隨著汽車智能化和共享化程度的不斷提高，智能駕駛汽車通過環境感知與周邊行駛環境的交互也在不斷增多，行駛環境已成為智能駕駛不可分割的重要組成部分。汽車的行駛環境涉及道路、氣象條件和交通狀況，其復雜性和動態變化是影響汽車智能駕駛系統性能最為關鍵的因素。因此，建立一種模擬和重現復雜開放行駛環境的仿真測試方法和系統，實現對汽車智能駕駛有效的測試驗證，是汽車智能駕駛技術與產品開發的關鍵技術，對于提升汽車智能化水平尤為重要。

汽車行駛環境包括行駛道路、周邊交通和氣象條件等諸多因素，其高逼真的重現和構建面臨諸多挑戰。隨著智能駕駛功能的不斷增強，汽車需應對的行駛環境越來越復雜，環境高度的不確定性、難以重復、不可預測和不可窮盡等特征使得有限的場地和道路測試遠遠無法復制、重現或窮舉行駛環境對智能駕駛系統的影響。一方面，限于研發周期和成本，現有的封閉場地測試和開放道路測試不僅周期長、成本高，無法滿足對系統數十億公里行程的大樣本和可靠性測試要求。另一方面，與汽車行駛安全測試密切相關的極限危險工況屬于小樣本、小概率事件，開放的道路測試往往難以復制，測試安全也無法保障。此外，中國地域遼闊、人口眾多，駕駛行為特征和交通狀況與歐美等國相比也有其鮮明的地域性特點和差異性。綜上分析，傳統的開放道路測試試驗以及基于封閉試驗場的測試難以滿足智能駕駛系統的可靠性和魯棒性的測試要求。因此基于數字虛擬仿真技術的模擬仿真測試成為目前智能駕駛測試驗證新的重要手段，是汽車智能駕駛技術與產品研發的前端關鍵技術，體現和決定了智能化技術與產品核心競爭力。

模擬仿真測試主要采用精確物理建模、高效數值仿真、高逼真圖像渲染等相結合的方法，逼真地構建包括車輛、道路、天氣和光照、交通等在內的人車環境模型，以及各類車載傳感器模型。針對汽車行駛環境無限豐富的特征以及對車載環境傳感器的復雜影響，綜合運用幾何映射、物理映射、像素映射和概率映射等多種映射方式構建具有不同屬性、滿足不同應用需求的高逼真度數字化場景及場景庫。

仿真場景構建技術是智能駕駛汽車虛擬仿真測試的關鍵與核心。

一方面，相機、毫米波雷達、激光雷達等傳感器廣泛應用于智能駕駛系統中，能夠采集車輛外在行駛環境的多樣性數據，這使得基于數據驅動的機器學習方法為智能駕駛感知算法中目標識別以及決策控制中的軌跡規劃均提供了極好的解決途徑。機器學習方法需要大量帶標注且內容豐富的數據集用以模型訓練。卷積神經網絡越復雜，參數越多，網絡才越可能有更高的擬合能力，同時也需要更多的數據用于模型訓練。雖然通過實車道路采集的場景數據真實性高，但是場景樣本類型往往比較單調，并且人工標注繁瑣且容易出錯。因此，通過高逼真的道路場地構建、交通建模等技術手段建立的模擬仿真場景已經逐漸被國際上廣泛認同和接受。它能夠為機器學習提供大量帶標注的數據集，可包含豐富的、具有邊界特征場景內容的數據，這為深度學習的感知、強化學習的規劃算法奠定了堅實的數據基礎。

另一方面，智能駕駛測試需要大量多樣性的測試樣本來反映復雜多變的智能駕駛汽車應用環境。然而從真實道路上和試驗場地得到的路采數據往往場景內容單調、不易泛化。如交通安全事故一些邊緣或極端行駛工況，屬小概率事件。對小概率事件的測試需要巨大的數據樣本，并且事故樣本的獲取具有危險性且難以復制，需要很長的測試周期。構建高逼真度的仿真場景數據集，不僅需要滿足ASIL（Automotive Safety Integrity Level）和 ISO26262 等在內的各種測試標準、規范以及測試需求，重構高速、城區和鄉村等各類豐富的駕駛場景測試用例。同時它需要滿足內容、類型和屬性的多樣性需求，利用道路、交通和天氣光照各要素模型自動生成大規模數據集，體現場景的典型性、極限邊界性特征，實現智能駕駛汽車全天候、全工況的自動化測試、驗證和評價。

