4. 场景建模核心要素

自动驾驶场景建模的核心任务，是将真实物理世界中的驾驶环境转化为计算机可理解、可计算、可复现的数字化描述。一个完整的场景模型，并非简单地将道路、车辆、行人等元素堆叠在一起，而是需要精确刻画这些要素之间的空间关系、时间演化规律以及语义约束。本章将围绕道路网络、交通参与者、环境条件、交通规则、时间与动态行为六大核心要素，系统阐述各自的建模方法、数据组织方式及工程实践中的关键要点。理解这些要素的建模粒度与耦合关系，是构建高保真、可泛化仿真测试场景的基础。

上图展示了六大核心要素之间的逻辑关系：道路网络提供静态几何与拓扑基础，交通参与者注入动态实体，环境条件施加物理影响，交通规则附加语义约束，而时间与动态行为则贯穿所有要素，驱动场景从初始状态向目标状态演化。在实际建模过程中，这些要素并非独立处理，而是通过统一的场景描述格式（如ASAM OpenDRIVE、OpenSCENARIO）进行集成，形成完整的可执行场景。

4.1 道路网络建模：从几何线形到车道级语义

核心原理：道路网络是场景建模的静态基底，其建模精度直接决定了仿真测试的有效性。道路网络建模包含三个层次：几何层描述道路中心线、边界线、曲率、坡度等物理形状；拓扑层定义路口、匝道、环岛等连接关系；语义层则包含车道类型（直行、左转、右转）、车道宽度、限速、路面标线等驾驶规则信息。现代自动驾驶仿真普遍采用ASAM OpenDRIVE标准，以车道为中心组织数据，每条车道具有独立的ID、宽度、偏移和连接关系。

操作流程：道路网络建模通常遵循以下步骤：

1. 数据采集与预处理：通过高精地图采集车、卫星影像或LiDAR点云获取道路原始数据，进行坐标转换和误差消除。
2. 道路中心线提取：基于预处理后的数据，提取道路中心线并拟合为三次样条曲线，确保曲率连续。
3. 车道划分与属性赋值：根据路面标线或交通规则，将道路划分为若干车道，并为每条车道赋予类型、宽度、限速、行驶方向等属性。
4. 拓扑连接构建：在路口、匝道处建立车道之间的连接关系，形成完整的车道级路网拓扑。
5. 质量校验：检查几何连续性、拓扑一致性、属性完整性，确保路网可被仿真引擎正确解析。

4.2 交通参与者建模：从几何外形到行为意图

核心原理：交通参与者包括机动车、非机动车、行人、动物等所有动态实体。其建模包含三个维度：物理属性（外形尺寸、质量、最大加速度/减速度）、运动学属性（速度、加速度、转向角速度）、行为属性（驾驶风格、意图、决策逻辑）。在场景建模中，交通参与者不仅是“会移动的障碍物”，更需要具备符合交通规则和人类驾驶习惯的行为模型。例如，行人可能突然横穿马路，也可能在路边犹豫；车辆在路口可能减速让行，也可能抢行通过。

建模方法：交通参与者建模通常采用分层架构：

• 感知层：定义参与者的传感器模型（如摄像头视野、雷达反射截面），用于模拟自车传感器对目标的探测能力。
• 决策层：采用状态机、行为树或强化学习模型，控制参与者的意图切换（如跟车、变道、超车、停车让行）。
• 执行层：通过运动学模型（如自行车模型、质点模型）将决策转化为具体的轨迹和速度变化。

参与者类型	典型尺寸(m)	最大速度(km/h)	行为模型复杂度	关键风险场景
乘用车	4.5×1.8×1.5	120-200	高（变道、超车博弈）	鬼探头、追尾
重型卡车	12×2.5×3.5	80-100	中（转弯半径大）	内轮差盲区
两轮车	1.8×0.7×1.2	25-50	高（穿插、逆行）	斜穿、逆行
行人	0.5×0.4×1.7	5-15	极高（随机性强）	突然加速、折返

