Page 105 - 《软件学报》2025年第8期

3528 软件学报 2025 年第 36 卷第 8 期

表 2 场景生成方法比较 (续)

SGM ON PR SA AU EF COM EX
Dynamics-RL [39] × × √ √ × × ×
FES (our work) √ √ √ √ √ √ √
注: √: 支持; ×: 不支持; SGM: scene generation method; ON: Ontology; PR: probability; SA: safety; AU: authenticity; EF: efficiency;
COM: complexity; EX: extensibility

6 总结与展望

自动驾驶系统的研发随着 AI 技术的发展正在如火如荼地展开, 然而 ADS 系统的复杂性及运行环境的开放、
不确定性使得此类系统的安全问题日益严峻. 安全关键场景的“稀有诅咒”严重阻碍自动驾驶系统的开发与部署,
已经成为限制自动驾驶汽车落地的关键因素. 本文针对自动驾驶场景建模及边缘关键场景生成问题, 提出一种基
于 SML4ADS2.0 的自动驾驶场景建模与边缘关键场景生成方法. 该方法集成逻辑场景建模及形式化验证技术, 对
逻辑场景的安全性进行量化评估, 并根据验证结果结合重要性取样技术, 加速自动驾驶边缘关键场景的生成. 本文
所提的研究方法及技术框架, 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, 特别地, 使用基于 UPPAAL-SMC 的逻辑场景评估与基于
重要性采样的边缘关键场景生成方法, 有效解决安全关键场景的“稀有诅咒”问题, 高效生成边缘关键场景, 为大规
模场景测试奠定了基础, 对于提高 ADS 系统的安全性具有重要意义.
在未来的研究中, 我们将继续针对自动驾驶安全关键场景的长尾效应, 探讨安全关键场景的“稀有诅咒”问题,
尤其是发生概率较小的边缘关键场景. 如何设计一个检测风险事件发生概率较小的分布是难点, 因此需要结合领
域知识、样本数据分析与更多尾部分布搜索算法, 将在未来工作中进一步生成更多的典型边缘关键具体场景. 同
时, 如何结合本体及本体推理技术, 有效地构建 ADS 的场景本体和基于本体推理边缘关键场景, 并结合场景库构
建方法, 设计、实现面向 ADS 的安全关键场景库, 用于支持场景仿真、测试、验证分析.

References:
[1] Feng S, Sun HW, Yan XT, Zhu HJ, Zou ZX, Shen SY, Liu HX. Dense reinforcement learning for safety validation of autonomous
vehicles. Nature, 2023, 615(7953): 620–627. [doi: 10.1038/s41586-023-05732-2]
[2] Zhang XH, Tao JT, Tan KG, Törngren M, Sánchez JMG, Ramli MR, Tao X, Gyllenhammar M, Wotawa F, Mohan N, Nica M, Felbinger
H. Finding critical scenarios for automated driving systems: A systematic mapping study. IEEE Trans. on Software Engineering, 2023,
49(3): 991–1026. [doi: 10.1109/TSE.2022.3170122]
[3] Sun C, Deng ZJ, Chu WB, Li S, Cao DP. Acclimatizing the operational design domain for autonomous driving systems. IEEE Intelligent
Transportation Systems Magazine, 2022, 14(2): 10–24. [doi: 10.1109/MITS.2021.3070651]
[4] Cai JK, Deng WW, Guang HR, Wang Y, Li JK, Ding J. A survey on data-driven scenario generation for automated vehicle testing.
Machines, 2022, 10(11): 1101. [doi: 10.3390/machines10111101]
[5] David A, Larsen KG, Legay A, Mikučionis M, Poulsen DB. UPPAAL SMC tutorial. Int’l Journal on Software Tools for Technology
Transfer, 2015, 17(4): 397–415. [doi: 10.1007/s10009-014-0361-y]
[6] Behrmann G, David A, Larsen KG. A tutorial on UPPAAL. In: Proc. of the 2004 Formal Methods for the Design of Real-time Systems,
Int’l School on Formal Methods for the Design of Computer, Communication and Software Systems. Bertinoro: Springer, 2004. 200–236.
[doi: 10.1007/978-3-540-30080-9_7]
[7] Aubry JF, Brînzei N. Stochastic hybrid automaton. In: Aubry JF, Brînzei N, eds. Systems Dependability Assessment: Modeling with
Graphs and Finite State Automata. Hoboken: John Wiley and Sons Inc., 2015. [doi: 10.1002/9781119053996.ch7]
[8] Hammersley J. Monte Carlo Methods. Springer Science & Business Media, 2013.
[9] Marshall AW. The use of multi-stage sampling schemes in Monte Carlo computations. 1954. https://searchworks.stanford.edu/view/
9136039
[10] Katharopoulos A, Fleuret F. Not all samples are created equal: Deep learning with importance sampling. In: Proc. of the 35th Int’l Conf.
on Machine Learning. Stockholmsmässan: PMLR, 2018. 2525–2534.
[11] Wang LK, Gong Y, Ma XJ, et al. IS-MVSNet: Importance sampling-based MVSNet. In: Proc. of the 17th European Conf. on Computer