编者按：环节场景（Critical scenario）识别对自愿驾驶测试具有巨大事理。过往的环节场景识别要紧是酌量安适要素。而本文则归纳酌量了安适影响和交通质料影响。

编者按：环节场景（Critical scenario）识别对自愿驾驶测试具有巨大事理。过往的环节场景识别要紧是酌量安适要素。而本文则归纳酌量了安适影响和交通质料影响。除了古板的安适目标外，作家界说了四个笼盖宏观与微观的交通质料目标，并对目标举行了归一化和权重分派，正在此根柢上作家通过仿真东西链运用了该本领,仿真结果讲明此本领能确切识别环节场景。

文中第1-3局限要紧论说了仿真境况配置和场景联系界说，熟习PEGASUS项方针读者，能够着重眷注第4和第5局限。

摘要：汽车行业面对的要紧挑衅之一是智能网联汽车的测试和验证。一方面，需求新的测试本领以矫正古板途测本领，处分古板测试中需求多量行驶里程所带来的极少题目。另一方面，因为进展初期有限的市集渗出率，测试验证进程还需酌量夹杂交通境况下其他人类交通参加者的驾驶作为对自愿驾驶汽车效力形成的巨大影响。本文先容了一种基于仿真的自愿驾驶汽车通用东西链，用于环节场景（Critical scenario）的模子正在环识别。该本领集合汽车动力学仿真、交通仿真和车辆协同仿真举行场景识别，并酌量了其他交通参加者的作为。末了通过安适目标和交通质料目标评估并筛选取得环节场景。

因为初期市集渗出率较小，智能网联汽车的进展受到阻拦。正在不酌量其他交通参加者驾驶作为的环境下引入这类汽车相对容易，然而其正在网罗人类驾驶员的夹杂交通境况下实行行驶职司将面对壮大挑衅。尽管自愿化效力平常事务且驾驶作为适宜范例，其他交通参加者也或者导致自愿驾驶汽车面对环节场景。图1显示了与人类驾驶员的庞杂交互所惹起的环节场景的示例，顶部为初始形态，底部为最终形态。此中汽车1是智能网联汽车，汽车2、3由人类独揽。汽车2的驾驶员驾驶作为较为激进，而汽车3的驾驶员驾驶作为相对落伍。起初，汽车1自愿检测到能够践诺变道作为的理思环境。当其举行变道时，汽车2无视安适间隙而紧跟汽车1，同时汽车3驾驶很是当心，便或者导致图1所示环节场景。本文后续先容基于该整个场景睁开。

本文运用了一个基于仿线）处分识别环节场景的题目。该东西链由逻辑场景（Logical scenarios）初步，逻辑场景是基于参数空间的场景描画，通过确定参数空间中各参数的取值局限，来范围或者的测试场景。

逻辑场景参数空间入选择特定参数便组成了整个场景（Concrete scenarios）。参数采选的一种形式如东西链左侧所示（图2），通过运用专家睹地、数据纪录、场景目次等确定环节场景的形式的要紧谬误是容易脱漏极少环节场景。本文采选东西链右侧形式，即运用参数变更模块，该模块通过自愿更改逻辑场景的参数来创修整个场景，这是正在一共参数局限内识别环节场景的一种容易本领。运用该形式的要紧挑衅是，正在运用东西链之前，环节场景及其性情是未知的，因而很难确定哪些参数组合被采取后需求更留心和所有的去测试。

为会意决这一题目，将上述本领天生的整个场景用于仿真境况的输入，该仿真网罗耦合交通仿真、汽车动力学仿真和车辆协同仿真三局限。交通仿真为汽车供给方圆交通境况；汽车动力学仿真为汽车供给精细动力学模子以及需求被测试的自愿驾驶效力；汽车协同仿真网罗消息交互模子。然后，将量身定制的评议目标运用于仿真结果，遵照仿真结果是否知足评议目标轨范，从而将整个场景自愿分类为环节或非环节场景。遵照感意思的范围分别，东西链能够运用分别类型的评议目标。正在本文中，将运用安适和交通质料行为评议目标。

