【视频专栏】面向自动驾驶测试的危险变道场景泛化生成

文摘科技 2024-06-27 17:00 北京

点击上方蓝字关注我们

赵祥模, 赵玉钰, 景首才, 惠飞, 刘建蓓. 面向自动驾驶测试的危险变道场景泛化生成. 自动化学报, 2023, 49(10): 2211−2223

摘要

针对自动驾驶虚拟测试中危险变道场景构建问题, 提出一种数据−模型驱动的自动驾驶测试危险变道场景泛化生成方法. 基于 NGSIM US101 数据集中的紧急变道数据, 提出一种紧急变道轨迹对抗生成方法(BN-AM-SeqGAN), 构建基于安全距离的两车变道状态约束模型, 设计危险变道测试场景泛化生成方法, 生成危险变道测试场景库. 实验结果显示: 生成的5万条紧急变道轨迹变道完成时间分布的均方根误差为 0.63, 生成的 5 万个危险变道场景中, 99.54% 的场景被测自动驾驶车辆与变道背景车辆的碰撞时间小于 1 s, 表明该方法能够有效生成自动驾驶测试危险变道场景.

引言

目前, 自动驾驶汽车正在由测试示范逐步迈入量产商用阶段的过程中[1], 保证自动驾驶在实际交通环境中安全运行是商用上路许可的关键[2]. 自动驾驶上路前需经过数十亿英里的安全性测试[3], 由于传统的道路、场地测试受测试效率、成本、场景等的限制, 已经难以满足自动驾驶汽车测试的需求[4]. Riedmaier 等[5]和 Sun 等[6]分别分析了各类基于场景的自动驾驶汽车安全评估的方法, 其中虚拟仿真测试方法利用数字虚拟仿真技术模拟真实的测试场景[7], 可以为自动驾驶测试提供丰富多样的测试场景, 在测试效率、成本方面具有显著的优势, 已成为一种重要的自动驾驶测试验证手段[8].

在虚拟仿真测试中, 场景是对真实交通运行过程中人、车、路和环境的抽象描述. ISO 21448 标准中 SOTIF 从功能安全的角度将自动驾驶场景分为已知安全场景、已知危险场景、未知安全场景和未知危险场景[9]. 现实中安全关键场景和罕见风险事件覆盖率较低[10], 为了实现自动驾驶的全方位测试,希望能够通过虚拟仿真技术, 利用有效的场景生成方法, 生成危险场景, 发现被测系统的未知危险场景, 明晰自动驾驶系统安全场景边界, 提高自动驾驶的安全性.

邓伟文等[11]系统性地综述了自动驾驶的仿真场景自动生成方法. 现有场景生成方法可分为数据驱动、模型驱动和数据−模型驱动 3 类. 在数据驱动的危险变道场景生成方面, 陈吉清等[12]基于车辆事故数据, 提出一种考虑危险事故特征的测试场景构建方法, 建立了 15 个涉及道路几何特征的自动驾驶测试场景. 王润民等[13]系统地阐述了测试场景、场景要素、基元场景之间耦合的逻辑关系. 朱冰等[14]提出一种多维逻辑场景的自动驾驶安全性评价聚类方法, 并以前车紧急制动场景验证了聚类方法的可行性. 基于模型驱动的场景生成方法方面, Menzel 等[15]提出一种基于本体论的高速公路场景建模方法, 构建了包含道路层次、交通基础设施、临时操作、对象和环境的 5 层次知识表示模型, 用类、逻辑公理和语义 Web 规则实现了对德国高速公路的建模. Jesenski 等[16]提出了一个可以描述任意道路配置场景的通用模型, 考虑相关车道路段的车辆之间相互作用, 设计一个层次采用分析框架, 利用公开数据集拟合了模型参数, 并推断出交通场景. 基于数据−模型驱动的危险场景生成方法方面, Ding 等[17]提出一种自适应安全关键场景生成方法, 将场景分解为条件概率, 将概率称作构建块, 用一系列自回归构建块来表示交通场景, 利用策略梯度强化学习方法对风险场景参数进行搜索优化.

