【原】详解『昆仑计划』｜场景库建设是加速智能汽车测试的唯一途径

“ 

尽管有虚拟测试、数学建模等方式，可要想加速智能汽车的安全性验证，可能还真得仰赖场景库的建设。

”

2017年6月6日，作为国家智能网联汽车（上海）试点示范区建设的关键部分，《昆仑计划：中国智能驾驶全息场景库建设》项目在上海示范区启动。「昆仑计划」目标是要建设一个面向全行业的、加速智能网联汽车研发、测试和标准制定的中国道路驾驶场景库。

上海国际汽车城（集团）有限公司战略与业务规划部主任工程师李霖，在由车云网和武汉市经济技术开发区管委会（汉南区政府）主办的2017第二届中国（武汉）智能汽车创新发展论坛，分享了「昆仑计划-中国智能驾驶全息场景库」的最新进展。

▲上海国际汽车城（集团）有限公司战略与业务规划部主任工程师李霖

智能汽车测试加速的必要性

传统汽车测试和智能汽车测试之间有着巨大差异。传统汽车测试我们可以理解为是测试车辆在一定动力输入情况下和路面的相互作用，但对智能汽车而言，无论是进行驾驶辅助还是自动驾驶、无人驾驶测试，本质上是让车辆去应对环境的变化，而这个环境我们可以理解为「场景」。

那么如何去评测自动驾驶技术是否安全？根据兰德公司（ RAND Corporation）的研究报告，若要证明无人驾驶车辆比人类驾驶车辆更安全，需要在各种交通场景下对100辆车进行24小时全天测试，并连续测试225年。这一研究结果说明，必须找到其它方法来加速智能汽车的安全性验证，如虚拟测试和模拟、数学建模等，而建设场景库则被认为是目前唯一有效的途径。

本文一开始就提到了，场景是智能网联汽车开发的基础之一，决定了系统工作的范围。场景库测试是智能网联汽车测试评价的“题库”，是检验不同智能网联汽车“智能水平”的评判依据。特别是我国与国外交通环境存在较大差异，国际上已有的数据和成果并不能如实反映我国交通环境的特征。因此，构建一个能客观模拟中国道路交通环境的测试场景库，对我国智能网联汽车的研究、开发和测试评价而言将呈现出有力的支撑作用。

作为工信部批准的国家首个同类型示范区，国家智能网联汽车（上海）试点示范区一期封闭区测试场地于2016年6月建设完成并对外开放。示范区第二阶段开放道路、第三阶段典型城市环境和第四阶段城市交通走廊正在逐步推进。据李霖介绍称，示范区已初步建成数据中心平台，具有相对完备的软硬件平台资源，可支持智能网联汽车测试数据采集接入、海量数据储存、高可靠性通信和数据密集型计算，这是未来智能驾驶场景库建设及运营的基础。

而至于为何会取名「昆仑计划」，主要原因在于场景库将成为智能网联汽车研发测试的「源头」，在开发过程中所有的测试工具，无论是仿真测试还是场地测试都需要有场景库的支撑，是覆盖了智能智能网联汽车研发测试全生命周期过程的「脊梁」。同时在进行大量测试时又会有新场景的补充更新，像人的「血脉」一般，综合考虑之后，上海汽车城遂将场景库建设的项目命名为「昆仑计划」。

智能驾驶场景库建设的「数据」支持

谈到「昆仑计划」的架构，李霖表示除公共道路测试外，还构建了一系列的测试工具体系，这其中包含了仿真测试、驾驶模拟器以及涵盖了人车路环境信息采集的其他测试工具。上面也提到了，国家智能网联汽车（上海）试点示范区已经建设了全世界最大的新能源汽车数据中心，未来计划打造更大规模的智能网联汽车数据中心，用来支持更高频次更新力度的数据采集。

