基于场景的自动驾驶安全验证研究

开发一个强大且全面的测试框架对于确保自动驾驶系统 (ADS) 的安全性和可靠性至关重要。该框架应涵盖广泛的可测试用例和场景，以挑战 ADS 在多样化和真实驾驶环境中的能力。

1. 自动化等级:

汽车工程师协会 (SAE) 国际组织定义了六个级别的驾驶自动化，范围从完全手动驾驶到完全自动驾驶：

L0 级：无驾驶自动化，驾驶员完全控制车辆，没有任何自动化辅助。这是我们熟悉的传统驾驶方式。

L1 级：驾驶员辅助，L1 级系统引入了基本的驾驶员辅助功能，驾驶辅助系统需要对车辆的横向或纵向的连续控制，如自适应巡航控制、车道居中保持功能。这些功能可以提高驾驶安全性和舒适性，但驾驶员仍需完全负责控制车辆。

L2 级：部分驾驶自动化,  L2 级系统可在特定条件下接管一些驾驶任务，例如转向 和保持车道内行驶速度。然而，驾驶员仍需监控环境，并随时准备接管控制权。高级驾驶辅助系统 (ADAS) 比如特斯拉 Autopilot 和通用汽车 Super Cruise 都是在这一级别操作。

L3 级：条件驾驶自动化, L3 级系统可以在特定条件下处理更复杂的驾驶情况，例如交通拥堵和高速公路驾驶。在这种情况下，驾驶员可以安全地脱离一些驾驶任务，但他们必须在系统提示时随时恢复控制。这一级别仍在开发中，尚未广泛商用。

L4 级：高度驾驶自动化，L4 级系统可以在特定环境中处理所有驾驶任务，例如特定高速公路或地理围栏区域内。驾驶员可以完全脱离驾驶，进行其他活动，但他们可能需要在系统故障或离开操作区域时接管控制权。

L5 级：完全驾驶自动化, L5 级系统可以在任何环境中处理所有驾驶任务。驾驶员不再需要，车辆可以完全自主运行。这一级别仍处于研发阶段，但它具有革新交通运输的潜力。

随着自动驾驶系统 (ADS) 即将彻底改变交通运输，了解这些自动化等级对于设计及验证复杂且不断发展的 ADS 技术至关重要，通过强有力的测试确保其安全性和可靠性至关重要。测试框架需要一种全面的方法来开发可测试用例和场景，这些场景将在多样化的驾驶环境中推动 ADS 能力的极限。

以下是框架概述：框架应适用于当前正在开发和部署的不同自动化等级 (SAE L0-L5 级)。每个级别都需要不同的测试场景，驾驶员参与程度和系统自主性各不相同。

2. 场景分类:

创建用于测试自动驾驶系统 (ADS) 的框架需要一套多样化且具有挑战性的场景，这些场景应反映现实驾驶的复杂性。需要针对可测试场景进行分类，以确保全面涵盖 ADS 可能遇到的潜在情况。

分类维度:

环境因素:

天气: 阳光、雨雪、雾霾、风、极端温度。

光线: 白天、夜晚、黄昏、眩光。

道路基础设施: 高速公路、城市街道、乡村道路、环岛、隧道、桥梁。

交通密度: 低、中、高、严重拥堵。

道路状况: 干燥、潮湿、结冰、积雪、碎屑、坑洼、施工区域。

交通参与者:

行人: 过马路、横穿马路、走在路肩上。

骑自行车者: 单人骑行、团体骑行、不可预测行为。

车辆: 汽车、卡车、摩托车、自行车、紧急车辆。

动物: 鹿、狗、猫、鸟。

意外行为: 急刹车、变道、 aggressive 驾驶。

操作因素:

传感器故障: 摄像头、雷达、激光雷达故障。

系统故障: 漏洞、软件错误、硬件故障。

网络攻击: 黑客攻击、数据操纵。

紧急情况: 事故、医疗紧急情况、火灾。

基础设施中断: 道路封闭、绕道、信号中断。

自动化等级:

0 级 (无自动化): 关注驾驶员在各种环境中应对意外情况的反应。

1 级 (驾驶员辅助): 评估系统干预以及它们如何影响驾驶员行为和情景意识。

2 级 (部分自动化): 测试驾驶员与系统之间的切换过程以及处理系统限制 (例如车道线褪色) 的能力。

3 级 (条件自动化): 评估系统处理复杂场景 (例如停走式交通) 和驾驶员接管准备就绪的能力。

4 级 (高度自动化): 在特定地理围栏区域内探索系统性能以及其对操作域之外的意外事件的响应。

5 级 (完全自动化): 在完全系统控制下涵盖各种环境和交通场景，侧重安全性和可靠性。

组合类别:

场景可以通过组合这些类别进一步细化。例如，一个场景可能涉及高速公路 (环境) 上的低能见度 (雾) 和前方卡车突然刹车 (交通参与者)。

分类的好处:

确保全面覆盖: 减少测试中的盲点。

促进系统测试计划: 帮助根据风险和复杂性优先排序场景。

使数据分析和比较成为可能: 提高对系统在不同类别中的性能的理解。

分类后下一步:

指定场景目标: 为每个场景定义特定目标，重点关注要测试的关键系统方面。

开发详细案例研究: 在每个类别和组合中创建单个场景的具体描述。

优先排序和排序场景: 根据重要性和潜在风险对场景进行排名，考虑测试资源和约束。

框架为构建用于 ADS 测试的全面且可适应的场景分类方案奠定了基础。特定类别、组合和目标可以根据特定系统和监管要求进行调整。

3. 可测试用例:

在每个场景类别中，可以定义特定的可测试用例来评估 ADS 在各个方面的性能，例如：

感知：在不同条件下的物体检测、跟踪和分类精度。

规划和决策：基于交通规则和安全考虑的路径规划、避障和操作选择。

控制：转向、加速和制动操作，以保持安全平稳的运行。

人机交互：界面设计、沟通清晰度以及系统限制情况下的驾驶员接管程序。

4. 工具和技术:

可以使用各种工具和技术来创建和执行测试场景，包括：

仿真平台：高保真仿真可以复制现实驾驶环境，并对变量进行精确控制。

传感器模拟器：模拟传感器数据可用于测试 ADS 在特定场景中的感知能力。

硬件在环测试：实际车辆硬件可以与模拟环境集成，进行更真实的测试。

5. 持续改进:

测试框架应该是一个迭代过程，随着新技术涌现和驾驶模式变化而不断改进。应分析测试收集的数据，以识别改进领域并改进场景和测试用例。

通过实施一个全面且可适应的测试用例和场景框架，开发人员可以确保他们的 ADS 经过彻底测试，并具备应对现实世界复杂性的能力，最终导致更安全可靠的自动驾驶体验。

（欢迎申请加入智能驾驶交流学习群，加小编微信号zhijiashexiaoming）