基于自然驾驶的智能网联汽车典型场景采集及分析研究.pdf

汽车科技 /AUTO SCI-TECH2023年第5期1617doi:10.3969/j.issn.1005-2550.2023.05.003 收稿日期：2023-05-30*基金项目：广西科技重大专项资助项目（桂科 AA22068108）基于自然驾驶的智能网联汽车典型场景采集及分析研究*谢业军，覃甲春，吕越浩，王国权，付广（上汽通用五菱汽车股份有限公司，柳州 545027）摘 要：为了进行大规模自然驾驶场景数据的采集，本文首先分析了驾驶场景数据采集需求，选定了数据采集设备方案。接着，基于所开发的数据采集系统，制定了数据采集实施方案，共招募了60余驾驶员，进行了覆盖全国27个省份的自然驾驶数据采集工作，完成了50万公里数据的采集。最终，基于所采集的数据，开展包括数据采集整体情况、行车域场景、泊车域场景等智能网联汽车典型场景的数据统计分析。本文研究成果为后续的自动驾驶功能深入分析、对极端危险场景中驾驶员的行为分析奠定基础。关键词：智能网联汽车；自动驾驶；道路试验；自然驾驶；场景数据采集中图分类号：U463.6 文献标识码：A 文章编号：1005-2550（2023）05-0016-09Research on Typical Scenarios Collection and Analysis of Intelligent Connected Vehicle Based on Natural DrivingXIE Ye-jun,QIN Jia-chun,LV Yue-hao,WANG Guo-quan,FU Guang(SAIC GM Wuling Automobile CO.,Ltd,Liuzhou 545007,China)Abstract:In order to collect large-scale natural driving scenario data,firstly,this paper analyzes the requirements of driving scenario data collection,and selects the data collection equipment scheme.Then,based on the developed data collection system,the implementation plan of data collection is formulated,more than 60 drivers have been recruited to collect natural driving data covering 27 provinces nationwide,and 500,000 km of data have been collected.Finally,based on the collected data,data statistics and analysis of typical scenarios of ICV,including the overall situation of data collection,driving area scenario,parking area scenario,etc have been carried out.The research results of this paper lay the foundation for the further analysis of automatic driving function and the analysis of drivers behavior in extreme dangerous scenarios.Key Words:Intelligent Connected Vehicle(ICV);Automatic Driving;Road Test;Natural Driving;Scenario Data Collection谢业军毕业于武汉理工大学，硕士研究生学历，现就职于上汽通用五菱汽车股份有限公司，任智能驾驶测试及体验主管，中级工程师，主要研究方向为 ADAS 与自动驾驶测试验证，已发表文章包括基于切入工况的自适应巡航控制系统性能测试方法研究等。近年来，自动驾驶汽车技术的研发成为全球科技热点之一1-2。据美国IEEE预测，2040年全球75%的新款汽车都将是自动驾驶汽车。智能网联汽车是我国产业战略大方向，已列入国家战略规划。中国制造20253指出到2020年要掌握智能辅助驾驶总体技术及各项关键技术，初步建立智能网联汽车自主研发体系；2025年掌握自动驾驶总体技术及各项关键技术，建立较完善的智能网联汽车自主研发体系。