2021年（第43卷）第4期汽车工程
王荣1，孙亚夫2，宋娟1
（1.工业和信息化部计算机与微电子发展研究中心（中国软件评测中心），智能网联驾驶测试与评价工业和信息化部重点实验室，
北京100048；2.北京千方科技股份有限公司，北京100085）
［摘要］为解决自动驾驶车辆道路测试场景不明确、典型测评场景缺失和场景量化评价难等问题，提出基于场景复杂度模型的自动驾驶车辆道路测试评价方法，创新性地采用信息熵和引力模型相结合的方法对自动驾驶车辆道路测试的场景进行评价和分类，并通过试验验证了场景评价方法的合理性，该方法有助于自动驾驶企业或第三方测评机构选取典型场景，推进自动驾驶车辆道路测试评价进程。
关键词：自动驾驶车辆；道路测试；场景复杂度；场景评价
Evaluation Method and Test Verification of Road Test Scenes
for Autonomous Vehicles
Wang Rong1，Sun Yafu2&Song Juan1
1.Intelligent and Connected Driving Testing and Evaluation MIIT Key Laboratory of Research Center for Computer and
Microelectronics Industry Development，MIIT（China Software Testing Center），Beijing100048；
2.China Transinfo Technology Co.，Ltd.，Beijing100085
［Abstract］In order to solve the problems of uncertain road test scenes for autonomous vehicles，lack of typ⁃ical evaluation scenes，and the difficulty in quantitatively evaluating scenes，a road test evaluation method for au⁃tonomous vehicles based on scene complexity model is proposed，which evaluate and classify the road test scenes for autonomous vehicles by innovatively combining information entropy with gravity model，and the rationality of the scene evaluation method is verified by tests.The method is helpful for the autonomous driving enterprises and the third-party testing/evaluation organizations to select the typical scenes，promoting the course of road test and eval⁃uation for autonomous vehicles.
Keywords：autonomous vehicles；road test；scene complexity；scene evaluation
国产汽车标志图片大全
前言
以自动驾驶车辆（包括智能汽车、无人驾驶汽车、智能网联汽车等）为例，在自动驾驶技术的发展和智能网联汽车商业化应用的迫切需求下，自动驾驶车辆道路测试显得极为重要。通过对自动驾驶车辆进行道路测试，既可以对新技术进行测试验证，促进技术发展，还可以检验自动驾驶车辆的安
全性［1-2］。