相邻车道前方车辆变道切入是常见的高风险场景, 也是各类生成方法研究的主要目标场景. 目前, 危险变道场景生成主要基于数据−模型驱动的方法. Feng 等[18-20]提出了一种智能网联汽车测试场景库生成统一框架, 并采用多启动优化方法获得局部关键场景, 利用两车纵向距离、相对速度以及碰撞时间等参数, 生成了变道场景. 周文帅等[21]利用 highD 数据集, 建立了车辆变道切入描述模型, 提出了基于蒙特卡罗的测试用例生成方法. 上述方法仅仅考虑变道场景中两车关系的特征参数, 无法精确描述人驾车辆变道切入的运动状态, 难以构建动态测试场景. Sun等[22]提出了一种评估自动驾驶安全性的自适应实验设计方法, 智能驾驶员模型和三阶贝塞尔曲线被用来描述背景车辆变道切入轨迹. 基于确定模型的轨迹生成方法计算简单, 但生成轨迹数量有限, 并且难以生成符合驾驶员特征的紧急变道轨迹. 朱宇等[23]构建两车轨迹约束关系模型, 以变道轨迹起始位置、变道车速度、两车距离、两车相对速度、变道切入时刻为参数, 利用蒙特卡罗方法模拟车辆采样时间的车辆位置, 最终形成了变道轨迹. 但这种方法利用相对位置作为参数, 同一场景状态下生成的变道轨迹切入点是相同的, 这并没有增加生成变道轨迹的风险程度, 只是增加了变道切入轨迹的数量.

测试场景, 还需要解决的问题包括: 1) 如何生成符合人驾车辆特征的不同切入角度的风险变道轨迹? 生成变道轨迹需要满足真实环境中的车辆动力学约束, 并接近真实驾驶人操纵下的车辆轨迹特征, 但又要在同一初始状态下生成不同切入角度的变道轨迹, 增加生成变道场景覆盖度; 2) 如何利用不同风险的背景车变道轨迹构建可从理论上避免的风险临界测试场景? 为了避免产生不切实际的危险场景, 需要根据车辆动力学和物理极限, 构建安全边界模型, 结合背景车不同切入角度, 生成理论上可避免的风险临界测试场景.

因此, 本文针对自动驾驶虚拟测试动态危险变道场景生成问题, 提出一种基于数据−模型驱动的自动驾驶测试危险场景泛化生成方法. 基于 NGSIM US101 数据集中的紧急变道数据, 提出一种考虑人驾车辆特征的紧急变道轨迹对抗生成方法 (Batch normalization-attention mechanism-sequence generative adversarial nets with policy gradient, BN-AM-SeqGAN), 构建基于安全距离的两车变道状态约束模型, 计算风险临界场景下的被测自动驾驶车辆初始状态, 提出危险场景泛化生成算法, 生成危险变道测试用例, 形成变道危险测试场景库.

正文框架

1. 变道场景数据

2. 基于 BN-AM-SeqGAN 的紧急变道轨迹生成方法

2.1 SeqGAN 的背景介绍

2.2 基于 BN-AM-SeqGAN 的轨迹生成方法

2.3 BN-AM-SeqGAN 生成器优化

2.4 BN-AM-SeqGAN 判别器优化

2.5 损失函数

3. 基于碰撞约束的场景泛化生成方法

3.1 基于碰撞约束的被测自动驾驶车辆初始状态生成

3.2 危险变道测试场景泛化生成方法

4. 实验和结果

4.1 实验环境

4.2 紧急变道轨迹生成

4.3 危险变道场景泛化生成

4.4 危险变道生成场景验证

5. 结论

部分文献

[1] 李力, 王飞跃. 地面交通控制的百年回顾和未来展望. 自动化学报, 2018, 44(4): 577--583 doi: 10.16383/j.aas.2018.c170616LI Li, WANG Fei-Yue. Ground traffic control in the past century and its future perspective. ACTA AUTOMATICA SINICA, 2018, 44(4): 577--583 doi: 10.16383/j.aas.2018.c170616

[2] Fryman J, Matthias B. Safety of industrial robots: From conventional to collaborative applications. In: Proceedings of Conference of Robotik, 7th German Conference on Robotics. Munich, Germany: VDE, 2012.

