Page 165 - 《软件学报》2026年第1期

162 软件学报 2026 年第 37 卷第 1 期

精度. 该技术面临着以下挑战: 首先, 传感器种类繁多, 参数和工作原理各不相同. 因此, 不存在适用于所有传感器
的通用模型, 必须为每类设备单独设计和定制. 其次, 现实中传感器的工作过程会受到光学、声学等多种随机噪声
的干扰, 因此在建模时需要加入人工设计的误差, 如车载相机的畸变系数、车载激光雷达的扫描角误差等. 然而,
此类误差难以量化和标准化, 成为传感器仿真技术的“痛点”之一. 最后, 仿真需要获取传感器详细的底层数据, 然
而出于保密要求和商业考虑, 厂商通常不会开放此类数据, 这使得研究人员遭遇额外的阻碍.
车辆动力学仿真技术将物理车辆的动力学特性抽象为数学模型, 实现出一个能够反映实际工作状态并适用于
闭环测试的虚拟车辆. 动力学模型决定了自动驾驶系统控制算法表现的准确性, 进而影响测试结果的可用性. 但汽
车的零件数量极多, 参数和特性极其复杂, 研究人员无法拟合所有硬件, 只能精简零件数量, 模拟核心和关键部件,
平衡建模精度和仿真成本.
根据适用条件和设计目标, 可以将现有仿真器分为 3 类: 全栈仿真器、车辆仿真器和交通流仿真器. 全栈仿真
器是随自动驾驶技术发展而逐渐兴起的新类型, 典型代表是 LGSVL [35] 和 CARLA [36] , 二者都是学术界常用的开源
仿真器, 支持主流的开源自动驾驶系统. 车辆仿真器是传统车企的主要工具, 典型代表是 CarMaker [37] 和 CarSim [38] ,
能够构造精确的车辆模型, 优化车辆机械结构的参数, 促进新车型的开发. 交通流仿真器的典型代表是 SUMO [39]
和 PTV Vissim [40] , 优势在于能够仿真大规模的交通流, 模拟多个智能体间的交互行为. 鉴于不同仿真器有各自的
侧重点, 联合仿真成为一大发展趋势. 大多数仿真器都提供了与其他仿真器连接的接口, 研究人员可以根据测试需
求和测试条件挑选和搭配, 优化仿真效果.
通信接口负责连接自动驾驶系统和仿真器, 实现二者之间的通信链路. 一方面, 通信接口将自动驾驶系统做出
的控制命令发送给仿真器, 使车辆根据反馈信息调整决策; 另一方面, 通信接口将仿真器中的地图、车辆状态、轨
迹点等数据传输给自动驾驶系统, 迭代更新输入数据, 为其行为决策提供依据.
2.2.2 测试场景
仿真测试常用的测试用例是场景, 表征一段时间内的驾驶环境, 包括静态环境、动态对象及其行为 [41] . 静态
环境由天气、道路结构、障碍物、交通信号和标志等元素组成. 动态对象包括自动驾驶控制的车辆、其他车辆和
行人. 一般将前者称为自车, 将后者称为非玩家角色 (non-player character, NPC) 或背景车辆. 动态对象与环境、动
态对象之间频繁交互, 产生跟车、变道等驾驶行为. 上述 3 类对象均可由大量参数表示, 其集合构成了场景的配置
参数空间, 关键场景即容易导致交通事故、晕动症等问题的配置参数组合.
研究人员将场景分为 3 个层次, 功能场景、逻辑场景和具体场景 [42] . 功能场景也被称为抽象场景, 用自然语
言描述场景中存在的实体及其关系. 逻辑场景从功能场景中提取配置参数空间, 并约束每个参数的取值范围. 具体
场景被定义为通过搜索或采样算法, 计算出逻辑场景中各参数的具体值, 描述成一组可实现的测试场景. 例如, 功
能场景是, 自车换道并超过 NPC1, 随后跟随在 NPC2 后行驶; 逻辑场景是, 定义自车和所有 NPC 的位置、速度、
车道等参数的取值范围; 具体场景是, 确定自车的速度是 20 km/h, 从 1 车道换到 2 车道, 换道后的速度是 30 km/h,
以及其余 NPC 的具体参数.
为了将测试场景翻译为机器可执行的脚本, 研究人员开发了场景描述语言. 该类语言能够满足实验的定制化
[43]
需求, 并与自动驾驶系统和仿真器解耦合, 可移植性强. 例如, AVUnit 集成了两种特定于自动驾驶领域的描述性
语言, SCENEST 建模场景中的 NPC 和天气等元素, AVSpec 使用信号时序逻辑公式描述正确驾驶规范. ScenoRITA [44]
定义了障碍物的位置、形状、种类和驾驶行为, 将其实现为完全可变的编码表示, 并借助高精地图构造的有向图
自动化生成 NPC 轨迹. 鉴于编写场景脚本的工作复杂繁琐, Deng 等人 [45] 利用大语言模型 (large language model,
LLM) 代替人类专家, 使用 GPT-4 提取并解析交通规则中蕴含的信息, 随后基于仿真器 API 搜索场景参数, 为每条
交通规则生成对应的测试场景.
3 面向整车系统的自动驾驶安全测试框架

本文基于通用的测试框架, 提炼所有测试方案的共性和个性特征, 总结面向整车系统的自动驾驶安全测试框
架. 通过框架提取核心研究问题, 以此为基础对整车系统安全领域的研究文献进行全面分析. 该框架将通用的测试