场景分析在SOTIF中的角色：场景定义、场景分类及其在安全分析中的重要性

预期功能安全（SOTIF，ISO 21448）的核心挑战在于：系统在无故障的情况下，因性能局限、设计不足或可合理预见的误用，仍可能引发危害事件。与功能安全（ISO 26262）聚焦于“系统故障”不同，SOTIF 关注的是“功能不足”与“触发条件”的耦合。而场景分析正是解开这一耦合关系的钥匙——它提供了描述“系统在什么环境下、遇到什么对象、执行什么行为”的标准化语言。没有场景分析，SOTIF 的安全论证将沦为无源之水、无本之木。本章将深入剖析场景的定义、三级分类体系（功能场景、逻辑场景、具体场景），并结合实际工程案例，阐明场景分析如何贯穿 SOTIF 活动的全生命周期。

3.1 场景定义：从“环境快照”到“动态叙事”

核心原理：场景的构成要素与边界

在 SOTIF 语境下，场景（Scenario） 并非简单的“道路照片”，而是包含时间维度的动态过程描述。一个完整的场景由四类要素构成：静态环境（道路几何、车道线、交通标志、护栏位置）、动态元素（其他车辆、行人、骑行者、动物）、自车状态（车速、加速度、转向角、传感器配置）、以及事件序列（前车何时切入、行人何时横穿）。ISO 21448 进一步区分了“场景”与“情景（Scene）”——情景是某一时刻的静态快照，而场景是情景在时间轴上的连续演化。例如，“高速路直行”是情景，而“高速路直行 3 秒后，左侧车道车辆以相对速度 15km/h 切入本车道”才是场景。

判断方法：场景定义的完整性检查清单

在工程实践中，定义场景时容易遗漏关键要素。建议使用以下五维检查法确保场景定义完整：

• 环境维度：天气（雨/雪/雾/光照）、道路类型（高速/城市/乡村）、路面附着系数、施工区域、隧道/桥梁等特殊结构。
• 自车维度：车速范围、加速度范围、转向意图、传感器视野遮挡情况、计算平台负载状态。
• 目标物维度：类型（车辆/行人/自行车/动物）、尺寸、速度、加速度、运动轨迹（直行/转弯/横穿/静止）。
• 交互维度：相对距离、相对速度、TTC（碰撞时间）、切入角度、目标物是否被遮挡后重新出现。
• 时间维度：场景持续时间、事件触发时刻、传感器数据延迟、系统响应时间。

案例拆解：一个“不完整场景”引发的分析偏差

某 OEM 在开发 AEB（自动紧急制动）系统时，最初将场景定义为“前方车辆静止，自车直行”。基于此场景，系统在 60km/h 以下表现良好。但在后续实车测试中发现，当前方车辆在自车接近过程中减速并最终停止（而非一直静止）时，AEB 的触发时机明显偏晚。原因在于：初始场景定义遗漏了“目标车减速过程”这一动态要素，导致算法对“运动目标变为静止”的过渡状态缺乏针对性标定。修正后的场景定义为：“自车以 80km/h 巡航，前方车辆以 -2m/s² 减速至停止，初始间距 50m”。这一修正直接改变了 AEB 的触发策略参数。

3.2 场景分类：功能场景、逻辑场景与具体场景的层级关系

核心原理：三级抽象层次的设计意图

ISO 21448 和 PEGASUS 项目共同确立了场景的三级分类体系，其本质是从“语义”到“参数”再到“实例”的逐步具象化。功能场景（Functional Scenario）使用自然语言描述，服务于需求分析和危害识别；逻辑场景（Logical Scenario）将功能场景中的要素参数化，并给出每个参数的取值范围和分布，服务于参数空间探索；具体场景（Concrete Scenario）则是逻辑场景中参数取特定值后的单一实例，直接用于仿真或实车测试。三者之间的关系是：一个功能场景可对应多个逻辑场景，一个逻辑场景可实例化为无数个具体场景。

操作流程：从功能场景到具体场景的转化步骤

1. 步骤一：功能场景提取。从事故数据库（如 GIDAS、NASS-CDS）、自然驾驶研究（NDS）数据、专家经验中提取典型交通情境，用自然语言描述为功能场景。
2. 步骤二：参数化建模。识别功能场景中的可变要素，为每个要素分配参数名、数据类型、物理单位、取值范围。例如“前车切入”可参数化为：切入角度 θ∈[10°, 45°]，相对速度 Δv∈[5, 30] km/h，TTC∈[1.5, 5] s。
3. 步骤三：参数分布定义。根据真实交通统计数据，为每个参数定义概率分布（均匀分布、正态分布、对数正态分布等），确保采样时能覆盖高概率区域和极端边界。
4. 步骤四：具体场景采样。使用拉丁超立方、蒙特卡洛或优化搜索算法（如贝叶斯优化）在参数空间中采样，生成有限数量的具体场景。
5. 步骤五：场景库管理。将生成的具体场景存入场景库，标注来源、参数值、用途（仿真/台架/实车），并建立与测试用例的映射关系。

