秦琴 谷文軍

摘 要：基于場景的仿真測試方法可以有效加速自動駕駛汽車的測試進程，但是傳統(tǒng)的采樣方法面對高維度采樣空間時無法維持高效性，提出了一種ball tree優(yōu)化的仿真測試場景采樣方法，并基于Carla模擬器構(gòu)建了仿真測試場景自動化生成框架驗證算法的有效性。分別使用隨機采樣方法、基于KD tree結(jié)構(gòu)的最近鄰采樣方法與基于ball tree結(jié)構(gòu)的最近鄰采樣方法進行場景參數(shù)采樣，并生成不同天氣要素下的仿真測試場景進行驗證。最后將仿真過程與人工方法進行對比。結(jié)果表明，提出方法相對于人工方法具有11.38倍場景制作速度的提升，且相對于KD tree結(jié)構(gòu)的采樣方法的場景生成速度提升了27.97%。

關(guān)鍵詞：自動駕駛； 場景生成； 最近鄰算法； ball tree； CARLA

中圖分類號：TP391.9?? 文獻標(biāo)志碼：A

文章編號：1001-3695（2023）09-034-2781-04

doi：10.19734/j.issn.1001-3695.2022.12.0818

Ball tree optimized automatic driving simulation test scenario generation method

Qin Qin， Gu Wenjun

（School of Intelligent Manufacturing & Control Engineering， Shanghai Polytechnic University， Shanghai 201209， China）

Abstract：The scenario-based simulation test method can effectively accelerate the test process of autonomous vehicles， but the traditional sampling method cannot maintain high efficiency in the face of high-dimensional sampling space. This paper proposed a ball tree optimized simulation test scene sampling method. And based on the Carla simulator， it built a simulation test scenario automatic generation framework to verify the effectiveness of the algorithm. The proposed method used the random sampling method， the nearest neighbor sampling method based on the KD tree structure and the nearest neighbor sampling method based on the ball tree structure to sample scene parameters and generated extreme weather simulation test scenarios for verification. Finally， the results show that the proposed method increases by 11.38 times in scene production speed by comparing the simulation process with the manual method and show that the scene generation speed has increased by 27.97% by comparing that with the KD tree structure sampling method.

Key words：autonomous driving; scenario generation; nearest neighbor algorithm; ball tree; CARLA

0 引言

自動駕駛技術(shù)的進步推動了無人駕駛汽車的研發(fā)取得了巨大的進展，但是最近美國國家公路交通安全管理局（national highway traffic safety administration，NHTSA）公布的自動駕駛事故報告［1］表明，當(dāng)前的汽車自動駕駛系統(tǒng)與實車測試均存在著巨大的不足與安全隱患。為了減少發(fā)生事故的風(fēng)險，在將自動駕駛系統(tǒng)部署到實車之前對其進行充分的測試和驗證具有極大的必要性。根據(jù)蘭德公司的報告［2］顯示，要證明汽車自動駕駛相比于人類駕駛員能夠減少20%的交通事故死亡率，需要進行約80億千米的公共道路測試。然而在現(xiàn)實世界中進行傳統(tǒng)的道路測試需要付出極大的人力、物力與時間成本，而且很難進行危險的邊緣駕駛場景測試，尤其是一些如極端天氣等場景下的測試需求，很難在真實世界的環(huán)境中完成。因此，利用仿真模擬器加速進行自動駕駛系統(tǒng)測試的研究越來越受到研究者的關(guān)注。