因此，面向智能駕駛測試的仿真場景構建技術已成為當前汽車智能化新的研究課題和世界性的研究熱點，作為一種新興技術仍面臨許多挑戰，其方法有待深入研究。本文在國內外仿真場景構建技術研究工作的基礎上，綜述了包括場景自動構建方法、交通仿真建模方法的自動駕駛軟件測試技術，重點分析一些值得深入研究的問題，為進一步研究提供參考。

場景構建方法

場景內涵與架構

場景作為行駛環境與汽車駕駛情景的一種綜合體現，描述了車輛外部行駛環境的道路場地、周邊交通、氣象( 天氣和光照) 和車輛自身的駕駛任務和狀態等信息，是影響和判定智能駕駛功能與性能因素集合的一種抽象與映射，具有高度的不確定、不可重復、不可預測和不可窮盡等特征。在場景中作為動態要素的交通流運動特性對主車運動和操作的干擾更為直接，是場景的關鍵部分之一。Menzel 等人（2018）根據 ISO26262 標準定義中對場景的需求，對場景定義做了延伸，從應用的角度將場景定義為功能場景、邏輯場景和具體場景。場景對于汽車智能駕駛的影響不僅集中在中間介質的傳感感知部分，也體現在智能端的決策控制中，此外影響往往不是單一要素的作用，而是相互依存、相互影響的多個要素通過適當機制耦合、系統作用的結果。以雨天為例，不僅妨礙了車載環境傳感的信息獲取，也降低了路面附著系數，提升了軌跡規劃和底盤穩定控制的難度。

國內外研究學者針對智能駕駛測試場景開展了不同程度的理論方法方面的研究。德國 PEGASUS 項目（project for the establishment of generally acceptedquality criteria, tools and methods as well as scenariosand situations for the release of highly-automated driv-ing functions）是目前廣受關注的測試場景研發項目，研究定義了場景（scenario）“功能—邏輯—具體”（functional-logical-concrete）三級分層體系，以及面向概念—開發—測試—標定的場景庫構建流程及智能駕駛測試方法（Ulbrich 等，2015；Menzel 等，2018），通過開發 OpenScenario 接口試圖建立可用于模擬仿真、試驗場和真實環境中測試和試驗高級智能駕駛系統的標準化流程。Hallerbach 等人（2018）從參數賦值的角度提出了基于仿真的關鍵場景識別方法，建立了評價車輛安全和交通質量的性能指標。Zhao 等人（2018）圍繞加速測試框架（accelerated evaluation），提出了采用扭曲車輛運行數據的統計分布的智能駕駛汽車加速測試評估方法，用以提升跟馳和超車情景中智能駕駛車輛安全性能的測評效率。Langner 等人（2018）提出了利用自動編碼器自動識別數據池內獨特性高場景的方法，用于構建衍生關鍵場景。Yan 等人（2018）采用基于行駛距離侵入—碰撞時間的危險判斷方法，從采集車視頻數據中將危險區域劃分為多個場景片段，從而生成一系列測試案例。此外北京航空航天大學、吉林大學（朱冰 等，2019）、同濟大學、天津中汽研數據中心、國汽（北京）智聯研究院和中汽院智能網聯等高校研究機構也進行了相關課題的探索，極大地推動了場景理論和構建方法的發展。

綜上分析，在場景理論與方法研究方面，分析影響智能駕駛系統的場景特征，抽象并深刻凝練能夠反映無限豐富與復雜行駛環境的有限場景的關鍵要素與特征，深入理解場景的網絡結構與相互耦合關系，都可以為深層次的場景構建方法研究奠定堅實的理論基礎。

