在面對巨量數(shù)據(jù)時，人們通常需要思考幾個問題：

• 這些數(shù)據(jù)中有多少是相關(guān)的？

• 車輛在沒有周圍車輛的情況下行駛了多長時間？

• 工程師是否需要手動逐個檢查所有不相關(guān)和無風險的場景？

• 工程師是否應該依賴操作人員（在駕駛過程中）標注相關(guān)場景，而忽略其他所有內(nèi)容？

為了解決以上問題，我們發(fā)現(xiàn)能夠自動從真實世界駕駛記錄中識別挑戰(zhàn)性場景是十分重要的。這可以減少存儲在“熱存儲”（如AWS S3）中的數(shù)據(jù)量，因為人們可以決定只將相關(guān)且具有挑戰(zhàn)性的場景存儲在“熱存儲”中，而將剩余數(shù)據(jù)存儲在“冷存儲”（如AWS Glacier）中。

此外，由于只需要檢查相關(guān)場景，自動識別挑戰(zhàn)性場景還可以減少驗證工作。而且在將AD/ADAS系統(tǒng)適應到新的操作設計域（Operational Design Domain，ODD）之前，識別挑戰(zhàn)性場景也是一個很好的做法，因為人們希望盡可能多地在該特定ODD的各種場景下測試系統(tǒng)的功能。

然而，識別挑戰(zhàn)性場景并非易事，因為必須瀏覽數(shù)千小時的駕駛數(shù)據(jù)，并判斷某個場景是否值得被選中。因此，能夠以一種自動且可解釋的方式從駕駛記錄中提取這些場景至關(guān)重要。

識別挑戰(zhàn)性場景的第一步是使用配備傳感器的數(shù)據(jù)采集平臺收集駕駛數(shù)據(jù)。通常，這些數(shù)據(jù)采集平臺應能夠記錄定位和傳感器信息（圖像、點云等）。數(shù)據(jù)采集平臺可以是由人類駕駛員手動駕駛的車隊。

在收集到數(shù)據(jù)后，可以使用IVEX識別挑戰(zhàn)性場景并進行數(shù)據(jù)分析。IVEX包含不同的指標，從基于行為的安全指標（例如ISO 15623的定義的碰撞時間TTC）到基于感知的指標（例如消失物體檢測）。

IVEX使用多種指標的組合來評估每個駕駛片段，并提取出被認為是挑戰(zhàn)性場景的部分。用戶還可以向平臺添加自定義指標。識別出的挑戰(zhàn)性場景可以導出為不同的格式，如OpenScenario、CSV、JSON，或者簡單地鏈接到原始數(shù)據(jù)輸入。

道路施工的情境下，自車需要行駛于通常建立在路肩的臨時車道上。盡管我們知道并非所有AD/ADAS都需要處理這類場景事件，但根據(jù)自動駕駛的級別和ODDs的不同，這種情況仍然會構(gòu)成挑戰(zhàn)，應當納入測試集。

根據(jù)美國汽車工程師學會（Society of Automotive Engineers, SAE）的自動化等級標準，一個處于2級或3級的系統(tǒng)進入這種場景時，應能夠及時解除自動駕駛并通知駕駛員；而對于4級或5級的系統(tǒng)，這種情況可能會打破ODD的假設，需要遠程操作員接管或者通知自駕車隊意料之外的道路施工區(qū)域。

本文的案例是一個從布魯塞爾出發(fā)往巴黎并返回布魯塞爾、歷時8小時的駕駛記錄。完整的駕駛記錄文件大小約為2TB。我們使用IVEX從中提取出了幾個挑戰(zhàn)性場景（總計5分鐘），將錄制存儲減少到20GB，節(jié)省了一個數(shù)量級的存儲。

我們認為，從駕駛?cè)罩局姓页鼍哂刑魬?zhàn)性的場景是推動AD/ADAS廣泛應用的關(guān)鍵因素之一。能夠輕松地從實際駕駛記錄中提取相關(guān)場景，是有效進行AD/ADAS驗證過程的基本特征。

期待您繼續(xù)關(guān)注康謀之后的文章，我們將分享有關(guān)AD/ADAS的基于場景的驗證和數(shù)據(jù)分析的更多信息。