1 前言
自动驾驶汽车为解决“交通事故、交通拥堵、环境污染、能源短缺”等问题提供了新的途径[1]。科学完善的测试验证评价体系对提高自动驾驶汽车的研发效率、健全相关法律法规、推进智能交通发展至关重要[2]。自2009年起，谷歌自动驾驶汽车已经进行了超过560万km公共道路测试和数十亿公里虚拟测试[3]。UBER、沃尔沃、特斯拉等企业也进行了大量实际道路自动驾驶测试[4]。然而，以UBER自动驾驶测试车辆事故为代表的多起事故表明，在自动驾驶技术成熟之前，实际道路测试具有较高的安全风险和社会风险。
此外，与传统汽车的人-车二元独立测试不同，自动驾驶汽车是人-车-路-环境强耦合系统，传统的道路场地测试已经无法满足自动驾驶汽车的测试需求。基于场景的虚拟测试技术试验场景配置灵活、效率高、重复性强、过程安全、成本低，可实现自动测试和加速测试，同时，虚拟测试系统能够模拟实际车辆测试中危险或难以实现的极端场景[4-5]，大幅降低测试的难度和风险，减少工作量。因此，基于场景的虚拟测试已成为自动驾驶汽车测试评价不可或缺的重要环节。研究人员在测试场景构建方面做出了大量努力[6-7]，Xia等利用层次分析法选择测试场景中的重要因素，通过组合测试法构建虚拟测试场景[8-9]，Zofka等利用多种传感器采集数据，提出一种在虚拟环境中利用真实交通数据构建高风险测试场景的方法[10]。
现阶段的自动驾驶领域，“场景”还没有明确和统一的定义，同时，现有研究集中于自动驾驶测试场景的分析与构建，缺少对测试用例设计和生成的研究。因此，本文提出一种测试场景的定义，同时提出基于实际交通场景的测试用例设计和描述方法，并通过分析高速公路车辆切入场景进行验证，运用highD数据集实现测试用例设计，并利用蒙特卡洛方法（Monte Carol Method）生成测试用例。
2 自动驾驶测试场景及用例
2.1 测试场景概念
在现有针对自动驾驶汽车测试场景的研究中存在不同的场景定义。依据场景的分类，Elias Rocklage等提出“场景为一段道路上观测车辆自身与其他静态或动态物体的组合”[11]。考虑时间延续性，Gelder将场景定义为一段时间内观测车辆自身运动和所在静态与动态环境的组合，突出场景连续性[12]。Hala Elrofai等提出“场景是在一个特定时间范围内，测试车辆周围动态环境的持续变化，包括测试车辆在该环境中的行为”[13]。
在总结现有场景定义的基础上，本文提出一种适用于测试场景构建的场景定义。对于自动驾驶汽车测试而言，测试场景是测试对象在交通环境中与其他相关交通参与者交互实现行驶意图的过程。其中，行驶意图是指测试对象完成自身运动状态改变，例如完成一次自由变道或在交通路口转向。交通环境是测试对象运行的道路、气象、光照等静态环境。交通参与者是指场景内对测试对象运动状态有影响的场景元素，如与测试车辆行驶路线有冲突的车辆、行人等，在场景的观测与分析中，对测试对象运动没有影响的元素可以忽略。
2.2 测试用例的定义
在自动驾驶汽车测试中，场景是对真实交通环境中一类运行过程的抽象描述，测试用例是相应测试场景的可执行实例。一个完整的测试用例描述包含测试用例所属测试场景描述和测试用例要素信息。其中，测试场景描述提供了测试环境和测试过程的抽象描述，测试用例要素信息提供了测试环境中各要素的取值及测试中交通参与者的起始状态、状态变化过程和预期运行结果。
本文以高速公路环境下车辆切入为例，描述测试用例。由于高速公路环境交通场景相对单一，以平直道路上相邻车道车辆切入为测试场景。被测车辆在车道2中循线行驶，目标车辆在被测车辆相邻车道1中保持平稳直线行驶。在切入开始时刻T 0，目标车辆位于被测车辆侧前方，开始向车道2切入。在T 1时刻，目标车俩切入车道2并行驶至T 2时刻。在切入过程中，两车存在发生碰撞的风险。
2.3 测试用例构建
真实交通数据中蕴含多种交通场景。基于真实交通场景生成该场景下测试用例的方法如图2所示。真实交通场景可分解为静态交通环境和交通参与者的运动过程。其中静态交通环境涵盖道路状态、路侧设施、气象及光照条件等影响车辆运行的环境条件，从中可以提取出测试场景中的静态环境元素。交通参与者的运动过程是被观察对象在静态环境中与其他交通参与者交互运动并实现自身运动意图的过程。交通参与者的运动过程是测试场景的核心，为生成测试用例，需要对运动过程进行建模并分析真实场景的大量实例，估计模型的描述参数分布，从而实现由真实场景向标准测试场景的转变。在此基础上，针对不同的测试对象、测试方法和测试内容，灵活赋予描述参数不同的取值，组合不同的静态元素即可生成相应的测试用例，以适应不同测试需求。
3 测试用例构建关键技术
3.1 基元场景提取
基元场景提取是从实际交通场景中分离出基元场景并确定其描述向量的过程。通过基元场景提取，实际交通场景被分解为独立的基元并实现模型化和参数化。
本文采用参数估计法实现场景模型描述变量的分布规律估计。参数估计法利用先验知识假定数据总体服从某一分布，再利用样本数据求解分布的未知参数，通过对比不同的估计结果确定数据总体服从的分布。本文中采用高斯混合模型（Gaussian Mixture Model，GMM）对场景模型描述变量的分布进行估计[14]。文章来源：https://www.toymoban.com/news/detail-689738.html
3.2 基元场景生成
根据基元场景描述模型及其描述变量，可以重新生成测试基元场景。通过基元场景的生成，可以获得远多于实际采集且符合测试要求的基元场景，满足自动驾驶测试对复杂交通运动过程的覆盖性要求。
真实交通运行过程通常具有高维性和复杂性的特点，在测试用例生成过程中，若对其所属场景数学模型进行简化假设，可能会导致近似结果与实际存在较大的偏差。蒙特卡洛方法能够直接模拟实际复杂系统，可以有效解决复杂系统简化导致的结果失真问题，且误差与问题维数无关，是解决复杂高维问题的有效方法[16]。本文依据模型描述变量的分布，采用蒙特卡洛方法进行随机取样生成基元场景。
3.3 测试用例的组合
测试用例的构建是将提取出的基元场景根据测试任务确定场景要素的参数，按照一定规则重新组合的过程。针对不同的测试对象、测试方法和测试内容，可以灵活地控制测试用例的基元数量和场景要素的参数，构建出相应的测试用例，从而适应不同的测试需求。
如图3所示，首先选取组成测试场景所需的基元场景形成功能测试场景。在此基础上确定基元场景描述变量及其取值区间，为基元场景选择确定范围，形成逻辑测试场景。最后，根据逻辑场景集中选择基元场景，确定各描述变量的取值，组合生成具体测试用例。为了提高测试效率和降低测试成本，生成测试场景适宜采用强化测试思想，即选择基元场景组合生成高风险测试场景。文章来源地址https://www.toymoban.com/news/detail-689738.html
到了这里，关于面向高速公路车辆切入场景的自动驾驶测试用例生成方法的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