[3] Kalra N, Paddock S M. Driving to safety: how many miles of driving would it take to demonstrate autonomous vehicle reliability. Transportation Research Part A Policy & Practice, 2016, 94(12): 182--193

[4] 赵祥模, 承靖钧, 徐志刚, 王文威, 王润民, 王冠群, 等. 基于整车在环仿真的自动驾驶汽车室内快速测试平台. 中国公路学报, 2019, 32(6): 124--136 doi: 10.19721/j.cnki.1001-7372.2019.06.013ZHAO Xiang-Mo, CHENG Jing-Jun, XU Zhi-Gang, WANG Wen-Wei, WANG Run-Min, WANG Guan-Qun, et al. An indoor rapid-testing platform for autonomous vehicle based on vehicle-in-the-loop simulation. China Journal of Highway and Transport, 2019, 32(6): 124--136 doi: 10.19721/j.cnki.1001-7372.2019.06.013

[5] Riedmaier S, Ponn T, Ludwig D, Schick B, and Diermeyer F. Survey on scenario-based safety assessment of automated vehicles, IEEE access, 2020, 8: 87456–-87477 doi: 10.1109/ACCESS.2020.2993730

[6] Sun J, Zhang H, Zhou H, Yu R, Tian Y. Scenario-Based test automation for highly automated vehicles: a review and paving the way for systematic safety assurance, IEEE Transactions on Transportation Systems, 2022, 9(23): 14088-–14103

[7] 张浩杰, 苏治宝, 杨甜甜. 基于USARSim和ROS的无人平台编队仿真系统. 自动化学报, 2021, 47(6): 1390−1400Intelligent Zhang H, Su Z, Yang T. Design of team formation simulation system for unmanned ground vehicles based on USARSim and ROS. Acta Automatica Sinica, 2021, 47(6): 1390--1400

[8] Wyatt S, Haering J, Feilhauer M. Current approaches in HiL-Based ADAS testing. SAE International Journal of Commercial Vehicles, 2016, 9(2): 63--69 doi: 10.4271/2016-01-8013

[9] ISO/BS PAS 21448, Road Vehicles. Safety of the Intended Functionality, 2019.

[10] 翟强, 程洪, 黄瑞, 詹慧琴, 赵洋, 李骏. 智能汽车中人工智能算法应用及其安全综述. 电子科技大学学报, 2020, 49(04): 490--498, 510ZHAI Qiang, CHENG Hong, HUANG Rui, ZHAN Hui-Qin, ZHAO Yang, LI Jun. Review on the application and safety of artificial intelligence algorithms in intelligent vehicles.Journal of University of Electronic Science and Technology of China, 2020, 49(04):490--498, 510

[11] 邓伟文, 李江坤, 任秉韬, 王文奇, 丁娟. 面向自动驾驶的仿真场景自动生成方法综述. 中国公路学报, 2022, 35(1): 316--333 doi: 10.3969/j.issn.1001-7372.2022.01.027DENG Wei-Wen, LI Jiang-Kun, REN Bing-Tao, WANG Wen-Qi, DING Juan. A survey on automatic simulation scenario generation methods for autonomous driving. China Journal of Highway and Transport, 2022, 35(1): 316--333 doi: 10.3969/j.issn.1001-7372.2022.01.027

[12] 陈吉清, 舒孝雄, 兰凤崇, 王俊峰. 典型危险事故特征的自动驾驶测试场景构建. 华南理工大学学报: 自然科学版, 2021, 49(5): 1--8CHEN Ji-Qing, SHU Xiao-Xiong, LAN Feng-Chong, WANG Jun-Feng. Construction of autonomous vehicles test scenarios with typical dangerous accident characteristics. Journal of South China University of Technology: Natural Science Edition, 2021, 49(5): 1--8

