面向效率与多样性的自动驾驶关键场景生成方法

doi:10.11772/j.issn.1001-9081.2022121853

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (S2): 157-162.DOI: 10.11772/j.issn.1001-9081.2022121853

• 多媒体计算与计算机仿真 • 上一篇

面向效率与多样性的自动驾驶关键场景生成方法

李爽¹^,², 周悦²(), 张昕², 张孟²

^1.复旦大学计算机科学技术学院，上海 201112
^2.上海市计算机软件测评重点实验室（上海计算机软件技术开发中心），上海 201112

收稿日期:2022-12-13 修回日期:2023-03-27 接受日期:2023-03-27 发布日期:2024-01-09 出版日期:2023-12-31
通讯作者: 周悦
作者简介:李爽（1983—），女，黑龙江海伦人，高级工程师，硕士，CCF会员，主要研究方向：网络安全、车联网安全、数据安全评估
周悦（1994—），男，安徽合肥人，硕士，CCF会员，主要研究方向：入侵检测、机器学习、自动驾驶测试
张昕（1995—），女，湖北孝感人，硕士，CCF会员，主要研究方向：网络攻防、车联网渗透测试
张孟（1990—），男，安徽蚌埠人，高级工程师，博士，CCF会员，主要研究方向：网络安全、数据安全评估。

Critical scenario generation method oriented to efficiency and diversity for autonomous driving

Shuang LI¹^,², Yue ZHOU²(), Xin ZHANG², Meng ZHANG²

^1.School of Computer Science，Fudan University，Shanghai 201112，China
^2.Shanghai Key Laboratory of Computer Software Testing & Evaluating （Shanghai Development Center of Computer Software Technology），Shanghai 201112，China

Received:2022-12-13 Revised:2023-03-27 Accepted:2023-03-27 Online:2024-01-09 Published:2023-12-31
Contact: Yue ZHOU

摘要/Abstract

摘要：

针对自动驾驶关键场景生成耗时长和容易生成大量极端场景的问题，提出一种面向效率和多样性的自动驾驶关键场景生成方法S-AD（Surrogate model-ADversarial example）。首先利用参数随机生成一批随机场景，通过模拟驾驶获得自动驾驶系统（ADS）在随机场景中的驾驶结果；接着根据随机场景和驾驶结果训练代理模型；随后使用对抗样本生成算法对代理模型发起攻击，生成代理模型认为能引发ADS碰撞的对抗场景；最后通过模拟驾驶对抗场景进行验证，确实能引发ADS碰撞的对抗场景为生成的关键场景。与当前研究较多的基于遗传算法的关键场景生成方法（GA）对比，S-AD在获得代理模型后（平均需要1 163.7 s）生成一个关键场景平均仅需要0.084 s，而GA需要95.12 s，在生成13个以上的场景时，S-AD的时间消耗远少于GA；针对切入场景中的变道距离（DLC）参数，S-AD生成的DLC有75%分布在8.5~11.5 m，而GA生成的DLC有75%集中在9~10 m，S-AD生成的场景多样性更好；在与非碰撞场景的距离上，75%的S-AD场景分布在10~20 m，75%的GA场景分布在15~23 m，GA生成的场景更加极端。实验结果表明，S-AD在生成效率、场景多样性和非极端性上要优于对比的GA方法。

关键词: 自动驾驶测试, 模拟驾驶, 关键场景生成, 代理模型, 对抗样本生成

Abstract:

In order to solve the problems of consuming too much time and generating a large number of extreme scenarios， an efficiency and diversity oriented generation method of critical scenarios for autonomous driving system called S-AD （Surrogate model-ADversarial example） was proposed. Firstly， a batch of random scenarios were generated by randomly choosing parameter values， and the driving results of Autonomous Driving System （ADS） in the random scenarios were obtained by driving simulations. Secondly， a surrogate model was trained with random scenarios and driving results. Thirdly， an adversarial example generation algorithm was used to attack the surrogate model， and generate adversarial scenarios where the surrogate model could cause ADS collision. Finally， driving simulation was used to verify the adversarial scenarios， and scenarios that could actually cause ADS collision were generated as critical scenarios. Compared with critical scenario generation method based on Genetic Algorithm （GA）， which is widely studied at present， S-AD only needs 0.084 s on average to generate one scenario after obtaining the surrogate model （takes 1 163.7 s on average）， while GA needs 95.12 s. When generating more than 13 scenarios， S-AD consumes far less time than GA. According to the Distance Lane Change （DLC） parameter in the cut-in scenarios， 75% of the DLCs generated by S-AD are distributed between 8.5 and 11.5 m， while 75% of the DLCs generated by GA are concentrated between 9 and 10 m， which means the diversity of the scenarios generated by S-AD is better. In the experiment of the distance from non-collision scenarios， 75% of S-AD scenarios are distributed between 10 and 20 m， and 75% of GA scenarios are distributed between 15 and 23 m， which means the scenarios generated by GA are more extreme. Experimental results show that S-AD is superior to the GA method in terms of generation efficiency， scenario diversity and non-extreme.

