楊清蓉，趙 津，孫念怡，劉 暢

(1. 貴州大學(xué)機(jī)械工程學(xué)院，貴州 貴陽 550025；2. 貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550025)

1 引言

根據(jù)世界衛(wèi)生組織[1]的數(shù)據(jù)，2013年有100多萬人死于交通事故。隨著人工智能技術(shù)的發(fā)展，自動駕駛汽車(根據(jù)SAE[2]標(biāo)準(zhǔn)，等級3及以上)有望在將來減少這個(gè)數(shù)字。SAE等級1(駕駛員協(xié)助)和等級2(部分自動化)指駕駛員必須一直監(jiān)控系統(tǒng)，并在發(fā)生系統(tǒng)故障時(shí)立即進(jìn)行干預(yù)。從等級3(條件自動化)到等級5(全自動化)，當(dāng)責(zé)任從駕駛員轉(zhuǎn)移到了車輛上時(shí)安全評估變得尤其重要。與傳統(tǒng)的汽車系統(tǒng)相比，高級駕駛輔助系統(tǒng)(advanced driver assistance systems，ADAS)的工作狀態(tài)更加復(fù)雜和多樣，這使得傳統(tǒng)的道路場地測試已經(jīng)無法滿足自動駕駛汽車的測試需求，另一方面，ADAS直接影響駕駛安全，因此在上市之前需要進(jìn)行充分和全面的測試。在投入大量的時(shí)間和資源后，自動駕駛技術(shù)快速發(fā)展，高級駕駛輔助系統(tǒng)(ADAS)中的自動緊急制動(automated emergency braking，AEB)、前撞警告(Front Collision Warning，(automated emergency braking，AEB)、前撞警告(Front Collision Warning，F(xiàn)CW)和車道偏離警告(Lane Departure Warning，LDW)等已迅速投入市場。

2016年澳大利亞交通協(xié)會聲明高速公路上每秒鐘就有一起碰撞事故，其中大部分的碰撞事故是由于追尾。Euro-NCAP 的研究結(jié)果表明，AEB 系統(tǒng)可以避免27% 的交通事故，同時(shí)在很大幅度上降低事故人員的受傷害程度。因此，AEB系統(tǒng)受到了各國政府和企業(yè)的高度重視，如Euro-NCAP 從2014 年開始把AEB 場地測試結(jié)果納入整車安全性評價(jià)體系。

目前，自動駕駛汽車測試方法主要分為兩種[3]，一種是基于場景的測試方法，另一種是基于里程的測試方法?；诶锍痰臏y試方法在經(jīng)濟(jì)性和時(shí)效性方面存在不可彌補(bǔ)的缺陷，從統(tǒng)計(jì)學(xué)角度出發(fā)，驗(yàn)證自動駕駛汽車比人類駕駛更安全，理論上應(yīng)至少進(jìn)行2.4億km以上的公共測試道路測試，這將是一個(gè)無比巨大的工程且受法律法規(guī)限制[4]。與之相比，基于場景的測試方法應(yīng)用更加靈活，測試效率高且有針對性。基于此，針對場景測試的研究越來越受到國家、企業(yè)和高校的重視，如德國的PEGASUS項(xiàng)目，美國發(fā)起的“自動駕駛汽車可變性能測試”，我國推進(jìn)北京、上海、天津等城市的智能網(wǎng)聯(lián)或自動駕駛示范區(qū)，2018年4月我國工信部、公安部和交通運(yùn)輸部聯(lián)合發(fā)布了《智能網(wǎng)聯(lián)汽車道路測試管理規(guī)范(試行)》[5]。

隨著測試場景復(fù)雜程度急劇增加，場景數(shù)量也呈幾何級數(shù)增長。如文獻(xiàn)[6]中輸入16個(gè)影響因素，采用正交實(shí)驗(yàn)方法(orthogonal experiment，OE)會導(dǎo)致測試場景數(shù)量的“空間災(zāi)難”，測試場景數(shù)是349920000個(gè)；采用“窮盡性測試”(exhaustive testing，ET) 測試場景總數(shù)是497664000個(gè)，這樣的方法是不必要的且低效的。因此，該領(lǐng)域的研究將重點(diǎn)放在通過搜索關(guān)鍵場景來增強(qiáng)ADAS測試。

Bagschik等提出了基于場景生成的本體論方法，該方法設(shè)計(jì)5層模型描述場景參數(shù)[7]。因?yàn)楸倔w論擁有有效的參數(shù)范圍、限制和其它領(lǐng)域知識，所以從本體論生成測試用例是可跟蹤的。利用分類圖所描述的本體可以更加直接的構(gòu)造面向組合測試的整個(gè)系統(tǒng)。因此，Klück等[8]使用領(lǐng)域本體提供場景的環(huán)境模型，保證其生成合理的測試場景。