傳統(tǒng)的自動駕駛仿真測試僅限于一組人工制作的場景，測試的目標(biāo)是滿足ISO26262等安全標(biāo)準(zhǔn)［3］。然而手動創(chuàng)建測試用例場景模式固定且需要投入大量的人力和時間成本，此外自動駕駛汽車工作環(huán)境極高的復(fù)雜性決定了人工制作的仿真測試場景遠(yuǎn)遠(yuǎn)不能覆蓋所有的駕駛場景，因此近幾年研究者們圍繞自動駕駛仿真測試環(huán)境的場景生成做了大量的工作。文獻［4，5］在分析自動駕駛關(guān)鍵性影響因素的基礎(chǔ)上，采用層次分析法確定場景要素的重要性，在此基礎(chǔ)上使用組合測試方法構(gòu)建仿真測試場景，接著根據(jù)提出的復(fù)雜指標(biāo)的有效性來指導(dǎo)場景用例的自動化生成。Fellner等人［6］基于快速搜索隨機樹算法，通過尋找模型的變異值確定場景參數(shù)，可以在考慮2 300多種場景要素的情況下，快速生成場景測試用例。Klischat等人［7］使用基于優(yōu)化搜索的方法將邊緣場景的設(shè)計建模轉(zhuǎn)換為優(yōu)化問題，采用自車可行駛域臨界度指標(biāo)來定義目標(biāo)函數(shù)，可以有效增加邊緣場景用例的數(shù)量。Feng等人［8］通過對自然環(huán)境進行稀疏但對抗性地調(diào)整，將場景參數(shù)分為關(guān)鍵參數(shù)和非關(guān)鍵參數(shù)，對關(guān)鍵參數(shù)采用重要性采樣，對非關(guān)鍵參數(shù)采用蒙特卡羅直接采樣，從而高效率地生成自然但具有對抗性的仿真測試場景。文獻［9］運用生成對抗網(wǎng)絡(luò)（GAN），與變分自編碼器（VAE）基于真實交通流數(shù)據(jù)集生成了可用于自動駕駛?cè)嫘阅茉u估地場景庫，并且對生成的場景進行聚類，用于探索自動駕駛汽車之間的互動機制。

文獻［10］在傳統(tǒng)隨機搜索算法的基礎(chǔ)上，結(jié)合了K近鄰算法的特點，在對場景隨機采樣的同時加入了近鄰搜索算法以提升危險場景的挖掘能力，旨在發(fā)掘影響駕駛工況的危險場景要素。文獻［10］提升了采樣算法對危險場景的挖掘能力，但是忽略了KD tree結(jié)構(gòu)的近鄰搜索算法面對高維搜索空間時的參數(shù)采樣速度問題，本文針對此問題進行了改進。由于在自動駕駛領(lǐng)域，對場景還沒有形成統(tǒng)一的定義，本文采用Ulbrich的定義［11］，根據(jù)文獻［12］對該定義的擴展將場景的構(gòu)建流程分為功能場景、邏輯場景和具體場景三部分，搭建了場景自動生成框架，同時提出基于ball tree優(yōu)化的最近鄰場景采樣算法（ball tree optimized K-nearest neighbors）生成測試用例，并且通過分析不同天氣要素場景下行車場景進行驗證。本文的貢獻如下：

a）本文基于開源仿真模擬器Carla，提出了一種低成本的場景自動化生成框架構(gòu)建方法，允許用戶手動配置參數(shù)，在算法模型開發(fā)階段就可以對其進行模型在環(huán)自動化測試。

b）在場景要素采樣方面，對比傳統(tǒng)的人工方法、基于隨機搜索的采樣方法和基于K維樹（KD tree）結(jié)構(gòu)的采樣方法，本文提出的基于球樹（ball tree）結(jié)構(gòu)的采樣方法能夠極大地提升仿真測試場景參數(shù)空間的采樣效率。

