Page 104 - 《软件学报》2025年第8期

杜德慧 等: 面向自动驾驶系统的场景建模及边缘关键场景生成 3527

杂特性的逻辑场景, 因此, 亟需在现有场景建模语言的基础之上进行扩展, 从而支持自动驾驶复杂场景的建模.
目前自动驾驶场景生成方法主要分为 3 类: 基于场景组合的场景生成方法、基于优化搜索的场景生成方法和
基于强化学习的场景生成方法 [19] . 基于场景组合的生成方法本质上是将场景生成问题转换为组合测试的问题,
Menzel 等人 [29] 提出基于 V 模型场景开发的功能、逻辑和具体场景这 3 个抽象级别进行场景的开发与具体化, 并
进行危害分析和风险评估得到所需的测试场景用例. Chen 等人 [30] 提出基于本体自动生成高速公路 ADS 测试用例
方法, 通过定义高速公路、天气和车辆这 3 层本体层次结构概念化和描述测试用例. Elgharbawy 等人 [31] 提出了一
种基于本体和数据挖掘技术的自动驾驶功能自适应验证框架, 利用基于本体的测试场景, 综合使用自动驾驶功能
的硬件在环联合仿真平台识别边界场景. 基于优化搜索的场景生成方法主要是通过设计合理的优化目标函数引导
式搜索生成场景. Hungar 等人 [32] 提出一种由碰撞时间和车头时距结合的分段连续可微临界性指标生成场景测试
用例. Klischat 等人 [33] 提出了一种基于进化算法来生成复杂交通状况的关键场景. 主要通过可驾驶区域的临界度
指标, 使用非线性优化来提高场景危险性生成危险场景. Tuncali 等人 [34] 基于运行模拟计算稳健性值, 并通过优化
算法找到安全场景与碰撞场景的边界条件, 实现安全关键测试用例的自动生成. Klück 等人 [35] 通过影响 ADS 系统
故障程度判定场景危险性, 并通过碰撞时间生成危险场景. 基于强化学习的场景生成方法主要是将场景生成的过
程抽象为一个智能体, 通过智能体的不断探索, 从而搜索场景的边界条件. Du 等人 [36] 提出了通过领域知识增强自
适应压力测试的奖励函数, 使用蒙特卡罗树搜索引导求解器发现更多样的轨迹集. Corso 等人 [37] 通过引入责任敏
感安全策略纳入奖励函数, 同时引入差异性指标, 发现并生成导致 ADS 失效、更具表现力的场景. Ding 等人 [38] 提
出一种基于流的多模式安全关键场景生成器并设计基于梯度的采样提高采样效率, 通过评估决策算法的鲁棒性来
生成安全关键场景. 李江坤等人 [39] 提出一种基于场景动力学和强化学习的边缘场景生成方法, 通过微分方程描述
随时间动态变化的场景模型, 然后采用神经网络构建场景控制器并通过强化学习实现边缘场景控制器的优化求
解, 从而解决小概率高风险的边缘测试场景生成问题.
上述方法各有优缺点, 基于场景组合的生成方法多依靠知识驱动实现参数空间的组合, 生成的效率低并且场
景包含大量不合理的场景; 优化搜索的方法虽然提高了生成的效率, 但是只能从当前的目标中生成危险场景, 难以
发现更多的危险因素; 强化学习方法则依赖于自然驾驶数据集, 难以生成与数据集不相关的场景. 因此, 需要深入
探索如何提高场景生成方法的性能, 特别是针对边缘关键场景. 如何有效地根据场景建模, 并结合场景生成算法,
得到路采方法难以获得的边缘关键场景.
针对 ADS 的逻辑场景建模与边缘关键场景生成方面的不足, 本文提出基于 SML4ADS2.0 的自动驾驶场景建
模与边缘关键场景生成方法. 如表 2 所示, 在 ADS 逻辑场景建模中缺乏领域知识指导与参数动态变化导致场景建
模表达能力不足方面, 本文引入 ASAM OpenXOntology 和 ISO 3450X 标准等, 提出了基于 Ontology 的场景建模
语言 SML4ADS2.0, 增强了对 ADS 基于本体领域知识场景建模的可信性、动态行为的不确定性与可视化建模复
杂性等方面的能力; 在自动驾驶安全关键场景的“稀有诅咒”, 难以高效生成边缘关键场景方面, 提出基于 UPPAAL-
SMC 的逻辑场景验证分析及边缘关键场景生成方法, 通过结合形式化量化评估与重要性采样提高边缘关键场景
生成效率, 从而有效解决自动驾驶的长尾效应问题. 综上, 本文所提的研究方法及技术框架, 有效解决自动驾驶逻
辑场景建模、安全关键场景生成等方面的问题, 为面向 ADS 的场景建模、仿真、验证分析提供了有效的途径, 能
够有效解决目前场景驱动的 ADS 系统测试、场景库建设面临的主要问题, 为大规模场景测试奠定了基础, 对于提
高 ADS 系统的安全性与工业化应用具有重要意义.

表 2 场景生成方法比较

SGM ON PR SA AU EF COM EX
[30]
Ontology hierarchy √ √ √ × √ × √
[31]
Ontology data mining √ × √ √ √ √ √
[33]
Evolutionary algorithms × × √ √ × √ ×
[34]
Stochastic optimization methods × × √ √ × √ √
[37]
RSS-AST × × √ √ √ × ×