Key words: autonomous driving test, driving simulation, critical scenario generation, surrogate model, adversarial example generation

中图分类号:

TP391.9

李爽, 周悦, 张昕, 张孟. 面向效率与多样性的自动驾驶关键场景生成方法[J]. 计算机应用, 2023, 43(S2): 157-162.

Shuang LI, Yue ZHOU, Xin ZHANG, Meng ZHANG. Critical scenario generation method oriented to efficiency and diversity for autonomous driving[J]. Journal of Computer Applications, 2023, 43(S2): 157-162.

图/表 12

参考文献 23

1	DOSOVITSKIY A， ROS G， CODEVILLA F， et al. CARLA： an open urban driving simulator ［EB/OL］. （2017-11-10）［2022-11-08］. .
2	Apollo开发者社区.Apollo 8.0新特性解读［EB/OL］. （2023-01-04）［2022-11-08］. .
3	LOPEZ P A， BEHRISCH M， BIEKER-WALZ L， et al. Microscopic traffic simulation using SUMO ［C］// Proceedings of the 21st International Conference on Intelligent Transportation Systems. Piscataway： IEEE， 2018：2575-2582. 10.1109/itsc.2018.8569938
4	GEISSLINGER M， POSZLER F， LIENKAMP M. An ethical trajectory planning algorithm for autonomous vehicles ［J］. Nature Machine Intelligence， 2023， 5：137-144. 10.1038/s42256-022-00607-z
5	FENG S， YAN X， SUN H， et al. Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment ［J］. Nature Communication， 2021， 12： article No. 748. 10.1038/s41467-021-21007-8
6	NHTSA. Traffic safety facts annual report tables ［EB/OL］. （2022-06-24）［2022-11-08］. . 10.1787/66958ff0-en
7	KALRA N， PADDOCK S M. Driving to safety： How many miles of driving would it take to demonstrate autonomous vehicle reliability？［J］. Transportation Research Part A. Policy and Practice， 2016， 94： 182-193. 10.1016/j.tra.2016.09.010
8	TIEDMAIER S， PONN T， LUDWIG D， et al. Survey on scenario-based safety assessment of automated vehicles ［EB/OL］.［2022-11-08］. . 10.1109/access.2020.2993730
9	LI Y， TAO J， WOTAWA F. Ontology-based test generation for automated and autonomous driving functions ［J］. Information and Software Technology， 2020， 117：106200. 10.1016/j.infsof.2019.106200
10	WANG X， KRASOWSKI H， ALTHOFF M. Commonroad-RL： a configurable reinforcement learning environment for motion planning of autonomous vehicles ［C］// Proceedings of the 2021 IEEE International Intelligent Transportation Systems Conference. Piscataway： IEEE， 2021：466-472. 10.1109/itsc48978.2021.9564898
11	张梦寒，杜德慧，张铭茁，等.时空轨迹数据驱动的自动驾驶场景元建模方法［J］.软件学报， 2021， 32（4）： 973-987.
12	陈吉清，舒孝雄，兰凤崇，等.典型危险事故特征的自动驾驶测试场景构建［J］. 华南理工大学学报（自然科学版）， 2021， 49（5）： 1-8.
13	GOSS Q， ALRASHIDI Y， AKBAS M I. Generation of modular and measurable validation scenarios for autonomous vehicles using accident data［C］// Proceedings of the 2021 IEEE Intelligent Vehicles Symposium. Piscataway： IEEE， 2021： 251-257. 10.1109/iv48863.2021.9575506
14	KNIES C， DIERMEYER F. Data-driven test scenario generation for cooperative maneuver planning on highways［J］. Applied Sciences， 2020， 10（22）： No.8154. 10.3390/app10228154
15	WANG W， ZHAO D. Extracting traffic primitives directly from naturalistically logged data for self-driving applications ［J］. IEEE Robotics and Automation Letters， 2018， 3（2）：1223-1229. 10.1109/lra.2018.2794604
16	SUN H， FENG S， YAN X， et al. Corner case generation and analysis for safety assessment of autonomous vehicles ［EB/OL］. （2021-02-06）［2022-11-08］. . 10.1177/03611981211018697
17	邢星宇，吴旭阳，刘力豪，等.基于目标优化的自动驾驶决策规划系统自动化测试方法［J］. 同济大学学报（自然科学版）， 2021， 49（8）： 1162-1169.
18	KLISCHAT M， ALTHOFF M. Generating critical test scenarios for automated vehicles with evolutionary algorithms ［C］//Proceedings of the 2019 IEEE Intelligent Vehicles Symposium. Piscataway： IEEE， 2019： 2352-2358. 10.1109/ivs.2019.8814230
19	ZHANG H， ZHOU H， SUN J， et al. Risk assessment of highly automated vehicles with naturalistic driving data： a surrogate-based optimization method［C］// Proceedings of the 2022 IEEE Intelligent Vehicles Symposium. Piscataway： IEEE， 2022： 580-585. 10.1109/iv51971.2022.9827015
20	ABDESSALEM R B， NEJATI S， Briand L C，et al. Testing advanced driver assistance systems using multi-objective search and neural networks ［C］// Proceedings of the 31st IEEE/ACM International Conference on Automated Software Engineering. New York： ACM， 2016： 63-74. 10.1145/2970276.2970311
21	MOSTADI M E， WAESELYNCK H， J-M GABRIEL. Virtual test scenarios for ADAS： distance to real scenarios matters！［C］// Proceedings of the 2022 IEEE Intelligent Vehicles Symposium. Piscataway： IEEE， 2022： 836-841. 10.1109/iv51971.2022.9827170
22	CALÒ A， ARCAINI P， ALI S， et al. Generating avoidable collision scenarios for testing autonomous driving systems ［C］// Proceedings of the IEEE 13th International Conference on Software Testing， Validation and Verification. Piscataway： IEEE， 2020： 375-386. 10.1109/icst46399.2020.00045
23	GOODFELLOW I， SHLENS J， SZEGEDY C. Explaining and harnessing adversarial examples ［EB/OL］. （2015-03-20）［2022-12-06］. .

