📚 课程目录第3章场景建模方法

3. 场景建模方法

场景建模是场景覆盖度评估的“地基”。如果场景定义模糊、边界不清、粒度混乱，后续的覆盖率计算、数据补齐和测试验证都会失去可靠基准。本节围绕四个递进环节展开：先把场景拆成可度量的要素，再建立分类体系，然后构建可计算、可检索的场景空间，最后用优先级划分确定补齐与验证的先后顺序。

一、核心原理：从“一段描述”到“可计算对象”

场景建模的本质，是把自然语言描述的真实世界片段，转化为结构化、可枚举、可组合的模型对象。一个场景通常由五类要素构成：环境条件（天气、光照、道路类型）、静态要素（车道线、交通标志、障碍物）、动态要素（车辆、行人、骑行者）、任务目标（本车要完成的驾驶行为）以及约束与评价（限速、安全距离、通过标准）。只有把这些要素显式拆解，才能判断“哪些组合已覆盖、哪些组合缺失”。

场景建模的核心公式可以概括为：

场景 = 环境条件 × 静态要素 × 动态要素 × 任务目标 × 约束评价

其中“×”表示组合关系，而非简单相加。组合爆炸正是场景空间需要分层、分类和优先级管理的原因。

二、场景要素拆解：建立参数化字典

要素拆解的目标是形成一份可复用的“场景参数字典”。每个要素都应具备名称、取值域、单位、来源和默认值。例如，环境条件中的“天气”可枚举为晴、雨、雪、雾；“光照”可枚举为白天、黄昏、夜间；“道路类型”可枚举为高速、城市主干道、园区道路、乡村道路。动态要素则需描述类型、数量、初始位置、速度、航向和交互意图。

拆解时建议遵循三个原则：正交性（要素之间尽量不重叠）、可观测性（取值能由传感器或日志验证）、可组合性（不同取值能稳定拼接成完整场景）。下表给出一个简化的要素拆解清单。

要素类别	典型参数	取值示例	建模用途
环境条件	天气、光照、路面	雨 / 夜间 / 湿滑	影响感知与制动距离
静态要素	道路类型、车道数、标志	城市主干道 / 3车道 / 限速60	定义场景骨架
动态要素	交通参与者、速度、意图	前车急刹 / 行人横穿	生成交互与冲突
任务目标	本车行为	跟车、变道、左转、避让	绑定待验证功能
约束评价	安全距离、通过标准	TTC≥1.5s、无碰撞	判定通过或失败

三、场景分类体系：多维度标签而非单层树

分类体系决定场景如何被检索、统计和补齐。实践中不建议只建一棵单层树，而应采用“多维度标签体系”。常见维度包括：功能维度（感知、决策、控制）、道路维度（高速、城市、泊车）、交互维度（无交互、跟车、切入、横穿）、风险维度（常规、边缘、危险）以及来源维度（实车、仿真、法规、事故）。

多维度标签的好处是：同一场景可以同时属于“城市道路 + 行人横穿 + 高风险 + 事故来源”，在覆盖率统计时既能按功能切片，也能按风险切片。分类体系应保持稳定，但允许新增标签；新增标签必须回溯标注已有场景，避免出现“标签孤岛”。

四、场景空间构建：从离散枚举到可计算坐标

场景空间是把拆解后的要素取值进行组合，形成可枚举、可采样、可度量的空间。构建方式通常有三种：笛卡尔积枚举适合小规模关键参数；等价类划分把连续取值划分为若干区间；基于本体的图结构适合表达要素之间的依赖与约束。无论哪种方式，都要为每个场景分配唯一标识，并记录其参数向量。

scene_id: SC-URB-PED-0042
params:
  road_type: urban_arterial
  weather: rain
  light: night
  ego_task: left_turn
  dynamic: pedestrian_crossing
  risk_level: high
coverage_tags: [urban, pedestrian, night, rain, left_turn]

场景空间构建完成后，应能回答三个问题：当前已覆盖哪些参数组合？哪些组合在物理上不可能或不允许？哪些组合虽然可能但尚未采集数据？这三个问题的答案，直接决定数据补齐的方向。

五、场景优先级划分：用风险与稀缺度排序

场景数量往往远大于可投入的测试与数据采集资源，因此必须划分优先级。推荐使用“风险 × 稀缺度 × 业务价值”的三维评分：风险高、现有数据少、且直接关联核心功能的场景优先。具体可采用如下判断规则：

P0：高风险 + 零覆盖，如夜间行人横穿、高速前车急刹；必须优先补齐。
P1：高风险 + 低覆盖，或中风险 + 零覆盖；安排专项采集或仿真生成。
P2：中风险 + 中覆盖，或低风险 + 零覆盖；纳入常规迭代。
P3：低风险 + 已有覆盖；仅做回归验证，不额外投入。

优先级不是一次性结论。当新法规、新事故或新功能上线时，风险权重会变化，P2 可能升级为 P0。建议每轮评估后重新计算优先级，并保留变更记录。

六、案例：城市左转遇行人横穿

以“城市主干道夜间雨天左转，遇行人横穿”为例。要素拆解得到：环境=夜间+雨；静态=主干道+左转路口；动态=行人从右侧横穿；任务=本车左转；约束=不碰撞且TTC不低于阈值。分类标签为 urban、left_turn、pedestrian、night、rain、high_risk。场景空间中该组合若尚未被采集，则优先级评为 P0。数据补齐时，可先在仿真中批量生成不同行人速度与起始距离的变体，再挑选高风险变体进行实车或封闭场地验证。

七、常见误区与复盘

误区一：只按功能分类。导致同一风险场景散落在多个功能目录下，覆盖率被重复计算或漏算。
误区二：要素取值过粗。如“天气=坏”无法区分雨、雪、雾对感知的不同影响。
误区三：优先级只看发生频率。低频高危场景恰恰是长尾短板，不能因频率低而排后。
误区四：场景空间只建不维护。新增传感器配置或新法规后，参数字典未同步，导致评估失真。

场景建模的产出不是一张静态清单，而是一套可持续演进的“场景资产库”。每次数据补齐和测试验证后，都应回写覆盖状态与优先级，形成闭环。

综上，场景建模方法可以概括为“拆解—分类—构建—排序”的闭环：要素拆解提供参数基础，分类体系提供检索维度，场景空间提供组合与覆盖计算，优先级划分提供资源投放依据。四者缺一不可，共同支撑后续的覆盖度评估与数据补齐工程。