基于道路场景的车辆测试方法是目前主流的车辆测试方法。例如美国公路交通安全管理局（NHTSA）预碰撞场景、美国交通部（DOT）和Waymo 核心驾驶能力的测试项目和场景［3］。德国政府研究事故场景，在电子地图上表示事故类型、交通类型和事故严重程度［4］。欧盟梳理潜在的和真实事故场景与特征，总结人工和自动驾驶关键场景［5］。我国发布的《智能网联汽车道路测试管理规范（试行）》规定
doi：10.19562/j.chinasae.qcgc.2021.04.020
*北京市2018年科技计划车辆道路测试自动驾驶能力评估规范方法研究及技术验证课题（Z181100004618002）和科技创新2030-“新一代人工智能”重大项目自动驾驶国家新一代人工智能开放创新平台（2020AAA0103703）资助。
特斯拉工厂被罚原稿收到日期为2020年7月7日，修改稿收到日期为2020年9月26日。
通信作者：王荣，工程师，硕士，E⁃mail：。
2021（Vol.43）No.4王荣，等：自动驾驶车辆道路测试场景评价方法与试验验证
自动驾驶功能检测项目。中国智能网联汽车产业创新联盟和全国汽标委针对此《管理规范》细化的检测项目与场景［6-7］。中关村智通智能交通产业联盟发布《自动驾驶车辆测试道路要求》，对测试道路进行分级［8］。北京理工大学张昕等［9］提出基于信息熵的特殊区域环境复杂度计算模型。吉林大学王云鹏等［10］提出定量评价交通环境因素的方法。在现有技术中，场景复杂度模型没有针对自动驾驶汽车的自身数据进行综合分析，场景分类也大多基于自动驾驶功能、事故等维度，没有区分不同类别场景的难易度或复杂程度，从而无法依据分类选取出适用于自动驾驶道路测试的典型场景。因此，现阶段自动驾驶车辆须进行大量的场景测试来验证自动驾驶能力，测试效率和测评效果均有待提升。基于现有技术，研究场景评价与分类方法是自动驾驶车辆道路测试亟需突破的难点之一［11-12］。
本文中提出了一种自动驾驶车辆道路测试的场景评价与分类方法，以解决现有技术存在的无法区分不同道路测试场景的复杂度，更无法依据分类选取出适用于自动驾驶道路测试的典型场景，测试效率和测评效果均有待提升的问题。通过确定一个或多个预先创建的道路场景，并确定为创建道路场景所采
用的场景组成要素；获取场景组成要素所对应的信息，将场景组成要素划分为静态场景要素和动态场景要素；进一步计算静态场景要素和动态场景要素分别对应的场景复杂度，综合得到道路场景所对应的场景复杂度分值。最后，根据道路场景所对应的场景复杂度分值实现对场景的分类，使最终得到的分类结果既能体现出不同道路场景的复杂程度，又能体现出不同道路场景的类别，本文中提出的道路场景评价与分类方法能大幅提升测试效率和测评效果。
1场景设计方案
基于国际、国内自动驾驶测试场景标准规范、道路交通事故场景和国家智能汽车与智慧交通（京冀）示范区的测试经验［13］，建立智能网联汽车道路测试场景要素库，通过选取基本要素与要素组成，从功能和逻辑等维度进行梳理组合，提取自动驾驶测试场景。
1.1场景组成要素库
通过分析标准规范场景，包括ISO、NTHSA、SAE、ENCAP、FMCSA和ADAS场景［14-18］，结合网络事故视频、公安交管道路交通事故数据和事故还原等道路交通事故和人为驾驶经验，将自动驾驶车辆道路测试场景要素库划分为静态场景要素和动态场景要素。其中静态要素包括路段、车道、道路交通标志、道路交通标线、交通信号灯、其他设施和天气，动态要素包括场景参与者。场景要素库见表1。
1.2测试场景的提取
根据上述场景要素库中的组成要素，从功能、逻辑等维度进行梳理组合，自动驾驶功能包括直行、跟车、变更车道和路口左转等，逻辑维度是在功能研究的基础上，考虑自然环境条件、道路属性和运动状态等，进而划分为不同时间、不同天气状态、道路等级和道路长度等，设计形成测试场景［19］，如图1所示。
1.3测评场景
根据上述方法设计道路场景，参考T/ CMAX116-01-2018《自动驾驶车辆道路测试能力评估与方法》［20］，从自动驾驶车辆认知与交通法规遵守能力、执行能力、应急处置与人工介入能力和综合驾驶能力等方面，设计搭建50组城市道路测评场景，如图2所示。