場景自動生成方法

描述場景邊界與極限特征，研究場景構建與自動生成方法是提升智能汽車加速測試能力的關鍵。

采用隨機組合場景要素的方法可形成大規模的場景工況案例，但普遍為常規的自然駕駛工況，真正能夠檢測車輛的行駛安全能力的危險場景比較有限，難以具有邊界與極限角度檢驗智能駕駛處理環境突發狀態的應急和安全能力。目前場景構建研究工作主要集中于利用真實世界的采集數據，借助統計模型分析重現或衍生出危險場景案例（Langner 等，2018；Ulbrich 等，2015；Menzel 等，2018；Yan 等，2018）。然而車輛在行駛過程中遇到危險場景的概率往往很小，大多數難以直接從自然駕駛采集中得到，這使得利用統計模型衍生難以足夠接觸到汽車智能駕駛的安全邊界，需要分析明確描述并找到危險邊界和極限，而這恰恰是當前危險場景所面臨的難題。

圍繞場景的大規模構建，國內外研究學者開展了多方面的探索研究。Tatar（2016）利用搜索技術在 TestWeaver 軟件中自動搜索場景參數空間以確定系統安全邊界案例。Waymo 將實車運行中遇到的特殊場景在虛擬軟件 Carcraft 中建立相應場景模型來重復測試（Kehrer 等，2018），并采用模糊化方法在虛擬世界中衍生上千個該場景的變體。Xia 等人（2017）提出了一種基于復雜度指數和組合測試的高級駕駛輔助系統（ advanced driving assistance system，ADAS）的場景自動生成方法，以權衡場景覆蓋性和測試效率性。隨著人工智能技術的快速發展，強化學習方法也逐步應用在場景生成研究中，如與博弈論相結合生成競爭性的測試場景（Oyler 等，2016）、尋找風險系數高的故障場景（Koren 等，2018；Corso 等，2019；吳斌 等，2018）都是較為典型的應用。Tang 等人（ 2020）提出了一種基于軌跡優化的車輛側翻證偽場景生成方法，能夠產生車輛在各種運行條件下的最壞軌跡。Stark 等人( 2019) 分析了德國深度事故研究（German in depth accident study，GIDAS）中白點場景特征，確定了新的 ADAS避免碰撞場景類別。Zhao 等人（2016）利用自然數據建立了一種關鍵場景加速生成方法，使被測車輛盡可能高概率地暴露在關鍵場景中。Althoff 和 Lutz（2018），Klischat 和 Althoff（2019）提出一種自動改變交通參與者的空間位置關系的方法，以不斷減小主車的行駛空間來產 生關鍵場景。Klueck 等 人（2018）利用本體論理論為智能駕駛功能生成不同的測試場景，以測試驗證系統中的故障。Klischat 和Althoff（2019）采用非線性優化方法來縮小場景的可行駛空間，減小主車運動規劃的解空間，不斷探索場景臨界性。此外，Brockman 等人（ 2016）提出的一種新的模擬環境構建方法（OpenAI GYM），通過提供數量眾多且易于設置的環境 Python 庫，以及公共接口來實現不同環境的集合，為強化學習的算法訓練提供了大量的測試環境（李晨溪 等，2018），可提高AI（artificial intelligence）算法模型的可重復性。

這些研究從不同角度推動了場景生成技術的快速發展，但往往采用參數遍歷搜索思路來確定系統狀態空間，對于明確的場景空間構建方法仍存在很多不足。同時由于場景搜索無限擴展導致研發測試過程費時耗力。此外具有危險特征的場景構建不同于傳統工況參數遍歷生成方法，需深入探究主車行駛的安全邊界，使得構建后的場景能夠提供對應真實駕駛的有效信息，以實現場景危險特征的強化生成，不僅能覆蓋簡單 ADAS 的功能，也能應對 Level4級以上智能駕駛系統加速測試。

綜上分析，如何建立場景極限與邊界特征的描述方法，是設計和實現場景構建與自動生成的關鍵。場景的自動生成方法仍需進一步研究，極大發揮智能駕駛的加速測試潛能，更好地為汽車智能駕駛的開發提供測試驗證服務，提升車輛主動安全性能。