工程师从数据中心提取数据构建驾驶场景库，驾驶场景库则成为支撑所有硬件测试的基础。除了使用真实场景数据搭建的场景库进行测试外，新场景也会从模拟测试中产生。比如在公共道路测试中，由于实际道路的复杂性和随机性会有新的、之前没有考虑到的东西出现，这些信息会逐步反馈到示范区的数据中心，从而进一步完善丰富驾驶场景库。

这里提到场景库的数据采集需求，传统意义上分成正常、危险和事故驾驶三种类型。除此之外，还要考虑到一些实际交通不存在的场景，增加智能网联汽车应对不同环境的能力，因此需要更多的数据来源支撑。李霖介绍称，目前上海示范区主要选择了六大类的数据支持：

1. 事故场景数据。由于事故可以看做是交通的一个浓缩机，能够体现出实际交通环境的高危场景。不过从事故提取的数据维度或丰富度相当有限，只能获取针对单车的场景，因此通过布局更多的数据采集设备，提炼相应的标准规范，把驾驶环境要素通过不同规律组合，来重构更多的场景，这叫做驾驶场景库状态空间的完全覆盖。

李霖表示，目前上海示范区获得了CIDAS（中国交通事故深入研究）数据库使用授权，该项目启动于2011年7月15日，每年采集至少800起符合要求的交通事故，已经采集了3000多起中国道路交通事故，调查区域的选择考虑中国整体地域特点，覆盖不同经济发展水平城市和各种道路类型。

而长三角事故数据库的数据来源于沪昆高速浙江段2008~2012年近300起伤亡事故的卷宗，由公安机关提供的文件获取对于复现事故场景的有效信息。数据经场景还原后，与CIDAS获得的数据资料相似。

2. 自然驾驶场景数据。“自然驾驶研究”是通过安装在车辆上的先进数据采集系统，采用视频和录音设备全时监测和记录实际驾驶过程，进而采集车辆数据、驾驶员行为、道路环境三方面信息，分析真实的交通环境和驾驶行为特征。自然驾驶研究关注交通系统中人的主体作用，从而全面系统地分析驾驶员的行为及事故原因。

3. 驾驶模拟器场景数据。通过把事故数据和自然驾驶采集后的数据汇入到驾驶模拟器中，在驾驶模拟器里面去体验各类交互场景，目前已经完成大概超过2000多个小时的工作。

4. 路侧交通流/V2X测试场景数据。这部分工作，上海示范区与上海交管部门进行了深度合作，可以从另一个维度去获得更宏观的场景状况。在这个情况下可以开展V2X功能测试及相关工作。

5. 国内外标准规范场景。国内外法律法规涉及的场景，比如来源于ISO、NHTSA、EuroNCAP等机构组织的测试标准。

6. 自动重构场景。由于真实驾驶过程中场景数目是无限的，但通过前面五个数据来源只能够获取有限信息，因此解决这个问题的方法就在于要把前面五部分获取的数据来源进行解构，去分析不同场景不同维度要素对智能驾驶的影响，包括单一影响和不同因素之间的耦合影响。之后再把这些要素进行组合，组成不是一个纯粹的随机组合，要考虑到各要素之间的组合规律和约束关系，比如说道路监测规范的约束、交通法规的约束等。

据车云菌了解，目前上海示范区应用的CIDAS数据有3000多起，驾驶模拟已经完成超过1000人次的驾驶模拟，路侧有1270组监控设备，参考的法律法规有80余类。而通过人工场景重构，今后事故这块数据来源可增加800起，再加上利用驾驶模拟平台获取更大范围的驾驶事故数据，路测也会进一步和交管部门合作，获取更丰富的数据资源，最终是希望实现场景的重构循环，去构建一个容量无限的智能驾驶场景库。

中国道路交通状况非常复杂，李霖在最后呼吁不同区域的示范区都能参与进来，推动智能驾驶场景库的建设，包括数据标准和数据格式方面的统一，共同构建一个系统完整的大数据库平台，支撑智能网联汽车相关研发和测试的工作。

车  云  推  荐