模型层	神经元数	模型层	神经元数
输入层	3	中间层3	300
中间层1	200	中间层4	200
中间层2	300	输出层	2

模型层	神经元数	模型层	神经元数
输入层	3	中间层3	300
中间层1	200	中间层4	200
中间层2	300	输出层	2

场景参数	取值范围	单位
SPEED	［50，70］	km/h
DSL	［10，15］	m
DLC	［7，15］	m

场景参数	取值范围	单位
SPEED	［50，70］	km/h
DSL	［10，15］	m
DLC	［7，15］	m

真实值	预测值
真实值	碰撞	非碰撞
碰撞	TP	FN
非碰撞	FP	TN

面向效率与多样性的自动驾驶关键场景生成方法

Critical scenario generation method oriented to efficiency and diversity for autonomous driving

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 23

相关文章 5

编辑推荐

Metrics

模型	V_acc	V_pre	V_rec	V_F1
神经网络	92.0	75.0	81.8	78.3
支持向量机	86.1	56.5	90.9	69.7
随机森林	89.7	66.0	85.7	74.5

[1]	张济慈, 范纯龙, 李彩龙, 郑学东. 基于几何关系的跨模型通用扰动生成方法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3428-3435.
[2]	薛锋, 史旭华, 史非凡. 基于代理模型的差分进化约束优化[J]. 计算机应用, 2020, 40(4): 1091-1096.
[3]	彭智勇黄泽谦刘俊李越徐波. 基于对象代理数据库的微生物信息服务系统[J]. 计算机应用, 2010, 30(1): 5-9.
[4]	彭智勇彭煜玮翟博譞 . 一个基于对象代理模型的多表现地理信息系统[J]. 计算机应用, 2006, 26(9): 2016-2019.
[5]	杨城;孙世新. 基于GNP的多Agent人工股市模型[J]. 计算机应用, 2006, 26(5): 1217-1219.

生成方法	碰撞场景数	生成场景总数	成功率/%
S-AD	20	25	80.0
GA	20	22	90.9

生成方法	碰撞场景数	生成场景总数	成功率/%
S-AD	20	25	80.0
GA	20	22	90.9