自动驾驶汽车测试关键行人场景生成

编者按：论文提出了一种创新方法，用于生成针对行人交互的高风险测试场景，填补了自动驾驶汽车（AV）测试领域中车辆-行人交互场景研究的空白。研究基于中国四个城市的真实交通数据，结合三阶段自主紧急制动模型和人工势场法，开发了一个以行人为核心的关键场景生成框架。通过重要性采样和优化算法，成功生成了 50 个高暴露频率和高风险的车辆-行人交互场景，为自动驾驶汽车的安全性和适应性测试提供了重要支持。这一研究不仅推动了自动驾驶技术的发展，也为复杂交通环境中的车辆行人交互安全评估提供了新的思路。

本文译自：

《Generation of critical pedestrian scenarios for autonomous vehicle testing》

文章来源：

Accident Analysis & Prevention，Volume 214, May 2025, 107962

作者：

Lan Yang a, Songyan Liu a, Shuo Feng b, Hong Wang c, Xiangmo Zhao a, Guangyue Qu a, Shan Fang a

作者单位：

a长安大学信息工程学院，b清华大学自动化系，c清华大学智能汽车设计与安全研究院

原文链接：

https://www.sciencedirect.com/science/article/pii/S000145752500048X

摘要：当前的自动驾驶汽车（AV）测试场景主要关注AV与周围车辆之间的交互，而对高风险行人交互的考虑有限。本文提出了一种生成专为面向行人的评估而设计的关键测试场景的方法。首先，从中国4个城市的12个信号灯十字路口收集了微观交通数据。通过在相同的时空环境中提取重叠的车辆和行人轨迹数据，创建了一个车辆-行人交互场景库。其次，采用三阶段自主紧急制动模型模拟自动驾驶汽车的决策和控制过程，取代了原有场景库中的车辆代理。此外，应用人工势场法评估实时交互风险，从而能够识别高风险场景。然后开发了一个面向行人的关键测试场景生成框架，定义了关键决策变量，例如速度差、相对横向距离以及行人和车辆之间的相对纵向距离。设计了一个重要性抽样函数，结合了情景暴露频率和交互风险，以生成关键情景。该过程通过辅助目标函数进一步细化，以指导搜索方向。为了提高计算效率，采用了粒子群优化和洪水填充算法。使用这种方法，生成了50个高价值的车辆与行人互动测试场景，其特点是暴露频率和风险高。这些场景包含多样化和高风险的交互动态，为AV的高保真行人安全测试提供了强大的支持。

关键词：自动驾驶测试，行人测试场景，人车交互，场景生成

Ⅰ 引言

根据 SAE 的自动化水平，3 级及以上（L3+）自动驾驶汽车不需要驾驶员始终如一地执行驾驶任务，从而可能降低与人为错误相关的风险并提高行人安全。与此同时，世界卫生组织的《全球道路安全状况报告》（2023 年全球道路安全状况报告）强调，全球道路死亡人数每年达到 135 万人，其中行人占其中死亡人数的 21%，使行人成为高度脆弱的道路使用者（VRU），交通事故的风险更高。因此，准确的行人识别以及适当的决策和控制对于自动驾驶汽车的广泛部署至关重要。行人表现出独特的运动特征和复杂、多变的行为模式，尤其是在过马路和十字路口时（Sengupta 等人，2024 年），这给自动驾驶汽车决策和控制过程带来了很大的不确定性（Wang 等人，2023 年).因此，以行人互动为重点的广泛 AV 测试至关重要（Rezwana 和 Lownes，2024 年，Rasouli 和 Tsotsos，2020 年）。

在部署到公共道路上之前，自动驾驶汽车必须经过一系列严格的测试程序，以确保其可靠性和安全性（Sohrabi 等人，2021 年）。测试主要关注 AV 在各种复杂流量中的响应，这对测试方法提出了更严格的要求，已成为 AV 测试领域的关键挑战。与自动驾驶汽车测试相关的国际标准，例如 SAE J3016、ISO 21448（国际标准化组织 （ISO），2022 年）、ISO 26262（国际标准化组织 （ISO），2018 年）、ISO 34501（国际标准化组织 （ISO），2022 年）和 ISO 34502（国际标准化组织 （ISO），2022 年），旨在解决和探索功能安全、预期功能安全 （SOTIF） 和测试场景的标准化定义和测试内容。其中，ISO 34502 引入了基于多支柱方法的自动驾驶汽车测试系统，包括虚拟测试、闭场测试和开放道路测试。三种测试工具和场景相辅相成，实现全面测试覆盖的目标。虚拟测试是 AV 测试系统的基础组件，旨在最大限度地利用在受控的封闭场地或开阔道路环境中难以或无法复制的测试场景。具体来说，在虚拟测试阶段必须解决各种高风险、复杂、关键甚至极端情况，以有效评估 AV 安全性能的上限。

