未来不用人开车了？高级自动驾驶技术，让人类从此远离交通事故

阅读文章前辛苦您点下“关注”，方便讨论和分享，为了回馈您的支持，我将每日更新优质内容。

文 | 南柯归洵

编辑 | 南柯归洵

前言

减少交通事故一直是工业界和学术界的热门话题，而自动驾驶（AD）是减少事故的一种有前途的方法，因此在过去十年中AD得到了快速发展。

如百度，特斯拉和奥迪等公司，都已经在很早之前就开始声称他们已经开发了高级自动驾驶汽车（AV）。

不过在被市场接受之前，高级自动驾驶汽车必须经过彻底的验证和评估，以证明它们比人类驾驶更安全，或者至少不会比有人驾驶更危险。

我们现在的自动驾驶技术究竟发展到了什么水平？他们能否做到比人类驾驶更加安全呢？

自动驾驶汽车

不过想要测试AV仍然是一个非常有难度的事情，一方面是因为现在的自动驾驶汽车变得越来越复杂，一些机器学习（ML）技术已经应用于AD的任务，包括对象识别和分类，并取得了良好的效果。

但是比如卷积神经网络（CNN）和强化学习（RL）等已经被运用到自动驾驶汽车上的技术，都很难对其进行测试。

这种情况也使得通过行驶里程来检测车辆的传统方法，非常难以用来测试AV。

而另一方面，在我们的现实世界当中，也存在着许多偶尔需要自动驾驶汽车来驾驶的情况，理论上自动驾驶汽车在自动驾驶交通中，可能遇到的场景数量是无限的。

曾经就有学者指出，如果使用传统的车辆检测方法的话，可能需要上千万公里的道路测试来证明无人驾驶车辆的可靠性，显然这是不可能的。

于是便有人提出了基于场景的测试（SBT），这是一种经过充分研究且很有前途的AV测试方法，甚至已经被许多企业投入到了实际的运用当中。

现在SBT已经用于软件工程，SBT的目的是证明被测系统（SUT）可以按设计工作或至少安全工作，而不会受到伤害，或危及整个操作设计领域（ODD）中其他交通参与者的安全。

SBT的基石之一是情景数据库，包括多样化和关键情景，有两种方法可以获取它，数据驱动或基于专业知识，他们之间最显著的区别是他们对专业知识的依赖，基于知识的方法通常需要大量的专业知识来生成所需的场景。

而数据驱动的方法主要通过利用源数据中包含的信息来生成方案，不过“数据驱动”并不意味着在场景生成的所有相关过程中不需要专业知识。

实际上几乎所有数据驱动的方法都利用了专业知识，不然就是或多或少地将它们作为补充。

虽然基于知识的SBT在某些情况下已被证明是一种实用的方法，但它仅限于专家设计的领域，并且无法在自然流量中获得SUT性能，因此我们侧重于数据驱动的场景生成（DDSG）。

如今AV测试的数据驱动场景生成已成为一个热门话题，并且已经取得了很大进展，所以对于研究人员和工程师来说，阅读总结相关研究关键点的调查会有所帮助。

尤其是过去三年当中的调查，可以给研究人员和工程师提供便利，更快速找到数据驱动场景生成问题的解决方案，并且对相同问题的解决方案进行分组和比较。

SBT方法

通过研究现有的调查结果，我们可以知道，如今的SBT方法大致分为三类：面向覆盖，面向不安全场景和面向指标估计。

在得知这些之后，我们根据仿真结果对这些方法进行分析，但是这些综述中的大多数都是根据整体方法，而不是他们试图解决的具体问题。

而我们要做的就是介绍、分析和比较数据驱动场景生成（DDSG）的最新方法，以及相关子问题的解决方案，并且在这个过程当中，指出DDSG中仍然存在的一些问题。

很多学者和工程师都可以在现有方法中做出AV测试的最佳选择，也可以深入挖掘以解决基于场景的测试（SBT）中的剩余问题。

生成所需场景必须解决一些关键问题，包括收集真实的源数据、识别隐藏在源数据中的感兴趣场景、生成 AV 测试场景、评估派生场景等。

不过由于DDSG的方法可能彼此之间差异很大，基于这些待解决的问题，得到了一个典型的DDSG框架。

生成场景

第一步：获取源数据，DDSG主要依赖于从数据中提取的信息，而不是专业知识。

因此源数据对DDSG至关重要，源数据可以通过物理或虚拟方法收集，前者包括收集自动驾驶数据（NDD）和事故数据等。

有的时候现实中的数据会被整合到相关的法律、法规或标准中，而这些法律、法规或标准其实也可以作为数据源。

不过随着仿真技术的发展，用于AV测试的虚拟世界的保真度正在逐渐提高，这也就导致后期虚拟世界的重要性日益增加。

第二步：场景识别，方案识别旨在识别或检测已发生且隐藏在源数据中的方案，基于这些识别的场景，可以引出逻辑场景的参数范围和分布。

同时在另一方面，一些事故场景也可以直接用于AV测试，比如一些人车事故和近碰撞的场景。

第三步：场景生成，许多公司收集了大量的NDD，然而现实世界中存在的场景数量在理论上是无限的，所以收集足够的数据几乎是一项不可能完成的任务。

并且NDD记录的大多数场景都是非常单调的，关键的事故场景很少见，至于事故数据库，无法确保已确定情景的多样性，所以有必要生成在自然界中很少观察到，但对自动驾驶汽车至关重要的场景。