1 仿真測試場景生成框架搭建

本文構(gòu)建了仿真測試場景自動生成框架，框架能夠在Carla模擬器中自動生成仿真測試場景?？蚣艿慕M成架構(gòu)如圖1所示。

1.1 Carla模擬器

Carla是由英特爾和豐田基于虛幻4（Unreal Engine 4）游戲引擎開發(fā)的一款開源自動駕駛仿真模擬器。采用了模塊化的設(shè)計，并且提供了豐富的API接口，以解決自動駕駛系統(tǒng)測試與驗證的一系列關(guān)鍵問題，例如感知和規(guī)劃算法。Carla本身采用了client-server的多服務(wù)器架構(gòu)模式，通過TCP協(xié)議進行通信，具備很強的可擴展性［13］。Carla提供了靈活的API接口，允許開發(fā)者編寫代碼控制仿真的每個部分，例如交通流的生成、交通參與者的行為、天氣的變化、傳感器的通信等。用戶可以配置多種傳感器套件，包括激光雷達(dá)、多攝像頭、深度傳感器和GPS等。Carla還提供了非圖形渲染的仿真模式，滿足快速的交通模擬和仿真執(zhí)行。Carla支持OpenDrive標(biāo)準(zhǔn)和OpenScenario標(biāo)準(zhǔn)的地圖格式，用戶可以通過RoadRunner快速構(gòu)建地圖，使用Scenario Runner快速定義需要的交通場景。此外，由于Carla開源的特性，能夠很方便地進行二次開發(fā)。Carla仿真場景如圖2所示。

1.2 場景描述文件

為了對場景進行結(jié)構(gòu)化描述，本文基于YAML語言結(jié)構(gòu)設(shè)計了用于場景建模的描述文件。依據(jù)文獻［12］對場景定義的擴展，場景描述文件主要包括功能場景、邏輯場景與具體場景三個層次。功能場景是一系列動作與狀態(tài)描述，例如濃霧天氣下，自車加速行駛通過一段直道。邏輯場景是一系列參數(shù)分布范圍，例如霧能見度采樣范圍為20～50 m，光照入射角度采樣范圍為30°～60°，具體場景就是一系列確定的參數(shù)值，例如霧能見度為30 m，光照入射角為30°。

1.3 場景要素解釋器

場景要素解釋器的作用是提取場景描述文件中的具體場景關(guān)鍵字及其參數(shù)值，并將其解釋為場景靜態(tài)文件中的具體參數(shù)，合成場景靜態(tài)文件。在仿真開始后，場景要素解釋器還接收采樣器的采樣結(jié)果輸入，并將最新的采樣結(jié)果解釋為靜態(tài)文件中的參數(shù)，合成新的場景靜態(tài)文件，驅(qū)動新場景仿真的進行。

1.4 場景靜態(tài)文件

OpenDrive與OpenScenario是自動化及測量系統(tǒng)標(biāo)準(zhǔn)協(xié)會（Association for Standardization of Automation and Measuring Systems，ASAM）發(fā)布的OpenX系列標(biāo)準(zhǔn)的重要組成部分，在自動駕駛仿真模擬系統(tǒng)集成、測試、評價領(lǐng)域中發(fā)揮著至關(guān)重要的基石作用，是眾多整車廠、供應(yīng)商及仿真工具商使用的數(shù)據(jù)格式統(tǒng)一標(biāo)準(zhǔn)。Carla的場景支持OpenDrive與OpenScenario標(biāo)準(zhǔn)，用戶可以使用場景驅(qū)動器根據(jù)場景靜態(tài)文件內(nèi)容向Carla模擬器中注入場景信息。

1.5 采樣器

仿真測試場景生成框架中集成了采樣器，用于從邏輯場景中的參數(shù)分布空間內(nèi)搜索用于場景生成的參數(shù)值。由于大多數(shù)的自動駕駛場景都是高維度的，關(guān)鍵場景搜索的復(fù)雜度會隨著維度的增加呈指數(shù)級增長［14］。為了能夠快速地搜索高維空間內(nèi)的目標(biāo)參數(shù)，本文在文獻［10］的基礎(chǔ)上提出了一種基于球樹結(jié)構(gòu)的最近鄰采樣算法，能夠快速搜索自車出現(xiàn)違規(guī)行為時場景參數(shù)的近鄰空間，挖掘關(guān)鍵場景要素。

1.6 場景驅(qū)動器

場景驅(qū)動器是基于Carla ScenarioRunner模塊開發(fā)的向Carla模擬器中注入場景信息的模塊，它可以解析OpenDrive和OpenScenario格式的場景靜態(tài)文件供自車模型使用。場景驅(qū)動器還支持與Carla的驗證評估平臺Carla LeaderBoard集成，將場景信息提交給Carla LeaderBoard 進行驗證并評估自車的行駛狀態(tài)。

