基于仿真的自動駕駛汽車通用工具鏈 用于模型在環(huán)識別

汽車行業(yè)面臨的主要挑戰(zhàn)之一是智能網(wǎng)聯(lián)汽車的測試和驗證。一方面，需要新的測試方法以改進傳統(tǒng)路測方法，解決傳統(tǒng)測試中需要大量行駛里程所帶來的一些問題。另一方面，由于發(fā)展初期有限的市場滲透率，測試驗證過程還需考慮混合交通環(huán)境下其他人類交通參與者的駕駛行為對自動駕駛汽車功能產(chǎn)生的重大影響。本文介紹了一種基于仿真的自動駕駛汽車通用工具鏈，用于關(guān)鍵場景（Critical scenario）的模型在環(huán)識別。該方法結(jié)合汽車動力學(xué)仿真、交通仿真和車輛協(xié)同仿真進行場景識別，并考慮了其他交通參與者的行為。最后通過安全指標和交通質(zhì)量指標評估并篩選得到關(guān)鍵場景。

引言

由于初期市場滲透率較小，智能網(wǎng)聯(lián)汽車的發(fā)展受到阻礙。在不考慮其他交通參與者駕駛行為的情況下引入這類汽車相對簡單，但是其在包括人類駕駛員的混合交通環(huán)境下完成行駛?cè)蝿?wù)將面臨巨大挑戰(zhàn)。即使自動化功能正常工作且駕駛行為符合規(guī)范，其他交通參與者也可能導(dǎo)致自動駕駛汽車面臨關(guān)鍵場景。圖1顯示了與人類駕駛員的復(fù)雜交互所引起的關(guān)鍵場景的示例，頂部為初始狀態(tài)，底部為最終狀態(tài)。其中汽車1是智能網(wǎng)聯(lián)汽車，汽車2、3由人類控制。汽車2的駕駛員駕駛行為較為激進，而汽車3的駕駛員駕駛行為相對保守。首先，汽車1自動檢測到可以執(zhí)行變道行為的理想情況。當(dāng)其進行變道時，汽車2忽視安全間隙而緊跟汽車1，同時汽車3駕駛非常謹慎，便可能導(dǎo)致圖1所示關(guān)鍵場景。本文后續(xù)介紹基于該具體場景展開。

圖1 智能網(wǎng)聯(lián)汽車V1關(guān)鍵場景

基于仿真的通用工具鏈

識別關(guān)鍵場景是驗證智能網(wǎng)聯(lián)汽車的關(guān)鍵環(huán)節(jié)，在本文中，關(guān)鍵場景被定義為需要進行測試的場景。

本文使用了一個基于仿真的通用工具鏈（圖2）解決識別關(guān)鍵場景的問題。該工具鏈由邏輯場景（Logical scenarios）開始，邏輯場景是基于參數(shù)空間的場景描述，通過確定參數(shù)空間中各參數(shù)的取值范圍，來限制可能的測試場景。

圖2 基于仿真工具鏈的智能網(wǎng)聯(lián)汽車關(guān)鍵場景驗證與識別

邏輯場景參數(shù)空間中選擇特定參數(shù)便構(gòu)成了具體場景（Concrete scenarios）。參數(shù)選擇的一種方式如工具鏈左側(cè)所示（圖2），通過使用專家意見、數(shù)據(jù)記錄、場景目錄等確定關(guān)鍵場景的方式的主要缺點是容易遺漏一些關(guān)鍵場景。本文選擇工具鏈右側(cè)方式，即使用參數(shù)變化模塊，該模塊通過自動更改邏輯場景的參數(shù)來創(chuàng)建具體場景，這是在整個參數(shù)范圍內(nèi)識別關(guān)鍵場景的一種簡單方法。使用該方式的主要挑戰(zhàn)是，在應(yīng)用工具鏈之前，關(guān)鍵場景及其特性是未知的，因此很難確定哪些參數(shù)組合被選取后需要更仔細和全面的去測試。