发展自动驾驶汽车技术，无论是当前面临的技术挑战，还是驾驶模式的转变，都需要建立一种高效且可行的自动驾驶场景测试评价方法4，用于解决功能定义、技术开发、测试验证以及评价标准方面存在的问题，促进诞生更安全、更强大的自动驾驶产品。而场景是支撑自动驾驶汽车开发及测试评价技术的核心要素5，通过场景的解构与重构对自动驾驶汽车进行测试得到了广泛认可。在场景采集及分析领域，密歇根大学的Zhao等6将自然驾驶数据分为自由行驶、跟车行驶、变道、前车切入、前方通过人行横道和侧方通过自行车这6种不同的关键驾驶场景，并建立了TrafficeNet场景库。朱西产等7研究了前车安全切入场景下，自车五种典型的制动工况。郑彤等8提出了一套面向地下停车场的自动泊车功能数据采集与提取的技术方案和工具链，包括了硬件传感器搭建、感知算法开发和场景数据处理分析。中国汽车技术研究中心的刘生9在多款车型上搭建了多传感器融合的数据采集平台，其上搭载了单目视觉、双目视觉、激光雷达、毫米波雷达和高精度惯性导航系统等多种传感设备。综上可知，暂无同时覆盖自然驾驶行车、泊车等过程的场景数据采集相关的综合研究，而场景具有无限丰富、极其复杂和不确定性的特征，是静态特征（像道路、交通设施等）和动态特征（像交通流、气象，包括天气10、光照等这些因素）等方面多维融合11。正是由于场景对自动驾驶技术发展的重大意义，所以需要建立起一套自然驾驶12场景数据采集技术方案，以支撑自动驾驶场景数据库的建设。1 场景数据采集1.1 数据采集平台方案 场景数据采集是指利用多种传感器设备，采集并存储汽车在自然驾驶、泊车等过程中车辆周围的动态目标、静态目标及周围环境等场景信息13的过程。通过自动的方式实现行车、泊车过程中的视频数据、车辆CAN信号、毫米波雷达信号等数据的同步采集和实时显示。利用离线数据分析服务器对采集数据回放、参数标定以及多传感器数据融合处理14，便于后续进行统计分析，获取自动驾驶系统的典型场景。同时，平台设备还可以实现对视频数据和毫米波雷达数据的实时处理和融合，进而对障碍物和周围环境进行识别，为后期的自动驾驶测试奠定了良好的基础。1.1.1 数据采集平台技术要求1.1.1.1 传感器性能要求按照自动驾驶汽车场景数据采集内容、传感器探测视场、探测距离等需求，传感器采集数据应覆盖车体周围360，前方最远探测距离不小于150m，后方最远探测距离不小于80m，左右侧向探测距离不小于20m。（1）摄像头摄像头用于采集车辆周围环境有利于可见光识别的目标物、驾驶员的疲劳驾驶状态信息等，分为普通摄像头（相机）和多功能摄像头两种，而普通摄像头又分为车辆外部摄像头和车辆内部摄像头两种。车辆外部摄像头具有对行人、车辆、交通标志、车道线等目标较好的识别和记录能力，根据车辆传感器的配置不同，包括前视、后视和环视摄像头。前视和后视摄像头成像距离较远，应配置高分辨面阵和窄视场长焦镜头；环视摄像头成基于自然驾驶的智能网联汽车典型场景采集及分析研究*汽车科技 /AUTO SCI-TECH2023年第5期1617doi:10.3969/j.issn.1005-2550.2023.05.003 收稿日期：2023-05-30*基金项目：广西科技重大专项资助项目（桂科 AA22068108）基于自然驾驶的智能网联汽车典型场景采集及分析研究*谢业军，覃甲春，吕越浩，王国权，付广（上汽通用五菱汽车股份有限公司，柳州 545027）摘 要：为了进行大规模自然驾驶场景数据的采集，本文首先分析了驾驶场景数据采集需求，选定了数据采集设备方案。接着，基于所开发的数据采集系统，制定了数据采集实施方案，共招募了60余驾驶员，进行了覆盖全国27个省份的自然驾驶数据采集工作，完成了50万公里数据的采集。最终，基于所采集的数据，开展包括数据采集整体情况、行车域场景、泊车域场景等智能网联汽车典型场景的数据统计分析。本文研究成果为后续的自动驾驶功能深入分析、对极端危险场景中驾驶员的行为分析奠定基础。关键词：智能网联汽车；自动驾驶；道路试验；自然驾驶；场景数据采集中图分类号：U463.6 文献标识码：A 文章编号：1005-2550（2023）05-0016-09Research on Typical Scenarios Collection and Analysis of Intelligent Connected Vehicle Based on Natural DrivingXIE Ye-jun,QIN Jia-chun,LV Yue-hao,WANG Guo-quan,FU Guang(SAIC GM Wuling Automobile CO.,Ltd,Liuzhou 545007,China)Abstract:In order to collect large-scale natural driving scenario data,firstly,this paper analyzes the