Page 232 - 《软件学报》2026年第4期

田浩翔 等: 基于路网建模的自动驾驶关键场景生成与自适应演化方法 1673

景, 采用基于道路网络的运动建模生成测试场景, 并将其脚本化为可执行的仿真程序, 从而避免为每种行为定义繁
琐的轨迹生成规则. 为解决挑战 (2), LEADE 引入了自适应选择和细粒度自适应变异方法, 能够根据搜索过程的反
馈和轨迹在不同目标上的得分, 动态调整变异和交叉的概率, 并使用自适应变异和交叉因子, 更高效地发现多样化
的安全关键场景.
LEADE 由 3 个核心模块组成: ① 测试需求获取: 该模块通过与用户进行交互, 获取其各方面的测试需求, 并
将这些需求转化为抽象场景. ② 场景程序生成: 基于抽象场景, LEADE 设计并实现了一种轻量级的具体场景生成
方法, 通过基于道路网络的动作模型, 根据抽象场景的参与者动作, 在给定道路上生成符合动作语义的轨迹. ③ 场
景自适应进化搜索: 该模块通过自适应选择方法, 筛选优秀个体并运用细粒度的自适应变异操作, 进行种群进化,
搜索多样化的安全关键场景. LEADE 工具源码提供在: https://github.com/ADStesting-test/Leade.
我们在百度 Apollo [26] 上实现并评估了 LEADE. Apollo 是一个广泛用于控制公共道路上自动驾驶车辆的工业
级全栈自动驾驶系统平台. 实验结果表明, LEADE 能够有效且高效地生成安全关键场景, 并成功发现 Apollo 系统
中的多种不同的安全违背情况. LEADE 在 14 h 内揭示了 Apollo 的 10 种不同类型的安全违背场景, 并比目前最先
进的基于搜索的自动驾驶测试方法, 多生成 4 种类型的新的安全关键场景.
本文的贡献如下.
1) 提出了一种轻量级的方法, 可以根据自由格式的用户需求文本, 生成可执行的测试场景, 并有效且高效地将
其进化为多样化的安全关键场景.
2) 基于路网建模, 生成符合测试需求且易于演化搜索的场景程序; 并运用自适应选择和细粒度变异, 搜索更多
样化的安全关键场景.
3) 在工业级四级自动驾驶系统平台上进行了有效性和效率评估, 并对 LEADE 及其发现的安全违例进行了全
面分析.

1 相关工作

1.1 自动驾驶系统
自动驾驶系统是自动驾驶车辆的大脑, 通过集成多种传感器和算法, 负责执行包括导航、转向、刹车、加速
以及应对动态路况和障碍物在内的多项驾驶任务. 自动驾驶系统在智能交通的安全性和效率中发挥着至关重要的
作用.
为了确保研究工作的实用性, 我们选择了工业级自动驾驶系统——开源的全栈自动驾驶系统——百度
Apollo [26] , 因为它具有代表性、实用性和先进性. ① 代表性: Apollo 是全球 4 大领先的工业自动驾驶系统开发者之
一 [27] (其他 3 家分别是 Waymo、Ford 和 Cruise, 但这些系统未公开发布). ② 实用性: Apollo 可以轻松安装到车辆
上, 并在公共道路上进行驾驶 [28] . Apollo 已为真实车辆提供自动驾驶服务 [29,30] . ③ 先进性: Apollo 系统持续积极更
新, 持续加入最新的功能和特性.
1.2 自动驾驶仿真测试场景
在模拟测试中, 场景由可以在模拟器中执行的场景程序描述. 根据抽象级别 [31] , 自动驾驶系统仿真测试场景
可分为抽象场景和具体场景. 抽象场景的特点是简单直接, 只需要描述场景测试需求, 如道路类型、参与者行为
等, 而不需要指定具体的参数值. 具体场景需要根据抽象场景的要求, 在仿真环境空间内, 为场景每个元素, 详细准
确地确定所有参数取值, 例如道路范围、速度、位置和时间等.
1.3 自动驾驶系统测试场景生成
考虑到自动驾驶系统的重要性, 在将其部署到实际道路之前, 全面的安全性测试是至关重要的. 关键思想是生
成多样化的安全关键场景, 并在仿真中测试车辆在这些场景下的行为. 这样可以为自动驾驶系统的内部设计和算
法提供有价值的反馈. 安全性测试的核心在于场景.