基于仿真的自動(dòng)駕駛汽車通用工具鏈 用于模型在環(huán)識(shí)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(yàn)證。一方面，需要新的測試方法以改進(jìn)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(yàn)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(duì)自動(dòng)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(dòng)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(shí)別。該方法結(jié)合汽車動(dòng)力學(xué)仿真、交通仿真和車輛協(xié)同仿真進(jìn)行場景識(shí)別，并考慮了其他交通參與者的行為。最后通過安全指標(biāo)和交通質(zhì)量指標(biāo)評(píng)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(duì)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(dòng)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(dòng)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(jìn)，而汽車3的駕駛員駕駛行為相對(duì)保守。首先，汽車1自動(dòng)檢測到可以執(zhí)行變道行為的理想情況。當(dāng)其進(jìn)行變道時(shí)，汽車2忽視安全間隙而緊跟汽車1，同時(shí)汽車3駕駛非常謹(jǐn)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(shí)別關(guān)鍵場景是驗(yàn)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(jìn)行測試的場景。

本文使用了一個(gè)基于仿真的通用工具鏈（圖2）解決識(shí)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(yàn)證與識(shí)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(diǎn)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(dòng)更改邏輯場景的參數(shù)來創(chuàng)建具體場景，這是在整個(gè)參數(shù)范圍內(nèi)識(shí)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(xì)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(dòng)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(dòng)力學(xué)仿真為汽車提供詳細(xì)動(dòng)力學(xué)模型以及需要被測試的自動(dòng)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(píng)價(jià)指標(biāo)應(yīng)用于仿真結(jié)果，根據(jù)仿真結(jié)果是否滿足評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)，從而將具體場景自動(dòng)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(píng)價(jià)指標(biāo)。在本文中，將使用安全和交通質(zhì)量作為評(píng)價(jià)指標(biāo)。

識(shí)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(gè)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(duì)測試結(jié)果的分析，從而對(duì)功能開發(fā)進(jìn)行反饋。

本文中使用高速公路自動(dòng)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(kuò)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(dòng)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(shí)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(yàn)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(dòng)態(tài)耦合主要集中在交通仿真和汽車動(dòng)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(dòng)態(tài)耦合

交通仿真提供交通參與者行為，汽車動(dòng)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(dòng)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(dòng)態(tài)交通環(huán)境。

安全指標(biāo)和交通質(zhì)量指標(biāo)

本文基于傳統(tǒng)安全指標(biāo)和交通質(zhì)量指標(biāo)來識(shí)別關(guān)鍵場景。對(duì)于安全指標(biāo)，本文選定了碰撞時(shí)間TTC、制動(dòng)時(shí)間TTB、期望減速度為臨界指標(biāo)。對(duì)于交通質(zhì)量指標(biāo)，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(biāo)、微觀指標(biāo)、納米指標(biāo)、個(gè)體指標(biāo)四個(gè)子指標(biāo)。

4.1 傳統(tǒng)安全指標(biāo)

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

其中Δp是汽車位置的偏差，V_ego是自車速度，V_obj是對(duì)象速度，V_rel是兩車之間的相對(duì)速度。另一個(gè)標(biāo)準(zhǔn)度量稱為“制動(dòng)時(shí)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(gè)指標(biāo)與自車的最大減速能力有關(guān)。最后一個(gè)指標(biāo)稱為“期望減速度”，如下式

4.2 交通質(zhì)量指標(biāo)

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

應(yīng)識(shí)別每個(gè)關(guān)鍵情景

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

評(píng)估應(yīng)采用分級(jí)制度

應(yīng)該有一個(gè)閾值，允許對(duì)組合的指標(biāo)進(jìn)行二進(jìn)制分類

4.2.1 DOI界定和各指標(biāo)選取

不同的交通指標(biāo)關(guān)注的空間域不同。如圖5所示，本文有三個(gè)空間域。第一個(gè)是固定空間域（DOI），按照高速公路容量手冊(cè)的建議，它的尺度選擇為450m。第二個(gè)移動(dòng)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(gè)移動(dòng)DOI只考慮自車。

圖5 不同評(píng)價(jià)指標(biāo)的DOI

第一個(gè)子指標(biāo)是宏觀指標(biāo)。該概念關(guān)注固定的DOI。

第二個(gè)子指標(biāo)是微觀指標(biāo)。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(shí)，需要在指定的DOI中考慮每輛車，在這里車的標(biāo)號(hào)用索引j表示，并且可以表示為：

σ_vj為標(biāo)準(zhǔn)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(jì)算。第一個(gè)移動(dòng)的DOI是圍繞自車的圓圈，其允許考察近距離的交互。

