摘要
在自动驾驶发展过程中，场景对于其功能定义与测试评价具有重要意义。为了获取更多真实的道路交通场景信息，各类自动驾驶项目已采集大量道路行驶数据，而尚无对于场景数据的系统性分析方法，同时对于已有的测试场景片段缺乏结构化的分类体系与标准描述格式。因此需要对场景进行系统性研究，确立场景分类体系，进一步获得场景本身的统计规律并构建统一的标准化场景描述方法，以服务于自动驾驶功能的研发及测试。 本文基于中国大型实车路试项目（China Field Operational Test,China FOT）采集到的自然驾驶数据，人工提取1169例场景片段并展开研究。首先，阐述了六层场景结构，使用树形结构对每层定义的场景要素展开梳理，确定了场景的结构化表征方法；提取场景中的简单道路拓扑关系和主要目标对象，提出模态场景定义，对模态场景包含的场景元素信息进行编码并建立模态场景字段，将1169例场景片段编码汇总为139类模态场景类型，并获得了各编码维度下场景片段的分布统计特征。 模态场景定义了本车与目标对象之间的运动关系，但根据场景参数不同，具体工况仍有安全与危险的差异，面向不同危险程度工况的自动驾驶功能开发策略也不同。本文将工况按照危险程度定义为正常驾驶、危险、紧急和事故四个场景域，提取模态场景类型占比较大的跟车、切入、变道三类典型场景片段数据，补充部分相应类型的交通事故数据，分别确定场景危险程度表征效果较好的场景参数，使用支持向量机迭代求解出各类场景域的参数边界。 场景域从场景参数上定义了工况的危险程度，面对不同工况的驾驶员响应也不同，人类驾驶员的真实响应可以作为决策控制开发和功能测试评价的参考。本文将驾驶员响应行为按照剧烈程度定义为无明显响应、自适应行为、避撞行为和紧急避撞行为4类，根据车速、横纵向加速度、横摆角速度、制动油压、方向盘转速6类典型响应参数，使用聚类算法将1159例行车片段中的驾驶员响应行为进行分类。分析响应行为与场景域的一致性程度，发现当工况危险程度越高时，驾驶员响应行为一致性越高，在紧急域内98.37%的驾驶员均采取紧急避撞行为，而在正常驾驶域内仍存在25.84%的较激进驾驶行为。此外，分析了不同模态场景要素下的驾驶员响应行为分布统计特征。 基于以上交通场景模型研究，以交通高峰时段自动驾驶（Rush Hour Pilot，RHP）功能为例说明模态场景库的构建及迭代方法。根据RHP功能定义，在已切分的场景片段中筛选出RHP功能适用工况，并对模态场景类型进行统计分析。再次提取未经处理的自然驾驶全行程数据，对场景库更新迭代方法进行说明。最后，基于RHP功能介绍了三级场景表达体系，以OpenSCENARIO作为具体场景表达的标准格式，研究使用自然驾驶数据中的真实场景片段数据编写测试用例的方法，并在VTD仿真测试平台上进行复现。 本文的创新性在于提出了模态场景编码分类体系，并定义了4类场景域及驾驶员响应行为类型，为已采集到的道路驾驶数据和测试场景数据提供了系统化分类构建模态场景库并可持续更新迭代的方法。本文研究成果可应用于构建L3级及以上自动驾驶功能开发测试所需场景库及场景分析。
NETL