diff --git a/critical/undergraduate/content/chapter1.tex b/critical/undergraduate/content/chapter1.tex index ec24d962..67dbd0ab 100644 --- a/critical/undergraduate/content/chapter1.tex +++ b/critical/undergraduate/content/chapter1.tex @@ -1,126 +1,57 @@ -%!TEX root = ../../csuthesis_main.tex -\chapter{引言} +%!TEX root = ../hutbthesis_main.tex +\chapter{绪论} -跟着科技快速地向前发展，智能驾驶技术慢慢从实验室迈向现实道路，成为汽车工业和人工智能领域重要研究方向，智能驾驶系统依靠集成先进的传感器、控制器、执行器以及复杂算法，实现对车辆的自主控制和决策，目的是提高道路安全性、缓解交通拥堵、降低能源消耗并提升驾驶舒适性，不过，智能驾驶系统的安全性和可靠性一直是其发展方面的关键瓶颈，在复杂多变的道路交通环境当中，智能驾驶系统得面对各种突发状况和潜在危险，像行人突然横穿马路、车辆紧急变道、恶劣天气条件等，这些场景对系统的感知、决策和控制能力提出非常高的要求。 +\section{研究背景与意义} +\subsection{研究背景} -\section{研究背景} +近年来，在人工智能技术迅猛发展的推动下，自动驾驶已经成为带动汽车工业革新发展的重要动力源。而高级别的自动驾驶产品要走向市场应用必须要有一套科学合理并且完善的评价标准来对其进行检测，这是保证它能够在各种复杂的道路上可靠工作的基础，也是提高整个行业的安全水平的有效手段。传统的道路测试虽然有一定的实用性但是它也需要很大的开销而且耗时较长并且还会有一定的危险性尤其是在一些非常规的情况之下（例如突然刹车或者遇到强大的外部干扰或者是恶劣的天气等）。现有的技术手段无法做到大规模地模拟这些情况并准确地验证它们从而导致无法很好地控制自动驾驶的安全隐患也不能使它的使用范围扩大\cite{sun2025autonomous}。 +作为一种同时具备经济效益以及高效性的核心技术解决方案，在自动驾驶的研发过程中起着举足轻重的作用。例如CARLA、AirSim等开源仿真工具能够提供一个高度仿真的虚拟道路环境，极大地增强了研究工作的可重复性和鲁棒性。但是它们对于难以预测的各种恶劣天气条件下的场景生成仍然十分困难，这也是目前亟需解决的一个问题。一种是人工设计的方法是根据专家的经验来进行简单的模拟，虽然也具有一定的实用性但是效率低下且覆盖面有限；另一种是以数据为基础的方法由于缺乏足够的高质量的数据集而不能实现\cite{yang2025lane}。 -为了在智能驾驶系统真正投入实际应用前充分验证其性能，传统道路测试方法存在着诸多明显局限性，在测试周期方面，针对自动驾驶出租车开展道路测试时，因要进行大量实际路况测试与优化，测试周期通常会长达数年之久，这严重延误产品上市时间还增加研发成本，以自动驾驶卡车为例来说，购置及改装测试车辆、支付测试人员薪酬、租赁测试场地等费用，让道路测试成本变得十分高昂，一次大规模道路测试项目成本可能高达数百万甚至上千万元，而且道路测试很难覆盖所有可能出现的危险场景，尤其是那些发生概率较低但后果严重的事故场景，比如在特殊天气条件之下，像暴风雪导致道路结冰、浓雾影响视线等情况，以及罕见的交通冲突场景，例如多车同时失控这种状况，这些场景很难通过道路测试进行全面模拟，而它们对智能驾驶系统安全性存在潜在巨大威胁，此外道路测试还存在一定程度的安全风险，可能会对测试人员和周围环境造成相应威胁，曾经有道路测试中出现车辆失控情况，导致测试人员受伤以及周围建筑物损坏案例，这进一步凸显传统道路测试在安全方面存在的隐患。 +强化学习在智能决策以及博弈论方面有着广泛的应用前景，在此将对抗车辆作为自主学习者，使其不断与目标车辆（用于测试算法效果）进行交互从而促使后者不断完善自身的方法是有效的一种方式来模拟真实世界中各种各样的极端驾驶情况。 -所以仿真技术就这么应运而生了，它成了智能驾驶系统测试和验证的重要手段，通过运用先进的计算机图形学与传感器建模技术，能在计算机里构建出高度逼真的虚拟道路交通环境，在这个虚拟环境当中，可以精准模拟不同的天气条件，像晴天时候的强光照射、雨天时候的路面湿滑、夜晚时候的低光照环境等，还有不同的交通流量情况，包含高峰时段的拥堵和复杂交通交互、平峰时段的顺畅行驶等，还能够精确控制测试条件和参数，\cite{cheng2011analysis}进而实现对智能驾驶系统的全面测试，和道路测试比较起来，一次仿真测试的成本可能仅仅是道路测试的几十分之一，大幅降低了测试成本，而且测试过程完全可控，不存在任何安全风险。 +\subsection{研究意义} -在仿真场景的构建过程当中，危险场景的生成和优化特别关键，危险场景指的是那些可能让智能驾驶系统出现错误决策、控制失效或者发生事故的场景，准确生成和优化这些危险场景，能够帮助研究人员深入理解智能驾驶系统面对危险时的行为表现，发现系统潜在的缺陷和不足之处，进而有针对性地改进系统的设计和相关算法，以此提高系统的鲁棒性和安全性能，然而危险场景的生成并非是一件容易的事情，需要综合考虑各种各样的因素，道路交通规则在不同国家和地区存在着明显差异，比如有些国家车辆靠左行驶而另一些国家则靠右行驶，这就要求在生成危险场景时充分考虑这些规则差异，车辆动力学特性像车辆的加速、制动、转向性能等会影响危险场景的生成，以快速制动场景来说不同车辆制动距离和制动响应时间不同，这就需要在场景生成中进行准确模拟，传感器感知范围如激光雷达视野角度和精度、摄像头成像质量和识别能力等，同样是生成危险场景时需要重点考虑的因素，环境因素如光照强度和温度会对智能驾驶系统性能产生影响，例如强光照射下传感器可能出现误判、高温环境下车辆电子设备可能出现故障。要保证生成的场景有高度真实性和代表性，就得结合实际道路数据像交通事故数据、交通流量数据等\cite{deichmann2023autonomous}，并且利用机器学习和深度学习算法来生成能真实反映智能驾驶系统在实际道路可能遇到危险情况的场景，通过对这些危险场景进行分析，能够发现智能驾驶系统在决策逻辑和控制算法方面存在的缺陷，比如在某些复杂交通场景中系统决策速度过慢或者决策错误，进而有针对性地优化决策算法，提升系统对危险场景的识别和应对能力，以此确保智能驾驶系统的安全性和可靠性。 +本文提出了一种基于强化学习的极端驾驶仿真场景自动生成的方法，有很高的研究价值以及应用前景。 +本文基于强化学习领域最新成果，结合使用深度Q网络（DQN）和策略梯度优化（PPO）两种主流方法对场景生成进行研究，对比价值驱动型与决策驱动型方法在对抗性场景生成中优劣，以期为今后相关研究人员提供一定指导意义并促进奖励函数设计以及状态表示应用于多个领域仿真模拟研究发展。 - -\section{研究目的和意义} - -\subsection{研究目的} -本研究旨在深入探讨智能驾驶危险仿真场景的生成和优化技术，以期为智能驾驶系统的安全测试和性能提升提供有力支持。研究目的具体包括： - -系统地对现有的智能驾驶危险仿真场景生成方法进行梳理和总结，运用文献计量分析、技术路线对比以及案例实证研究等方式，建立起涵盖基于规则驱动、数据驱动、模型驱动等主流方法的理论图谱。深入剖析各个方法在场景真实性、计算效率、泛化能力等不同维度的优点和缺点，结合ISO 21448预期功能安全标准与UN R157自动驾驶法规要求，明确不同方法在高速换道、交叉口通行、极端天气应对等特定场景下的适用边界。通过构建方法评估指标体系，为后续的算法创新提供量化的参照标准\cite{zhang2024chatscene}，同时揭示当前研究在场景动态演化模拟方面的情况,多主体交互建模等领域的理论空白，为学术研究与工程实践指明方向。​ - -针对现有算法在场景多样性、实时性和准确性方面存在的不足，融合强化学习、生成对抗网络（GAN）与数字孪生技术来研发新一代危险场景生成算法，基于真实交通事故数据库与高精度地图数据，利用迁移学习技术构建场景特征提取模型以实现从历史数据到虚拟场景的高效映射，引入多智能体协同演化机制来模拟车辆、行人\cite{fitch2012using}、基础设施间的复杂交互行为，生成包含长尾风险场景如鬼探头、道路施工突发状况在内的多样化测试用例，通过GPU并行计算与分布式架构优化将场景生成效率提升30\%以上以满足需求。大规模仿真测试的实时性需求，为智能驾驶系统的压力测试与漏洞挖掘提供技术支撑。​ - -建立起场景挑战性和测试覆盖率的量化关联模型，针对智能驾驶系统感知、决策、控制这三大核心模块的薄弱环节，设计分层递进式的场景优化方案，在感知层通过调整光照强度、遮挡物分布等参数来测试传感器鲁棒性，在决策层设置冲突优先级、博弈策略等变量评估算法逻辑合理性，在控制层改变路面摩擦系数、车辆动力学参数验证执行机构可靠性\cite{朱西产2019安全切入场景下的驾驶人初始制动时刻分析}，构建场景难度动态评估体系实现测试场景从基础场景到极限场景的自适应，使仿真测试更贴合实际道路风险分布，有效提升系统极端工况下的安全冗余设计能力。​​ - -按照微服务架构和容器化技术来构建一体化框架，这个框架包含数据采集、场景生成、智能优化、仿真测试、结果评估这五大核心模块，开发标准化的数据接口，以兼容多源异构数据像激光雷达点云、摄像头图像、高精地图矢量数据并实现高效处理，集成主流仿真引擎比如CARLA、PreScan与自动驾驶开发平台如Autoware、Apollo，达成场景快速部署和跨平台测试，引入数字线程技术，打通场景设计、仿真执行、问题反馈的闭环链路，以此支持测试流程自动化编排与迭代优化，最终形成一套具备高扩展性和高复用性的工程化工具，可显著降低智能驾驶系统开发测试成本并加速技术产业化落地进程。 - -本研究的意义主要体现在以下几个方面： - -\subsection{意义} -理论意义：丰富和完善智能驾驶仿真测试领域的理论体系，为智能驾驶危险场景的生成和优化提供新的思路和方法，推动相关学术研究的深入发展。 - -技术意义：提高智能驾驶仿真测试技术的水平，为智能驾驶系统的开发和测试提供更高效、更可靠的工具，促进智能驾驶技术的成熟和应用。 - -实际应用意义在于通过生成并优化危险仿真场景，可更全面地评估智能驾驶系统安全性，能提前发现并解决潜在的安全方面问题，进而降低智能驾驶系统在实际应用时的风险，为智能驾驶车辆的上路行驶提供安全保障，具备重要的社会价值与经济价值。 +本文基于实际情况，提出一种能够产生大量并且存在较高风险的极端驾驶情况的方法。该方法通过对自动驾驶领域中测试集进行大幅度扩充以及对现有的方法在一些极端情况下存在的不足进行分析从而提高自动驾驶的安全性和鲁棒性。 \section{国内外研究现状} +\subsection{国内研究现状} -国外研究现状场景生成方法与理论体系： - -德国PEGASUS项目产生的影响十分深远，它所定义的“功能，逻辑，具体”三级分层体系，为场景构建提供了清晰的结构化思路，能够从抽象的功能需求逐步细化成具体可执行的仿真场景描述，围绕这个体系构建了面向智能驾驶全生命周期即概念到开发再到测试以及标定的场景库流程和测试方法，为整个行业树立了良好的标杆\cite{杨敏明2017基于自然驾驶实验的驾驶行为研究}，与此同时部分学者从参数赋值的视角切入，运用仿真技术识别关键场景并且建立起车辆安全与交通质量的性能评价指标，让场景评估有了量化的依据，除此之外基于自动编码器自动识别独特场景、利用行驶距离侵入，碰撞时间划分危险区域生成测试案例等方法不断涌现出来，丰富了场景生成的手段与相应策略。 - -仿真技术与工具应用方面在仿真工具层面德国 VIRES 公司的 VTD 功能十分全面涵盖道路环境建模交通场景搭建等功能支持智能驾驶全周期开发流程且依托开放格式便于与第三方工具联合仿真，PreScan 作为 ADAS 测试仿真软件具备强大场景搭建能力支持丰富传感器类型可与第三方动力学模型和 HIL 模拟器集成应用范围广泛，CarMaker 不仅车辆动力学模型精准还打造闭环仿真系统可与第三方软件集成满足多样化仿真需求，Vissim 专注于微观交通流仿真能高精度模拟复杂交通环境及交互行为为智能驾驶算法测试提供有力支持 。Vissim 专注于微观交通流仿真，能高精度模拟复杂交通环境及多交通参与者交互行为，为智能驾驶算法在复杂交通场景下的测试提供了有力支持 。 - -安全模型与场景优化方面，在安全模型的研究进程中诸多经典模型持续演进，像针对跟车场景的模型通过假设不同转向轨迹精准计算安全距离与碰撞车速来提前规划制动或转向策略，Safety Zone模型在行人横穿场景里借助扩展虚拟安全空间保障行人安全，RSS模型清晰定义安全距离和路权归属在多车交互场景中优势较为明显，SFF模型从时空一体化角度利用“安全力场”避免轨迹出现重叠情况，FSM模型采用模糊逻辑精细捕捉安全状态的变化，这些模型为危险场景的优化与评估提供了相应理论依据，通过调整场景参数如在感知层改变光照和遮挡、在决策层设置冲突优先级、在控制层调整路面摩擦系数等提升场景对智能驾驶系统极限性能的测试效能。 - -国内研究现状： - -场景构建与标准制定：国内积极紧跟国际步伐开展场景构建与标准制定工作，踊跃参与智能驾驶仿真场景相关标准制定事宜，比如围绕 ISO 21448 预期功能安全标准开展本土化研究并推动落地，部分企业和科研机构参考国内外架构设计方法，结合自身工程实践经验，提出基于关键要素分析的场景搭建框架，该框架涵盖道路、环境、主车、交通参与物四类关键特征，生成的场景既能体现触发条件又便于在模拟仿真软件中搭建，有效提升了自动驾驶系统测试验证的效率\cite{neale2002100}。 - -数据驱动的场景生成方面，随着国内大数据和人工智能技术大力发展，基于真实交通事故数据库以及高精度地图数据，利用迁移学习技术构建场景特征提取模型成研究热点，其目的是从海量数据里高效提取危险场景特征并生成多样化测试用例，同时借助多智能体协同演化机制模拟复杂交通交互行为，增加场景真实性与复杂性，尤其在对“鬼探头”、道路施工突发状况等长尾风险场景的模拟上取得一定进展。 - -国内在一体化框架与平台研发方面，努力构建智能驾驶危险仿真场景生成和优化的一体化框架，凭借微服务架构与容器化技术，将数据采集、场景生成、优化、仿真测试、结果评估等环节进行整合，开发出标准化数据接口用以兼容多源异构数据处理，集成包括在国内广泛应用的CARLA等主流仿真引擎，以及像百度Apollo、Autoware本土化应用这类自动驾驶开发平台，并且引入数字线程技术来实现测试流程自动化编排与迭代优化\cite{dingus2006100}，为智能驾驶系统开发测试提供一站式解决方案。 - -\section{研究方法} - -数据驱动分析: - -交通事故数据分析就是去收集并且整理大量交通事故案例数据，这些数据要涵盖不同类型事故像追尾、侧撞、翻车等，同时还要包括事故发生的各种因素如天气条件、道路状况、车辆类型、驾驶行为等，运用数据挖掘技术例如关联规则挖掘、聚类分析等，从海量数据当中挖掘出事故发生的潜在规律和关键影响因素，从而识别出常见的危险场景模式，比如通过分析能够发现，在雨天湿滑路面上车辆高速行驶时容易发生侧滑进而引发侧撞事故，或者在交通拥堵路段车辆频繁变道加塞等行为容易导致追尾事故\cite{uslu2014underground}。 - -驾驶行为数据挖掘：采集大量的驾驶行为数据，涵盖车辆行驶轨迹、速度、加速度、转向角度和刹车力度等方面，还有驾驶员踩油门、踩刹车、打方向盘等操作行为\cite{national2008integrated}。借助随机森林、支持向量机等机器学习算法，对驾驶行为数据开展分类与预测工作，识别危险驾驶行为模式。举例来说，经过分析能够发现，驾驶员在高速行驶时突然急刹车、急转弯这类行为易造成车辆失控，从而引发事故，又或者在跟车过程中车距过近且跟车速度过快，容易出现追尾事故\cite{sayer2009integrated}。 - -危险场景类别定义与参数设置: - -场景分类框架构建是基于数据驱动分析结果构建系统化危险场景分类框架，把危险场景按不同维度分类像按事故类型如追尾侧撞翻车等、道路类型如高速公路城市道路乡村道路等、天气条件如晴天雨天雪天等、交通状况如拥堵畅通等，并且为每一类危险场景设定具体参数和条件像车辆速度范围加速度范围转向角度范围车距范围等，比如在高速公路追尾场景中设定车辆初始速度为80 - 120km/h车距为10 - 20米加速度为 - 5 - 0m/s²等\cite{sayer2011integrated}。 - -仿真环境参数配置方面要使用CARLA等仿真软件，依据所定义的危险场景类别和参数来设置仿真环境里的各类参数，这些参数涵盖天气参数像雨量大小雪量大小雾浓度等情况、光照参数如太阳高度角光照强度等方面、道路参数例如路面材质摩擦系数等内容、交通密度参数诸如车辆数量行人数量等情形，以此来模拟真实世界当中的各种复杂条件 。例如，在模拟雨天追尾场景时，设置雨量为中雨，路面摩擦系数降低20\%，光照强度降低30\%等。 - -手动控制场景实现: - -用Python语言来编写脚本用于控制仿真环境里车辆和行人行为，在脚本里设定车辆初始位置、速度、加速度、转向角度等相关参数，同时设定行人行走路径、速度等这些参数，举例来说可以编写一个脚本让车辆在高速公路某一车道以100km/h速度行驶，之后在某一时刻让其突然急刹车，并且让另一辆车以更高速度从后方驶来以此模拟追尾场景\cite{benmimoun2011incident}。 - -初始状态配置工作要在仿真开始之前完成，需要把场景的初始状态都配置妥当，这里面涵盖车辆的初始位置、速度以及方向等内容，同时也包括行人的初始位置和速度等方面，要保证场景的初始状态能够符合所设定的危险场景类别以及相关参数要求，就像在模拟行人横穿马路这一场景的时候，要把行人初始位置设定在道路一侧的人行道上，将其速度设定为正常步行速度，并且把车辆初始位置设定在距离行人一定距离的道路上，把车辆速度设定为正常行驶速度\cite{benmimoun2014detection}。 - - -数据收集与效果量化: - -传感器数据采集指的是在仿真过程当中收集车辆传感器数据，涵盖速度、位置、加速度、转向角度以及刹车力度等内容，这些数据能够通过仿真软件所提供的 API 接口来获取，比如在 CARLA 里面可以利用车辆的传感器组件获取车辆实时数据\cite{石娟2017行人自动紧急制动系统测试评价方法研究}。 - -事件记录方面要记录仿真当中的关键事件，像碰撞、紧急制动以及车道偏离等情况，这些事件能够借助仿真软件的事件监听机制来达成，比如在CARLA这个仿真环境里，可以运用事件监听器对车辆的碰撞事件进行监听，并且记录下碰撞发生的具体时间、所在位置以及当时速度等相关信息。 - -评价指标设定方面要设定量化仿真效果的评价指标像碰撞率反应时间安全距离保持率等这些指标可用于评估生成的危险场景对自动驾驶系统的影响比如碰撞率。 - -数据分析就是运用统计方法对收集来的数据做分析，以此评估场景生成出来的效果，比如通过计算碰撞率的平均值以及标准差等统计量，来分析不同危险场景对自动驾驶系统的影响程度，又或者通过绘制反应时间的分布图，去了解自动驾驶系统在不同场景下的反应速度。 - -结果展示: - -通过图表来展示仿真结果，使用像Matplotlib、Seaborn这类数据可视化工具制作相关图表，例如绘制碰撞率随仿真时间变化的折线图，又或者绘制反应时间的直方图，以此直观地呈现仿真结果。 - -视频展示会进行仿真视频剪辑来直观呈现场景和车辆行为，比如把仿真过程里生成的对抗性场景录制成视频，用以展示车辆于复杂交通环境当中的行驶状况，还有自动驾驶系统在面临危险时的决策与控制过程。 - -场景实现与验证: - -API应用方面是使用CARLA API来开展场景脚本开发工作实现自动化场景生成过程，借助API调用可达成对车辆行人环境等方面的控制并实现对仿真过程监控与数据采集，仿真测试则是在仿真环境里测试场景以验证其合理性和挑战性，通过多次仿真测试来观察场景运行状况检查是否存在不合理或不符合预期的情况，要依据测试结果去调整场景参数优化场景设计，比如在测试行人横穿马路场景时要观察行人能否安全通过马路以及自动驾驶系统能否及时做出避让反应\cite{eigen2009problem} 。 - -仿真场景构建技术研究: - -研究综述部分是对场景自动构建方法开展研究综述工作，会总结目前存在的各类方法，比如基于规则的方法、基于数据驱动的方法以及基于模型的方法等，同时还会分析这些方法的优缺点和适用范围\cite{najm2003analysis}。 - -算法设计方面要设计出基于复杂度组合理论的测试场景生成算法，此算法通过组合不同的场景元素像车辆、行人、障碍物等以及参数如速度、位置等，进而生成具有不同复杂度的测试场景，之后在CARLA环境中实现并且测试该算法以验证其有效性\cite{najm2007pre}。 - -仿真测试技术研究: +在国内自动驾驶仿真测试场景生成的研究方面也取得一定的进展。清华大学智能驾驶技术团队提出一种基于风险评估的场景自动生成方法，在对真实交通流量进行详细分析的基础上，准确识别出危险事件并将其转化为虚拟场景；百度Apollo平台采用强化学习方法设计一种多层次动态场景生成方式，可以快速生成各种不同类型的测试场景；同济大学的研究人员使用生成对抗网络（GAN）的方法，在生成器和判别器相互学习的过程中，得到较为真实以及丰富多样的驾驶场景并且显著提高模型的鲁棒性和实用性。 -评价方法体系建立：建立智能驾驶系统测试评价方法体系，设计测试流程。该体系包括测试目标的设定、测试用例的选择、测试过程的执行、测试结果的分析等环节。 +在强化学习方面，北京理工大学研究小组基于深度Q网络（DQN），实现对前车紧急刹车、变道等危险交通情况再现以及对其相应行为进行分析；另一方面，浙江大学研究者对多智能体合作中产生问题进行研究，在此基础上利用多智能体优势策略梯度（PPO）算法改善多个虚拟车辆之间的协调性从而形成更为生动真实的交通互动\cite{zhou2026autonomous}。 -测试平台搭建方面要搭建仿真场景测试平台并执行大规模自动化测试，此平台能够实现对多个测试用例进行自动执行以及数据采集和结果分析从而提高测试效率和准确性\cite{苏江平2017基于中国危险工况的行人交通冲突典型场景提取与分析}。 +\subsection{国外研究现状} +国际上对自动驾驶仿真测试场景生成的研究起步较早，Intel Labs开发的Simulated Adversarial Testing (SAT)是基于强化学习的方法，在CARLA中生成可能导致车辆发生事故或者违反交通法规的情况；同时也有来自Stanford University的研究人员提出对抗性场景生成，他们使用深度强化学习的方法在连续的动作空间内寻找可能造成危险的主车和目标车之间的行驶路径。这都给后续工作的开展提供了一定的帮助。 +Waymo、Cruise等世界顶级自动驾驶企业均把场景生成技术列入重点发展计划。Waymo建立的开放型场景库虽然包含大量不同种类的交通情况，但是由于采用抽样的方式获得样本，所以不能够涵盖所有极端或者少见的情况。而麻省理工学院可信自动驾驶项目组利用Proximal Policy Optimization (PPO)来构造仿真实验室并进行比较发现这种方法对于发现系统的缺陷以及提高安全性比传统的随机搜索或者Deep Q-Network (DQN)更加有效\cite{guo2026spatial}。 +\subsection{研究综述} -\section{论文组织架构} +综合国内外研究现状，可以发现以下趋势与不足： -第一章 引言：本章从智能驾驶技术的发展背景与面临的挑战出发，着重阐述仿真测试在安全验证中的核心价值，通过深入分析传统道路测试在时间、成本、安全性及场景覆盖上的局限性，点明危险场景生成与优化研究的重要意义。系统梳理国内外相关研究现状，全面总结专家经验法、自然驾驶数据提取法、危险场景衍生法及强化学习自生成法的优缺点，精准指出当前研究存在的理论空白与技术瓶颈，在此基础上明确提出本文的研究目标与创新方向。 +目前的研究表明，强化学习已经显示出了解决自动驾驶场景生成问题的良好前景。以深度Q网络（DQN）、概率性策略梯度（PPO）为代表的算法，在离散以及连续动作空间下都取得良好效果并且已经应用于诸多真实项目之中。此外，如CARLA等模拟器也给这个领域研究者们带来了很大便利性和可行性。 -第二章 相关背景知识：该章详细介绍研究涉及的核心技术与理论框架，包括基于 CARLA 仿真平台与 Scenario Runner 工具的自动驾驶仿真技术，具体阐述其动态环境构建与场景自动化测试方法；深入讲解 NSGA-II 多目标优化算法的原理及其在危险场景筛选中的应用；解读 ISO 26262 标准下的 ASIL 安全等级分类体系，明确危险场景量化评估的具体规则，为后续研究奠定理论与技术基础。 +当前研究成果也存在诸多突出问题。大部分工作侧重单一算法性能分析，缺少对多个算法在同一环境中进行比较研究；对于场景生成多样性衡量指标，相关讨论较少，大多数论文仅关注风险级别分类问题，而忽视了应用场景本身复杂性和差异性。此外，关于统一化输出形式研究尚处于起步阶段，一些研究还未达到与OpenScenario等国际标准对接要求，从而造成数据共享困难并且给后续开发带来不便。 +\section{本文结构框架} +本文以问题提出→理论基础→基准实现→改进对比→总结展望为线索进行论述，共五章，各部分之间关系见图~\ref{img-1}。 +\begin{figure}[ht] + \centering + \includegraphics[width=0.8\textwidth]{figure_1.png} + \caption{论文结构框架图} + \label{img-1} +\end{figure} -第三章 危险仿真场景优化算法设计：本章提出基于 NSGA-II 的智能驾驶危险场景优化框架，设计包含环境配置、场景生成、仿真执行、优化筛选与安全评估的全流程闭环架构。定义动态耦合性、长尾性、环境敏感性等危险场景关键特征，构建涵盖车辆动力学、交通参与者交互、环境干扰等核心要素的多维场景参数模型，为危险场景的优化提供系统性的方法与模型支撑。 +第一章主要围绕极端驾驶场景生成对自动驾驶的重要性以及其理论基础进行阐述。同时对国内外有关研究进行总结归纳，指出现有研究存在的问题，例如算法评价指标单一性、缺乏多样性和数据规范化程度低等问题。结合以上内容提出本文的研究意义、目的及方法并搭建合理的研究思路以便更好地促进此方面的研究工作。 -第四章 场景生成实验与优化方法：此章介绍搭建 CARLA 仿真实验环境，并集成 ChatScene 动态场景生成与 ASIL-Gen 安全评估模块的过程，确定最小安全距离、碰撞时间 TTC、车头时距 THW 等危险场景特征参数及其阈值设定方法。