在自动驾驶开发过程中，验证与确认（V&V）覆盖率是讨论最为激烈的议题之一，尤其是基于场景或数据驱动的验证。构建真实场景是一项关键挑战，其核心要求是模拟真实路况（长距离道路），例如交通行为、天气、时间等等。.

为了克服创建高度逼真场景的挑战，KPIT 构建了一套流程/框架，将驾驶数据转化为可测试场景，从而助力执行高质量、高精度的测试。实际测试驾驶数据会被采集并进行分析，从中挖掘出与自动驾驶功能相关的关键事件。这些关键事件会被进一步处理并转化为合成场景。人工智能技术，例如 SLAM（即时定位与地图构建）用于车辆轨迹识别，深度学习算法用于识别相关的交通参与者、对其进行分类并估计其轨迹。.

让我们详细了解一下用于提取和生成高质量场景的各种流程和人工智能技术，这些场景能够确保自动驾驶验证与确认的覆盖范围，并进行全面的用例测试。

1. 高级工作流程。.

分析驾驶日志，以识别实际道路测试期间发生的关键或重要事件。然后对识别出的关键事件进行处理，以创建或推导出可用于仿真验证（数据驱动验证）的合成场景。.

图 1：高级工作流程

2. 利用真实道路驾驶数据创建合成场景的步骤

图 2：流程步骤示意图

1. 事件选择/提取第一步是识别关键事件。驾驶数据会经过复杂的算法处理，该算法会挖掘数据以识别驾驶过程中发生的关键事件。例如，某个功能未按预期运行，或者某个功能启动过早/过晚，或者发生过紧急制动等事件。.
2. 数据过滤一旦识别出事件，下一步就是筛选出处理所需的相关数据。从所有必要的输入来源（例如车辆日志、传感器日志等）提取所需数量的数据。.
3. 输入数据处理系统会检查数据的正确性，并检查不同输入数据流之间的同步性。如果发现数据不同步，则会采用不同的方法进行数据同步。例如，在车辆启动时，驾驶员会打开雨刮器，这一过程会被记录在视频中。系统会将时间戳与雨刮器状态信号进行比较，并将数据流调整到相应的时间戳，从而实现数据同步。.
4. 数据分析或场景理解这是最关键的一步，需要提取目标车辆（速度、相对于道路的位置、偏航角等）、周围交通车辆（速度、相对于目标车辆的相对距离、位置、方向等）以及道路参数（车道数、交叉路口等）等不同参数以供后续处理。参数提取方法主要取决于输入数据的可用性。通常，如果输入数据非常有限，此过程将更具挑战性。在这种情况下，通常会采用人工智能技术。
5. 场景重建步骤‘d’中导出的参数将按照开放标准（OpenDRIVE 和 OpenSCENARIO）进行分类和分段，形成场景构建所需的数据流。越来越多的组织正在迁移到开放标准，因为它能够以最小的修改即可使用任何模拟器来构建场景模型。OpenSCENARIO 是定义车辆机动的标准格式，而 OpenDRIVE 是定义道路基础设施的标准格式。.
6. 情景建模：该过程生成上述步骤的输出结果的开放标准数据，并使其与所需的模拟器兼容。开放标准数据与所有商用模拟器以及将要使用和可视化该场景的开源模拟器兼容。.

3. 推导场景所需的数据类型

需要来自各种来源的数据来帮助从现实世界数据中推导出各种情景。

表1：输入数据要求

4. 实施人工智能技术

场景提取方法取决于输入数据的可用性。.

图 3：基于数据可用性的场景创建工作流程。.

如果表 1 中要求的大部分输入可用，则该过程将变得简单且高度自动化，借助解析器和自动化脚本，可以将场景从真实世界的驾驶数据转换为合成场景。.

通常情况下并非如此，可输入的信息有限，因此流程会变得更加复杂。这时，人工智能就能发挥作用，帮助简化流程。.

假设只有视频数据作为输入，而没有其他数据，例如传感器数据或车辆日志。在这种情况下，可以使用诸如同步定位与地图构建（SLAM）之类的人工智能技术来获取目标车辆的参数。SLAM 使用给定平面中的参考点来构建或更新未知环境的地图，同时跟踪目标物体（例如目标车辆）在地图中的位置。借助 SLAM，我们可以跟踪目标车辆并获取其位置信息。SLAM 也存在一些局限性，例如，它不能用于较长的数据集，因为估计误差会增大。为了避免这种情况，可以将数据集分割成较小的片段，分别进行计算，然后再将分割后的数据拼接起来，从而最大限度地减少计算误差。.

解决了目标车辆估计问题后，下一个挑战是获取交通参数和道路几何信息。这可以通过基于深度学习的算法来缓解，该算法可以提取交通参数（例如车辆位置、分类、速度等）和道路参数（例如车道信息）。我们将对视频运行一个训练有素的深度学习算法，以识别所需的交通参与者和道路信息。.

所有这些参数随后都会被映射到 OpenDrive 和 OpenScenario 中的相应标签，并进行适当的转换以生成场景文件。该场景文件随后将在模拟器中使用，以可视化场景。借助用于数据采集的相机配置参数（内部参数和外部参数），可以生成一定程度的精确场景模型。.

图 4：Open Drive 格式 (XODR) 的示例图像

图 5：开放场景格式 (XOSC) 的示例图像

上述技术有助于为真实道路数据生成高质量的逼真场景模型，这些模型可用于验证。验证技术可以是自动驾驶系统堆栈或自动驾驶功能的闭环测试。.

总之，将这些人工智能技术应用于基于真实世界数据的场景创建，不仅有助于生成高质量的场景，还能带来诸多益处，例如：

• 自动化可节省高达 50% 的时间，,
• 利用有限的数据集（例如，只有摄像头数据）创建逼真的场景
• 对这些真实场景进行参数化，可以对数百万个场景进行精确测试，从而确保所需的覆盖范围。.

总体而言，这些技术生成的高质量场景将有助于减少路测的需要，因为即将推出的 AD 堆栈和功能的大部分回归测试都可以在模拟环境中完成。.