交通仿真建模

交通仿真建模技術是智能駕駛仿真場景構建的重要組成部分。通過對可影響智能駕駛系統的具有自主反應性的周邊運動要素，包括周邊行人與交通車等諸多動態目標的信息融合、模擬和預測，構建一個具有復雜性、危險性和隨機性等的動態交通環境。交通仿真建模最早出現在交通工程領域，將車輛看做移動的剛體，采用運動學機理模型描述車輛跟馳和換道行為規律，實現大規模的交通系統模擬，用于宏觀交通的管控、交通擁堵分析及疏導等研究。然而在真實交通環境中的行人或駕駛員操作的交通車輛運動行為具有很強的差異性和不確定性，導致交通環境動態變化往往呈現出復雜、隨機、危險和難以預測等特征?，F有的交通建模理論和方法在智能駕駛測試中遇到一些難題：

1）智能駕駛汽車的感知大部分依靠視距傳感器，感知范圍在車輛周圍的有限區域內，遠處的交通狀況難以對車輛產生直接的影響（如圖 1）；

2）交通仿真環境中的交通車運動模擬，除簡單的跟馳和換道行為外，還需具有車車信息協調交互行為，以及含更加復雜的無信號燈轉彎、大交通密度下的強制換道等行為。

圖1 不同視角下的交通流

Fig.1 Traffic flow from different views

 ( (a) trafficfrom the god view; (b) traffic from driver’s view)

在智能駕駛的模擬仿真技術中，交通建模是從微觀層面上建立對交通參與物個體運動規律描述方程。交通參與物大致可以分為 3 類: 機動車、非機動車和行人。不同的交通參與物不僅在外形和運動規律上存在差異（如表 1），交互特征也存在差異，在建模時需分別考慮。通常交通仿真建模圍繞機動車，也稱為交通車運動建模。

表1 交通參與物

Table 1 Traffic participant

本文分析兩種典型交通微觀建模方法，即機理建模方法和數據驅動建模方法。

基于物理機理的交通建模方法

機理建模主要依靠研究人員對交通系統內部變化規律的理解和經驗，獲得一個能描述規律且大范圍適用的運動模型，易于分析且保證大規模的仿真效率。機理建模方法將交通運動行為過程劃分為跟馳行為、換道行為、發車行為及換道跟蹤等運動行為規律，其中跟馳和換道是模型的關鍵。

交通車跟馳行為是最基本的微觀駕駛行為，描述了在限制超車的單行道上行駛車隊中相鄰兩車之間的相互作用。跟馳模型是指運用動力學的方法來研究由前導車運動狀態變化所引起跟馳車的相應行為。基于機理建模方法得到的微觀交通模型的一般形式為

式中，模型描述了交通中第 i 輛車的加速度與自身速度、與前車的相對速度和相對距離之間的關系。θ 為固定參數，在使用過程中，通常使用真實交通軌跡數據對模型進行參數校正，以確保模型更準確、更真實。

智能駕駛員模型（intelligent driver model，IDM)（Treiber 等，2000）描述了一種典型跟馳行為。該模型考慮了車輛駕駛過程中的期望速度、跟車間距以及因駕駛員習性或車輛加/減速性能差異而導致的加/減速過程的不對稱行為。其模型具體形式為

式中，期望車間距，取決于速度、速度差、加速度最大值、舒適減速度和靜止狀態下最小車間距，以及期望車頭時距。

 研究人員對交通車跟馳行為建模方法進行了深入探索和研究。Yu 等人（2013）將前車加速度結合到跟馳模型中，提出了全速差和加速模型，描述了交通跟馳行為與交通流擁堵演變過程，可抑制交通擁堵，增加交通容量。Punzo 等人（2015） 針對跟馳模型中待估參數較多的問題，提出了一種基于方差的敏感性分析方法以減少 IDM 模型待估參數，而不會影響模擬的效果。雖然該模型考慮了交通車跟馳行為不確定性等特征，但模擬依舊描述的是理想情形下的跟馳狀態，無法反映實際駕駛過程中非理性駕駛行為，對車車間交互行為的描述也遠遠不夠。