通过对比 NSGA-II 与随机搜索算法的优化效果，设计混合优化策略，以有效提升场景多样性与高风险覆盖率，完善危险场景生成与优化的实践路径。 +第二章主要进行理论基础以及实验环境建设工作。对CARLA仿真平台技术实现方式和其场景生成方式进行介绍，同时结合OpenSCENARIO标准格式文件内容进行说明。随后总结强化学习相关知识，着重讲解了深度Q网络（DQN）、策略梯度方法（PPO）的工作机理、应用场景和各自的优点与不足，在此基础上对不同的极端交通状况进行了归纳总结，以便后面有针对性地设计具体实验方案。 -第五章 实验流程与验证：本章基于 ChatScene 框架实现自然语言驱动的动态场景生成，支持固定场景与自定义场景模式，利用 ASIL-Gen 模块完成场景自动化分类与风险评估。设计消融实验与超参数敏感性分析，通过科学严谨的实验设计，验证 NSGA-II 在 Pareto 前沿解集生成中的性能优势，确保研究成果的可靠性与有效性。 +第三章主要介绍一种基于深度强化学习（DRL）框架下极端驾驶场景生成器的设计与实现，以深度Q网络（DQN）作为核心算法对对抗式智能体进行研究。在状态空间中考虑目标车辆以及自身车辆之间的空间几何关系、两者之间相对速度、所在车道数等因素；在动作空间方面选取加速减速、转向和平移三种动作构成一个动作集。为了提高模型的效果同时也保证其有效性，在奖励函数中加入为了保护自身车辆的安全而设计的惩罚项，进而改进算法优化过程。利用CARLA模拟器展示生成场景并导出标准格式的数据集文件（例如.xosc），在此之上进行十个不同类型的极端驾驶情况测试来检查提出的方案是否可行以及有效。 -第六章 实验结果与分析：该章通过碰撞率、场景复杂度与 ASIL-D 等级占比等指标，定量对比 NSGA-II 与基准方法的优化效果，可视化展示 Pareto 前沿解集分布，深入分析高风险场景的动态特征。结合统计检验（Mann-Whitney U）与效应量分析，验证算法改进的显著性，从多维度、多方法对实验结果进行全面且深入的分析。 +第四章主要探讨使用Proximal Policy Optimization（PPO）算法生成极端驾驶情境以及对其评价的方法。由于传统的深度强化学习方法（例如Deep Q-Network, DQN等）难以处理具有连续动作空间并且有较大不确定性的决策问题，因此本文基于PPO进行改进来解决其应用于连续动作域的问题。文中设计了一种专门针对某类应用场合下的网络结构优化方案，并提出了一种新的可调节奖励设计思路，在此基础上还提出了一系列提高训练鲁棒性的技术手段。最后搭建一个一致的标准测试环境，在安全性（如最小碰撞距离、发生碰撞的概率）、场景丰富程度（如行为分布的一致性及覆盖区域的广泛性）以及生成速度上比较基于PPO算法得到对抗样本集与使用DQN的经典基线模型的优劣，从而证明该方法的有效性和实用性。 -第七章 总结与展望：本章总结研究成果，强调提出的融合动态场景生成与多目标优化的协同框架在提升高风险场景覆盖率与测试效率方面的显著成效。同时，对未来研究方向进行展望，包括深化多模态数据融合以增强场景真实性、扩展 ASIL 分类标准以纳入车路协同动态风险、探索轻量化模型与边缘计算技术推动实时在线安全评估，为后续研究指明方向。 +第五章 总结与展望。总结全文主要工作内容以及成果、创新之处，指出现有工作的不足并提出进一步的研究设想。 diff --git a/critical/undergraduate/images/figure_1.png b/critical/undergraduate/images/figure_1.png new file mode 100644 index 00000000..1ca19b41 Binary files /dev/null and b/critical/undergraduate/images/figure_1.png differ diff --git a/critical/undergraduate/images/figure_10.png b/critical/undergraduate/images/figure_10.png new file mode 100644 index 00000000..bd13702f Binary files /dev/null and b/critical/undergraduate/images/figure_10.png differ diff --git a/critical/undergraduate/images/figure_11.png b/critical/undergraduate/images/figure_11.png new file mode 100644 index 00000000..ed69a25b Binary files /dev/null and b/critical/undergraduate/images/figure_11.png differ diff --git a/critical/undergraduate/images/figure_12.png b/critical/undergraduate/images/figure_12.png new file mode 100644 index 00000000..21013de4 Binary files /dev/null and