4. 场景来源与数据采集
场景库的质量，取决于场景来源的多样性与数据采集的规范性。单一来源必然带来覆盖偏差：只靠真实路采，会遗漏低频高危场景；只靠仿真生成，又容易脱离真实世界的物理约束与驾驶行为分布。工程上通常采用“多源融合”策略，把真实路采、事故数据、自然驾驶数据、仿真生成和专家经验五类来源组合起来，再通过统一的场景提取方法转化为可执行的测试用例。
一、五类场景来源的定位与互补关系
不同来源解决不同问题，理解它们的定位是设计采集方案的前提。
- 真实路采数据：通过测试车搭载摄像头、激光雷达、毫米波雷达、GNSS/IMU 等传感器，在公开道路上采集原始数据。优势是物理真实、传感器特性真实，适合验证感知与定位模块；劣势是危险场景稀少、标注成本高。
- 事故数据：来自交通事故深度调查、行车记录仪、保险理赔与交警卷宗。它直接指向“系统必须避免的失效模式”，是高风险场景的核心来源，但样本量小、细节常缺失。
- 自然驾驶数据：在无干预条件下记录普通驾驶员的长期行为，如美国 SHRP2、欧洲 UDRIVE 等数据集。它提供驾驶行为分布、跟驰与换道参数统计，是标定仿真中人类驾驶员模型的基础。
- 仿真生成：基于参数化场景描述，用仿真器批量生成变体，可覆盖极端参数组合与低概率事件，成本低、可重复，但需用真实数据校验其可信度。
- 专家经验：由安全工程师、测试工程师依据功能安全标准（如 ISO 26262、ISO 21448）和失效模式分析，手工构造边界场景，弥补数据驱动方法的盲区。
这五类来源并非并列替代，而是形成“真实数据定分布、事故数据定边界、仿真数据补覆盖、专家经验补盲区”的协同结构。
二、从原始数据到场景：提取方法的关键步骤
采集只是起点，真正决定场景库价值的是提取方法。典型流程包含四步：
- 触发式切片：在长时数据流中定位“值得成为场景”的片段。常用触发条件包括 TTC（碰撞时间）低于阈值、AEB 触发、急制动、车道偏离、近距离切入等。例如以 TTC < 2.5s 作为切入场景的触发条件。
- 聚类与降维：对切片后的场景参数做统计聚类，识别高频与低频模式。常用方法有 K-means、DBSCAN、层次聚类，配合 PCA 或 t-SNE 降维可视化。
- 本体与标签体系：用统一的本体描述道路、交通参与者、环境与行为，形成可检索的标签，如“城市十字路口 / 左转 / 对向直行 / 雨天 / 黄昏”。
- 参数化抽象：把具体片段抽象为逻辑场景，提取关键参数及其分布区间，供仿真批量实例化。
核心原则：真实数据决定“场景长什么样”，事故数据决定“边界在哪里”，仿真决定“能测多少”，专家经验决定“有没有漏”。四者缺一不可。
三、典型场景提取示例
以“前车紧急制动”场景为例，从自然驾驶数据中提取参数分布，再结合事故数据修正边界：
场景名称: lead_vehicle_emergency_brake
触发条件: TTC < 2.5s 或 前车减速度 < -4.0 m/s²
关键参数:
ego_speed: 30 ~ 80 km/h (自然驾驶 P5~P95)
lead_decel: -4.0 ~ -8.0 m/s²
initial_gap: 10 ~ 40 m
road_friction: 0.4 ~ 0.9
weather: clear / rain
事故修正: 将 lead_decel 下界扩展至 -9.5 m/s²
将 initial_gap 下界扩展至 6 m
输出: 逻辑场景 1 个, 具体场景 240 个可以看到，自然驾驶数据给出参数的主体分布，事故数据把分布尾部向更危险的方向拉伸，仿真则负责在扩展后的参数空间内批量生成具体场景。
四、常见误区与复盘要点
| 误区 | 表现 | 纠正做法 |
|---|---|---|
| 唯真实数据论 | 只测路采片段，低频高危场景长期缺失 | 用事故数据与专家经验补齐边界 |
| 仿真脱离真实 | 参数随意设定，与真实驾驶行为分布不符 | 用自然驾驶数据标定参数区间 |
| 标注口径不一 | 同一场景在不同批次标签不一致 | 建立统一本体与标注规范 |
| 只采不提取 | 数据量巨大但无法转化为测试用例 | 建立触发切片与参数化流水线 |
| 忽略覆盖率反馈 | 场景库长期不更新，盲区持续存在 | 用测试结果反推缺口，驱动补充采集 |
实操建议：在项目初期就定义好场景本体和标签体系，避免后期返工。采集方案应明确“采什么、采多少、怎么触发、如何标注”，并把覆盖率缺口作为下一轮采集的输入，形成闭环。
注意：事故数据涉及隐私与合规问题，使用前需完成脱敏与授权；仿真生成场景必须经过真实数据校验，否则容易产生“仿真里通过、实车失效”的假阳性结论。
综上，场景来源与数据采集不是简单的数据堆叠，而是一条从多源输入、统一描述、方法提取到场景库输出的完整链路。只有把五类来源的互补关系理清，并把提取方法工程化，场景库才能真正支撑后续的覆盖度评估与回归测试。