自动驾驶_测试场景技术发展与应用_2020
2022.7.8启
本文依据 机械工业出版社——《2020_自动驾驶_测试场景技术发展与应用》进行整合
参考书目：自动驾驶汽车测试技术发展现状与思考——范志翔，孙巍
第一章：绪论
自动驾驶汽车是未来汽车科技的战略制高点；
科学完善的自动驾驶汽车测试评价体系需要完整的测试场景应用技术作为支撑
自动驾驶测试和测试场景介绍
美国汽车工程师协会（SAE）发布的SAE J3016标准，将车辆自动驾驶功能分为六个级别
1）L0系统可提供警告或瞬时紧急干预功能
2）L1系统能够提供制动、加速或转向的辅助驾驶功能，如LCW\ACC
3）L2系统可提供制动、加速和专项的辅助驾驶功能，如ICA（ADAS属于L0-L2）
4）L3~L4指车辆可以在有限的条件下自动驾驶，除非满足所有条件，否则不会运行
5）L3系统在发出接管请求时，人类驾驶员必须解雇那驾驶控制车辆，如交通拥堵自动驾驶功能
6）L4系统在满足所有条件下，不需要人类驾驶员参与操作，如城市中自动驾驶出租车
7）L5系统可以在任何条件下自动驾驶
传统车辆测试评价的对象是 人——车 二元独立系统中的“车”
自动驾驶汽车的测试评价对象变为 人——车——环境——任务 强耦合的自动驾驶系统，从而导致对其测试和验证变得极具挑战性。传统的车辆测试手段无法满足自动驾驶汽车测试与验证的需求
目前，自动驾驶汽车测试方法主要分为 基于场景的测试方法 和 基于里程的测试方法 从统计学角度出发，要验证自动驾驶汽车比人类驾驶更安全，理论上应至少进行99 000 000mile以上的公共道路测试（1mile=1609.344m）
自动驾驶汽车测试的对象包括软件算法、部件、系统以及整车，具体到不同系统还包括环境感知系统、决策规划系统和控制执行系统等。测试方法可以在受控程度不容的各级测试环境内实施，包括SIL、HIL、VIL等，基于虚拟技术的测试环境，以及受控封闭场地、公共道路等真实测试环境。
测试场景研究背景
1：随着L2\L3\L4的到来，自动驾驶汽车测试与验证的场景数量呈几何级数增加
2：自动驾驶应对的场景复杂程度急剧上升
3：里程测试的方法带来的高成本和低效率等问题
4：必须利用测试场景进行针对性的测试和验证，降低里程测试的测试量
综上：对于自动驾驶汽车测试，测试场景的研究是至关重要的，亟需形成测试场景的系统性理论、方法和标准等，可以有效推动自动驾驶汽车测试技术的发展
世界上的研究现状： 2016，德国，PEGASUS项目，计划于2019年年底建成用于系统开发和测试验证的场景库 2018，美国，国家公路交通安全管理局（NHTSA）发布了关于自动驾驶测试场景和用例的架构体系报告 2018，我国，发布“中国典型驾驶场景库V1.0”
自动驾驶测试场景需求来源
1：来源：自动驾驶汽车的开发与验证、测试与评价 以及 检测与认证
2：测试场景需要满足的要求：可量化/可执行/拟真性
3：测试场景应具备的特征：多用途/可界定/可调整/可辅助/可分解/可组合/通用性
自动驾驶测试场景研究方法论
1：场景要素和场景分类：对场景进行一定程度的解构，便于把握场景本质和内涵
2：场景要素的分类方法 从自动驾驶测试的需求角度出发，场景要素可以分为环境要素和自车任务 从场景要素的基本属性出发，可以分为静态要素和动态要素 从场景要素的拓扑关系出发，可以分为道路要素、交通参与者要素、气象要素等
3：测试场景的分类方法
按测试场景的数据来源进行分类：自然驾驶数据、危险工况数据、标准法规数据
按测试场景表征的抽象程度进行分类：逻辑场景、功能场景、具体场景
按测试场景所包含的要素属性特征角度进行分类：如结构化道路场景、非结构化道路场景、静态场景和动态场景等
按测试场景的应用方式进行分类：如仿真测试场景和场地测试场景等
测试场景构建方法概述
第一步：采集数据：主要是自然驾驶场景
