基于 Pegasus 場景分層體系，提出了一種關于場景復雜度的量化方法，以此來評定場景數(shù)據(jù)的質量。該方法確定了每層要素的決定因素，根據(jù)決定因素確定每層要素的復雜度，通過求出各層要素復雜度之和，得到場景數(shù)據(jù)的總復雜度。此外，為了防止“過復雜”現(xiàn)象，提出了“母子庫”法和“系統(tǒng)場景概率”法，將場景要素的復雜度乘以該要素的出現(xiàn)概率，得到修正后的復雜度。研究結果顯示，通過該方法可以構建合理可用的場景庫。

自動駕駛汽車因安全問題導致危害的主要原因包括兩方面：（1）由于電子電器故障或軟件系統(tǒng) 失效而導致的危害。對于該原因，ISO 提出了 ISO26262《道路車輛—功能安全標準》，而國內提出了對應的 GB/T 34590《道路車輛—功能安全標 準》。（2）由于系統(tǒng)性能不足或合理預見的人為誤用而導致的危害。對于該原因，ISO 提出了 ISO/ PAS 21448 Safety of the Intended Functionality，簡稱 SOTIF 標準 。

SOTIF 標準中，將自動駕駛汽車行駛時面臨的場景分為 4 類：已知安全場景、已知不安全場景、 未知安全場景以及未知不安全場景，如圖1 所示。對于已知安全場景和未知安全場景，在 SOTIF 標準中并未給予關注。對于已知危險場景，SOTIF 標 準提出了一套方法論。其目的是提高自動駕駛汽車 相關系統(tǒng)的性能或縮小相關系統(tǒng)的運行區(qū)域范圍， 并基于相關場景庫進行測試與驗證，即將已知危險 場景轉化為已知安全場景。

而對于未知危險場景， 則可以基于場景庫進行大量的試驗，以此發(fā)現(xiàn)和探 測出相關系統(tǒng)存在的安全隱患場景，即將未知危 險場景轉化成已知危險場景。最后，基于上述方法 論，將已知危險場景轉化為已知安全場景?？傊?SOTIF 標準的目標是盡可能地擴大自動駕駛汽車相 關系統(tǒng)在運行時所面臨的已知安全和未知安全場景 的范圍，從而盡可能地縮小已知危險和未知危險場 景的范圍，如圖 2 所示。要實現(xiàn)上述目標，其中一 個關鍵因素是構建高質量的預期功能安全場景庫。

目前，許多企業(yè)和組織都構建了自己的預期功能安全場景庫。例如：Kitti場景庫、NuScenes[6] 場景庫、Lyft 自動駕駛汽車場景庫等。大多數(shù)企業(yè)和組織在場景庫的構建過程中重點關注場景庫數(shù)據(jù)的收集， 而對收集到的場景數(shù)據(jù)質量卻缺乏合理的量化指標。

這無疑帶來了兩個問題：

（1）場景庫中可能包含著大量重復且低質量的場景數(shù)據(jù)，導致基于場景庫的試驗時間過長，甚至無法發(fā)現(xiàn)自動駕駛汽車的性能缺陷，降低了試驗結果可信度。

（2）不同場景庫之間無法進行優(yōu)劣性比較，導致自動駕駛汽車場景 庫試驗無法選擇最優(yōu)的場景庫數(shù)據(jù)。因此，采用一 種科學合理的場景庫質量量化方法是十分必要的。場景數(shù)據(jù)越復雜，對相關系統(tǒng)的挑戰(zhàn)越大，探測出相關系統(tǒng)性能缺陷的可能性就越大。因此，可以認為場景數(shù)據(jù)的復雜度是影響場景庫質量的關 鍵因素之一。

本文提出了一種量化場景數(shù)據(jù)復雜度 的方法。該方法是基于德國Pegasus 項目的場景分層體系，對場景中的要素進行分類統(tǒng)計，以計算場景 數(shù)據(jù)中要素的復雜度，并以此評估場景數(shù)據(jù)的質量。

1 Pegasus 場景分層體系

Pegasus項目 由德國汽車行業(yè)相關企業(yè)和研究機構共同發(fā)起，以制定與自動駕駛汽車相關的 一系列測試標準為目的。該項目提出了一種場景分 層體系，即在場景中根據(jù)場景要素的不同將其分為6層場景，見表 1。