[13] 王润民, 朱宇, 赵祥模, 徐志刚, 周文帅, 刘童. 自动驾驶测试场景研究进展. 交通运输工程学报, 2021, 21(02): 21--37 doi: 10.19818/j.cnki.1671-1637.2021.02.003WANG Run-min, ZHU Yu, ZHAO Xiang-Mo, XU Zhi-Gang, ZHOU Wen-Shuai, LIU Tong. Research progress of automatic driving test scenario. Journal of Transportation Engineering, 2021, 21(02): 21--37 doi: 10.19818/j.cnki.1671-1637.2021.02.003

[14] 朱冰, 张培兴, 赵健. 面向多维度逻辑场景的自动驾驶安全性聚类评价方法. 汽车工程, 2020, 42(11): 1458--1463, 1505 doi: 10.19562/j.chinasae.qcgc.2020.11.002ZHU Bing, ZHANG Pei-Xing, ZHAO Jian. Autonomous driving safety cluster evaluation method for multi-dimensional logic scenarios. Automotive Engineering, 2020, 42(11): 1458--1463, 1505 doi: 10.19562/j.chinasae.qcgc.2020.11.002

[15] Menzel T, Bagschik G, Maurer M. Scenarios for develop-ment, test and validation of automated vehicles. In: Proceedings of IEEE Intelligent Vehicles Symposium (IV). Changshu, China: IEEE, 2018. 1821−1827

[16] Jesenski S, Stellet J E, Schiegg F, Zollner J M. Generation of scenes in intersections for the validation of highly automated driving functions. In: Proceedings of IEEE Intelligent Vehicles Symposium. Paris, France: IEEE, 2019. 502−509

[17] Ding W, Xu M, Zhao D. Learning to collide: An adaptive safety-critical scenarios generating method. arXiv preprint arXiv: 1707.04792, 2020.

[18] Feng S, Feng Y, Yu C, Zhang Y, Liu H X. Testing scenario library generation for connected and automated vehicles, part I: methodology. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(3): 1573--1582 doi: 10.1109/TITS.2020.2972211

[19] Feng S, Feng Y, Yu C., Zhang Y, Liu H X. (2021). Testing scenario library generation for connected and automated vehicles, part Ⅱ: case studies. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(9): 5635--5647 doi: 10.1109/TITS.2020.2988309

[20] Feng S, Feng Y, Yu C, Zhang Y, Liu H X. Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment. Nature Communications, 2021, 12(1):1--14 doi: 10.1038/s41467-020-20314-w

[21] 周文帅, 朱宇, 赵祥模, 王润民, 徐志刚. 面向高速公路车辆切入场景的自动驾驶测试用例生成方法. 汽车技术, 2021, (1): 11--18 doi: 10.19620/j.cnki.1000-3703.20191450ZHOU Wen-Shuai, ZHU Yu, ZHAO Xiang-Mo, WANG Run-Min, XU Zhi-Gang. Vehicle cut-in test case generation methods for testing of autonomous driving on highway. Automobile Technology, 2021(1): 11--18 doi: 10.19620/j.cnki.1000-3703.20191450

[22] Sun J, Zhou H, Xi H, Zhang H, and Tian Y. Adaptive design of experiments for safety evaluation of automated vehicles. IEEE Transactions on Intelligent Transportation Systems, 2022, 9(22):14497--14508

作者简介

赵祥模，长安大学信息工程学院教授. 2006 年获得长安大学博士学位. 主要研究方向为交通信息技术与智慧交通, 智能网联汽车测试技术.

赵玉钰，长安大学信息工程学院硕士研究生. 主要研究方向为智能网联汽车测试技术.

景首才，长安大学信息工程学院讲师, 中交第一公路勘察设计研究院有限公司博士后. 分别于2014 年和2020 年获得长安大学自动化学士学位和交通信息工程与控制博士学位. 主要研究方向为智能网联车辆协同控制方法与测试技术. 本文通信作者.

惠飞，长安大学信息工程学院教授. 2009 年获得西安微电子技术学院计算机系统架构系博士学位. 主要研究方向为网联车辆与图像处理.

刘建蓓，中交第一公路勘察设计研究院有限公司教授级高级工程师. 主要研究方向为公路几何设计理论与方法, 交通安全评价与主动防控、保障, 智能交通控制与优化.