交通車換道行為是微觀交通機理建模的另一個重要組成部分，描述了換道車輛根據本車當前行駛狀態，結合附近車輛速度、位置和車道等信息，判斷選擇是否進行換道行為的過程以及換道軌跡，涉及駕駛人員的主觀意愿、駕駛技能和道路環境等多因素影響。換道制動減速模型（minimizing overall braking decelerations induced by lane changes，MOBIL）（ Kesting 等，2007；Treiber 等，2000）是一種典型基于激勵的換道模型，運用博弈論思想制定換道決策。該模型通過預估換道對于局部交通環境和自車的收益，用禮讓因子和對原行駛車道的偏好來決定是否換道行為，并且滿足安全準則和獎勵準則

式中，下角標 c、o 和 n 分別表示本車、原跟蹤車輛、新跟蹤車輛，禮讓因子 p 表示利他主義的程度。p 取值范圍從 p = 0（ 惡化交通行為）變化到 p ＞ 1（純粹的利他行為），并且通過設置 p ＜ 0，可以模擬惡意換道行為。bs應遠低于最大制動減速度（干燥路面上約為 8 m/s2），換道閾值 Δath模擬換道行為具有一定的慣性。換道模型的研究方興未艾，Butakov 和 Ioannou（2015）在駕駛安全角度的自身與周圍車輛最小縱向間距基礎上，建立了兩層模型來描述換道行為，實現個性化的換道行為描述。相關從換道行為不同角度的研究還在不斷細化和推進。

典型的交通仿真軟件系統如美國 CORSIM、NETSIM、OREAU，德國 VISSIM 和 SUMO，以及英國PARAMICS，往往是基于理想化的交通機理模型。這些建模方法如跟馳—換道模型、元胞自動機的交通流模型，主要面向交通信息控制與規劃，實現交通流具體到道路上每一輛車的運行路線的單獨規劃，而對于模擬智能駕駛測試車輛與周邊交通車之間的交互與運動規律還過于理想，同時交通車不同駕駛行為特征對于智能駕駛系統的影響也難以滿足當前汽車智能駕駛測試需求。在汽車數字模擬仿真測試環境中，交通仿真模型是一個對無限豐富駕駛環境高質量且有效的映射，以高效、高逼真且全面地反映行駛環境對具備駕駛任務的智能駕駛功能和性能的深刻影響，其構建的危險性、復雜性場景工況直接影響乃至于決定了被測智能駕駛車輛的駕駛安全性能。

基于數據驅動的交通建模方法

基于車輛運動學原理機理建模方法可以描述交通車的跟隨—換道確定性行為的運動規律，但需要眾多模型參數且花費大量調試工作才能獲得與實際系統行為相匹配的結構，同時由于每個智能體中都有相似的運動模式，忽略了車輛運動隨機性和多樣性等諸多要素和細節，導致產生的交通車軌跡外在表現一致，與真實交通差距較大。

相比之下，真實數據包含了大量行為特征信息。交通軌跡數據能夠反映出更多有關駕駛行為特征信息。駕駛行為具有不對稱性（加/減速、換道）、記憶性（車輛的加/減速受一定歷史時間范圍內的車速、速度差和距離的影響） 、異質性（不同駕駛員的駕駛行為存在差異）和階段性（換道過程可分為換道決策階段和換道執行階段）等特點。因此有些研究者在駕駛行為機理研究的基礎上借助于數據從中挖掘學習交通智能體間的隨機交互運動、危險駕駛的規律，采用數據驅動方法研究面向汽車智能駕駛模擬仿真測試的交通仿真建模方法，以探尋能夠反映行為數據特性的交通建模方法。如圖 2 所示反映了交通流中第 i 輛車當前速度與一段歷史時間內的自身速度、相對速度、相對距離之間的對應關系。

