Page 90 - 《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 3513

safety of ADS. Existing methods for generating autonomous driving scenarios mainly rely on substantial road data collection and employ
data-driven approaches combined with scenario generalization techniques. These methods are time-consuming, labor-intensive, and costly,
making it difficult to effectively generate edge cases. In contrast, model-driven scenario modeling methods can construct logical scenario
models to encapsulate complex scene features and effectively generate safety-critical scenarios. However, the challenge lies in designing a
domain-knowledge-based visual scenario modeling language that supports the abstract modeling of complex driving scenarios and further
explores edge-critical scenarios. To address these issues, this study proposes an approach for scenario modeling with SML4ADS2.0 and
edge-critical scenario generation for autonomous driving systems. This method utilizes ontology-based modeling of scenarios within the
ADS domain, combining formal quantitative evaluation with importance sampling to generate edge-critical scenarios. First, a model-driven
scenario modeling method based on SML4ADS2.0 is proposed, using this language to construct models of autonomous driving scenarios.
Second, the conversion of scenario models to stochastic hybrid automata (SHA) is implemented through model transformation rules and
the model checking tool UPPAAL-SMC is used for quantitative evaluation and analysis of the scenario models. Subsequently, importance
sampling techniques are employed to rapidly detect edge scenarios within the scenario space, effectively generating specific edge-critical
scenarios from logical models. Finally, the method is demonstrated through case studies involving typical scenarios such as lane changes
and overtaking. Experimental results indicate that this approach can effectively model scenarios and address the generation of safety-critical
scenarios for ADS.
Key words: autonomous driving system (ADS); scenario modeling; importance sampling (IS); safety-critical scenario; UPPAAL-SMC

自动驾驶汽车将成为未来交通领域的重要发展方向, 在提高交通安全性、优化交通效率等方面具有极大的潜
力, 引起了全球政府部门、行业组织与学术机构的广泛关注. 目前, L4 级自动驾驶仍处于研发阶段, 其安全性和可
靠性是制约自动驾驶汽车大量投入市场的首要问题. 实车道路测试成本高昂, 并且具有潜在的风险, 据美国兰德公
司研究报告显示, 车辆需要在自然驾驶环境 (naturalistic driving environment, NDE) 测试数亿, 甚至数千亿千米, 才
能验证自动驾驶汽车比人类驾驶员更具安全性. 由于自动驾驶汽车安全性能验证的低效率, 严重阻碍了其产业化
的进程. 为了有效提高测试效率, 仿真场景测试已成功应用于工业界. 仿真场景测试技术通过模拟真实驾驶场景和
交通环境, 对自动驾驶系统进行复杂环境建模与测试, 有效提高测试效率, 降低测试成本. 场景测试旨在通过大量
的场景测试, 发现 ADS 系统中潜在的错误, 而其面临的挑战是如何有效地挖掘罕见的安全关键场景. “稀有诅咒
[1]
(curse of rarity, CR)” 指在仿真驾驶场景中发现边缘关键场景, 以保证测试的全面性并提高测试效率. 因此, 研究
面向自动驾驶的场景建模方法、边缘关键场景生成技术是设计、研发汽车自动驾驶系统面临的主要挑战之一.
根据抽象粒度由粗到细的划分原则, 自动驾驶的场景模型分为 3 个抽象层次: 功能场景、逻辑场景和具体场
景 [2] . 功能场景和逻辑场景在两个不同的抽象层次上描述场景空间, 而具体场景是特定场景的参数化表示, 每个具
体场景都是逻辑场景的实例. 操作设计域 (operational design domain, ODD) 本质上定义了 ADS 的运行环境, 通
[3]
过 ODD 定义的输入, 功能场景将被参数化为具有所有参数及其取值范围的逻辑场景. 逻辑场景利用采样或优化
方法, 通过朴素搜索或引导式搜索方法实现具体场景的实例化. 目前, 自动驾驶场景建模方法主要分为两类: 数据
驱动式场景建模 [4] 和模型驱动式场景建模. 前者利用大量路采数据, 通过数据工程处理和数字孪生构建具体场景
模型, 实现场景仿真. 难点在于如何有效利用路采数据实现场景 1:1 还原, 并解决成本高且难以覆盖全工况的问题.
模型驱动式场景建模采用领域特定建模语言, 依据功能场景需求, 设计面向 ADS 的场景建模语言, 构建具有语义
信息的逻辑场景模型, 以实现在抽象层次上进行场景仿真、测试和验证. 关键技术包括设计并实施场景建模语言,
结合场景 ODD、道路交通场景及交通法规, 遵循国际标准 ASAM OpenXOntology 和 ISO 3450X 标准系列进行场
景描述. 其面临的挑战在于缺乏有效的场景建模语言和工具, 实现与多种自动驾驶仿真器的集成, 以便进行自动驾
驶系统场景建模和仿真.
自动驾驶环境非常复杂, 现有自动驾驶场景建模语言缺乏足够的领域知识指导, 场景建模元素的表达能力不
足. 同时, 自动驾驶的长尾效应导致虚拟场景测试面临“稀有诅咒”挑战, 罕见的安全关键场景严重制约自动驾驶测
试的效率. 因此, 复杂自动驾驶场景的建模、边缘关键场景生成对于提高 ADS 系统的安全性至关重要, 能够有效
提高场景仿真、测试及验证分析的有效性. 针对以上 ADS 场景建模、边缘关键场景生成面临的挑战性问题, 本文
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, 如图 1 所示, 基于 ASAM OpenXOntology