為了生成更多的關(guān)鍵場景，Zhao等人[9]和Huang等人[10]提出了加速評估方法，該方法采用重要性抽樣理論加速評估過程發(fā)現(xiàn)關(guān)鍵的場景，但是該方法僅考慮了特定駕駛輔助功能的有限因素，限制了其應(yīng)用范圍。Menzel等[11]討論了測試自動駕駛車輛關(guān)鍵場景的方法，但未涉及如何自動地獲得關(guān)鍵場景。Gao等人提出了基于組合測試的測試場景自動生成策略[6]。Wotawa等人[12]討論了自動駕駛車輛對組合測試方法的需要。組合測試方法已被廣泛應(yīng)用在計(jì)算機(jī)軟件測試領(lǐng)域[13]，基于大多數(shù)程序錯(cuò)誤是由多個(gè)影響因素相互作用造成的這一事實(shí)推動組合測試方法的發(fā)展。組合測試方法生成的測試場景集可以在場景數(shù)量盡可能少的情況保證其所需強(qiáng)度為n的全覆蓋。

Sotiropoulos等人[14]表明，3D仿真可以有效地用于尋找移動機(jī)器人軟件中的導(dǎo)航故障。因此，本文基于以往學(xué)者的研究采用本體論方法建立AEB環(huán)境模型，使用組合測試方法生成測試用例，最后仿真測試AEB測試場景。

2 AEB的環(huán)境本體

2.1 AEB縱向控制功能整體邏輯圖

自動緊急制動 (Autonomous Emergency Braking，AEB)是重要的主動安全技術(shù)，AEB系統(tǒng)檢測到車輛前方可能出現(xiàn)碰撞情況時(shí)，系統(tǒng)通過有效的自動制動避免碰撞或者減輕碰撞危害程度。圖1是AEB縱向控制功能整體邏輯，上層控制模型為AEB控制模型，其輸入量為兩車相對距離D和相對速度V，輸出為測試車輛加速度a；底層控制模型的輸出為節(jié)氣門開度(Throttle)和制動力(Brake)[15]。

碰撞時(shí)間(TTC)作為基于時(shí)間的安全度量指標(biāo)檢測追尾事故，可用于評估AEB場景的危急程度[16]。本文研究主要關(guān)注三個(gè)變量，分別是自車速度、兩車相對距離D和自車制動力。碰撞時(shí)間TTC的定義

圖1 AEB縱向控制功能整體邏輯圖

TTC=-D/D′

(1)

式中，TTC為碰撞時(shí)間；D為兩車相對距離；D′為相對速度。

在仿真測試中設(shè)定TTC：TTC (預(yù)警危險(xiǎn))=2.6s，TTC(部分制動)=1.6s，TTC(全力制動)=0.6s。對于導(dǎo)致TTC值在0到1秒之間的測試場景(即接近碰撞或碰撞)定義為關(guān)鍵事件中的極端工況。

2.2 AEB環(huán)境本體

本體論是共享概念模型的明確的形式化規(guī)范說明，其特征是增加的復(fù)雜性需要高語義的表達(dá)能力，同時(shí)它描述了應(yīng)用程序領(lǐng)域背后的知識。例如，在自動駕駛中，此類本體被用于決策、描述交通情況和導(dǎo)航。在場景測試中，特別是在生成測試用例時(shí)，通過本體提供特定實(shí)體及其關(guān)系的信息來提取測試用例。

概念本身可以描述一個(gè)實(shí)體，它可以來自現(xiàn)實(shí)世界，例如一輛車，也可以來自非物質(zhì)描述，例如一個(gè)句子或一種(物理的)力量。概念是構(gòu)成本體論的基本構(gòu)建塊。概念也允許有屬性。例如，一個(gè)人有區(qū)別與他人的名字、生日和特殊屬性。屬性本身具有某種類型，如字符串或日期。因此，為了提供測試用例生成的輸入模型，本體論需要列舉類型作為基本的類型來指定對應(yīng)于屬性的列舉元素。

本文引入了一個(gè)簡化的本體論定義[17]，它基于將關(guān)系限制為組合和繼承的概念。具有屬性和特定類型的概念描述了輸入模型的基本實(shí)體。圖2描述了概念、屬性及其關(guān)系的圖示。概念對應(yīng)于圖的頂點(diǎn)(如C1)，關(guān)系對應(yīng)圖的邊(如帶有箭頭和文字的線段)，并且關(guān)系是包含兩個(gè)概念和一個(gè)類型組成的有向邊。

