自动驾驶功能场景 逻辑场景 具体场景解释

什么是自动驾驶场景

欧盟PEGASUS项目系统分析了自动驾驶汽车不同研发阶段的测试需要,依据抽象程度和表达方式的不同,将场景分为功能场景、逻辑场景和具体场景三类,并结合测试需求将场景划分为道路层、交通设施层、临时调整的交通设施层、移动物体层、环境状态层和通信层六个层次。
赵祥模等认为自动驾驶测试场景指在一定时空范围内,自动驾驶汽车与行驶环境中的其他车辆、基础设施、天气、光照、障碍物等要素综合交互的过程,同时,将场景要素分为静态要素和动态要素两大类。
Geyer等认为场景是自动驾驶测试要素,涵盖了环境元素、动态元素和驾驶指令,同时也包括了驾驶员的行为和自动驾驶的自主行为。
美国国家公路交通安全管理局(NHTSA)发布的报告中提出了自动驾驶汽车测试场景的框架,具体包括车辆运动行为(DDT)、设计运行范围(ODD)、事件感知与决策行为(OEDR)和失效模式行为(FM),从车辆功能特征的角度对测试场景进行描述。

一.自动驾驶场景抽象分级

为了描述交通事件的演变,我们需要考虑环境的快照,称之为Scene(即情景)。 Scene包含环境、静态和动态交通要素、所有行动者和观察者的表现,以及这些实体之间的关系。与Scene不同,Scenario(即场景)描述的是时间跨度。场景是对一系列情景随着时间推移的演变的描述。为了描述场景的时间发展,我们使用了行动和事件以及相关参与者的目的地和对应的参数值,而场景的描述也可以根据需求和应用目的的不同而分成不同的层级。
2018年,德国PEGASUS项目提出了场景三层抽象分级,即功能场景、逻辑场景、具体场景,并在全球范围内获得了行业的一致认同,逐渐成为了行业通用的场景分级标准。然而从2018年至今,人们在该分级模型的应用实践中发现,三层分级模型对于当前的驾驶场景工程应用,尤其是在仿真工程应用中渐渐显露出它的局限性。因此,2021年,由PEGASUS的后续项目VVM(Verification and Validation Method)中的专家提出了场景四层抽象分级模型概念,在三层分级模型的基础上,新增了抽象场景这一层级,并被ISO 34501采纳,纳入了国际标准体系。
下图展示了场景四层抽象分级模型及其之间的关系,从功能场景-抽象场景-逻辑场景-具体场景,抽象化程度逐渐降低,但场景数量逐渐增加。接下来的各小节,将对四层模型的概念进行展开介绍。

1.1 功能场景(Functional Scenario)

功能场景是抽象行为场景的非形式化(Non-formal)的自然语言描述。这种描述是一种非控制的、自由风格的语言,通常指的是功能规范。它不是机器可读(machine-readable)的,但也可能支持某些元素的可视化表达。通常人们将功能场景描述形式用于创建场景的第一步,它的抽象程度是最高的,场景数量最少。

一个典型的功能场景描述如下:
基本道路信息:三个机动车车道线的曲线道路,交通标志限速100km/h;
静态目标:无;
动态目标:交通堵塞,主车靠近中间车道,车流缓慢同行;
环境:夏天、下雨。

1.2 抽象场景(Abstract Scenario)

抽象场景是形式化的、机器可阅读的、声明式的描述(如对发生事件的限制),并能有效的描述复杂关系(如因果关系)。这一级别的描述是人机可读的,允许工具将其作为输入格式读取、处理和合成工件。当然,抽象场景也可以用自然语言表达,功能场景和抽象场景之间的区别在于,抽象场景是正式的且机器可读的。抽象场景描述通常与一个本体(或者更确切的说是本体家族)紧密联系在一起,大大提高了所使用术语的精度。
抽象场景可以使用约束条件捕捉属性和行为之间的依赖和关系。这一抽象水平适用于场景演示和ODD的描述需求。
典型的抽象场景描述示例:
“An emergency vehicle in a three-lane motorway.” 一辆紧急车辆(如救护车)在三车道上行驶。
“An aggressive cut-in by a large vehicle.” 一辆大型车强行切入(主车前方)。

1.3 逻辑场景(Logical Scenario)

逻辑场景是一组场景的参数化表示,其中影响因素通过参数范围和分布来描述,并允许参数的变化。在此场景中不指定所有参数的具体值,但提供值的可选范围。其目的是在仿真或测试的过程中,通过选择范围外的具体数值来允许参数值的变化。可以通过预定义步骤、分布函数或者随机性来实现。逻辑场景的自由维度构成了一个场景空间。
一个典型的功能场景描述如下:
基本道路信息:车道宽[3…3.5]m,曲率半径[0.6…0.9]km,交通标志位置[0…200]m;
静态目标:无;
动态目标:交通拥堵车流终点[10…200]m,交通拥堵车流速度[0…30]km/h,主车距离[50…300]m,主车速度[80…130]km/h;
环境:温度[10…40]℃,雨水颗粒尺寸[20…100]µm。