為了解決這一問題，將上述方法生成的具體場景用于仿真環(huán)境的輸入，該仿真包括耦合交通仿真、汽車動力學(xué)仿真和車輛協(xié)同仿真三部分。交通仿真為汽車提供周圍交通環(huán)境；汽車動力學(xué)仿真為汽車提供詳細動力學(xué)模型以及需要被測試的自動駕駛功能；汽車協(xié)同仿真包括信息交互模型。然后，將量身定制的評價指標應(yīng)用于仿真結(jié)果，根據(jù)仿真結(jié)果是否滿足評價指標標準，從而將具體場景自動分類為關(guān)鍵或非關(guān)鍵場景。根據(jù)感興趣的領(lǐng)域不同，工具鏈可以使用不同類型的評價指標。在本文中，將使用安全和交通質(zhì)量作為評價指標。

識別出的關(guān)鍵的具體場景可以被應(yīng)用于V型開發(fā)模型的各個階段，包括模型在環(huán)（MiL）、軟件在環(huán)（SiL）、硬件在環(huán)（HiL）、汽車在環(huán)（ViL）等，并記錄數(shù)據(jù)。工具鏈的最后是對測試結(jié)果的分析，從而對功能開發(fā)進行反饋。

本文中使用高速公路自動駕駛的例子來演示工具鏈的應(yīng)用過程，該工具鏈也可以擴展到其他功能和領(lǐng)域，例如鄉(xiāng)村道路以及城市區(qū)域。

仿真環(huán)境

使用耦合仿真要求虛擬環(huán)境具有可比性。不同虛擬環(huán)境不一定需要完全相同，但基本幾何信息必須足夠相似，以使動態(tài)耦合在這些環(huán)境中都適用。靜態(tài)耦合是基于OpenDrive格式提供的實測數(shù)據(jù)集，地圖數(shù)據(jù)轉(zhuǎn)換方案如圖3所示。

圖3 仿真環(huán)境的靜態(tài)耦合和映射數(shù)據(jù)轉(zhuǎn)換

地圖數(shù)據(jù)通過所選道路的高精度測量來獲取。本文選擇了位于法蘭克福（德國）附近的歐寶試驗場。圖3所示的地圖數(shù)據(jù)轉(zhuǎn)換器是一種數(shù)據(jù)轉(zhuǎn)換工具，可將OpenDrive格式的數(shù)據(jù)解析為特定仿真環(huán)境中所需的特定格式。

動態(tài)耦合主要集中在交通仿真和汽車動力學(xué)仿真上。本文作者研究的可變區(qū)域如圖4所示。

圖4 可變區(qū)域的動態(tài)耦合

交通仿真提供交通參與者行為，汽車動力學(xué)仿真提供智能網(wǎng)聯(lián)汽車行為，包括駕駛功能和傳感器設(shè)置等。協(xié)同仿真在本文中將不做討論。動態(tài)耦合確保了智能網(wǎng)聯(lián)汽車能夠在周圍的交通環(huán)境中行駛，從而提供能夠響應(yīng)汽車駕駛功能的駕駛行為的動態(tài)交通環(huán)境。

安全指標和交通質(zhì)量指標

本文基于傳統(tǒng)安全指標和交通質(zhì)量指標來識別關(guān)鍵場景。對于安全指標，本文選定了碰撞時間TTC、制動時間TTB、期望減速度為臨界指標。對于交通質(zhì)量指標，按關(guān)注的空間域（DOI）大小以及不同的交通表征，本文定義了宏觀指標、微觀指標、納米指標、個體指標四個子指標。

4.1 傳統(tǒng)安全指標

為了使用基于仿真的工具鏈識別關(guān)鍵場景，需要指定與危險程度相關(guān)的術(shù)語。很明顯，對臨界性的理解會隨著具體要求改變而有顯著的不同。工具鏈的通用設(shè)計允許使用不同的臨界項。最著名的臨界性指標為“碰撞時間”。

其中Δp是汽車位置的偏差，V_ego是自車速度，V_obj是對象速度，V_rel是兩車之間的相對速度。另一個標準度量稱為“制動時間”，可定義為：

其中a_ego_max表示自車能夠執(zhí)行的最大減速度。這個指標與自車的最大減速能力有關(guān)。最后一個指標稱為“期望減速度”，如下式

4.2 交通質(zhì)量指標

為了研究智能網(wǎng)聯(lián)汽車及其對交通質(zhì)量的影響，本文提出了四種交通質(zhì)量指標和一種組合各指標的方法。該方法旨在為場景的臨界性評估收集更多信息。其優(yōu)點是增加了結(jié)果的穩(wěn)健性和有效性。指標的一般要求可以表述如下：

