面向决策规划系统测试的具体场景自动化生成方法
陈君毅 冯天悦 刘力豪 吴旭阳
（同济大学，上海
【摘要】为解决自动驾驶决策规划系统仿真测试中场景文件生成效率低的问题，基于场景表示的个抽象层次，提出了一种具体场景自动化生成方法。基于层级模型构建功能场景，并提取功能场景关键字，映射至参数空间以生成逻辑场景，最后通过关键字对参数空间进行采样，自动生成 格式的具体场景文件。仿真验证结果表明，自动生成的场景文件能够满足高等级自动驾驶测试要求，且相比于手动编写方式，该方法能减少场景文件的编写工作，提高生成效率。
主题词：仿真测试 决策规划系统 场景生成中图分类号： 文献标识码：
1
针对表 中无法直接赋值的关键参数类型，本文将进一步细分以明确定义。基于《公路路线设计规范》中对道路结构几何元素的划分[13]，结合决策规划系统所需的道路信息，本文将拓扑类型划分为典型的直道、弯道、上、下匝道、路口、坡道等。根据自车与其他交通参与者在道路拓扑结构上的位置关系，考虑到仅在一定范围内的其他交通参与者会影响自车决策规划，对相对位置进行有效类等价划分[14]，通过建立特定坐标系得到各位置
1
编号，以便后续的数据转换，图 所示为直道拓扑结构下可能的位置编号示例。
OpenSCENARIO
基于上述格式分析，将非关键的内容，如车辆目录、控制器等，映射为非关键参数，在参
3
数空间内作为缺省值以简化转换过程，最终得到如表
OpenSCENARIO
所示的 内容与关键字及各参数类型的映射关系。其中，道路拓扑结构和交通信号对应的关键
OpenDrive
参数在路网文件即 中赋值。在此基础上，根据测试需求，确定各参数类型的参数范围，得到完整的参数空间。
表、关键字及参数类型映射关系
划分的位置编号，生成功能场景，为提高后续参数空间
JSON
的生成效率，以字符串表示各车辆动作，并且采用格式统一组织得到如下功能场景示例：
Functional Scenario: {
E’:‘[1’,‘1’,‘autonomous’],
‘
C1’:‘[0’,‘0’,‘const’],
‘
C2’:‘[1’,‘0’,‘const’],
‘
C3’:‘[2’,‘0’,‘const’],
‘
C4’:‘[0’,‘1’,‘const’],
‘
C5’:‘[2’,‘1’,‘const’,‘lane change’,‘brake’]
‘
}
3.2逻辑场景生成
本节基于上述功能场景，映射关键字得到相应的参数空间。针对道路拓扑结构和交通信号，根据已有的
OpenDrive
高速公路地图，选取合适区域直接得到对应参数，故仅映射得到动态场景，即自车和他车的关键参
E C1~C5
数类型：自车代号 、他车的车辆代号 、初始横、
m= 0,1,2
纵坐标Xm和Ym（ 为特定坐标系下的位置编号）、初速度v1、动作编号Ax( x= 1,2,3…)
、匀速动作速度vc、换道动作持续时间tcl、减速动作减速度adec、减速动作减速时长 tdec、自动驾驶动作目的地横、纵坐标Xd和Yd、动作触发时刻t、车辆速度v。为生成参数空间，赋予各关键参数一定值或范围，
5
并添加相应的约束条件如表 所示。根据道路拓扑结
3 2
构和各车辆排列关系，将车辆初始位置划为 列 行，对应横坐标为X0、X1、X2，纵坐标为Y0、Y1，添加约束条件1；由于他车首个动作为匀速行驶，故各车辆初速度v1Cn与首个动作参数即匀速的速度vcA1Cn相等，添加约束条件
2； TJP 40~60 km/h，
由于 功能要求最高车速为 故设定各车辆速度vCn均小于40 km/h， 3；
添加约束条件 为便于设置，各车辆首个动作默认触发时刻tA1Cn为0 s，
添加约束
4
条件 。
OpenDrive
基于上述约束条件，结合 地图，最终生成
6
如表 所示的参数空间，各车辆初始位置坐标根据编号依次对应，其中Y0设为一定范围的数值， XA1E YA1E为自车首个动作即自动驾驶设定的目的地横、纵坐标， tclA2C5为
C5 2
车辆 的第 个动作换道的持续时间， tA2C5、tA3C5分别为
C5 2 3
车辆 第 个、第 个动作的触发时刻， adecA3C5、tdecA3C5分
C5 3
别为车辆 第 个动作减速的减速度和减速时长。
表 参数空间约束条件
[M]// HUTTER M, SIEGWART R. Field and Service Robotics. Springer Proceedings in Advanced Robotics. Springer, Cham, 2017: 621-635.
[11] BEST A, NARANG S, BARBER D, et al. AutonoVi: Autonomous Vehicle Planning with Dynamic Maneuvers and Traffic Constraints[C]// 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2017: 2629-2636.
[12] SCHULDT F. Ein Beitrag für den methodischen Test von automatisierten Fahrfunktionen mit Hilfe von virtuellen Umgebungen[D]. Braunschweig: Technische Universitat Braunschweig, 2017. [13] [14] [15] [17]
D20—2017[S]. . ,
:
2020
7 . , 2019, 31(17): 60-61.
24
, 2017. [J]. : JTG
.
[D]. : , 2017.
[16] RIGOLLI M, BRADY M. Towards a Behavioural Traffic Monitoring System[C]// International Joint Conference on Autonomous Agents & Multiagent Systems. ACM, 2005: 449-454.
,
, .
[J]. , 2010, 27(2): 119-123.
[18] WOOD M, ROBBEL P, MAASS M, et al. Safety First For Automated Driving[EB/OL]. [2020- 5- 3]. https://www. mercedes- benz.com/en/innovation/safety- first- forautomated-driving.