1.7 測試評價模塊

測試評價模塊基于Carla LeaderBoard構(gòu)建，該模塊以駕駛得分作為考察指標(biāo)，主要包含路線完成度與違規(guī)懲罰兩部分，其中違規(guī)懲罰來自于Carla自動駕駛挑戰(zhàn)賽 ，如表1所示。

當(dāng)自車在行駛過程中出現(xiàn)違規(guī)行為時，將會累計懲罰得分，導(dǎo)致自車不能以100%的成功率完成駕駛?cè)蝿?wù)。駕駛得分計算公式為［15］

score（v）=1RN∑RNi=1max（100C（v，ri）-I（v，ri），0）（1）

其中：v為當(dāng)前評估的自車模型；C（v，ri）為第i條路線r的完成度；I（v，ri）為違規(guī)懲罰得分；R表示一條路線的重復(fù)次數(shù);N表示路線的數(shù)量。以上介紹了仿真測試場景生成框架各個組件的功能及實現(xiàn)原理，主要的場景仿真測試流程如圖3所示。

2 ball tree優(yōu)化的場景要素采樣算法

文獻［10］提出的隨機最近鄰采樣算法（RNS）擴展了傳統(tǒng)了隨機搜索算法，將隨機搜索與基于KD tree結(jié)構(gòu)近鄰搜索結(jié)合，保留了駕駛工況下危險場景發(fā)生的隨機性，也增強了場景搜索過程中針對危險場景要素的挖掘能力，但是當(dāng)面對高維度的場景要素參數(shù)時，近鄰搜索由于需要用大量樣本點計算和比較空間距離，需要進行大規(guī)模的計算，會極大地拖慢算法的執(zhí)行速度，影響參數(shù)采樣的速度［16］。

針對近鄰搜索算法計算量大，查詢效率低的問題，采用空間分區(qū)數(shù)據(jù)結(jié)構(gòu)實現(xiàn)K近鄰的快速搜索是其一種改進方向，改進的原理是構(gòu)造搜索二叉樹，對樣本按照特定的幾何形態(tài)進行劃分，在K近鄰查找時，通過比較歐氏距離對二叉樹進行剪枝處理，減少需要計算的節(jié)點數(shù)量，從而加快查詢速度。常見的空間分區(qū)結(jié)構(gòu)有K維樹與球樹等。

本文采用球樹結(jié)構(gòu)對提出的基于K維樹（KD tree）結(jié)構(gòu)的隨機最近鄰算法進行了改進，提升了其高維度空間的搜索能力。算法偽代碼具體形式如下：

算法1 ball tree K近鄰場景要素采樣算法

輸入：參數(shù)分布空間D;迭代次數(shù)t;場景邏輯分布Sd;閾值δ;近鄰k。

輸出：場景要素值列表Sl。

for x=1，2，…，t do

if score＜δ或（score＞δ且N≥k） then

從D中隨機采樣，將結(jié)果賦給Sl

else

根據(jù)Sd生成搜索區(qū)域A

從A中應(yīng)用ball-tree K近鄰搜索算法搜索≥k個近鄰場景，將結(jié)果賦給Sl

返回Sl

end for

對于KD tree結(jié)構(gòu)的K近鄰算法，在樣本空間中，所有的點都在一個超方體內(nèi)，KD tree結(jié)構(gòu)構(gòu)建步驟如下：

算法2 KD tree結(jié)構(gòu)構(gòu)建算法

輸入：樣本參數(shù)分布空間D。

輸出：二叉搜索樹根節(jié)點p1。

a）如果當(dāng)前超方體中只有一個樣本點p，則返回這個點。

b）選擇一個維度d，將樣本空間分為兩個超方體c1與c2。

c）在d維度選擇一個切割點p1作為根節(jié)點，將小于這個點的樣本歸于超方體c1，作為左子樹。其余的樣本歸于另一個超方體c2，作為右子樹。

d）遞歸執(zhí)行步驟a）～c），構(gòu)建左右子樹。

e）返回樹的根節(jié)點p1。

對于ball tree結(jié)構(gòu)的KNN算法，在樣本空間中，所有的點都在一個超球體內(nèi)，ball tree結(jié)構(gòu)構(gòu)建步驟如下：