場景數(shù)據(jù)如圖3所示?；?Pegasus 場景分層體系，可以將場景數(shù)據(jù)進行分層，見表2。

2 場景數(shù)據(jù)復雜度量化方法

Pegasus 場景分層體系將場景要素進行分層。本文進一步對每一層要素進行分析，量化每層要素復雜度。

道路層的復雜度主要由車道線的可視性決定， 見表 3。對于清晰的車道線，其復雜度規(guī)定為1；被遮擋或磨損的車道線，會影響車道線的識別，其 復雜度為2；路面積水、覆冰覆蓋車道線，不但影 響車道線識別，還會造成行車困難，其復雜度為3；不規(guī)則的車道線可能會引起車道線誤識別，導致車 輛行駛方向錯誤，其復雜度為4；無車道線場景可 能影響車輛行駛方向，其復雜度為5。

交通設施層的復雜度主要由交通設施的可視性決定，見表4。無交通設施的場景，其復雜度為1；交通設施清晰的場景，其復雜度為2；交通設施距 離過遠導致無法清晰識別的場景，其復雜度為3；交通設施反光、臟污等導致難以識別的場景，其復雜度為4；交通設施不規(guī)則，可能引起錯誤識別， 導致車輛闖紅燈等危險行為，其復雜度為5。

臨時交通事件層的復雜度主要由其事件的偶然 性和可預見性決定，見表 5。無臨時交通事件，其復雜度為1；交通管制等有專人維護現(xiàn)場的臨時交 通事件，其復雜度為2；道路施工等有警告指示牌 的臨時交通事件，其復雜度為3；交通事故等對行 車有較大影響的臨時交通事件，其復雜度為4；落石、掉落的車輪等偶發(fā)性很強且難以預見的臨時交通事件，其復雜度為 5。

交通參與者層的復雜度由參與者的常見性和合規(guī)性決定，見表6。無交通參與者，其復雜度為1；只包含車輛的場景，其復雜度為2；包含行人、自 行車等常見參與者且位于法規(guī)規(guī)定位置（如人行道、自行車道等），其復雜度為3；包含行人、自行車 等常見參與者且不位于法規(guī)規(guī)定位置（行人橫穿馬 路、自行車行駛在機動車道上等），其復雜度為4；不常見的交通參與者（如拖著大象的貨車、騎著馬 的行人等），其復雜度為5。

環(huán)境條件層的復雜度主要由可見度決定，見表7。晴天高可見度，其復雜度為1；雨天、傍晚中可見 度，其復雜度為2；夜晚有環(huán)境燈光，其復雜度為 3；夜晚無環(huán)境燈光，可見度較低，其復雜度為4；濃 霧天可見度極低，其復雜度為5。

信息層的復雜度主要由是否有交通信息決定， 見表 8。有高精度地圖或 V2X 提供交通信息，則復 雜度為 1；無高精度地圖或 V2X 提供交通信息，則 復雜度為 2。 

通過上述分層方式以及每層的復雜度量化方式，可以計算出單個場景數(shù)據(jù)的復雜度，即每層復 雜度之和。例如：圖3場景數(shù)據(jù)，其復雜度為18（每 層復雜度見表9）

對于整個場景庫而言，將每個場景數(shù)據(jù)的復雜 度相加再除以場景庫中場景數(shù)據(jù)總數(shù)，得到整個場 景庫的復雜度。根據(jù)場景庫復雜度可對比不同場景 庫的質量。

值得注意的是，由于篇幅限制，上述每層復雜 度表中并沒有列舉和覆蓋所有要素。對于沒有列舉 或覆蓋的要素，應根據(jù)所在層復雜度的決定因素來 確定其復雜度。例如：環(huán)境條件層復雜度的決定因 素是可見度，那么對于沒有列舉出的濃度較低的霧 天，其可見度與夜晚有環(huán)境燈光的可見度相當，因 此其復雜度為3。

3 場景數(shù)據(jù)復雜度修正

在采用上述復雜度量化方法構建場景庫時，容易出現(xiàn)“過復雜”現(xiàn)象，即為了追求場景庫復雜度， 場景庫只收集高復雜度的場景，致使場景庫復雜度 雖然很高卻都是出現(xiàn)概率很低的場景，最終導致不能發(fā)現(xiàn)系統(tǒng)的性能缺陷。為了避免“過復雜”現(xiàn)象， 本文提出“母子庫”和“系統(tǒng)場景概率”兩個概念。