案例拆解：高速路前车切入场景的三级展开

以“高速路前车切入”这一典型功能场景为例，展示三级分类的工程落地：

• 功能场景：“自车在高速路最左侧车道以 100km/h 巡航，右侧车道一辆轿车以相对速度 10km/h 切入本车道，切入后保持匀速行驶。”
• 逻辑场景：自车速度 V_ego ∈ [80, 120] km/h，目标车速度 V_target ∈ [60, 110] km/h，切入角度 θ ∈ [15°, 40°]，初始横向距离 D_lat ∈ [1.5, 3.5] m，初始纵向距离 D_lon ∈ [10, 40] m，TTC ∈ [2, 6] s。
• 具体场景（示例 3 个）：① V_ego=95km/h，V_target=85km/h，θ=25°，D_lat=2.2m，D_lon=25m，TTC=3.5s；② V_ego=110km/h，V_target=70km/h，θ=35°，D_lat=1.8m，D_lon=15m，TTC=2.1s；③ V_ego=85km/h，V_target=80km/h，θ=18°，D_lat=3.0m，D_lon=35m，TTC=5.2s。

3.3 场景分析在 SOTIF 安全分析中的核心价值

核心原理：场景是连接“危害”与“触发条件”的桥梁

SOTIF 的核心活动之一是危害识别与风险评估（HARA）。传统 HARA 基于功能失效模式，而 SOTIF 的 HARA 必须基于场景——因为同一功能不足在不同场景下可能导致完全不同的危害等级。例如，AEB 系统在“前车静止”场景下误触发，可能仅导致驾乘人员轻微不适；但在“高速路后车跟车”场景下误触发，则可能导致严重追尾。场景分析的价值在于：将抽象的“功能不足”具象化为“在特定场景下，系统行为与驾驶员预期之间的偏差”，从而为安全目标的制定提供可量化的依据。

判断方法：场景分析在 SOTIF 各阶段的应用矩阵

案例拆解：基于场景分析的 AEB 系统触发策略优化

背景与约束：某 Tier 1 供应商为 OEM 开发 AEB 系统，要求满足 Euro NCAP 2023 评分标准，同时避免在城市工况下的误触发。初始系统在“前车静止”场景下表现良好，但在“前车减速转弯”场景中频繁误触发。

初始现象：实车测试中，AEB 在目标车减速并右转驶离本车道时，仍输出紧急制动指令，导致后车追尾风险。

关键输入数据：通过场景分析，提取了 120 个“前车减速转弯”具体场景，参数包括：目标车减速度（-1 至 -4 m/s²）、转向角速度（5° 至 20°/s）、横向位移量（0.5 至 2.5m）、自车速度（30 至 60 km/h）。

分析判断过程：对 120 个场景进行仿真，发现当目标车横向位移超过 1.2m 且转向角速度大于 12°/s 时，AEB 的误触发率高达 85%。进一步分析发现，AEB 的决策算法仅基于纵向距离和 TTC，未融合目标车的横向运动状态。

实际操作步骤：① 在 AEB 决策模块中增加“目标车横向位移变化率”输入；② 设定阈值：当横向位移变化率 > 0.8 m/s 时，判定目标车正在驶离本车道，抑制紧急制动；③ 在逻辑场景参数空间中重新采样 500 个场景进行验证。

结果对比：优化后，误触发率从 85% 降至 3%，且对“前车减速但未变道”场景的制动性能无显著影响。代价是算法复杂度增加约 15%，但换来了显著的安全性和舒适性提升。

复盘经验：场景分析的价值不仅在于“找问题”，更在于“定位问题根源”。通过逻辑场景的参数化分析，可以快速锁定导致误触发的关键参数组合，为算法优化提供精确方向。

常见误区与总结复盘

总结：场景分析在 SOTIF 中扮演着“骨架”角色——功能场景提供分析框架，逻辑场景提供探索空间，具体场景提供验证证据。三者环环相扣，共同支撑起 SOTIF 的安全论证。在实际项目中，建议建立“场景-危害-安全目标-测试用例”的追溯矩阵，确保每个安全目标都有场景支撑，每个测试用例都能追溯到具体场景。这不仅有助于通过 ISO 21448 认证，更能真正提升系统在真实世界中的安全性。