支持自動駕駛安全的數據庫的信息存儲和處理模塊

“預期功能安全”是指不存在不合理的由預期功能不足或者人員合理可預見的誤用所導致的風險。實現這一目標需要符合行業標準，如ISO 21448，避免SOTIF相關的危害事件。

ISO 21448標準涵蓋了感知、規劃和控制系統的驗證和確認，確保車輛在安全性和可靠性方面表現優異。尤其是規劃算法的有效性，直接影響自動駕駛系統在復雜道路環境中的表現，因此需對其進行詳細的驗證與確認。

為此，我們基于ISO 21448標準，制定了一套針對規劃算法的驗證和確認的數據閉環方案。該方案的核心是建立并不斷更新一個場景庫，模擬各種駕駛情境，從而提升自動駕駛系統的決策能力，使其能夠靈活應對多變的路況和交通動態。

在這套數據閉環方案中，自動駕駛系統的決策機制依賴于全面的場景測試和驗證，實現高效的數據回收和再利用。為此，數據庫的信息存儲和處理模塊發揮了不可或缺的作用。該模塊不僅僅是海量場景數據的存儲載體，更是支持實時數據分析、處理和反饋的基礎設施。它能快速適應不斷變化的算法需求和優化策略，確保自動駕駛系統在運行過程中能夠獲取最新、最完善的場景數據支持。

本文將深入探討該數據庫的信息存儲和處理模塊如何通過系統的設計和精準的信息處理策略，有效支持場景庫的動態更新，從而持續增強自動駕駛功能的安全性和可靠性。其整體技術路線如圖所示。

01.

數據庫的信息存儲和處理模塊

該模塊詳細展示了數據的存儲和處理流程，針對高速和非高速場景提供了全面且具體的技術路線，以確保在不同駕駛環境下的安全性和有效性。

數據存儲和處理流程概述

數據收集

圖標（1）：駕駛車輛傳感器數據收集

● 從車輛端設備多維度收集傳感器數據，包括圖像（如攝像頭拍攝的路面和周圍環境）、視頻流、雷達信號等。這些數據不僅捕捉到車輛的行駛狀態，還包括環境的動態變化。

●除了基礎的數據收集，還記錄關鍵附加信息，例如GPS坐標、車輛速度、行駛方向、和拍攝時間，以全面反映車輛的實時性能和環境信息。

數據預處理

圖標（2）：預處理

●收到的數據經過初步驗證后，進行數據的拆分，形成可分析的數據集。

●在此步驟中，數據將經歷清洗（去除噪聲和異常值）、篩選（根據興趣點過濾無關數據）、提取（選擇具有特定特征的數據）以及標準化處理（確保格式一致性和數據統一性），從而提升數據的質量，確保后續分析的準確性。

高速場景處理

圖標（4）：邏輯場景提取

●在預處理完成后，依據設定的篩選條件，系統從數據集中提取符合條件的特定數據片段。

●此過程中，進行對不同場景類型的關鍵參數分析，諸如速度、加速度、車與車之間的距離等，并評估這些參數的分布范圍。這為后續模型的優化提供了必要的支持和依據。

非高速場景處理

圖標（4）：提取和配置駕駛行為

●系統從車輛軌跡中提取出實際的行駛行為，結合速度分布特性，將這些信息賦予交通參與者，生產出更真實的交通流模型。

●這種方法使得模擬環境中的駕駛行為更貼近現實，便于后續的風險評估和行為分析。

圖標（6）：配置搜索條件

●根據設定的成本函數，利用最優搜索算法快速鎖定關鍵場景。這一過程可迅速找到影響駕駛安全性和效率的核心條件，從而提高數據處理的效率和效果。

圖標（7）：關鍵場景生成

●基于前期的數據分析和提取，該模塊可以生成大量的未知不安全場景，反映潛在的安全風險。這些場景為后續的測試和分析提供必要的基礎數據，有助于訓練和驗證模型。

最終集成步驟

圖標（8）：統一標準集成

●通過上述處理步驟，系統完成生成的測試用例（9）以確保符合行業標準，采用OpenDrive和OpenScenarios等格式進行存儲。

●這種一致性存儲策略確保在不同測試環境下生成的測試用例能夠比較和應用，為自動駕駛技術的推廣與驗證提供可靠支持。

通過這種詳細的數據存儲和處理流程，本模塊全面覆蓋了高速和非高速場景，為自動駕駛系統的開發提供了系統化的技術路線圖。該流程聚焦于數據的采集、預處理以及場景的提取與生成，從而為提升整車的安全性和智能化水平奠定了堅實的基礎。

02.

高速場景分析

在自動駕駛技術的發展中，高速場景的研究尤為關鍵。這一部分將介紹高速場景的分類與處理流程，概述如何通過多個數據源為測試提供有效支撐。

此表展示了場景的分類，包括背景和參數設置，強調不同的場景類型和測試用例的關聯性。

數據提取

在高速場景研究的初期，我們通過多個數據源來提取駕駛數據，包括自然駕駛數據（FOT）、航拍數據、駕駛數據和事件數據。這些數據為構建場景提供了堅實基礎。

數據存儲

提取的數據將被整合并存儲于專用數據庫中，這樣可以確保數據的安全性與整合性，方便后續分析。

場景生成

根據提取的數據，我們將生成完整的場景空間，并使用OpenScenario文件格式保存，便于與其他系統進行交互。

測試與驗證

生成的場景和測試概念將進行多種測試，包括場地測試、仿真測試和模型測試，以驗證其可靠性和實用性。這些步驟共同支持自動駕駛系統的實際應用，保證其安全性和穩定性。

生成的測試用例格式如下：

03.

總結與展望

本文探討了自動駕駛系統在復雜多變環境下確保安全性和可靠性的關鍵措施。通過建立全面的數據庫信息存儲和處理模塊，我們能夠有效支持場景庫的動態更新，并持續提升自動駕駛系統的決策能力和適應性。

總結

數據閉環方案：通過對高速和非高速場景的系統分析，構建了一套高效的數據采集、預處理和場景生成流程。這不僅提高了數據的質量與可用性，還促進了自動駕駛技術的完善。

關鍵場景提取：關鍵場景的生成及測試用例的整合為后續的驗證和風險評估提供了必要的數據支持，確保自動駕駛系統能夠有效應對各種實際駕駛情境。

技術標準化：采用OpenDrive和OpenScenario等行業標準格式，保證了數據和測試用例的兼容性和可重復性，為進一步的系統驗證和推廣奠定了基礎。

展望

持續優化與更新：隨著技術的發展，數據庫的信息存儲和處理模塊需要不斷更新，以適應新的算法需求和駕駛場景的變化。在未來，可以考慮結合深度學習與大數據分析技術，提升數據處理的智能化水平。

跨系統協同：展望未來的自動駕駛測試，將會更多地與其他智能交通系統進行集成與協同，形成一個更加全面、智能的交通網絡。需要建立開放的數據共享平臺，以促進數據的互操作性和協同創新。

安全性與合規性：確保自動駕駛系統的安全性和合規性仍然是核心任務。未來的研究應集中在如何利用動態更新的數據支持實時的風險評估和決策優化，以應對復雜的道路環境和交通狀況。

作者

邊俊

磐時創始人/首席安全專家

汽車安全社區SASETECH發起人；智能網聯預期功能安全工作組核心成員；國內最早從事汽車功能安全、預期功能安全的專家之一