算法3 ball tree結(jié)構(gòu)構(gòu)建算法

輸入：樣本參數(shù)分布空間D。

輸出：二叉搜索樹根節(jié)點p1。

a）如果當(dāng)前超球體中只有一個樣本點p，則返回這個點；

b）選擇一個維度d，質(zhì)心為二叉樹的根節(jié)點p；

c）計算d維度下子超球體內(nèi)距離質(zhì)心最遠(yuǎn)的點p1；

d）計算維度下距離p1最遠(yuǎn)的樣本點p2；

e）將全部樣本點劃分為兩個超球體S1與S2，距離p1更近的劃分到S1，為左子樹，距離p2更近的劃分到S2，為右子樹；

f）遞歸執(zhí)行步驟a）～e），構(gòu)建左右子樹；

g）返回根節(jié)點p。

分區(qū)結(jié)構(gòu)構(gòu)建示意圖如圖4所示，其中圓形為參數(shù)空間的點，三角形為當(dāng)前參數(shù)值。

圖4所示KD tree中將參數(shù)空間分割為多個超方體，由于在求解距離時使用的是歐氏距離，實際上是尋找一個超球體（歐拉球［17］），使其能夠包含至少k個樣本點，超球體與超方體有很大的可能性會相交， 每一個相交的參數(shù)空間都需要進行搜索，因此隨著空間維度的增加，計算復(fù)雜度也會呈指數(shù)級上升。但是在ball tree結(jié)構(gòu)中，這種相交的可能性極低，因此對于復(fù)雜的自動駕駛仿真測試場景采樣，ball tree結(jié)構(gòu)的KNN算法能夠提升采樣速度。

3 面向天氣要素的測試場景生成

天氣要素對自動駕駛汽車傳感器的影響極大。光照強度和霧會影響相機的成像距離，雨滴形成的雨線會對激光雷達(dá)的激光束產(chǎn)生反射，降低激光雷達(dá)的探測距離，雨雪會對毫米波雷達(dá)的信號強度產(chǎn)生重要的影響［18］。因此，對自動駕駛系統(tǒng)進行不同天氣要素下的測試極具必要性。本文設(shè)計了面向天氣要素的測試場景生成實驗用于驗證上文所述的仿真測試場景自動化生成框架和ball tree優(yōu)化的場景要素采樣算法的有效性。實驗選用Carla模擬器提供的地圖town5作為車輛行駛地圖，town5的道路如圖5所示。實驗設(shè)置了天氣邏輯場景，主要天氣要素為云量、降水量、光照角度、空氣濕度、霧能見度、霧濃度，并且加入了行人密度與車輛密度兩個變量，共同構(gòu)成場景要素參數(shù)空間。參數(shù)分布如表2所示。

實驗中自車控制模型采用LBC控制器模型，LBC模型在當(dāng)年的自動駕駛挑戰(zhàn)賽中實現(xiàn)了所有駕駛?cè)蝿?wù)的100%成功率［19］，即沒有出現(xiàn)違規(guī)行為（違規(guī)行為注解見https：//leaderboard.carla.org/#infractions）。LBC模型通過特權(quán)智能體獲取駕駛環(huán)境信息，包括車道線、車輛位置、紅綠燈狀態(tài)、車輛和行人，通過這些信息模仿人類駕駛員獲得駕駛策略。LBC模型下層使用一個簡單的PID控制器進行導(dǎo)航點的追蹤。

