基于场景降维及采样方法的场景库优化方法研究

doi:10.19562/j.chinasae.qcgc.2023.08.011

摘要/Abstract

摘要：

本文采用场景降维及采样的方法对场景库进行优化。首先将场景元素分类，并基于层次分析法对其重要性权重值求解，根据权重值的大小进行场景元素离散化，构建场景空间；然后通过场景空间自身的属性计算场景危险度，通过自然驾驶数据库中场景的发生概率计算场景空间中场景的发生概率，构造重要性函数，通过自然驾驶数据库的引导在人为构建的场景空间中筛选出关键场景组成测试场景库，同时为加快搜索效率，采用多起点优化算法与泛洪填充算法进行采样搜索；最后，根据场景风险评估方法验证了关键场景的有效性。结果表明，本文所提出的场景库优化方法能够筛选出用于自动驾驶测试的关键场景，提高自动驾驶测试的效率与现实意义。

关键词: 自动驾驶汽车, 场景库优化, 场景发生概率, 场景危险度, 关键场景筛选

Abstract:

In this paper， scenario dimension reduction and sampling methods are used to optimize the scenario library. Firstly， scenario elements are classified， with their importance weights solved by the Analytic Hierarchy Process， based on which the scenario elements are discretized to construct the scenario space. Then， the risk degree of scenarios are calculated by the attributes of the scenario space itself and the occurrence probability of scenarios in the scenario space are calculated using the Natural Driving Database to construct the importance function. The critical scenarios are screened out from the artificially constructed scenario space through the guidance of the Natural Driving Database to form the testing scenario database. At the same time， to speed up the search process， the multi-starting optimization algorithm and the flood-filling algorithm are used for sampling search. Finally， the effectiveness of the critical scenarios is verified by the scenario risk assessment method. The results show that the scenario library optimization method proposed in this paper can screen out critical scenarios for automatic driving test， and improve the efficiency and practical significance of automatic driving testing.

Key words: automated vehicles, scenario library optimization, scenario occurrence probability, scenario risk degree, critical scenarios screening

朱向雷,吴志新,张宇飞,赵帅,李克秋,孙博华. 基于场景降维及采样方法的场景库优化方法研究[J]. 汽车工程, 2023, 45(8): 1408-1416.

Xianglei Zhu,Zhixin Wu,Yufei Zhang,Shuai Zhao,Keqiu Li,Bohua Sun. Research on Scenario Library Optimization Method Based on Scenario Dimension Reduction and Sampling Method[J]. Automotive Engineering, 2023, 45(8): 1408-1416.