第三個(gè)子指標(biāo)是納米指標(biāo)。它的計(jì)算是基于速度偏差和相對(duì)于DOI的平均值。

其中σ_vCircle_j是速度標(biāo)準(zhǔn)偏差和v_Circle_j是相對(duì)于DOI的平均速度。

第四個(gè)子指標(biāo)是個(gè)體指標(biāo)。這個(gè)指標(biāo)僅考慮自車的數(shù)量。DOI僅圍繞自車,單獨(dú)考慮汽車的行為以收集有關(guān)評(píng)估過程的更多信息。

4.2.2 各指標(biāo)等級(jí)歸一化

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

宏觀等級(jí)代表兩個(gè)時(shí)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(shí)，相關(guān)場景會(huì)被分類到關(guān)鍵場景中。

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

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

個(gè)體等級(jí)也使用平均速度作為附加指標(biāo)，它是通過加速度的標(biāo)準(zhǔn)偏差和自車本身的平均速度來計(jì)算的。大的加速度變化和低的平均速度會(huì)使場景被分類為關(guān)鍵場景。

4.2.3 總體指標(biāo)計(jì)算

進(jìn)行總體分級(jí)的最簡單方法是對(duì)指標(biāo)求平均值，如公式8所示。

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

其中x_1...x_4是每個(gè)指標(biāo)的各個(gè)等級(jí)，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(biāo)績效評(píng)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(jìn)制分類的混淆矩陣

理想的狀況是,“真陽性率”（TPR，Truepositive rate）達(dá)到100%，同時(shí)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(biāo)表現(xiàn)結(jié)果

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

關(guān)鍵場景識(shí)別方法應(yīng)用

本示例將SAE-Level 3高速公路執(zhí)行標(biāo)準(zhǔn)駕駛?cè)蝿?wù)作為用例，評(píng)估過程通過前文提出的安全和交通質(zhì)量指標(biāo)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(gè)不同的進(jìn)入高速公路場景進(jìn)行實(shí)驗(yàn)。

場景一為無任何干擾，自車以規(guī)范行為進(jìn)入高速公路的場景。此場景是為了說明指標(biāo)確實(shí)將最佳行為歸類為不關(guān)鍵場景。結(jié)果如表1所示。評(píng)價(jià)結(jié)果表明指標(biāo)不會(huì)偏離（由空集Φ表示），場景未被識(shí)別為關(guān)鍵場景。

表1具體場景：自車無干擾進(jìn)入高速公路

場景二為進(jìn)入受干擾而導(dǎo)致傳感器誤差的高速公路場景。該場景會(huì)導(dǎo)致自車的路徑跟蹤控制器產(chǎn)生波動(dòng)。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(biāo)及安全相關(guān)指標(biāo)都對(duì)自車控制器產(chǎn)生的波動(dòng)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(cuò)誤信息進(jìn)入高速公路

場景三考慮了高精度地圖信息錯(cuò)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(jìn)入高速公里的虛線起點(diǎn)位置等信息，地圖可能出現(xiàn)信息錯(cuò)誤而不允許自車直接進(jìn)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(cuò)誤信息進(jìn)入高速公路

由于地圖信息錯(cuò)誤，自車不能進(jìn)入高速公路而在入口匝道上停車。L3級(jí)功能要求駕駛員在堵塞入口匝道時(shí)接管汽車。基于交通質(zhì)量指標(biāo)，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(biāo)沒有偏離。

場景四突出了其他交通參與者的行為及其對(duì)自動(dòng)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(jìn)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(jìn)交通參與者進(jìn)入高速公路

結(jié)果表明激進(jìn)的駕駛行為會(huì)極大地影響與安全相關(guān)的指標(biāo)。每個(gè)單一指標(biāo)值在某一時(shí)間會(huì)下降到臨界閾值以下，因此這些場景是危險(xiǎn)的，必須進(jìn)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(biāo)評(píng)價(jià)的場景被識(shí)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(shí)別和驗(yàn)證智能網(wǎng)聯(lián)汽車的關(guān)鍵場景，并在包含傳感器錯(cuò)誤、地圖錯(cuò)誤和其他交通參與者激進(jìn)駕駛行為的不同場景中應(yīng)用了該方法。應(yīng)用標(biāo)準(zhǔn)的安全指標(biāo)和本文新提出的評(píng)估交通質(zhì)量的指標(biāo)進(jìn)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(jìn)相應(yīng)自動(dòng)駕駛功能。該方法中所提出的評(píng)估交通質(zhì)量的不同指標(biāo)的組合能夠?qū)唧w場景的關(guān)鍵性進(jìn)行二元分類，并且該分類不是分開使用每一個(gè)子指標(biāo)，而是側(cè)重于找到一個(gè)考慮整體識(shí)別過程的最終等級(jí)的臨界閾值。通過計(jì)算最終等級(jí)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(jìn)行比較，以確定具體場景是否關(guān)鍵。