第二步：数据处理：通过对场景数据的分析挖掘，借助外部手段，完成对场景的理解和场景内要素特征的提取和聚类，并最终支持基于场景要素的重组以实现场景的生成和衍生出更多合理的场景
第三步：建立数据库系统，从而指导测试场景数据库的标准化建设，以便数据库的不断扩充和完善
开展自动驾驶测试场景研究工作的意义
1：自动驾驶测试场景研究工作是贯彻政府部门有关要求和落实智能网联汽车标准体系建设的重要措施
2：自动驾驶测试场景研究有助于建立对自动驾驶测试场景的统一理解、规范基本概念
3：自动驾驶测试场景标准化使不同采集平台和技术方案相互兼容，不同数据库数据实现互通与数据共享，有效节约开发和测试成本
4：自动驾驶测试场景标准化是我国深入参与国家标准法规工作的关键点和突破口
5：自动驾驶测试场景研究工作有利于侧近自动驾驶技术的快速迭代发展
第二章：自动驾驶测试场景技术与标准现状
国外自动驾驶测试场景技术研究现状
1:欧洲
KITTI：目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集，数据可用于评测目标（机动车、非机动车、行人等）检测、目标跟踪、路面分割等计算机视觉技术在车载环境下的性能。
Cityscapes：该数据集由奔驰主推，提供无人驾驶环境下的图像分割数据集。数据可用于评估视觉算法在城区场景语义理解方面的性能。用PASCAL VOC标准的IoU得分来对算法性能进行评价。 PEGASUS：该项目由德国联邦经济事务和能源部发起，旨在建立为自动驾驶汽车进行安全评估和测试的技术规范。该项目主要聚焦于SAE L3级别的高速公路场景的研究和分析，并将场景按照抽象级别划分为三个层次：
功能场景：通过语言场景符号来描述域内的实体以及实体间的关系
逻辑场景：通过定义状态空间内变量的参数范围，可以表达实体特征和实体间的关系
具体场景：通过确定状态空间中每个参数的具体值来明确描述实体和实体间的关系
2：美国
美国国家公路交通安全管理局（NHTSA）于2018年组织了一个名为“自动驾驶系统测试用力和场景框架”研究项目，旨在提供自动驾驶系统概念开发的测试场景框架 SAE：”自动驾驶汽车可变性能测试“是由美国SAE 发起的基于场景的测试方法研究项目
3：日本
2013启动SIP（战略性创新创造方案）的SIP-ADUS，其中，自动驾驶是他的核心之一
我国自动驾驶测试场景技术研究现状
1：2018年，《智能网联汽车道路测试管理规范（试行）》，推动颁发路试牌照
2：中国汽车技术研究中心有限公司数据资源中心自2015年，不断积累自然驾驶场景资源；并逐步形成了完善的数据采集规范、数据处理流程、特征提取方法、场景数据库结构规范、测试用例数据格式、驾驶场景虚拟仿真测试方法等理论体系
3：C-NCAP
4：2018年，Apollo开放了ApolloScape数据
5：2017年，昆仑计划下，上海淞泓智能汽车科技有限公司 成为国内最早提出并启动场景库建设的第三方机构，目前已积累了包含自然驾驶数据、场地测试数据、交通事故数据、路侧视频数据和网联通信数据等多源数据组成的综合性场景数据库
5：无锡车联网（LTE-V2X）
7：2018年，中国汽车工程研究院发布”中国典型驾驶场景库V1.0“
本章问题：在自动驾驶测试场景技术的发展过程中，其标准的建立具有更深渊的意义，标准的本质在于接口和交互
第三章：自动驾驶测试场景分类与要素
测试场景分类
1：按测试场景来源分类
a：自然驾驶场景
b：危险工况场景（聚类分析
c：标准法规测试场景
d：参数重组测试场景（作用：实现更多危险仿真测试场景的自动化生成）
2：按测试场景抽象程度分类
a：功能场景（语义级别的操作场景，通过语言场景符号来描述实体和实体之间的关系，用于概念阶段的项目各定义、危害分析和风险评估）