圖 2 神經網絡結構

Fig.2 Neural network structure

隨著智能駕駛車輛（百度、騰訊和滴滴等）上路測試的逐步增多，先進的車載傳感（激光雷達、攝像頭、定位慣導設備等） 和固定路測設備（如攝像頭、微波雷達等）采集了大量交通車輛和行人的特征及運動狀態信息。這些數據反映多樣性的交通車駕駛行為信息，可為交通運動規律的學習訓練研究提供良好的數據基礎。

國內外學者在數據驅動的交通建模方面不斷探索。Wei 和 Liu（2013）提出了一種自學習支持向量回歸（support vector regression，SVR）建模方法（如圖 3），研究跟馳不對稱特性及其對交通流演化的影響。Chao 等人（2018）提出了一種禮儀真實交通流數據來填充虛擬道路網絡的數據驅動建模方法，將交通流的時空信息看做 2D 紋理，把交通流生成視等同于紋理合成的過程，通過最小化交通紋理能量來優化選擇合適紋理，從而合成交通流，并嚴格遵循交通規則。該方法能夠根據輸入樣本的不同，重構出例如擁堵、交叉口、高速公路等具有不同特征的交通流。Ren 等人（2019）提出了一種基于數據驅動的異質多智能體仿真算法，將智能體的決策過程視為以避撞、凝聚、方向控制和速度連續為目標的優化問題，優化能量函數以獲得速度最優值，能夠模擬重現出真實數據的場景。

圖 3 交通模型結構（Wei 和 Liu，2013）

Fig.3  Traffic model structure（Wei and Liu，2013）

Xie 等人（2019）提出了一種基于深度學習的交通車自主換道模型，將深度置信網絡（deep belief network，DBN）和長短期記憶神經網絡（long short-term memory，LSTM）結合，利用下一代仿真數據集（next generation simulation，NGSIM）實際換道數據分別訓練構建換道決策和換道執行兩個模塊，集成模型以準確地預測車輛的換道過程并挖掘換道行為的基本特征。此外，當前應用于智能體系統的數據驅動模擬方法（Kim 等，2016；Sewall 等，2011；Jordao 等，2014），從數據獲取部分或全部運動軌跡，提取智能體運動特征，可生成比傳統規則及基于物理方法更合理或更逼真的模擬結果。

當前基于數據驅動的交通仿真建模研究主要描述了交通微觀行為以達到對真實交通的復現，包括交通擁堵、交通瓶頸和交通波動等現象。側重于宏觀層面或軌跡層面，而對駕駛行為特征的準確真實描述還不足。模型輸入是車輛與周圍關聯車輛之間的相互運動關系，模型輸出是車輛運動的速度或軌跡。然而數據驅動方法也存在一些問題，結果多樣性主要取決于輸入數據的數量，如果輸入數據量很小，則模擬結果將是單調的，過于依賴輸入數據，缺乏通用性; 另一方面數據驅動方法適用于單一類型智能體（如規則車輛） ，難以模擬不同類型的智能體在異構環境中的運動和交互行為，尤其是交通路口模擬運動軌跡和汽車與人類之間的相互作用，故目前還難以替代物理機理模型在通用性方面的作用。

 綜述分析，面向智能駕駛模擬仿真測試的交通建模技術作為智能駕駛方面新的研究課題，其關鍵研究部分的理論和方法有待深入研究：

 1）深刻理解交通車輛駕駛行為和彼此交互特征，是面向智能駕駛仿真測試的交通建?；A和首要任務;

 2）如何挖掘數據信息中車輛駕駛運動的影響規律，建立隨機—危險特征的交通模型，是實現面向智能駕駛仿真測試核心和關鍵。

圖 5 面向感知決策控制測試的仿真場景

Fig.5 Simulation scenarios for perception and decision controltesting ( ( a) pedestrian safety avoidance; ( b) dynamic traffic flow)

感知—決策—控制的測試同樣與 Simulink 環境聯合仿真，還提供了基于網絡協議的算法接入方式，以支持不同的軟硬件環境。賽隊可根據腳本文件將傳感器數據和主車動力學數據傳輸到根據參賽實際軟硬件環境自行配置的網絡地址，以接收主車控制命令。