表1自动驾驶车辆道路测试场景要素库基本要素
路段
车道
道路交通标志
道路交通标线
交通信号灯
其他设施
天气
场景
参与者
要素组成
双向、三向（T型）、四向（十字路口）
两车道（中心线）、四车道（中心线）、单车道（环岛）
警告标志、禁令标志、指示标志、指路标志、施工标
志、辅助标志
指示标线、禁止标线、警告标线
机动车信号灯、非机动车信号灯、人行横道信号灯、
方向指示信号灯、车道信号灯、闪光警告信号灯、道
路与铁路平面交叉道口信号灯
长安4s店收费站、公共汽车站台、减速带、停车场、充电站、加
油站、锥形桶
白天、黑夜、晴天、雨雪雾
测试车、机动车、非机动车、行人、动物、其他障碍
物、移动式交通管控设施
621
汽车工程2021年（第43卷）第4期
2场景评价与分类方法
提出场景复杂度模型，它是根据道路交通环境
的影响因素，建立一个评估道路交通环境复杂程度的评价模型，用来反映道路交通环境的参与者和其所处的交通环境之间的相互作用关系。进一步通过场景评价方法进行场景分类，可以分为简单、中等和复杂3个等级的环境测试场景。场景评价与分类流程如图3所示。
场景评价理论主要基于场景复杂度，它是指自动驾驶车辆道路测试评价场景的复杂程度，在研究道路交通环境影响因素时仅考虑周围环境对自动驾驶车辆造成的其他交通参与者、路段、标志标线等相
关影响因素，不考虑风向、温度湿度、树木抖动等自然条件。场景复杂度是一个相对的概念，不会离开自动驾驶车辆而存在，是一个随着因素变化而变化的变量，在道路交通环境测试中会随着距离、速度等因素的变化而变化。
本文中将自动驾驶车辆道路测试场景复杂度分为静态场景复杂度和动态场景复杂度，其中静态场景复杂度引入信息熵理论，计算离散信息源的信息量总和，考虑静态场景要素的类型和权重；动态场景复杂度引入加速引力模型，考虑场景参与者和测试车辆之间的距离、速度等的相互影响因素［21-23］。场景复杂度由静态场景复杂度和动态场景复杂度的综合评价结果得到，场景复杂度如图4
所示。
图1自动驾驶车辆道路测试场景的提取
622
2021（Vol.43）No.4王荣，等：自动驾驶车辆道路测试场景评价方法与试验验证2.1静态场景复杂度
静态场景复杂度引入信息熵理论确定静态场景
要素的信息熵，考虑静态场景要素的类型和权重。静态复杂度系数（信息熵）计算公式为
θ1=-∑i =1
h p i log 2p i
（1）
式中：θ1为静态场景复杂度系数；h 为静态场景复杂
度中各个场景组成要素所对应分组标签的类型总
数；p i 为根据静态场景复杂度构建的图形结构中相同类型节点数与节点总数的比值。
不同静态环境要素权重根据专家打分确定：C 0=θ1×(β1∑Y 1+β2∑Y 2+
β3∑Y 3+β4∑Y 4+β5∑Y 5)
（2）
式中：C 0为静态场景复杂度；
βn 为静态场景组成要素中第n 个分组所对应的权重；Y n 为静态场景组成要素中第n
个分组内各个场景组成要素所对应的预设
图3
场景评价与分类流程示意图
图4自动驾驶车辆道路测试行为评价场景复杂度
能力评估专项
认知与交通法规遵守能力交通信号灯交通标志方向指示灯识别
禁止通行标志识别执行能力曲线行驶双凸路行驶前方行人动态遮挡
静止摩托车识别
应急处置与人工介入能力人工介入后的可操作性
并行侵入
车辆识别起步
锥桶识别
路口行人横穿道路起步时，左侧机动车直行前方行人静态遮挡跟车
变更车道
弯道内锥桶识别车道减少，左侧车辆直行
连续变道超车一连续变道超车二直行通过路口跟车切入切出跟车时，行人切入
直行时，右侧支路车辆右转直行时，对向车辆左转路口行人遮挡起步
直行时，右侧车辆违规左转
直行时，对向车辆掉头直行时，对向车辆掉头右侧支路车辆右转T 型路口直行时，左侧支路车辆左转
通过人行横道直行时，