b：逻辑场景（通过状态空间描述两个实体之间的关系，是对功能场景的进一步描述，可以用于在项目开发阶段的生成需求）
c：具体场景（在逻辑场景中的状态空间选择确定的参数值，使用具体的数值来表示实体和实体之间的关系）
3：按驾驶任务过程场景分类（参考即可）
a：行车过程场景 b：场景片段 c：场景簇 d：旅程场景
2：按路面类型分类
a：结构化道路场景
b：非结构化道路驾驶场景
3：按场景复杂度分类
a：低速小范围场景
b：城市道路场景
c：高速公路场景
4：按场景应用方式分类
a：模拟测试场景
b：封闭试验场测试场景
c：开放道路测试场景
5：按测试场景要素特征分类
a：稳态场景
b：动态场景
6：按测试场景应用层级分类（***重点***）
分类思路：从微观到宏观程度分别为：元件级、组件级、系统级、整车级、生态级
a：组件测试场景（激光雷达、毫米波雷达、摄像头、V2X、传感器融合算法等）
b：系统级测试场景（传感感知系统、决策规划系统和控制执行系统）
c：整车级测试场景（自动驾驶汽车本身的测试、驾驶人与自动驾驶汽车之间的人机交互能力测试）
测试场景要素
1：测试车辆要素
2：静态环境要素
重点： 车道类型分类以及代码示例
3：动态环境要素
4：交通参与者要素
5：气象要素
第四章：自动驾驶测试场景构建关键技术
场景构建基本流程
自动驾驶测试场景结构分层：场景层、数据层、测试执行层
第一步：场景数据采集
第二步：场景分析挖掘：将数据进行如 场景理解、特征提取挖掘等处理，统一格式后再导入场景库中。在此基础上，需要围绕场景进行聚类、生成和优化等处理，从而构建不同场景
第三步：场景通过关联数据、标签后，即可应用与测试层，进入场景后见的第三步-----测试验证
场景数据采集技术
1：场景数据采集要求：略
2：场景数据采集方法：略
3：场景数据预处理技术 场景数据在线处理
a：摄像头数据在线处理：主要利用视觉感知算法实现目标的识别、检测、分割、追踪等，进而完成基于视觉的数据级障碍物感知任务
b：激光雷达数据在线处理：利用PCL算法与深度学习算法；PCL算法旨在利用一些分割算法对原始点云进行划分，常见的方法是通过随机采样一致性算法与欧式聚类结合的办法处理。（随机采样一致性算法适用于提取特殊几何点，能快速分割保证实时性，实现了点云分割得到目标所在的位置）
c：毫米波雷达数据在线处理：通过进行坐标变换能够得到目标的位置信息，并通过及逆行微分运算可以得到目标的速度和加速度信息
d：定位传感器数据在线处理：第一种是基于原始的GNSS信号的定位方式；第二种是基于IMU惯性导航系统的航迹推算的定位方式；第三种是基于特征匹配的定位方式
e：多传感器数据同步与融合处理：注意时间同步和空间同步；针对不同传感器数据特征，分别进行数据前融合和数据后融合。
4：场景数据离线处理
a：数据抽取：把不同数据源中的数据按照数据规范的格式转入到数据库中，即统一数据格式
b：数据清理：删除有缺失信息的记录；可对信息进行人工补全；利用数学公式对已有数据信息的值进行统计分析，利用统计的值进行补全
5：场景数据传输与储存技术：略
场景分析挖掘技术
1：场景理解：
对采集到的交通场景的挖掘首先要进行场景理解，而场景理解设计诸多子任务：目标检测、区域标注和3D重建等；（图像理解设计基本理论有：概率统计、图像模型及机器学习等） 随着深度学习模型的发展，在计算机视觉领域内 基于卷积神经网络的检测模型 逐步成为目标检测首先方案；
针对滑动窗口提取检测区域的缺点及特征制作的难度，出现了 基于区域的深度学习目标检测算法（R-CNN），也就是通过选择性搜索（SS）算法代替滑动窗口检索出候选检测区域，利用CNN网络提取出特征，最后在SVM中完成分类。
Fast R-CNN利用感兴趣区域池化网络结构解决了批量提取区域特征的问题；
YOLO的基于目标检测算法主要是将检测判别为回归任务；
2：特征提取：对场景进行数值化描述，以便场景的进一步应用