3.1 母子庫

在實際場景庫收集過程中，采取隨機地點、 隨機時間段、隨機氣候等的隨機收集方式收集到 的數(shù)據(jù)構成“母庫”。然后，針對相關系統(tǒng)的特 性與運行域，從“母庫”中提取出“子庫”。例如：對于只適用于高速公路的自動駕駛系統(tǒng)，從“母 庫”中提取高速公路的場景數(shù)據(jù)，并形成“子庫”。例如：針對特定城市開發(fā)的自動駕駛系統(tǒng)，從“母 庫”中提取出該城市的場景數(shù)據(jù)，形成針對該系 統(tǒng)的“子庫”。

值得注意的是：理論上，既可以先構建“母庫”， 再提取“子庫”，也可以先構建“子庫”，再匯集成“母 庫”。但本文建議采用“先母后子”的方法。因為“母 庫”的構建是隨機的，所以從“母庫”中提取的“子庫” 也具有隨機的屬性。如果先構建“子庫”，又因為“子庫”是針對特定系統(tǒng)的，那么在構建過程中難以做 到完全隨機。

3.2 系統(tǒng)場景概率

對于從“母庫”中提取出的“子庫”，進一步 分析其場景中每層要素在系統(tǒng)運行過程中出現(xiàn)的概 率，即系統(tǒng)場景概率。例如：對于只適應于高速公 路的自動駕駛系統(tǒng)，交通參與者層中出現(xiàn)只包含車 輛的概率（復雜度 2）是遠高于出現(xiàn)行人、自行車 的概率（復雜度 3）。因此，在評估該層要素的復 雜度時，還需要將復雜度乘以一個概率系數(shù)，得出 該層最終的復雜度。其公式為：

式中：C 為該場景數(shù)據(jù)的最終復雜度；為第層 場景要素的復雜度；為第層場景要素在相關系 統(tǒng)運行時出現(xiàn)的概率系數(shù)。

3.3 防止“過復雜”現(xiàn)象

通過“母子庫”和“系統(tǒng)場景概率”可以避免“過 復雜”現(xiàn)象。主要原因有：（1）在構建“母庫”時， 采用了隨機地點、隨機時間段、隨機氣候等的隨機 收集方式，降低了“母庫”收集過程中的人為因素。（2）針對特定系統(tǒng)，從“母庫”中提取相關“子庫”， 間接避免了“子庫”中的人為因素。（3）根據(jù)該系 統(tǒng)運行時場景出現(xiàn)概率及其復雜度，計算出最終場 景復雜度。將復雜度與概率這個客觀因素結合，避 免了人為因素的影響。例如：對于高復雜度、低概 率的場景要素或對于低復雜度、高概率的場景要素， 其最終場景復雜度的值可能較低。

3.4 概率系數(shù)取值

針對不同系統(tǒng)，其概率系數(shù)是不一樣的。例如：僅限于高速公路使用的系統(tǒng)，交通參與者層中出現(xiàn) 只包含車輛的概率系數(shù)大于出現(xiàn)行人、自行車的概 率系數(shù)；對于可以用于城市交通場景的系統(tǒng)，交通參與者層中出現(xiàn)行人、自行車的概率系數(shù)大于只包 含車輛的概率系數(shù)。此外，對于相同系統(tǒng)，處在無 人駕駛發(fā)展進程的不同階段，其概率系數(shù)也可能是 不相同的。例如：現(xiàn)階段，信息層中有高精度地圖 或 V2X 的系統(tǒng)，其概率系數(shù)低于沒有高精度地圖或 V2X 的系統(tǒng)的概率系數(shù)。而在無人駕駛發(fā)展進程后 期，有高精度地圖或 V2X 的系統(tǒng)，其概率系數(shù)可能 高于沒有高精度地圖或 V2X 的系統(tǒng)的概率系數(shù)。

因此，針對不同系統(tǒng)，需要從其運行范圍、地點、 時間、目標市場以及整體市場水平等多方面進行考 量，以此來確定其不同場景要素的概率系數(shù)。

4 結論

為了滿足 ISO/PAS 21448 的要求，需要構建預期功能安全場景庫。而場景庫的構建質量缺乏相應 的量化指標，本文基于 Pegasus 場景分層體系，量化每層要素的復雜度，以此評定場景庫的質量。同時，為了避免“過復雜度”現(xiàn)象，提出了“母子庫” 和“系統(tǒng)場景概率”兩個概念，闡述了如何構建“母 子庫”以及如何計算“系統(tǒng)場景概率”，并以此提出了最終復雜度的計算方法。本文中提到的量化方法以及防止“過復雜度”方法對預期功能安全場景庫的建立和推進起到指示作用。