b/critical/undergraduate/images/figure_12.png differ diff --git a/critical/undergraduate/images/figure_13.png b/critical/undergraduate/images/figure_13.png new file mode 100644 index 00000000..496588da Binary files /dev/null and b/critical/undergraduate/images/figure_13.png differ diff --git a/critical/undergraduate/images/figure_14.png b/critical/undergraduate/images/figure_14.png new file mode 100644 index 00000000..36239707 Binary files /dev/null and b/critical/undergraduate/images/figure_14.png differ diff --git a/critical/undergraduate/images/figure_15.png b/critical/undergraduate/images/figure_15.png new file mode 100644 index 00000000..6e18ab95 Binary files /dev/null and b/critical/undergraduate/images/figure_15.png differ diff --git a/critical/undergraduate/images/figure_16.png b/critical/undergraduate/images/figure_16.png new file mode 100644 index 00000000..dc6eca0c Binary files /dev/null and b/critical/undergraduate/images/figure_16.png differ diff --git a/critical/undergraduate/images/figure_17.png b/critical/undergraduate/images/figure_17.png new file mode 100644 index 00000000..62a2a32a Binary files /dev/null and b/critical/undergraduate/images/figure_17.png differ diff --git a/critical/undergraduate/images/figure_18.png b/critical/undergraduate/images/figure_18.png new file mode 100644 index 00000000..873dc439 Binary files /dev/null and b/critical/undergraduate/images/figure_18.png differ diff --git a/critical/undergraduate/images/figure_19.png b/critical/undergraduate/images/figure_19.png new file mode 100644 index 00000000..ab7d04d9 Binary files /dev/null and b/critical/undergraduate/images/figure_19.png differ diff --git a/critical/undergraduate/images/figure_2.png b/critical/undergraduate/images/figure_2.png new file mode 100644 index 00000000..bfcfdec2 Binary files /dev/null and b/critical/undergraduate/images/figure_2.png differ diff --git a/critical/undergraduate/images/figure_20.png b/critical/undergraduate/images/figure_20.png new file mode 100644 index 00000000..d378e5ec Binary files /dev/null and b/critical/undergraduate/images/figure_20.png differ diff --git a/critical/undergraduate/images/figure_21.png b/critical/undergraduate/images/figure_21.png new file mode 100644 index 00000000..3d6de4e7 Binary files /dev/null and