大多数 AV 测试研究侧重于涉及被测试的 AV 与周围车辆之间交互的场景，包括典型、危险和事故场景（Baby 等人，2024 年，Li 等人，2024 年，Zhou 等人，2023 年）。然而，必须强调的是，行人是车辆在实际交通环境中行驶时必须考虑的最不可预测和最关键的动态因素之一。这在城市十字路口和交通繁忙的地区尤为明显，因为那里的人流密集，行为复杂多样。在高峰时段，频繁的过马路和不可预测的街道中移动使 AV 的实时决策进一步复杂化，从而增加了难度和风险。在这种情况下，全面的行人测试使 AV 能够适应不同的行人行为和高密度环境，有效减少与行人相关的事故，并增强系统应对复杂交通情况的能力。因此，这种类型的测试对于确保在人口稠密的城市地区安全部署 AV 至关重要。

为了解决自动驾驶测试研究中的空白，本文介绍了一个框架，用于利用来自中国大中城市信号灯交叉路口的微观交通数据集来生成关键的行人测试场景。该框架旨在生成涉及车辆和行人之间频繁且高风险交互的高价值场景，为高保真 AV 测试提供有价值的见解。

(1)本研究提出了一个为 AV 生成关键行人测试场景的框架。车辆与行人之间的相对速度和距离被定义为场景的决策变量。开发了基于情景暴露频率和交互风险水平的重要性抽样函数，并带有辅助目标函数来指导关键情景的识别。该框架在城市交叉路口环境中有效地生成各种高风险的车辆-行人交互场景。

(2)为了研究行人特征对中国自动驾驶汽车的重大影响，本研究收集了 4 个大中城市（西安、天津、重庆和长春）的 12 个信号灯十字路口的微观交通数据集。数据集包含 AV 测试场景的关键元素，包括车辆、交通信号灯和各种 VRU。通过过滤受交通信号影响的车辆轨迹数据，并结合正常行为轨迹、闯红灯违规、加速穿越、规避机动和车辆周围的动作，建立了一个原始的场景库。该库反映了中国驾驶员和行人的独特特征，专为行人自动驾驶汽车测试量身定制。

(3)为了准确识别高风险的车行交互场景，采用三阶段自主紧急制动 （AEB） 模型来模拟自动驾驶汽车在与行人交互过程中的决策和控制过程，取代了原始场景库中的车辆代理。此外，人工势场 （APF） 方法用于评估车辆和行人的实时风险场。这种方法可以在车辆与行人互动期间更精确地识别危险边界场景，从而提高危急情况下风险评估的可靠性。

Ⅱ 文献综述

近年来，全球研究人员一直在探索测试自动驾驶汽车安全性的可行方法。自动驾驶汽车在早期阶段的广泛安全测试主要集中在各种车辆交互场景（如并道、驶出、跟车和变道）中的连续加速测试，旨在确定自动驾驶汽车的安全边界（Zhao et al.， 2018;（Wei et al.， 2024）。但是，一旦满足基本测试，则应扩大范围，以包括对实际交通场景中其他交通参与者（TP） 的安全测试。近年来，人们越来越关注自动驾驶汽车的行人测试。现有的自动驾驶行人测试研究包括基于标准规定的行人场景测试、基于仿真工具的行人场景测试以及生成自动驾驶行人测试场景的方法。

在批量生产之前，自动驾驶汽车需要根据特定标准和法规进行行人防撞测试，例如欧洲的 ECE R127 和中国的 GB/T 38186-2019 （UNECE， GB/T 44719）。此类测试通常在封闭的测试场中进行，通过设置标准化场景并使用假人来确定初始位置、速度和与车辆的碰撞角度。然而，封闭测试场的有限条件使得完全复制复杂和随机的行人场景变得具有挑战性（Zhang et al.， 2023）。