识别出的环节的整个场景能够被运用于V型开拓模子的各个阶段，网罗模子正在环（MiL）、软件正在环（SiL）、硬件正在环（HiL）、汽车正在环（ViL）等，并纪录数据。东西链的末了是对测试结果的领会，从而对效力开拓举行反应。

本文中运用高速公途自愿驾驶的例子来演示东西链的运用进程，该东西链也能够扩展到其他效力和范围，比如村庄道途以及都市区域。

运用耦合仿真哀求虚拟境况具有可比性。分别虚拟境况不必然需求所有沟通，但根基几何消息务必足够类似，以使动态耦合正在这些境况中都合用。静态耦合是基于OpenDrive方式供给的实测数据集，舆图数据转换计划如图3所示。

舆图数据通过所选道途的高精度衡量来获取。本文采选了位于法兰克福（德国）相近的欧宝试验场。图3所示的舆图数据转换器是一种数据转换东西，可将OpenDrive方式的数据解析为特定仿真境况中所需的特定方式。

交通仿真供给交通参加者作为，汽车动力学仿真供给智能网联汽车作为，网罗驾驶效力和传感器配置等。协同仿真正在本文中将不做接头。动态耦合确保了智能网联汽车可能正在方圆的交通境况中行驶，从而供给可能呼应汽车驾驶效力的驾驶作为的动态交通境况。

本文基于古板安适目标和交通质料目标来识别环节场景。看待安适目标，本文选定了碰撞时刻TTC、制动时刻TTB、盼愿减速率为临界目标。看待交通质料目标，按眷注的空间域（DOI）巨细以及分别的交通表征，本文界说了宏观目标、微观目标、纳米目标、个别目标四个子目标。

为了运用基于仿真的东西链识别环节场景，需求指定与紧张水平联系的术语。很明白，对临界性的明了会跟着整个哀求调动而有明显的分别。东西链的通用打算应承运用分别的临界项。最闻名的临界性目标为“碰撞时刻”。

此中Δp是汽车地点的过错，V_ego是自车速率，V_obj是对象速率，V_rel是两车之间的相对速率。另一个轨范气量称为“制动时刻”，可界说为：

此中a_ego_max流露自车可能践诺的最大减速率。这个目标与自车的最大减速本领相合。末了一个目标称为“盼愿减速率”，如下式

为了磋议智能网联汽车及其对交通质料的影响，本文提出了四种交通质料目标和一种组合各目标的本领。该本领旨正在为场景的临界性评估收罗更众消息。其好处是弥补了却果的庄重性和有用性。目标的日常哀求能够表述如下：

分别的交通目标眷注的空间域分别。如图5所示，本文有三个空间域。第一个是固定空间域（DOI），依据高速公途容量手册的创议，它的标准采选为450m。第二个搬动DOI（永远）跟跟着自车并直接眷注方圆的境况，引入它是为了取得合于汽车方圆影响的附加指示。第三个搬动DOI只酌量自车。

第二个子目标是微观目标。它酌量固定DOI中的速率过错和均匀速率，把速率过错除以自车的速率均匀值的值行为微观交通质料的表征。当眷注总体交通质料时，需求正在指定的DOI中酌量每辆车，正在这里车的标号用索引j流露，而且能够流露为：

σ_vj为轨范速率过错，v_j是每辆车的均匀速率。取得的均匀变异系数CV由公式5的均匀值盘算。第一个搬动的DOI是缠绕自车的圆圈，其应承访问近隔断的交互。

第四个子目标是个别目标。这个目标仅酌量自车的数目。DOI仅缠绕自车,孤独酌量汽车的作为以收罗相合评估进程的更众消息。

一个场景是否环节以及是否应进一步磋议的断定是二元的，因而最好有一个特定的阈值分辨环节和非环节场景。为了竣工一个所有举座的评分体系，每个目标将被归一化，“0”被界说为最佳等第，“1”被界说为最差等第。轨范化评分体系能够表述如下，此中G_mac是宏观目标的等第、G_mic是微观目标的等第、G_nan是纳米目标的等第、G_ind是个别目标的等第。

