多，代表該元素越重要。每個層級的權重就是層級數，如硬件感知位于L5，則其權重就是5。元素對每個層級的影響程度基于模糊評價準則[13]給出，有0～3共4個等級，0代表無影響，1代表影響程度較小，2代表影響程度一般，3代表影響程度較大。

根據各元素傳遞次數即可得到判斷矩 F

表2場景元素傳遞次數

根據以下公式可獲得判斷矩陣的特征向量和最大特征值：

AX=λX

|A-λE|=0

式中， X 為特征向量； λ 為特征值； E 為單位矩陣。利用MATLAB工具可直接求得判斷矩陣的最大特征值：

λ_max=12.26

為了方便后續計算，將特征向量進行歸一化并放大了一百倍得到：

X=[12.42，6.52，7.20，7.20，5.22，9.15

接下來進行判斷矩陣一致性檢驗，檢驗公式為：

表4場景元素值

式中， m 為判斷矩陣介數，這里是 12;C₁ 為一致性指標；R₁ 為隨機一致性指標，可查表3獲得； C_R 為一致性比率，當 C_?Rlt;0.1 時，矩陣滿足一致性要求。

表3隨機一致性指標取值

經計算得到：

C_R=0.015

因此，滿足一致性要求。

3.2基于模糊評價的場景復雜度計算

要得到最后的場景復雜度，還需要對所有元素賦值，這里依然采取模糊評價對其賦值，由表4給出，

場景的最終復雜度計算公式為：

式中， w_i 為各個元素對應的權重； k_i 為各個元素取值。

4運行范圍評估

運行范圍評估關注的是自動駕駛車輛在當前環境下是否可以順利完成動態駕駛任務。我們不關注在行駛過程中除安全性外的其他評價指標，如舒適性、效率性、擬人度等。因此測試結果是關于場景通過性的二分值，即0～1值，其中0代表車輛未順利通過該場景測試，1代表車輛順利通過該場景測試。正常測試結果應該是車輛能順利通過絕大部分復雜度低的場景，對于復雜度較高的場景，車輛就有相當概率無法通過。對于不同的自動駕駛車輛或系統，能通過的場景復雜度也不同。如果車輛能通過更多、復雜度更高的場景，即意味著該車的運行范圍也越大，車輛能適應更多更復雜的場景。

要對自動駕駛車輛運行范圍進行定量評價，則需要根據測試結果，選擇合適的數學方法來計算評估車輛運行范圍得分。既需要考慮場景通過性和場景復雜度，也需要考慮各個樣本的占比情況。因此本文采用分桶重加權方法來計算運行范圍綜合得分。

場景復雜度的取值范圍為0～100，這里將場景復雜度均分成 K=10 個區間（桶），將每個測試場景根據復雜度分配給10個桶，例如某場景復雜度為35，則它分配給第4個桶。假設第 K 個桶的場景總數為 n_k ，則該桶的通過率為：

式中， _passk 為第 K 個桶內通過測試的場景總數。

桶內平均復雜度為：

還需要設定每個桶的權重，越復雜的場景對應的權重應該越高，這里設定第 K 個桶的權重為 K/10 O

最終運行范圍綜合得分為：

如果某個桶內的場景數量為0，則其通過率為0，因此為了準確評估車輛運行范圍，應該盡可能涵蓋所有復雜度等級的場景，并且數據越多測試結果越準確。

5試驗

5.1數據采集

測試車輛為小鵬P7，在開放道路測試車輛的城市NGP輔助駕駛。數據采集系統包括8個攝像頭、1個激光雷達、1套GNSS慣導 + RTK定位系統。攝像頭分布為車輛正后方1個、右前輪和左前輪各1個、正前方1個、主駕駛位2個、車載顯示屏1個、主駕駛踏板位1個，圖4給出了一個案例。相機數據處理后包含車道線個數、車道線顏色、車道寬度、車道曲率、車道中央偏離距離、目標物個數、目標物種類、第 N 個目標物的最近點坐標等。慣導 + RTK系統輸出結果包含車輛經緯度、海拔、車速、俯仰角、橫滾角、橫擺角速度、縱向加速度等。

圖4攝像頭采樣實例

靜態的場景元素，如道路類型、車道數、路口類型、機非分離/混行、有無中央分隔帶、臨時道路邊界、存在障礙物，可以直接從攝像頭數據獲取；其他場景元素需要進一步處理原始數據來獲得。

交通量原本是指道路某一橫截面單位時間通過的機動車輛總數。這個參數是動態的，而且是固定某段道路的數據，而這里需要的是跟隨測試車輛的實時交通量，因此用測試車輛傳感器感知范圍內的車輛來定義和計算交通流中的交通量指標：