本體論已經(jīng)在自動駕駛開發(fā)和測試的多個(gè)領(lǐng)域中被很好地建立起來。為了提高自動駕駛車輛功能的可靠性(如傳感器故障補(bǔ)償)，研究人員[18]為抽象駕駛環(huán)境的表示和推理創(chuàng)造了一個(gè)本體模型，該模型能夠更好地理解交通狀況和傳感器限制，并為ADAS提供有效的數(shù)據(jù)源。Geyer等人[19]定義了常用術(shù)語，如自車和場景(動態(tài)元素，靜態(tài)元素和路網(wǎng))，和從自車的角度使用本體描述交通狀況。Bagschik等人[7]詳細(xì)討論了如何在自動駕駛領(lǐng)域的不同應(yīng)用中使用本體，同時(shí)提出了一個(gè)掌握交通基礎(chǔ)設(shè)施的設(shè)計(jì)知識和交通參與者行為交互作用的本體。由于底層的轉(zhuǎn)換算法具有較高的計(jì)算復(fù)雜度必須保持盡可能小的本體，通過提取中國新車評價(jià)規(guī)程(C-NCAP)的參數(shù)取值范圍和代表值勾畫了一個(gè)簡化的AEB環(huán)境本體，如圖3所示。

圖2[17] 本體論基本概念、屬性及其關(guān)系

AEB環(huán)境本體描述了用于測試AEB場景的所有實(shí)體，它包含4個(gè)概念(動態(tài)場景、自車、目標(biāo)車輛和行人)和3個(gè)組合關(guān)系。其中，目標(biāo)車輛的數(shù)量是1～3，行人數(shù)量是0～2(C-NCAP中存在行人數(shù)量為0的場景)。在每個(gè)概念中定義了動態(tài)信息(如速度和方向等)、實(shí)體的位置和類型。

圖3 基于C-NCAP 的AEB環(huán)境本體

3 AEB功能關(guān)鍵場景生成

本節(jié)討論將本體轉(zhuǎn)換為組合測試的輸入模型。對于AEB環(huán)境本體(圖3)有3種組成關(guān)系：(動態(tài)場景，自車)、(動態(tài)場景，目標(biāo)車輛)、(動態(tài)場景，行人)，并獲得一組用于CT輸入模型的變量，即：

變量VCT={自車＿速度，自車＿方向，自車＿車輛類型，自車＿側(cè)向偏移量，自車＿偏置率，目標(biāo)車輛數(shù)量，目標(biāo)車輛n＿初始速度，目標(biāo)車輛n＿目標(biāo)速度，目標(biāo)車輛n＿方向，目標(biāo)車輛n＿車輛類型，目標(biāo)車輛n＿側(cè)向偏移量，目標(biāo)車輛n＿偏置率，行人數(shù)量，行人s＿初始速度，行人s＿目標(biāo)速度，行人s＿方向，行人s＿行人類型，行人s＿側(cè)向偏移量，行人s＿偏置率}(其中，n=1，2，3；s=1，2)。

變量域從中國新車評價(jià)規(guī)程(C-NCAP)的參數(shù)取值范圍提取。另外，生成測試用例之前需要添加必要的約束，如當(dāng)車輛數(shù)為1時(shí)其它兩輛車輛的參數(shù)應(yīng)該為空，即其它兩輛車不存在。當(dāng)行人數(shù)量為0時(shí)行人的所有參數(shù)應(yīng)該為空，即場景無行人。

在Windows 10系統(tǒng)下使用一臺Intel Core i9-10850 @ 3.6GHz的臺式電腦生成測試用例。輸入39個(gè)變量和36個(gè)約束后，采用ET測試方法場景總數(shù)是359538個(gè)，假設(shè)每個(gè)場景的測試時(shí)間為10s，則需要總時(shí)間0.74年。僅考慮時(shí)間的情況已經(jīng)無法進(jìn)行全覆蓋的遍歷式測試，為了解決這個(gè)問題，本文引入了組合測試中的成對獨(dú)立組合測試(Pairwise Independent Combinatorial Testing，PICT)[20]方法，該方法在保證組合覆蓋率的同時(shí)關(guān)注測試集的縮減。使用PICT工具計(jì)算強(qiáng)度為2的組合測試組僅2分鐘就可以獲得82個(gè)測試用例。表1展示了部分測試用例。

表1 測試用例部分示例

用餅狀圖說明測試用例的分布情況(圖4和表2)，從餅狀圖可以看出，目標(biāo)車輛數(shù)量為3和行人數(shù)量為2的測試用例占比達(dá)56.1%。因此，在實(shí)體間的多種相互作用下的測試用例具有更高的概率發(fā)現(xiàn)關(guān)鍵場景。