宏观等第代表两个时刻间隔之间交通密度的变更。当自车惹起的交通密度减小时，联系场景会被分类到环节场景中。

微观等第酌量变异系数和均匀速率之间的折衷。大的速率振动和低的均匀速率会使场景被分类为环节场景，而小的振动和高的均匀速率能够被归类为理思的交通情景。

纳米等第运用均匀速率行为附加目标，纳米等第下的的变更系数和均匀速率仅针对搬动圆内的汽车盘算，以酌量具有近隔断交互效率的交通参加者。个别等第也运用均匀速率行为附加目标，它是通过加快率的轨范过错和自车自身的均匀速率来盘算的。大的加快率变更和低的均匀速率会使场景被分类为环节场景。

但这些目标的权重明白分别。因而，作家欺骗由专家举行评议和分级的锻练数据，基于最小二乘法对加权系数举行了优化。方针是升高基于锻练数据的举座评议的庄重性。最终等第将以参数样子流露。

此中x_1…x_4是每个目标的各个等第，β_1…β_4是相应的加权因子。图9显示了优化计划。

理思的情景是,“真阳性率”（TPR，Truepositive rate）抵达100%，同时仍旧低的假阳性率。图11显示了ROC-Graph中的优化结果。

能够看出，组合优化后的目标（图11，玄色实线）成就最好。FPR约为10％，且知足100％TPR的哀求。

本示例将SAE-Level 3高速公途践诺轨范驾驶职司行为用例，评估进程通过前文提出的安适和交通质料目标来实行，此中临界分类的相应阈值为G_final = 0.279，TTC = 3.9 s，TTB = 3.8 s，a_req = – 2 m/s^2 。本文一共采选四个分别的进入高速公途场景举行实践。场景一为无任何合扰，自车以范例作为进入高速公途的场景。此场景是为了分析目标确实将最佳作为归类为不环节场景。结果如表1所示。评议结果讲明目标不会偏离（由空集Φ流露），场景未被识别为环节场景。

场景二为进入受搅扰而导致传感器差错的高速公途场景。该场景会导致自车的旅途跟踪独揽器形成振动。运用沟通指定属性来采选沟通的逻辑场景。仿线所示。结果讲明交通质料目标及安适联系目标都对自车独揽器形成的波手脚出了呼应，因而该场景被归类为环节场景。

场景三酌量了高精度舆图消息毛病的环境。智能网联汽车运用高精度舆图来弥补预料性和拟订驾驶战术，希奇是正在高速公途入口处，高精度舆图能够供给如到车道终局隔断和应承进入高速公里的虚线起始地点等消息，舆图或者展示消息毛病而不应承自车直接进入高速公途。仿线 整个场景：自车带有舆图毛病消息进入高速公途

因为舆图消息毛病，自车不行进入高速公途而正在入口匝道上泊车。L3级效力哀求驾驶员正在阻塞入口匝道时接收汽车。基于交通质料目标，此场景被确切地归类为环节场景。因为自车没有惹起联系安适题目，因而安适目标没有偏离。场景四出色了其他交通参加者的作为及其对自愿驾驶效力的影响。前文所述的其他交通参加者正在仿真中的激进驾驶作为能够将自车逼到环节场景中。仿线 整个场景：激进交通参加者进入高速公途结果讲明激进的驾驶作为会极大地影响与安适联系的目标。每个简单目标值正在某有时间会降低到临界阈值以下，因而这些场景是紧张的，务必进一步测试。正在本次仿真中，交通质料没有明显下降使得仅基于交通质料目标评议的场景被识别为不环节。

本文先容了一种基于仿真的东西链，用于识别和验证智能网联汽车的环节场景，并正在包蕴传感器毛病、舆图毛病和其他交通参加者激进驾驶作为的分别场景中运用了该本领。运用轨范的安适目标和本文新提出的评估交通质料的目标举行场景分类，取得环节场景和相应数据，以行为测试结果用于效力开拓职员矫正相应自愿驾驶效力。该本领中所提出的评估交通质料的分别目标的组合可能对整个场景的环节性举行二元分类，而且该分类不是分裂运用每一个子目标，而是重视于找到一个酌量举座识别进程的最终等第的临界阈值。通过盘算最终等第并将该值与运用锻练数据的优化计划确定的阈值举行较量，以确定整个场景是否环节。