右侧急制动场景响应综合驾驶能力路口左转弯左转跟车时，对向车辆直行左转时，对向右转行人冲突通行
左转时，对向车辆右转左转时，左侧支路车辆掉头左转至待转区，对向车辆直行左转时，对向车辆直行左转时，行人沿车道线行走T 型路口左转时，左侧支路车辆直行路口右转弯
右转时，左侧支路车辆有遮挡执行右转时，对向车辆左转右转时，左侧支路车辆直行右转时，右侧支
路车辆掉头靠边停车静止自行车识别
通过公共汽车站公交车进站
会车
会车
弯道会车通过环岛
入环岛时，车辆内侧车道绕行
出环岛时，车辆外侧车道绕行主辅路行驶入主路时，主路车辆直行入辅路时，辅路车辆直行
辅路直行时，
主路车辆汇入主路直行时，辅路车辆汇入入主路时，行人主路逆行
路口掉头
詹姆斯亨特掉头时，左侧支路车辆直行
掉头时，对向车辆直行掉头时，左侧支路车辆右转掉头时，行人横穿道路
图250组城市道路交通场景
623
汽车工程2021年（第43卷）第4期分值之和。
2.2动态场景复杂度
基于引力模型研究，提出动态场景复杂度与场
景中的动态因素有关，复杂度与测试车辆和场景参
与者的速度、两者之间的距离与夹角等存在某种数
学函数关系。将动态因素对测试车辆的影响作用视
为环境复杂度的场效应机制，测试车辆与场景参与
者之间的相对速度与距离作为衡量场强度的指标，对环境复杂度的场分布进行数学描述，将动态因素
丰田凯美瑞2.0报价进行抽象概括。根据测试车辆属性与交通参与者属性初步形成具有场效应的复杂度引力模型结构体系，其模型的基本形式为
C1=c⋅K1⋅K2（3）式中：C1为动态场景复杂度；K1为测试车辆的属性值；K2为交通参与者的属性值；c为常数。
测试车辆的属性值的计算公式为
K1=at1v1d1cosθ（4）式中：a为常系数，为调整模型规范的一个常数；t1为测试车辆的反应时间；v1为测试车辆的行车速度；d1为测试车辆与交通参与者的距离；θ为测试车辆与其他交通参与者之间的夹角。
睿翼2.0交通参与者属性值的计算公式为
K2=pt2v2d2（5）式中：p为常数；t2为交通参与者的被感测时间；v2为交通参与者的速度；d2为交通参与者的运动距离。
根据静态场景复杂度和动态场景复杂度计算得到道路测试场景的复杂度，即
C=C0⋅C1（6）式中C为道路测试场景复杂度。
3场景评价与分类的试验研究
从设计搭建的50组自动驾驶车辆道路测试场景中选取10组典型场景，通过开展实车试验研究，搭建测试环境、采集并分析试验数据，旨在对自动驾驶车辆道路测试场景评价方法进行验证。
3.1试验准备
3.1.1测试车辆
测试车辆选用Tesla Model S，在测试车辆上安装激光雷达、摄像头、工控机、惯导等测试设备，测试车辆与设备见图5。3.1.2交通参与者
（1）背景车
交通参与者是3辆背景车：上汽大通T60，长×宽×高为5365mm×1900mm×1809mm；华晨金杯，长×宽×高为5020mm×1690mm×1935mm；福田皮卡，长×宽×高为5310mm×1860mm×1790mm。
（2）假人
交通参与者模拟行人，安装在可移动小车上，如图6所示。
3.1.3数据采集设备
数据采集设备采用华测P3北斗高精度定位测向接收机。通过惯导采集测试车辆的数据，包括测试车辆速度、测试车辆正前方与交通参与者之间的夹角、测试车辆与交通参与者的距离和交通参与者数据包括交通参与者速度等。
3.2场景评价与分类试验
选取的10组典型场景编号分别为5、6、7、13、22、29、30、33、34、42，分别计算每个场景的场景复杂度分值。下面以测试场景30为例，计算该测试场景的复杂度。该测试场景的测试车辆在右侧车道左转，行人沿车道线同向行走，如图7所示。
3.2.1测试现场
测试车辆位于测试车道，开启自动驾驶模式；测试终点设在离测试车辆前进方向十字路口左侧50m以上的位置，行人沿两车道分割线同向行走，实时记录测试车辆和行人的速度、相对距离和夹角等参数，测试现场如图8
所示。
图5Tesla Model S
和测试设备
图6交通参与者
624
发布评论