第四步：情景评估，根据预定义的指标，可以衡量场景的质量，这将用于量化SUT性能。

其实在分析了数百项研究后，我们选择重点关注几个热点，其中就包括源数据收集、场景识别、多样化场景生成、关键场景生成、自定义场景生成和场景的关键性指标。

尽管各地都存在许多关于AV的SBT的研究，但场景和场景的定义仍然没有固定，所以我们选择采用了Pegasus中的相对术语定义。

在Pegasus当中，场景的时间序列、环境的快照，包括车辆和行人等动态实体以及交通标志和灯光等静态实体，这些都可以根据抽象程度分为功能场景、逻辑场景和具体场景三类。

其中功能场景由自然语言描述，如切入和跟随汽车场景，具有最高的抽象级别，参数范围和分布可以在逻辑场景中找到。

而逻辑场景的重要程度低于功能场景，因为每个参数在具体方案中都有一个精确的值，这意味着他的具体方案不如逻辑和功能方案抽象。

具体场景就非常的简单了，就像他的字面意思一样，具体到某一件事故的场景就是具体场景。

操作设计领域

为了更好地描述操作设计领域（ODD），我们针对高速公路场景开发了一个5层模型，其中包括道路级别、交通基础设施、L1和L2的临时操作、对象和环境，并且通过添加第六层“数字信息”来扩展它。

同时我们还提出了一个改进的38层模型来适当地描述城市中的交通场景，其中包括道路网络和交通引导对象，路边结构，L1和L2的临时修改，动态对象，环境条件，数字信息。

不同研究中有许多术语用于描述具有不同特征的场景，包括关键场景、挑战性场景、边界场景、复杂场景、极端情况、边缘情况等。

但是现在没有针对它们的标准定义，虽然通常作为同义词使用，但在某些研究中可以找到这些术语之间的差异。

就比如临界表示驾驶场景中，车辆与潜在碰撞的时间或空间接近程度，或者预防事故所需的动态驾驶反应的大小。

同时关键指标量化场景或方案的关键性，由于其中描述的定义更为全面，因此我们采用了这些定义，在关键场景方面，采用了提供的定义：关键场景是自我车辆导致或接近导致碰撞的场景，场景的关键程度只有在场景执行后才能获得。

具有挑战性的情景和复杂的情景，通常被用作彼此的替代方案，同时在一些方案中，具有挑战性和复杂的场景，基本上都是指自我车辆安全通过的非常困难的场景。

不过一些学者坚持认为，在执行场景之前是可以确定场景的挑战性或复杂程度，一些学者将很难掌握的场景视为具有挑战性的场景，并假设场景难度的增加导致SUT失败的可能性激增。

不过对于我们来说，这些场景具有挑战性的SUT通过而不会直接或间接导致崩溃的场景，值得注意的是，这些东西本身并不总是关键的，因为他们只能在执行后确定。

因此自然驾驶数据（NDD）是在物理世界中收集的交通数据，NDD收集有两种主要方法：基于浮动车辆和基于固定传感器。

结论

虽然现在没有软件公司声称他们的软件可以取代现实世界中的实验，但是如果无法用虚拟世界替换现实世界，但是这依旧是我们的追求。

关于哪些场景中有多少足以进行AV测试尚无结论，毕竟在世界中有无数种场景，不可能挨个测试。

然而一个令人尴尬的困境是，许多研究提出了许多基于场景的方法来测试AV，却没有人得出多少场景足以进行AV测试的结论，来为这场无休止的马拉松画一条终点线。

不过我们可以知道的是，数据共享对于AV测试至关重要，隐藏在NDD中的安全关键事件也对DDSG至关重要，好在由于大量NDD将对DDSG做出重大贡献，让世界各地的可以使用一些开放数据集。

不过虚拟的数据与现实之间的差距依旧不可忽视：虽然开发自动驾驶汽车的目标之一是将交通事故减少到零，但在实践中实现零事故却非常困难，汽车企业们不应该随随便便的夸下海口。

因为让更多不完美的自动驾驶汽车在自然交通中进行测试，其实应该算是一件好事，毕竟这样自动驾驶汽车才能不断发展，并为研究人员收集更有价值的数据。

如果你喜欢我的写的文章，麻烦请点个“关注”，欢迎在评论区与我一同探讨，谢谢。

END