因此，一些研究人员一直在研究在模拟条件下预设行人行为（例如步行速度和路径），以创建更复杂的测试场景，评估自动驾驶汽车（中国新车评估计划（C-NCAP），2024 年）（欧洲新车评估计划 （Euro NCAP），2023 年).研究建议使用 VR 模拟来构建可以模拟复杂行人行为和反应的虚拟环境（Tran 和 Parker，2024 年）（Kwon 等人，2022 年），使自动驾驶汽车能够在安全可控的环境中进行广泛的行人测试。软件在环 （SIL） 测试通过在虚拟环境中模拟行人场景来验证自主系统决策模块的性能，特别是当行人接近或互动时（Yu et al.， 2023， Angulo et al.， 2023）。模型在环 （MIL）测试通过计算机模型模拟自动驾驶系统的控制逻辑，特别适合测试行人识别和路径规划模型（Bruggner et al.， 2021）。硬件在环 （HIL） 测试将车辆传感器和控制系统连接到仿真平台，以评估行人接近或互动时的系统响应（Zhu et al.， 2024）。

场景驱动的 AV 测试方法已成为行业公认的解决方案，用于解决 AV 性能测试挑战。此类方法旨在以最少的测试工作对高价值场景进行有针对性的测试。Lin et al. （Lin et al.， 2025） 和 Fei et al. （Fei et al.， 2024）强调了控制工程和大数据驱动的车辆感知技术在智能网联汽车中的关键作用，为自动驾驶系统的安全评估和行人测试场景提供了重要的技术支持。与车对车交互测试类似，AV 的行人测试场景力求从大量真实交通场景中提取尽可能多的丰富且逼真的车-行人交互场景。目前在 AV 中生成行人场景的方法主要涉及根据交通事故数据构建场景和基于自然驾驶数据 （NDD）生成场景。Lenard 等人（Lenard 等人，2018 年）等研究人员使用聚类方法确定了 6 种典型的逻辑场景，占 9,360 起汽车与行人碰撞事件中案例的 86%。Su et al. （Su et al.， 2017） 和 Liu et al. （Liu et al.， 2012） 等研究人员利用基于 NDD 的系统聚类方法分别确定了 4 类和 5 类代表性行人交通冲突逻辑场景。同样，研究人员应用聚类分析算法从数百起汽车与自行车的碰撞事件中提取典型的逻辑场景（Hu et al.， 2018， Cao et al.， 2020， Sui et al.， 2017）。虽然情景构建方法基于真实的事故案例，但由于事故发生前数据缺乏，场景再现的完整性受到限制。Ma 等人和 Xu 等人（Xu et al.， 2021， Ma et al.， 2021）等研究人员专注于构建和验证基于 NDD 的行人-车辆和车对车交互场景。已经提出采用真实的 NDD 来创建逼真的行人行为模型和交互场景（Zhu et al.， 2021， Tian et al.， 2023）。目前，流行的生成模型包括生成对抗网络 （GAN） 和变分自动编码器 （VAE），它们对分布进行建模并从大型数据集生成新数据（Krajewski 等人，2018 年，Zhang 等人，2021 年，Abeysirigoonawardena 等人，2021 年，Mathieu 等人，2019 年，Yang 等人，2023 年）。Li et al. （Li et al.， 2025） 对 GAN 在交通状态预测中的应用进行了系统评价，强调了它们在增强 AV 场景生成方面的潜力。随着大型语言模型的应用不断增加，Kuang 等人 （Kuang et al.， 2024） 和 Qu et al. （Qu et al.， 2023） 探索了它们在流量方面的潜力场景生成和决策支持，为提高自动驾驶系统的性能及其在复杂交通环境中的安全评估提供新的技术路径和支持。Spooner 等人（Spooner 等人，2021 年）等研究人员提出了基于 GAN 的方法来生成人行横道场景，使自动感知和决策系统能够更有效地识别和响应人行横道。此外，还提出了情景增强模拟方法，这些方法生成关键情景或边缘案例，以测试自动化系统在高风险或低概率情况下的性能（Klück 等人，2019 年，Sun 等人，2023 年，Zhou 等人，2024 年，Muktadir 和 Whitehead，2024 年）。

生成高价值的行人测试场景必须确保全面覆盖，同时解决交通状况和行人行为的不确定性，例如行人行为的随机性和交通信号的变化。虽然 AV 的行人场景测试越来越受到关注，但对关键行人测试场景的研究仍然有限。本文提出了一个生成 AV 行人测试场景的框架，重点是从中国的典型交通状况中提取车辆与行人的交互特征。