式中， C 為 χ_t 時間內識別出的車輛總數。

車流密度是單位道路長度的車輛總數：

C 為道路長度 s 內的車輛總數，很容易可以得到車流密度 Σ=Σ 交通量/平均車速。為了計算方便，平均車速取慣導數據中獲取的實時車速，為了排除異常點并數據降噪，取每個采樣點前后5個采樣點車速的平均值，作為當前采樣點的車速，則車流密度的計算式為：

同車道車輛TTC等于同車道前車與自車的距離除以相對車速。同理，非機動車TTC等于周圍所有非機動車與自車距離除以相對車速，取其中最小值。行人TTC等于周圍所有行人與自車距離除以相對車速，取其中最小值。

5.2試驗結果

開放道路數據采集過程是連續的，從中截取了14個片段作為測試場景來評估測試車輛的交通流運行范圍。每個測試場景的未通過標準為：

a.主車駛出規定路線。

b.主車發生交通事故。

c.為保證行駛安全，測試人員強行介人中斷測試。

d.自動駕駛系統功能退出或降級。

表5給出了測試結果。

表5測試結果

根據上文的計算流程得到測試車輛的最終運行范圍評分為78.85。

6結語

自動駕駛車輛運行范圍的評估一直是一個復雜不統一的研究領域，需要綜合考慮各種環境因素。本文從場景元素角度出發，建立評價模型量化被測車輛的運行范圍，并且通過傳感器反饋的環境信息，可以實時獲取車輛所在場景的復雜度。它綜合了場景大部分關鍵元素信息，與車輛自身運行范圍相結合就能幫助車輛判斷是否需要退出自動駕駛，這將為解決L3級及以上自動駕駛系統的駕駛員接管問題提供思路。本文提出的運行范圍評估方法也為自動駕駛開放道路測試與評估提供了一定參考。另外，本文提出的傳遞模型相比于傳統層次分析法，即專家對指標兩兩對比打分的方法，能夠更加直觀容易地獲得指標的權重，并且指標的數量不再受到限制。該方法不僅可以用于自動駕駛運行范圍的評估，也可以推廣到其他任何需要應用層次分析法進行評價的領域。然而，該工作依然存在一些不足，比如通過傳遞模型獲取層次分析法的判斷矩陣時，依然有一定主觀成分，場景復雜度的計算結果可能存在偏差；實驗部分，測試場景不夠豐富。本文提供的運行范圍測試與評估方法為后續的研究提供了重要方向與思路。

參考文獻：

[1]J3016.Taxonomy and definitions for terms related to on-road motor ve-hicleautomated driving systems[S].Society of Automotive Engineers（SAE），2018.

[2]ThornE，KimmelS，ChakaM.A framework for automated driving sys-tems testable casesand scenarios[Z].U.S.Department of Transporta-tion National Highway Traffic SafetyAdministration，Washington，D.C.，2018.

[3]田野.北京發布新版自動駕駛車輛路測管理實施細則[J].智能網聯汽車，2020（1）：2.

[4]ISO 34503：2023 Road vehicles—test scenarios for automated drivingsystems— Specification for operational design domain[S].

[5]GB/T45312—2025智能網聯汽車自動駕駛系統設計運行條件[S].

[6]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].中國公路學報，2022，35（1）：18.

[7]Feng S，Feng Y，Sun H，etal. Testing scenario librarygeneration forconnected and automatedvehicles：anadaptive framework[J].IEEETransactions on Intelligent Transportation Systems，2O22，23（2）：1213-1222.

[8]趙冬斌，邵坤，朱圓恒，等.深度強化學習綜述：兼論計算機圍棋的發展[J].控制理論與應用，2016，33（6）：701-717

[9]Feng S，Yan X，sun h，etal.Intelligent driving intelli-gence test for au-tonomous vehicles with naturalistic and adversarial environment[J].NatureCommunications，2021，12：1-14.

[10]DB11/T785—2011城市道路交通運行評價指標體系[S].于立群.核電站應急操作規程復雜度度量方法研究[D].北京：清華大學工業工程系，2008.

[11]WieringaPA，StassenHG，WiseJA，etal.Verificationandvalida-tion of complex systems：human factors issues[M].Berlin：Spring-er-Verlag，1993：173-180.

[12]Wood RE.Task complexity：definition ofconstruct[J].Organization-alBehaviorand HumanDecisionProcesses，1986，37（1）：40-52.

[13]范穎玲，李鐵柱，謝遠長.基于模糊AHP法定權的城市交通環境影響多級灰色評估模型[J].交通環保，2002，23（6）：1-5.

作者簡介：

潘新福，男，1984年生，高級工程師，研究方向為汽車場地試驗技術、主動安全測試技術、V2X測試技術、仿真測試技術。