1.4 具体场景(Concrete Scenario)

具体场景是一个单一的场景,它精确地描述一个特定的情景和带有固定参数的事件链,并可以被特定语言描述出来,如OpenDRIVE 和 OpenSCENARIO。一般情况下,一个具体场景可以由固定一个逻辑场景的所有参数取值演变而来,与之相反的,一旦没有提供具体场景的某一参数值,该场景就会成为一个逻辑场景。
一个典型的具体场景描述如下:
基本道路信息:车道宽[3]m,曲率半径[0.8]km,交通标志位置[50]m;
静态目标:无;
动态目标:交通拥堵车流终点[60]m,交通拥堵车流速度[10]km/h,主车距离[150]m,主车速度[90]km/h;
环境:温度[25]℃,雨水颗粒尺寸[40]µm。

转自:

https://zhuanlan.zhihu.com/p/608572003#:~:text=%E4%B8%80.%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E5%9C%BA%E6%99%AF%E6%8A%BD%E8%B1%A1%E5%88%86%E7%BA%A7%201%201.1%20%E5%8A%9F%E8%83%BD%E5%9C%BA%E6%99%AF%EF%BC%88Functional%20Scenario%EF%BC%89%20%E5%8A%9F%E8%83%BD%E5%9C%BA%E6%99%AF%E6%98%AF%E6%8A%BD%E8%B1%A1%E8%A1%8C%E4%B8%BA%E5%9C%BA%E6%99%AF%E7%9A%84%E9%9D%9E%E5%BD%A2%E5%BC%8F%E5%8C%96%EF%BC%88Non-formal%EF%BC%89%E7%9A%84%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E6%8F%8F%E8%BF%B0%E3%80%82%20…%202,4%201.4%20%E5%85%B7%E4%BD%93%E5%9C%BA%E6%99%AF%EF%BC%88Concrete%20Scenario%EF%BC%89%20%E5%85%B7%E4%BD%93%E5%9C%BA%E6%99%AF%E6%98%AF%E4%B8%80%E4%B8%AA%E5%8D%95%E4%B8%80%E7%9A%84%E5%9C%BA%E6%99%AF%EF%BC%8C%E5%AE%83%E7%B2%BE%E7%A1%AE%E5%9C%B0%E6%8F%8F%E8%BF%B0%E4%B8%80%E4%B8%AA%E7%89%B9%E5%AE%9A%E7%9A%84%E6%83%85%E6%99%AF%E5%92%8C%E5%B8%A6%E6%9C%89%E5%9B%BA%E5%AE%9A%E5%8F%82%E6%95%B0%E7%9A%84%E4%BA%8B%E4%BB%B6%E9%93%BE%EF%BC%8C%E5%B9%B6%E5%8F%AF%E4%BB%A5%E8%A2%AB%E7%89%B9%E5%AE%9A%E8%AF%AD%E8%A8%80%E6%8F%8F%E8%BF%B0%E5%87%BA%E6%9D%A5%EF%BC%8C%E5%A6%82OpenDRIVE%20%E5%92%8C%20OpenSCENARIO%E3%80%82%20

  • 14
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
自动驾驶决策和控制算法是自动驾驶系统中的重要组成部分。它们负责根据感知到的环境信息,进行实时的决策和控制,以实现安全、高效的驾驶行为。 决策算法主要负责根据车辆周围的感知信息,如传感器数据、地图数据等,进行场景理解、目标识别和行为预测。常见的决策算法包括基于规则的算法和基于机器学习的算法。其中,基于规则的算法使用预定义的规则和逻辑来进行决策,例如优先让行、避让障碍物等。而基于机器学习的算法则通过训练模型来学习从感知数据到决策行为的映射关系,如深度学习算法和强化学习算法。 控制算法主要负责根据决策结果,生成车辆的控制命令,如油门、刹车、转向等。常见的控制算法包括经典的PID算法、LQR算法和MPC算法。PID算法是一种基于误差和误差变化率的反馈控制算法,用于实现车辆的稳定行驶。而LQR算法则通过优化控制理论来设计最优的控制器。MPC算法则通过对未来的状态和控制命令进行优化,以实现车辆的轨迹跟踪和动态规划。 总结起来,自动驾驶决策和控制算法是通过对感知信息进行分析和处理,实现对车辆行为的决策和控制的关键算法。这些算法包括决策算法和控制算法,其中决策算法负责根据感知信息进行场景理解和行为预测,控制算法负责根据决策结果生成车辆的控制命令。这些算法的设计和优化是实现安全、高效自动驾驶的关键。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值