LBC縱向控制策略是達(dá)到期望速度v*t：

v*t=1/K∑Kk=1‖i-i-1‖2δt（2）

其中：K為所有導(dǎo)航點的數(shù)量；δt為導(dǎo)航點之間的間隔；i為自車的位置，由式（3）給出。

wi={R-1i（xi+1-xi），…，R-1x（xi+K-xi）}（3）

其中：R-1i為逆矩陣，用于計算自車在仿真世界中坐標(biāo)的相對偏移量。LBC的橫向控制策略是達(dá)到期望轉(zhuǎn)向角S*。

S*=tan-1（pypx）（4）

其中：點p為LBC模型在導(dǎo)航點上的投影點。

基于上述實驗設(shè)置本文使用前文所述仿真測試場景自動化生成框架，生成了仿真測試場景如圖6所示。

4 實驗評價

本文針對不同的天氣要素使用了隨機采樣、基于KD tree結(jié)構(gòu)的最近鄰采樣和基于ball tree結(jié)構(gòu)的最近鄰采樣三種方法，生成了100個仿真測試場景，經(jīng)過和人工采樣對比發(fā)現(xiàn)，自動化場景生成方法能夠顯著加快測試效率，對比結(jié)果如表3所示，人工方法制作100個不同的仿真測試場景，需要耗費967 min，不管是基于隨機采樣的場景自動生成方法還是基于KD tree或ball tree結(jié)構(gòu)的場景自動化生成方法，消耗的時間均遠(yuǎn)小于人工制作場景的方法。三種方法的測試結(jié)果如圖7所示，×表示LBC模型在此場景下出現(xiàn)違規(guī)行為，●表示LBC模型在此場景下未出現(xiàn)違規(guī)行為。隨機采樣方法能夠生成較多的違規(guī)場景，但是場景參數(shù)分布較為分散，基于最近鄰的采樣方法，生成導(dǎo)致自車出現(xiàn)違規(guī)行為的場景較少，且場景參數(shù)分布較為集中，有助于測試人員進一步挖掘造成駕駛違規(guī)的原因。如圖7所示，低光照，高云量，強降水量的條件下更容易發(fā)生違規(guī)行為。

以人工方法制作場景的速度作為單位1對比自動生成方法的場景生成的加速效果，隨機采樣方法由于計算復(fù)雜度的限制，加速效果是人工方法的3.68倍；KD tree結(jié)構(gòu)的最近鄰方法將采樣空間的大小約束在目標(biāo)點的周圍，減小了計算的復(fù)雜度，采樣速度是人工方法的8.19倍；ball tree結(jié)構(gòu)的最近鄰方法，由于超球體結(jié)構(gòu)的設(shè)計，進一步減小了搜索空間的大小，采樣速度是人工方法的11.38倍，比KD tree結(jié)構(gòu)快27.97%。

5 結(jié)束語

本文構(gòu)建了自動駕駛仿真測試場景生成框架，面向Carla模擬器自動化地生成仿真測試場景，使得用戶可以基于開源方案低成本地構(gòu)建自動化仿真測試環(huán)境，進行快速驗證。在仿真測試框架的采樣器中，本文提出了基于ball tree結(jié)構(gòu)優(yōu)化的自動駕駛仿真測試場景生成方法，該方法比傳統(tǒng)的隨機采樣方法和基于KD tree結(jié)構(gòu)的最近鄰方法采樣效率更高，且對后者的生成效率有27.97%的改進。

自動駕駛汽車的行駛場景具有及其復(fù)雜、無限豐富、不可預(yù)知的特點，人為地構(gòu)建自動駕駛場景不能滿足自動駕駛汽車測實驗證的需求，基于場景的自動化測試方案能夠為自動駕駛技術(shù)的快速發(fā)展和落地提供有力的支撐。

參考文獻：

［1］National Highway Traffic Safety Administration. Standing general order on crash reporting［EB/OL］. （2021-01）. https：//www.nhtsa.gov/laws-regulations/standing-general-order-crash-reporting.

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

［3］Kafka P. The automotive standard ISO 26262， the innovative driver for enhanced safety assessment & technology for motor cars［J］. Procedia Engineering， 2012，45： 2-10.

［4］Xia Qin， Duan Jianli， Gao Feng， et al. Test scenario design for intelligent driving system ensuring coverage and effectiveness［J］. International Journal of Automotive Technology， 2018，19： 751-758.