應(yīng)識別每個關(guān)鍵情景

假陽性率（FPR，F(xiàn)alse positive rate）應(yīng)該很低

評估應(yīng)采用分級制度

應(yīng)該有一個閾值，允許對組合的指標進行二進制分類

4.2.1 DOI界定和各指標選取

不同的交通指標關(guān)注的空間域不同。如圖5所示，本文有三個空間域。第一個是固定空間域（DOI），按照高速公路容量手冊的建議，它的尺度選擇為450m。第二個移動DOI（始終）跟隨著自車并直接關(guān)注周圍的環(huán)境，引入它是為了獲得關(guān)于汽車周圍影響的附加指示。第三個移動DOI只考慮自車。

圖5 不同評價指標的DOI

第一個子指標是宏觀指標。該概念關(guān)注固定的DOI。

第二個子指標是微觀指標。它考慮固定DOI中的速度偏差和平均速度，把速度偏差除以自車的速度平均值的值作為微觀交通質(zhì)量的表征。當(dāng)關(guān)注總體交通質(zhì)量時，需要在指定的DOI中考慮每輛車，在這里車的標號用索引j表示，并且可以表示為：

σ_vj為標準速度偏差，v_j是每輛車的平均速度。得到的平均變異系數(shù)CV由公式5的平均值計算。第一個移動的DOI是圍繞自車的圓圈，其允許考察近距離的交互。

第三個子指標是納米指標。它的計算是基于速度偏差和相對于DOI的平均值。

其中σ_vCircle_j是速度標準偏差和v_Circle_j是相對于DOI的平均速度。

第四個子指標是個體指標。這個指標僅考慮自車的數(shù)量。DOI僅圍繞自車,單獨考慮汽車的行為以收集有關(guān)評估過程的更多信息。

4.2.2 各指標等級歸一化

一個場景是否關(guān)鍵以及是否應(yīng)進一步研究的決定是二元的，因此最好有一個特定的閾值區(qū)分關(guān)鍵和非關(guān)鍵場景。為了實現(xiàn)一個全面整體的評分系統(tǒng)，每個指標將被歸一化，“0”被定義為最佳等級，“1”被定義為最差等級。標準化評分系統(tǒng)可以表述如下，其中G_mac是宏觀指標的等級、G_mic是微觀指標的等級、G_nan是納米指標的等級、G_ind是個體指標的等級。

宏觀等級代表兩個時間間隔之間交通密度的變化。當(dāng)自車引起的交通密度減小時，相關(guān)場景會被分類到關(guān)鍵場景中。

微觀等級考慮變異系數(shù)和平均速度之間的折衷。大的速度波動和低的平均速度會使場景被分類為關(guān)鍵場景，而小的波動和高的平均速度可以被歸類為理想的交通狀況。

納米等級使用平均速度作為附加指標，納米等級下的的變化系數(shù)和平均速度僅針對移動圓內(nèi)的汽車計算，以考慮具有近距離交互作用的交通參與者。

個體等級也使用平均速度作為附加指標，它是通過加速度的標準偏差和自車本身的平均速度來計算的。大的加速度變化和低的平均速度會使場景被分類為關(guān)鍵場景。

4.2.3 總體指標計算

進行總體分級的最簡單方法是對指標求平均值，如公式8所示。

但這些指標的權(quán)重明顯不同。因此，作者利用由專家進行評價和分級的訓(xùn)練數(shù)據(jù)，基于最小二乘法對加權(quán)系數(shù)進行了優(yōu)化。目的是提高基于訓(xùn)練數(shù)據(jù)的整體評價的穩(wěn)健性。最終等級將以參數(shù)形式表示。

其中x_1...x_4是每個指標的各個等級，β_1...β_4是相應(yīng)的加權(quán)因子。圖9顯示了優(yōu)化方案。

圖9 加權(quán)因子優(yōu)化和指標績效評估

相關(guān)的誤差矩陣如圖10所示。

圖10 用于關(guān)鍵場景二進制分類的混淆矩陣

理想的狀況是,“真陽性率”（TPR，Truepositive rate）達到100%，同時保持低的假陽性率。圖11顯示了ROC-Graph中的優(yōu)化結(jié)果。

