[论文解读] A Scenario-Based Development Framework for Autonomous Driving

Xiaoyi Li|arXiv (Cornell University)|Nov 3, 2020

Autonomous Vehicle Technology and Safety参考文献 49被引用 4

一句话总结

本文提出了一种面向自动驾驶的基于场景的开发框架，通过标准化本体定义场景，并利用重要性采样实现随机和危险场景的自动化虚拟测试，使测试仿真速度提升了7,000倍，显著提高了自动驾驶系统验证的覆盖率与效率。

ABSTRACT

This article summarizes the research progress of scenario-based testing and development technology for autonomous vehicles. We systematically analyzed previous research works and proposed the definition of scenario, the elements of the scenario ontology, the data source of the scenario, the processing method of the scenario data, and scenario-based V-Model. Moreover, we summarized the automated test scenario construction method by random scenario generation and dangerous scenario generation.

研究动机与目标

• 为确保开发与测试过程中的一致性、可量化性和可复现性，建立自动驾驶场景的标准化、可量化且可复现的定义。
• 开发一个综合性的场景本体，整合车辆、环境及动态要素，以实现对复杂驾驶情境的精确模拟。
• 通过确保场景真实性、适当的粒度和可衡量的性能结果，实现高保真度的虚拟测试。
• 通过使用重要性采样自动化生成随机和危险场景，加速基于场景的验证。
• 解决虚拟测试中的关键技术挑战：真实性、粒度和性能度量。

提出的方法

• 提出一种场景本体，包含两个核心类别：车辆基本信息和环境要素，包括道路、天气、静态/动态物体以及驾驶任务。
• 引入V-Model用于场景驱动的开发，将场景设计与从概念到测试的系统生命周期阶段对齐。
• 使用概率密度函数进行随机场景生成，以探索多样的驾驶条件。
• 应用重要性采样以提高高风险场景的生成概率，从而减少所需的测试运行次数。
• 使用似然比 $ L(x) = \frac{f(x)}{f^{*}(x)} $ 和期望值 $ E_{f^{*}}[I^2(x) \cdot L^2(x)] $ 优化危险场景采样效率。
• 通过参考测量系统（RMS）结合更高分辨率传感器验证保真度，确保虚拟场景与真实世界的感知特征一致。

实验结果

研究问题

• RQ1 如何对自动驾驶场景进行形式化定义，以确保在开发与测试中的一致性、可量化性和可复现性？
• RQ2 场景本体应包含哪些要素，才能全面表现场景中自动驾驶车辆与环境之间的动态交互？
• RQ3 如何高效生成虚拟测试场景，以最大化覆盖罕见或危险的驾驶情形？
• RQ4 哪些标准可确保模拟测试环境与真实世界条件相比具有真实性和保真度？
• RQ5 如何定义并测量性能指标，以评估自动驾驶车辆在复杂场景中的行为表现？

主要发现

• 所提出的场景本体将车辆、环境及动态要素整合进统一框架，实现了对复杂驾驶情境的一致建模。
• 使用重要性采样生成危险场景，与标准蒙特卡洛模拟相比，可将所需测试运行次数减少7,000倍。
• 当RMS对车道线、道路特征和光照的测量结果与真实世界的感知数据在预设阈值内匹配时，虚拟测试场景可实现高保真度。
• 仿真元素的粒度必须与传感器能力及计算限制相匹配，以避免不必要的计算开销。
• 关键绩效指标（KPI）如安全性、舒适性和自然性，为评估虚拟测试中自动驾驶功能提供了可量化的标准。
• 驾驶员在回路的图灵测试模型可实现对自动驾驶车辆在复杂、类人理解场景下决策能力的评估。