图/表 17

图1

表1

图2

图3

图4

图5

图6

图7

表2

表3

图8

图9

图10

图11

图12

表4

表5

参考文献 21

1	董汉，舒伟，陈超，等. 危险驾驶工况场景的复杂度评估方法研究［J］. 汽车工程， 2020， 42（6）：808-814.
	DONG H， SHU W， CHEN C， et al. Research on complexity evaluation method of dangerous driving scenes［J］. Automotive Engineering， 2020， 42（6）：808-814.
2	GAO F， DUAN J， HAN Z， et al. Automatic virtual test technology for intelligent driving systems considering both coverage and efficiency［J］. IEEE Transactions on Vehicular Technology， 2020，69（12）：14365-14376.
3	武彪，朱西产，廖茂竹，等. 路口车辆冲突与碰撞的安全边界条件模型［J］. 天津师范大学学报（自然科学版）， 2019， 39（2）：62-66.
	WU B， ZHU X C， LIAO M Z， et al. Safety boundary condition model based on vehicle intersection conflict and collision［J］. Journal of Tianjin Normal University（Natural Science Edition）， 2019， 39（2）：62-66.
4	郭景华，李克强，王进，等. 基于危险场景聚类分析的前车随机运动状态预测研究［J］. 汽车工程， 2020， 42（7）：847-853.
	GUO J H， LI K Q， WANG J， et al. Study on prediction of preceding vehicle’s stochastic motion based on risk scenarios clustering analysis［J］. Automotive Engineering， 2020， 42（7）：847-853.
5	朱冰，张培兴，赵健，等. 面向多维度逻辑场景的自动驾驶安全性聚类评价方法［J］. 汽车工程， 2020， 42（11）：1458-1463.
	ZHU B， ZHANG P X， ZHAO J， et al. Clustering evaluation method of autonomous driving safety for multi-dimension logical scenario［J］. Automotive Engineering， 2020， 42（11）：1458-1463.
6	李江坤，邓伟文，任秉韬，等. 基于场景动力学和强化学习的自动驾驶边缘测试场景生成方法［J］. 汽车工程， 2022， 44（7）：976-986.
	LI J K， DENG W W， REN B T， et al. Automatic driving edge scene generation method based on scene dynamics and reinforcement learning［J］. Automotive Engineering， 2022， 44（7）：976-986.
7	严慈磊，应朝阳，孙巍，等. 面向机非混行环境下的自动驾驶汽车测试场景构建方法研究［C］. 2020第十五届中国智能交通年会论文集， 2020：214-219.
	YAN C L， YING Z C， SUN W， et al. Research on the construction method of intelligent connected vehicle test scenario in machine-to-miscellaneous environment［C］. 2020 Proceedings of the 15th China Intelligent Transportation Annual Conference， 2020：214-219.
8	PARK J， WEN M， SUNG Y， et al. Multiple event-based simulation scenario generation approach for autonomous vehicle smart sensors and devices.［J］. Multidisciplinary Digital Publishing Institute， 2019（20）：4456-4469.
9	马凯. 典型潜在危险驾驶情景研究［D］. 长春：吉林大学，2017.
	MA K. Research on typical potential dangerous driving scenarios［D］. Changchun：Jinlin University， 2017.
10	盛彬. 基于信息融合的驾驶危险场景分析识别研究［D］. 哈尔滨：哈尔滨工业大学，2019.
	SHENG B. Research on analysis and identification of driving dangerous scenarios based on information fusion［D］. Harbin： Harbin Institute of Technology， 2019.
11	曾宇凡，朱西产，马志雄，等. 基于DREAM方法的追尾危险场景诱导因素分析［C］.国际汽车交通安全学术会议， 2018， 102：8-19.
	ZENG Y F， ZHU X C， MA Z X， et al. Analysis of inducement factors of rear-end collision risk scenario based on DREAM method［C］.International Conference on Automobile Traffic Safety， 2018， 102：8-19.
12	ZHAO D， HUANG X， PENG H， et al. Accelerated evaluation of automated vehicles in car-following maneuvers［J］. IEEE Transactions on Intelligent Transportation Systems， 2016：1-12.
13	KOREN M， ALSAIF S， LEE R， et al. Adaptive stress testing for autonomous vehicles［C］. IEEE Intelligent Vehicles Symposium. IEEE， 2019：234-240.
14	侯彦巧. 基于典型场景的自动紧急制动系统对骑车人保护效果研究［D］. 成都：西华大学， 2020.
	HOU Y Q. Research on the protetion effect of automatic emergency braking system for riders based on typical scenario［D］. Chengdu：Xihua University， 2020.
15	黄璐. 基于本体论的无人驾驶车辆场景评估与行为决策方法研究［D］. 合肥：中国科学技术大学， 2019.
	HUANG L. Research on ontology-based situation assessment and decision-making approach for autonomous vehicles［D］. Hefei：University of Science and Technology of China， 2019.
16	贾程栋. 面向城市智能汽车的场景多模真实感重建真实感重建技术研究［D］. 成都：电子科技大学， 2020.
	JIA C D. Research on multi-mode photorealistic reconstruction technology for urban smart car［D］. Chengdu：University of Electronic Science and Technology of China， 2020.
17	KLISCHAT M， ALTHOFF M. Generating critical test scenarios for automated vehicles with evolutionary algorithms［C］.2019 IEEE Intelligent Vehicles Symposium （IV）， 2019： 2352-2358.
18	NAN Z， FENG Y， HE J， et al. Scene-guided region proposal re-ranking method for on-road vehicle candidate generation［C］. Proceedings of the 2019 IEEE Intelligent Vehicles Symposium （IV）， IEEE， 2019： 2377-2382.
19	FENG S， FENG Y， YU C， et al. Testing scenario library generation for connected and automated vehicles， part I： methodology［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22：1573-1582.
20	李江坤，邓伟文，任秉韬，等. 一种智能汽车测试场景复杂度的评估方法［C］. 2020中国汽车工程学会年会论文集， 2020： 106-113.
	LI J K， DENG W W， REN B T， et al. An evaluation method of test scenario complexity for intelligent vehicles［C］. SAECCE2020-ICV051， 2020： 106-113.
21	BARANYI P. Convex hull generation methods for polytopic representations of LPV models［C］. Proceedings of the 2009 7th International Symposium on Applied Machine Intelligence and Informatics， 2009： 69-74.

相对比值	含义
1	两评价指标同样重要
3	一评价指标比另一评价指标稍微重要
5	一评价指标比另一评价指标明显重要
7	一评价指标比另一评价指标强烈重要
9	一评价指标比另一评价指标绝对重要
2，4，6，8	处于两相邻判断的中值

场景元素类型	初始位置	初始速度	偏移距
影响传递次数	0.109 3	0.109 3	0.043 9
场景元素类型	触发模式	行驶状态	行驶状态
影响传递次数	0.194 0	0.543 4	0.543 4

TTC	场景危险程度
0≤TTC、ETTC≤1	濒临碰撞的场景
1<TTC、ETTC≤3	紧迫场景
3<TTC、ETTC≤5	紧急场景
TTC、ETTC>5或TTC、ETTC<0	安全场景

场景类型	场景空间维度	重要性函数阈值	关键场景个数	关键场景占比/%
左切入	二维	2.8×10^-3	156	4.56
左切入	三维	1.2×10^-3	453	0.22
右切入	二维	2.8×10^-3	134	3.92
右切入	三维	1.2×10^-3	396	0.19
左切出	二维	2.8×10^-3	124	3.63
左切出	三维	1.2×10^-3	312	0.15
右切出	二维	2.8×10^-3	133	3.89
右切出	三维	1.2×10^-3	391	0.19

场景类型	场景空间维度	关键场景库CRI均值	原始场景库CRI均值
左切入	二维	0.745 6	0.348 6
左切入	三维	0.848 5	0.238 4
右切入	二维	0.849 6	0.316 2
右切入	三维	0.713 2	0.322 3
左切出	二维	0.616 3	0.155 6
左切出	三维	0.624 3	0.195 6
右切出	二维	0.654 6	0.200 1
右切出	三维	0.633 4	0.186 5