圖11 指標表現(xiàn)結(jié)果

可以看出，組合優(yōu)化后的指標（圖11，黑色實線）效果最好。FPR約為10％，且滿足100％TPR的要求。

關(guān)鍵場景識別方法應(yīng)用

本示例將SAE-Level 3高速公路執(zhí)行標準駕駛?cè)蝿?wù)作為用例，評估過程通過前文提出的安全和交通質(zhì)量指標來完成，其中臨界分類的相應(yīng)閾值為G_final = 0.279，TTC = 3.9 s，TTB = 3.8 s，a_req = - 2 m/s^2 。本文一共選擇四個不同的進入高速公路場景進行實驗。

場景一為無任何干擾，自車以規(guī)范行為進入高速公路的場景。此場景是為了說明指標確實將最佳行為歸類為不關(guān)鍵場景。結(jié)果如表1所示。評價結(jié)果表明指標不會偏離（由空集Φ表示），場景未被識別為關(guān)鍵場景。

表1具體場景：自車無干擾進入高速公路

場景二為進入受干擾而導(dǎo)致傳感器誤差的高速公路場景。該場景會導(dǎo)致自車的路徑跟蹤控制器產(chǎn)生波動。使用相同指定屬性來選擇相同的邏輯場景。仿真結(jié)果如表2所示。結(jié)果表明交通質(zhì)量指標及安全相關(guān)指標都對自車控制器產(chǎn)生的波動作出了響應(yīng)，因此該場景被歸類為關(guān)鍵場景。

表2 具體場景：自車帶有傳感器錯誤信息進入高速公路

場景三考慮了高精度地圖信息錯誤的情況。智能網(wǎng)聯(lián)汽車使用高精度地圖來增加預(yù)見性和制定駕駛策略，特別是在高速公路入口處，高精度地圖可以提供如到車道末端距離和允許進入高速公里的虛線起點位置等信息，地圖可能出現(xiàn)信息錯誤而不允許自車直接進入高速公路。仿真結(jié)果如表3所示。

表3 具體場景：自車帶有地圖錯誤信息進入高速公路

由于地圖信息錯誤，自車不能進入高速公路而在入口匝道上停車。L3級功能要求駕駛員在堵塞入口匝道時接管汽車?；诮煌ㄙ|(zhì)量指標，此場景被正確地歸類為關(guān)鍵場景。由于自車沒有引起相關(guān)安全問題，因此安全指標沒有偏離。

場景四突出了其他交通參與者的行為及其對自動駕駛功能的影響。前文所述的其他交通參與者在仿真中的激進駕駛行為可以將自車逼到關(guān)鍵場景中。仿真結(jié)果見表4。

表4 具體場景：激進交通參與者進入高速公路

結(jié)果表明激進的駕駛行為會極大地影響與安全相關(guān)的指標。每個單一指標值在某一時間會下降到臨界閾值以下，因此這些場景是危險的，必須進一步測試。在本次仿真中，交通質(zhì)量沒有顯著降低使得僅基于交通質(zhì)量指標評價的場景被識別為不關(guān)鍵。

結(jié)論

本文介紹了一種基于仿真的工具鏈，用于識別和驗證智能網(wǎng)聯(lián)汽車的關(guān)鍵場景，并在包含傳感器錯誤、地圖錯誤和其他交通參與者激進駕駛行為的不同場景中應(yīng)用了該方法。應(yīng)用標準的安全指標和本文新提出的評估交通質(zhì)量的指標進行場景分類，得到關(guān)鍵場景和相應(yīng)數(shù)據(jù)，以作為測試結(jié)果用于功能開發(fā)人員改進相應(yīng)自動駕駛功能。該方法中所提出的評估交通質(zhì)量的不同指標的組合能夠?qū)唧w場景的關(guān)鍵性進行二元分類，并且該分類不是分開使用每一個子指標，而是側(cè)重于找到一個考慮整體識別過程的最終等級的臨界閾值。通過計算最終等級并將該值與使用訓(xùn)練數(shù)據(jù)的優(yōu)化方案確定的閾值進行比較，以確定具體場景是否關(guān)鍵。