过去十年中,自动驾驶车辆(AV)技术取得了迅速发展。在此期间,越来越多的商用车辆配备了自动驾驶功能(Li, 2022)。尽管目前市场上大多数AV仍处于2级自动化水平,但几家领先的AV制造商,如特斯拉、Waymo、华为、小鹏和理想汽车,最近宣布成功实现了“停车到停车”的功能。该功能使得车辆能够从起点处的停车位完全自主驾驶到目的地处的停车位(华为, 2025)。然而,在现实世界环境中部署这些功能面临着重大的安全挑战(Coppola et al., 2023, Ding et al., 2023)。严格和全面的安全测试对于确保当前和未来AV的可靠性、鲁棒性和公众接受度至关重要(Ma et al., 2024, Moody et al., 2020)。
现有的AV安全评估文献主要集中在相对简单和特定的驾驶场景上。例如,赵等人(2017)和马等人(2023)评估了跟车场景中的自适应巡航控制(ACC)功能。冯等人(2020b, 2021;赵等人(2016)和周等人(2025)将测试场景扩展到包括多车道和变道行为。阿尔文等人(2020);唐等人(2021)和宋等人(2022)研究了AV在交叉路口的行为。冯等人(2020a)进行了一系列案例研究,以验证冯等人(2020c)提出的通用框架,涵盖了跟车、切入和高速公路出口场景。此外,冯等人(2023)在环形交叉路口环境中测试了一种提出的场景生成方法。文献之所以主要关注相对简单的场景,是因为过去几年中的商用AV大多仍处于较低的自动化水平。高级自动化AV的有限可用性导致了对针对复杂环境的评估方法的需求较低,以及缺乏开发和校准AV行为模型所需的相关现场测试数据。然而,随着高级AV的出现,基于跟车和变道场景设计和测试的现有评估方法已不足以满足日益增长的安全测试需求。
全场景自动驾驶的安全测试面临重大挑战,主要是由于驾驶环境的复杂性和变异性。此外,缺乏统一的场景模型阻碍了对场景在AV开发过程中所起作用的一致理解(Ma et al., 2021, Ren et al., 2022)。图1展示了在现实世界环境中遇到的几种代表性驾驶场景。每种场景涉及不同类型的代理,必须准确建模。例如,道路段场景需要考虑行人和人行道,而路边场景则需要表示各种类型的停车位。多种场景中众多代理的存在导致状态空间维度很高,这大大降低了AV安全测试的效率。这种现象通常被称为维度灾难(Feng et al., 2023)。因此,建立一个涵盖所有场景类型且维度可接受的统一场景模型对于AV评估是必要的。
从评估方法的角度来看,现有文献主要集中在基于概率的方法上,例如估计AV的碰撞率(Feng et al., 2023, Feng et al., 2021, Zhao et al., 2017)。这些方法通常从大规模自然驾驶环境(NDE)数据中提取每个状态下的代理行为分布,然后计算整个驾驶场景的概率(Roesener et al., 2016)。尽管这些方法可以集成到我们的结构化场景模型中,但它们在全场景评估中难以实施。这是因为基于概率的方法在很大程度上依赖于从NDE数据中提取的行为分布的完整性和准确性,而收集和处理所有可能的驾驶行为的数据具有挑战性。如果NDE数据集不够大,提取的行为分布可能不准确,从而导致碰撞率的估计不可靠。此外,由于高风险行为的概率较低,基于概率的采样方法经常遇到被称为“稀有性灾难”的挑战(Liu and Feng, 2024),这显著增加了评估时间。
为了解决上述研究空白,本文提出了一个用于AV安全排序的新框架,并具有扩展到全场景应用的潜力。首先,为了满足全场景自动驾驶的测试要求,我们开发了一个统一场景模型,该模型以降低的维度复杂性表示了广泛的驾驶场景。在这个模型中,驾驶过程被描述为一个动态过程,并且不同场景类型的定义被标准化。模型的总体维度与典型的具有三条车道的高速公路场景相当,使其与现有的评估方法兼容。其次,为了克服基于概率的评估方法由于依赖NDE数据而带来的局限性,我们提出了一种基于体积的评估方法。该方法量化了整个可能驾驶场景空间中风险场景的比例,而不考虑它们的概率。尽管这个指标缺乏明确的物理解释,但它可以有效地用于比较基准AV与人类驾驶车辆或不同自动化水平的AV的安全性能。我们的理论分析进一步表明,在某些条件下,例如,当比较车辆的风险场景集的平均概率密度大致相等时,基于体积和基于概率的方法在安全比较中产生等效的排名结果。为了支持这种评估,我们为统一场景模型开发了一个蒙特卡洛算法。此外,对于跟车和变道场景,我们证明了安全场景集在高维空间中形成一个凸多面体或凸多面体的并集。这种凸性允许精确计算场景体积,并使得可以使用为凸集设计的基于采样的算法。实验结果表明,所提出的方法可以在统一场景框架内有效评估安全性。使用开发的评估流程,我们根据几个商用AV的ACC功能对其进行了安全排名。结果验证了所提出框架的有效性和实用性。本研究的主要贡献总结如下:
•我们提出了一个统一场景模型,将各种交通情况概括为以自我为中心的表示,最多限于三条车道(自我车道及其相邻车道)和不超过六个周围车辆。这种抽象显著降低了策略的维度,同时保留了关键的驾驶复杂性。
•我们设计了一种基于体积的评估方法,并结合了蒙特卡洛算法,可以扩展到高维全场景AV安全排名。通过比较不同车辆之间潜在事故的相对频率,而不是直接估计和比较绝对碰撞率,这种方法避免了准确建模各种关键状态的不切实际需求。
•理论分析表明,在某些条件下,当比较两辆车的安全性能时,基于体积和基于概率的方法产生等效的排名结果。此外,我们证明了对于跟车和变道场景,安全场景集形成一个凸多面体或凸多面体的有限并集,这允许在基于体积的评估中进行分析计算。
本文的其余部分组织如下。第2节构建了全场景AV的基于体积的评估框架。第3节提出了进行基于体积评估的算法。第4节展示了验证所提出评估框架的实验结果和讨论。第5节总结了本文并提出了未来的工作。