Page 240 - 《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 1681

{ } { }
D(E t ,P t )− D(E t−1 ,P t−1 ) V E t −V E t−1
f e = max +max ,
t∈[2,s] D(E t−1 ,P t−1 ) t∈[2,s] V E t−1
t
其中, E t 表示 时刻主车的实际位置, P t 表示预期路线在 时刻的预期位置, D 计算的是两者之间的距离, V 表示速
t
度. f e 越高, 场景的适应度分数越高.
参与者轨迹差异度: 该指标关注参与者轨迹的差异度. LEADE 通过计算参与者轨迹之间的欧氏距离来评估同
一行为的参与者轨迹的差异度, 欧氏距离是广泛用于计算不同具体场景中参与者轨迹相似度的方法 [22] . 对于具体场
 
r /
∑  



景 s i , 多样性指标 f d 的计算方式为: f d =     ED s i ,s j r. 其中, ED 表示不同具体场景中参与者轨迹的欧氏距离. LEADE

 
j=1
r
计算了场景 s i 中参与者轨迹与之前迭代中发现的 个安全违例场景 (记作 s j ) 中参与者轨迹的平均欧氏距离. ED s i ,s j
的计算方式如下:

c
l ∑∑
TD s n ,s m
i j
n=1 m=1
= ,
ED s i ,s j
l×c

µ √
∑
2
2
TD s n ,s m = (x s n .k − x s m .k ) +(y s n .k −y s m .k ) ,
i j i j i j
k=0
m
其中, TD 表示不同参与者轨迹之间的欧氏距离. s 和 s 表示场景 s i 中第 n 和 m 个参与者的轨迹. l 和 分别表示
n
c
i i
k
场景 s i 和 s j 中从车和行人的数量, (x s n .k ,y s n .k ) 表示场景 s i 中第 n 个参与者轨迹的第 个路点的坐标, µ 表示两条轨
i i
n m
迹 s 和 s 中最小的路点数. f d 越高, 场景的适应度分数越高.
i j
场景覆盖率: 该指标关注场景如何覆盖之前生成的安全违例场景未覆盖的空间. 场景覆盖性通过位置和速度
覆盖来评估. 每个路点包含位置和速度, 分别表示为 w 和 v. 场景覆盖性指标 f o 的计算公式如下:

  /
l µ
∑∑ 
   
f o =   {w k ,v k } ∈ Tr n ∩{w k ,v k } < R  (l×µ),

 
n=1 k=1
其中, l 是参与者的数量, Tr n 表示第 n 个参与者的轨迹, µ 表示第 n 个参与者轨迹中的路点数, R 表示在之前迭代中
找到的安全违例场景中, 参与者轨迹覆盖的路点集合. f o 越高, 具体场景的适应度分数越高.
每个场景的适应度分数在执行结束时进行计算. 当本代的所有场景都执行完毕后, LEADE 会选择当前代和上
k 个个体作为下一代的父代个体. 父代个体的选择采用最优 Pareto 原则, 并通过拥挤距离
一代中适应度最高的
(crowding distance) 对个体进行排序.
2.3.3 自适应选择
对于父代个体, LEADE 根据其适应度值和种群的适应度水平自适应地决定哪些个体进行交叉和变异. 适应度
较高的场景具有更大的交叉概率, 而适应度较低的场景则具有更大的变异概率.
对于种群 p n 中具有适应度 f i 的场景 . 其中 f max 和 f min 分别表示 p n 中的最大适应度值和最小适应度值. 对于
s i
每个种群 p n , LEADE 计算适应度的平均值, 记为 f ¯ . 场景 p n 的变异概率为 PM i . 对于两个场景 s i 和 , 它们的交叉
s j
PC i,j f , ′ 为它们的较大适应度值.
概率表示为 i,j
交叉个体的选择: 个体的适应度值越大, 它将其特征传递给其他个体创造更多不同优秀个体的概率越高. 对于
场景 s i 和 , 它们的交叉概率 PC i,j 计算公式如下:
s j
¯
PC i,j = min{k 1 ( f − f min )/( f − f min ),k 3 }, 0 < k 1 ,k 3 ⩽ 1.
′
i,j
如果 PC i,j ⩾ threshold n , LEADE 将在场景 s i 和 s j 中各自随机选择一个参与者, 在两个场景之间进行交换.
s i 的变异概率计算公式如下:
变异场景的选择: 个体的适应度值越低, 其参数发生变异的概率越大. 场景

¯
PM i = min{k 2 ( f max − f i )/( f max − f),k 4 }, 0 < k 2 ,k 4 ⩽ 1.
n
PM i ⩾ threshold , LEADE 将选择主车行驶过程中与主车的 MiTTC 的参与者路点, 并改变该路点的参数值.
如果 m
为了扰乱适应度值高于平均水平的个体, 以便在全局最优区域中进行空间搜索, 并确保所有适应度值低于平