3：场景聚类：
如通过车辆的轨迹信息来对具有相似形式曲线的车辆轨迹进行聚类，把不同的轨迹的场景分到不同的类别中；常用的聚类算法主要有：DBSCAN、OPTICS、STING、K-MEANS、BIRCH等
4：场景生成：
为了提高场景的覆盖率，需要对已经采集到的场景进行推演归纳处理，从而衍生出更多合理的场景，即场景重构；
基于机器学习的系统像不透明的黑盒子，我们无法对其内部机制进行覆盖测试，可以通过覆盖出入参数优化覆盖率。随着深度学习的发展出现了生成对抗神经网络
场景验证技术
基于虚拟技术进行场景验证：利用仿真软件构建静态场景要素，运行仿真测试完成场景验证
场景库技术
场景库是不同场景的集合，每个具体的场景由数据组成；
由于数据量级较大，一般通过数据库进行管理，数据库是场景库的数据表现形式；
场景库技术概述
当前主流数据库技术有三种：
a：以Qracle、SQL Server为代表的传统数据库（主流）
b：以Teradata、Greenplum为代表的大规模并行处理数据库
c：以Hive、Redis、MongaDB、Neo4j为代表的非关系型数据库
场景库系统架构场景库技术概述
物理架构：
为了实现场景数据的高效管理，需要选用合理的数据库架构。数据库系统的物理架构主要有集中式和分布式两种
逻辑架构：
对于场景库系统中的半结构化和非结构化数据，主要以分布式文件存储或分布式对象存储为主，因此，按照业务规则设计好逻辑架构即可
场景库数据格式
在数字化场景中，对于场景的描述主要分为两大部分：
1）对主车的行为描述，定义了无人车自身的形式规划路线
2）对周围环境描述的范围包括但不限于下列类型：
交通灯、静止障碍物、运动障碍物、不同种类障碍物
对于场景库的数字化描述，可包含如下：
a：特征标签申明格式
b：定位信息描述
c：主车行为模型构建
d：红绿灯模型构建
e：障碍物模型构建
场景库接口定义
按照一定的格式定义场景库的接口，可以将场景库与测试系统、被测对象解耦，避免场景的重复构建
1：路网接口定义：
常用的路网接口定义形式主要有OpenDRIVE（开源的道路网逻辑描述的文件格式）格式 和 RoadXML格式；
绘制高精度十字路口：VTD仿真器
（百度仿真系统，对于道路的建模，采用webGL渲染高精度地图的信息）
2：驾驶人接口定义：在自动驾驶测试过程中，主车驾驶人的角色可以被自动驾驶的控制算法替代
3：车辆接口定义：目的是配置主车
4：交通环境接口定义，可拆分为：
交通流控制接口、移动目标控制接口、行人目标接口、交通等控制接口和天气接口
场景库管理
安全管理、优化管理、更新管理
第五章：自动驾驶测试场景应用关键技术
场景与测试
针对“场景参数状态空间中参数的选取”，在执行阶段，为了满足ISO26262中对测试用例必须包含“输入数据、时间序列”的要求，同时也是为了保证场景的可复现性及可量化性，只能由一组确定的参数准确地描述一个可供测试的场景。此时就涉及状态空间如何取值的问题，状态空间中单个值的确定，需要考虑系统设计运行域（ODD），以及针对系统设计运行域的取值范围采用如边界值、特征值等参数设计方法，还需要考虑该参数与其他参数的影响
仿真测试中场景应用技术
1：百度仿真系统，对于道路的建模，采用webGL渲染高精度地图的信息
2：waymo仿真平台：Carcraft
3：动态要素和建模：利用CarMaker、VTD、Panosim 实现动态驾驶任务：起步、停车、跟车等
第六章：自动驾驶测试场景 标准体系构建
第七章：自动驾驶测试场景 数据库产业模式探索
第八章：自动驾驶场景 未来发展趋势
2022.7.15 DONE
自动驾驶_测试场景技术发展与应用_2020相关推荐
- 7月行业政策丨《智能网联汽车道路测试与示范应用管理规范（试行）》，北京亦庄正式开放自动驾驶高速测试场景...