圖4 測試用例分布情況

表2 測試用例分布情況

4 仿真與驗(yàn)證

4.1 場景建模

本文選用的兩個(gè)場景。場景1驗(yàn)證所選AEB算法的有效性，再將有效的AEB算法應(yīng)用于場景2。

場景1選用《智能網(wǎng)聯(lián)汽車道路測試管理規(guī)范(試行)》中的前車靜止工況，自車以14m/s(約50km/h)的車速沿車道中間勻速接近前方靜止目標(biāo)車輛，如圖5。測試要求：自車應(yīng)在制動之前發(fā)出報(bào)警信息且目標(biāo)車輛未與前車發(fā)生碰撞。

場景2選用組合測試方法生成的AEB關(guān)鍵場景，即車輛數(shù)量為3和行人數(shù)量為2。自車和目標(biāo)車輛1均以14m/s(約50km/h)的車速沿車道中間勻速，另外目標(biāo)車輛2和3靜止在鄰近車道，左側(cè)行人以1.4m/s(約5km/h)的速度從左向右橫穿馬路，右側(cè)行人以1.4m/s(約5km/h)的速度從右向左橫穿馬路，如圖6。測試要求：自車應(yīng)在制動之前發(fā)出報(bào)警信息且自車未與目標(biāo)車輛或行人發(fā)生碰撞。

圖5 場景1(目標(biāo)車靜止)

在Windows 10系統(tǒng)下使用一臺Intel Core i9 10850 @ 3.6GHz的臺式電腦進(jìn)行虛擬仿真。測試場景由TNO的虛擬仿真軟件PreScan為ADAS建模[21]。建立一條長900m的直線道路。傳感器使用PreScan自帶的獨(dú)立傳感器(technology independent sensor，TIS)，TIS1設(shè)定頻率25Hz，最大探測距離150m，俯仰角和水平角均為9°；TIS2設(shè)定頻率25Hz，最大探測距離45m，俯仰角80°和水平角9°。

圖6 場景2(關(guān)鍵場景)

本文選用PreScan自帶的車輛動力學(xué)模型，也可以使用CarSim軟件建立更加精細(xì)的測試車輛動力學(xué)模型聯(lián)合PreScan仿真。

4.2 仿真測試

場景1：測試中自車以恒定速度14m/s(約50km/h)靠近靜止的目標(biāo)車輛。仿真過程輸出信息如圖7所示。在測試開始時(shí)，兩車相對距離86m，雷達(dá)探測到目標(biāo)且未處于危險(xiǎn)區(qū)域，本車未出現(xiàn)制動情況。3.9s時(shí)，AEB系統(tǒng)發(fā)出提示性警告。4.36s時(shí)，進(jìn)入危險(xiǎn)區(qū)域，AEB系統(tǒng)發(fā)出碰撞警告并開始以40%的制動壓力(60MPa)部分制動。5.976s時(shí)，系統(tǒng)開始全制動(150MPa)。本車速度在6.76s時(shí)降至0，此時(shí)相對距離達(dá)到最小值1.97m，成功避免碰撞。從場景1仿真結(jié)果可以看出(圖8)，選用的AEB算法是有效的。

圖7 場景1仿真過程輸出信息

場景2：仿真過程輸出信息如圖9所示。測試中自車以恒定的速度14m/s和目標(biāo)車輛(14m/s)穩(wěn)定行駛4s后，目標(biāo)車輛1開始減速至6m/s，同時(shí)左右兩邊行人都以1.4m/s (約5km/h)的速度橫穿馬路。自車探測到目標(biāo)車輛1減速并做出了相應(yīng)的制動后，目標(biāo)車輛1加速離開時(shí)，左右側(cè)行人橫穿馬路接近自車，當(dāng)自車探測到行人時(shí)全力制動(150MPa)但沒有成功避免碰撞行人。從仿真結(jié)果可以看出(圖10)，自車碰撞右側(cè)行人，發(fā)生碰撞事故。

圖8 仿真結(jié)果

圖9 場景2仿真過程輸出信息

圖10 仿真結(jié)果

5 結(jié)論

針對AEB功能基于仿真測試復(fù)雜驗(yàn)證需求的問題，本文應(yīng)用本體論的方法建立環(huán)境模型作為組合測試的輸入模型，提取組合測試輸入模型變量，采用PICT工具自動生成82個(gè)測試用例。相比于ET測試方法，該方法更有效且提高了自動駕駛功能仿真測試場景的生成效率。在仿真軟件PreScan中運(yùn)行場景2，自車和行人發(fā)生碰撞事故，實(shí)現(xiàn)了AEB功能關(guān)鍵場景的仿真測試。

在AEB環(huán)境本體模型中根據(jù)測試需求人為指定概念信息，未考慮概念信息真實(shí)分布特性，后續(xù)將基于自然駕駛數(shù)據(jù)集提取概念信息，提高本體環(huán)境模型的真實(shí)性和合理性。