4.3 环境条件建模：物理效应与传感器影响

核心原理：环境条件包括天气（雨、雪、雾、霾）、光照（白天、夜晚、逆光、阴影）、路面状态（干燥、湿滑、积雪、结冰）以及临时遮挡（施工围挡、树木）。环境建模不仅影响车辆动力学（如制动距离变化），更关键的是影响传感器感知性能。例如，大雨会导致激光雷达点云噪声增加，摄像头图像对比度下降，毫米波雷达多径反射增强。因此，环境条件建模必须与传感器模型耦合。

建模方法：环境条件建模分为物理模型和传感器效应模型两个层面：

1. 物理环境模型：定义天气参数（降雨量mm/h、能见度m、雪层厚度cm）、光照参数（太阳高度角、方位角、色温）和路面参数（附着系数μ、积水深度）。
2. 传感器效应模型：将物理参数映射为传感器输出退化。例如，能见度与摄像头有效探测距离的关系可近似为：D_eff = D_0 × e^(-k×V)，其中V为能见度，k为衰减系数。

4.4 交通规则建模：语义约束与逻辑校验

核心原理：交通规则是场景中的“软约束”，包括交通标志（限速、禁止转弯）、路面标线（实线、虚线、导流线）、信号灯（红黄绿相位）以及路权规则（让行、优先通行）。在仿真中，交通规则建模需要实现两个功能：规则表达（将规则转化为计算机可解析的数据结构）和规则执行（在仿真运行时对自车和交通参与者进行约束检查）。

实现方式：交通规则建模通常采用以下方法：

• 规则附着：将交通标志、信号灯等规则对象绑定到道路网络的特定位置（如车道起点、停止线前）。
• 逻辑表达式：使用条件语句描述规则触发条件，例如“当信号灯为红灯且自车位于停止线前时，必须停车”。
• 冲突消解：当多条规则同时生效时（如限速标志与临时施工标志冲突），定义优先级或使用规则仲裁机制。

规则类型	数据表达	执行方式	典型应用
限速标志	数值+位置	速度上限约束	高速公路、学校区域
信号灯	相位状态+时间表	停车/通行指令	城市路口
让行标志	优先级属性	路权判断	无信号灯路口
车道导向	车道属性+箭头	转向约束	路口导向车道

4.5 时间与动态行为建模：场景演化的引擎

核心原理：时间是场景建模的第四维度，所有静态要素在时间轴上展开即为动态场景。时间建模包括时间戳管理（全局时钟同步）、状态演化（参与者位置、速度随时间变化）以及事件调度（何时触发何种行为）。动态行为建模则关注参与者之间的交互博弈，例如两车同时到达无信号灯路口时的让行决策。

建模方法：动态行为建模通常采用以下技术路线：

1. 脚本化行为：预先定义参与者的轨迹和时间节点，适用于确定性测试场景（如AEB测试中的前车静止）。
2. 数据驱动行为：从自然驾驶数据中提取行为模式，通过轨迹聚类或神经网络生成逼真的驾驶行为。
3. 交互式行为：参与者根据自车和其他参与者的状态实时调整行为，常用博弈论或逆强化学习实现。

4.6 要素集成与场景描述格式

核心原理：六大要素最终需要集成到统一的场景描述文件中，才能被仿真引擎执行。目前行业主流标准是ASAM OpenX系列：OpenDRIVE描述静态路网，OpenSCENARIO描述动态场景（包括交通参与者行为、时间触发条件、环境参数）。此外，还有OpenCRG用于路面细节描述，Open Simulation Interface用于仿真器与传感器模型之间的数据交换。

集成流程：

1. 使用OpenDRIVE构建道路网络，并导出为XODR文件。
2. 在OpenSCENARIO中定义交通参与者的初始位置、速度、行为脚本或交互逻辑。
3. 设置环境条件（天气、光照）和交通规则（信号灯配时、限速）。
4. 定义时间参数（仿真步长、总时长、事件触发条件）。
5. 通过仿真引擎加载所有文件，进行一致性校验后执行仿真。