［5］Xia Qin， Duan Jianli， Gao Feng， et al. Automatic generation method of test scenario for ADAS based on complexity［EB/OL］. （2017-09-23）. https：//doi.org/10.4271/2017-01-1992.

［6］Fellner A， Krenn W， Schlick R， et al. Model-based， mutation-dri-ven test-case generation via heuristic-guided branching search［J］. ACM Trans on Embedded Computing Systems， 2019，18（1）： article No.4.

［7］Klischat M， Liu E I， Holtke F， et al. Scenario factory： creating safety-critical traffic scenarios for automated vehicles［C］//Proc of the 23rd International Conference on Intelligent Transportation Systems. Piscataway， NJ： IEEE Press， 2020： 1-7.

［8］Feng Shuo， Yan Xintao， Sun Haowei， et al. Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment［J］. Nature Communications， 2021，12： article No. 748.

［9］Knies C，Diermeyer F.Data-driven test scenario generation for coo-perative maneuver planning on highways［J］.Applied Sciences，2020，10（22）：8154.

［10］Ramakrishna S，Luo Baiting，Barve Y，et al.Risk-aware scene sampling for dynamic assurance of autonomous systems［EB/OL］. （2022-02-28）.https：//arxiv.org/abs/2202.13510.

［11］Ulbrich S，Menzel T，Reschka A，et al. Defining and substantiating the terms scene，situation，and scenario for automated driving［C］//Proc of the 18th International Conference on Intelligent Transportation Systems. Piscataway，NJ： IEEE Press，2015： 982-988.

［12］Menzel T，Bagschik G，Maurer M. Scenarios for development，test and validation of automated vehicles［C］//Proc of IEEE Intelligent Vehicles Symposium. Piscataway，NJ： IEEE Press，2018： 1821-1827.

［13］Pirri P，Pahl C，Ioini N E，et al. Towards cooperative maneuvering simulation： tools and architecture［C］//Proc of the 18th Annual Consumer Communications & Networking Conference. Piscataway，NJ： IEEE Press，2021： 1-6.

［14］Feng Shuo，F(xiàn)eng Yiheng，Sun Haowei，et al. Testing scenario library generation for connected and automated vehicles，part Ⅱ： case studies［J］. IEEE Trans on Intelligent Transportation Systems，2021，22（9）： 5635-5647.

［15］ Ros G，Koltun V，Codevilla F，et al. CARLA autonomous driving challenge［EB/OL］. （2019-05-17）. https：//carlachallenge.org/challenge/.

［16］徐國天.一種高維向量空間K近鄰快速搜索方法［J］.小型微型計算機系統(tǒng)，2020，41（11）： 2274-2281.（Xu Guotian. Fast search method for K nearest neighbor in high dimensional vector space［J］.Journal of Chinese Computer Systems，2020，41（11）：2274-2281.）

［17］Aiger D，Kaplan H，Sharir M. Reporting neighbors in high-dimensional Euclidean space［J］.SIAM Journal on Computing，2014，43（4）：1363-1395.

［18］白雪松，鄧偉文，任秉韜，等.一種自動駕駛仿真場景要素的提取方法［J］.汽車工程，2021，43（7）：1030-1036，1065.（Bai Xuesong，Deng Weiwen，Ren Bingtao，et al.An extraction method of scenario elements for autonomous driving simulation［J］. Automotive Engineering，2021，43（7）：1030-1036，1065.）

［19］Chen Dian，Zhou B，Koltun V，et al.Learning by cheating［EB/OL］.（2019-12-27）.https：//arxiv.org/abs/1912.12294.

收稿日期：2022-12-04；修回日期：2023-02-03

作者簡介：秦琴（1978-），女，上海人，副教授，碩導(dǎo)，博士，主要研究方向為汽車電子、圖像處理、數(shù)字孿生；谷文軍（1995-），男（通信作者），江蘇淮安人，碩士研究生，主要研究方向為自動駕駛、汽車電子、軟件測試（zeroxus@foxmail.com）．