b/critical/undergraduate/images/figure_21.png differ diff --git a/critical/undergraduate/images/figure_22.png b/critical/undergraduate/images/figure_22.png new file mode 100644 index 00000000..c707520c Binary files /dev/null and b/critical/undergraduate/images/figure_22.png differ diff --git a/critical/undergraduate/images/figure_23.png b/critical/undergraduate/images/figure_23.png new file mode 100644 index 00000000..56ea1352 Binary files /dev/null and b/critical/undergraduate/images/figure_23.png differ diff --git a/critical/undergraduate/images/figure_24.png b/critical/undergraduate/images/figure_24.png new file mode 100644 index 00000000..4e953f6c Binary files /dev/null and b/critical/undergraduate/images/figure_24.png differ diff --git a/critical/undergraduate/images/figure_3.png b/critical/undergraduate/images/figure_3.png new file mode 100644 index 00000000..f8e941bb Binary files /dev/null and b/critical/undergraduate/images/figure_3.png differ diff --git a/critical/undergraduate/images/figure_4.png b/critical/undergraduate/images/figure_4.png new file mode 100644 index 00000000..9574d5ae Binary files /dev/null and b/critical/undergraduate/images/figure_4.png differ diff --git a/critical/undergraduate/images/figure_5.png b/critical/undergraduate/images/figure_5.png new file mode 100644 index 00000000..242e60a2 Binary files /dev/null and b/critical/undergraduate/images/figure_5.png differ diff --git a/critical/undergraduate/images/figure_6.png b/critical/undergraduate/images/figure_6.png new file mode 100644 index 00000000..e717267b Binary files /dev/null and b/critical/undergraduate/images/figure_6.png differ diff --git a/critical/undergraduate/images/figure_7.png b/critical/undergraduate/images/figure_7.png new file mode 100644 index 00000000..f38d181f Binary files /dev/null and b/critical/undergraduate/images/figure_7.png differ diff --git a/critical/undergraduate/images/figure_8.png b/critical/undergraduate/images/figure_8.png new file mode 100644 index 00000000..005fe63b Binary files /dev/null and b/critical/undergraduate/images/figure_8.png differ diff --git a/critical/undergraduate/images/figure_9.png b/critical/undergraduate/images/figure_9.png new file mode 100644 index 00000000..05037fe6 Binary files /dev/null and b/critical/undergraduate/images/figure_9.png differ