国家政策 01 工业和信息化部发布<2021年汽车标准化工作要点> 工业和信息化部发布<2021年汽车标准化工作要点>,提出2021年汽车标准化工作将深入贯彻落实<新能源 ...
- 自动驾驶仿真测试标准ASAM OpenX简介
声明:偶尔转载的文章出于非商业性的教育和科研目的,并不意味着支持其观点或证实其内容的实行,欢迎大家评论发表自己的意见.版权归原作者所有,如转载稿涉及版权等问题,请立即联系我们,我们会予以更改或删除相关 ...
- 自动驾驶仿真测试的两大痛点问题
自动驾驶仿真测试是自动驾驶车辆商业化落地的一道重要关卡,仿真测试技术的发展进步将决定自动驾驶落地的时间点. 本篇文章是<九章智驾>仿真类系列的第四篇,前三篇分别是:<一文读懂自动驾驶 ...
- 自动驾驶汽车测试技术与应用进展
成熟的测试技术可以推动自动驾驶技术的发展和进步,反之则会成为测试技术发展的瓶颈,从自动驾驶汽车测试的需求出发,测试方法和测试工具的同步发展尤为重要,而其中基于场景的测试方法和基于虚拟仿真的硬件在环.整 ...
- L3智能驾驶控制算法及验证、自动驾驶道路测试与数据采集、场景挖掘
2019年6月4日 - 6月5日在上海安亭举办第二届"智赢未来·智能汽车测试技术研讨会 ".本次会议邀请了国内外知名机构的技术专家,分别来自江苏省智能网联汽车创新中心.吉林大学.上 ...
- 谷歌、苹果等大佬亲自戳穿自动驾驶完美童话，技术、场景、安全牢笼实难突围！...
来源: 物联网智库 摘要:自动驾驶普及不仅局限于自身技术和应用场景,而且与产业链各环节密切相关.一项科技从诞生到被人们所接受是一个循序渐进的过程,自动驾驶真正普及还任重而道远. 2018年11月1日百 ...
- 特征级融合_自动驾驶多传感器融合技术浅析
文章转自公众号:计算机视觉之路 原文链接: 头条 | 自动驾驶多传感器融合技术浅析mp.weixin.qq.com 自动驾驶车上使用了多种多样的传感器,不同类型的传感器间在功用上互相补充,提高自动驾 ...
- 自动驾驶层次测试体系（单元测试/集成测试/SIL/HIL/VIL/RIL/LABCAR/实车等）
智能驾驶的测试是一个非常复杂的系统,我们用一篇文章,由小到大的逐个展开来和大家一起梳理下.在梳理之前我们先抛出一个问题,自动驾驶的测试量需要达到什么量级?根据国际一般标准统计,人类司机驾驶一小时的死亡 ...
- 揭开自动驾驶在机场场景的商业化现状、挑战及趋势
交流群 | 进"传感器群/滑板底盘群"请加微信号:xsh041388 交流群 | 进"域控制器群/操作系统群"请加微信号:ckc1087 备注信息:传感器/滑板 ...
最新文章
- 【Qt】Qt样式表总结（二）：冲突和命名空间
- 你确定你理解内存分配吗？
- Asp.net MVC 学习之路-003（增删改查，后端手工，前端生成）
- SrpingMVC 映射方法中参数之value，param，同时使用出现的问题
- 窗体跳转与传值 02
- ResNet原理和实现
- start mysql server_mysql5我的难点,快捷操作(mysql.server stop start),开机启动
- BZOJ2342 Shoi2011 双倍回文 【Manacher】
- QT生成在Windows下有图标的exe文件(IDE=QT Creator)
- button执行onclick函数_可能你的react函数组件从来没有优化过
- 中国石油大学《测井解释与生产测井》第二阶段在线作业
- vue 脚手架跨域问题解决
- 常用的JScript代码整理
- SystemUI流程
- Mybatis中使用了哪些设计模式
- snmptrap 命令解析
- hotel california(加州旅馆)中英对照歌词
- 【图像处理基础】基于matlab霍夫变换直线识别（拟合角平分线）【含Matlab源码 2575期】
- 发现了一个xmp/xmp标签可用来输出html代码
- MySQL 8.0 批量生产千万级用户、手机号等信息