requirements of driving scenario data collection,and selects the data collection equipment scheme.Then,based on the developed data collection system,the implementation plan of data collection is formulated,more than 60 drivers have been recruited to collect natural driving data covering 27 provinces nationwide,and 500,000 km of data have been collected.Finally,based on the collected data,data statistics and analysis of typical scenarios of ICV,including the overall situation of data collection,driving area scenario,parking area scenario,etc have been carried out.The research results of this paper lay the foundation for the further analysis of automatic driving function and the analysis of drivers behavior in extreme dangerous scenarios.Key Words:Intelligent Connected Vehicle(ICV);Automatic Driving;Road Test;Natural Driving;Scenario Data Collection谢业军毕业于武汉理工大学，硕士研究生学历，现就职于上汽通用五菱汽车股份有限公司，任智能驾驶测试及体验主管，中级工程师，主要研究方向为 ADAS 与自动驾驶测试验证，已发表文章包括基于切入工况的自适应巡航控制系统性能测试方法研究等。近年来，自动驾驶汽车技术的研发成为全球科技热点之一1-2。据美国IEEE预测，2040年全球75%的新款汽车都将是自动驾驶汽车。智能网联汽车是我国产业战略大方向，已列入国家战略规划。中国制造20253指出到2020年要掌握智能辅助驾驶总体技术及各项关键技术，初步建立智能网联汽车自主研发体系；2025年掌握自动驾驶总体技术及各项关键技术，建立较完善的智能网联汽车自主研发体系。发展自动驾驶汽车技术，无论是当前面临的技术挑战，还是驾驶模式的转变，都需要建立一种高效且可行的自动驾驶场景测试评价方法4，用于解决功能定义、技术开发、测试验证以及评价标准方面存在的问题，促进诞生更安全、更强大的自动驾驶产品。而场景是支撑自动驾驶汽车开发及测试评价技术的核心要素5，通过场景的解构与重构对自动驾驶汽车进行测试得到了广泛认可。在场景采集及分析领域，密歇根大学的Zhao等6将自然驾驶数据分为自由行驶、跟车行驶、变道、前车切入、前方通过人行横道和侧方通过自行车这6种不同的关键驾驶场景，并建立了TrafficeNet场景库。朱西产等7研究了前车安全切入场景下，自车五种典型的制动工况。郑彤等8提出了一套面向地下停车场的自动泊车功能数据采集与提取的技术方案和工具链，包括了硬件传感器搭建、感知算法开发和场景数据处理分析。中国汽车技术研究中心的刘生9在多款车型上搭建了多传感器融合的数据采集平台，其上搭载了单目视觉、双目视觉、激光雷达、毫米波雷达和高精度惯性导航系统等多种传感设备。综上可知，暂无同时覆盖自然驾驶行车、泊车等过程的场景数据采集相关的综合研究，而场景具有无限丰富、极其复杂和不确定性的特征，是静态特征（像道路、交通设施等）和动态特征（像交通流、气象，包括天气10、光照等这些因素）等方面多维融合11。正是由于场景对自动驾驶技术发展的重大意义，所以需要建立起一套自然驾驶12场景数据采集技术方案，以支撑自动驾驶场景数据库的建设。1 场景数据采集1.1 数据采集平台方案 场景数据采集是指利用多种传感器设备，采集并存储汽车在自然驾驶、泊车等过程中车辆周围的动态目标、静态目标及周围环境等场景信息13的过程。通过自动的方式实现行车、泊车过程中的视频数据、车辆CAN信号、毫米波雷达信号等数据的同步采集和实时显示。利用离线数据分析服务器对采集数据回放、参数标定以及多传感器数据融合处理14，便于后续进行统计分析，获取自动驾驶系统的典型场景。同时，平台设备还可以实现对视频数据和毫米波雷达数据的实时处理和融合，进而对障碍物和周围环境进行识别，为后期的自动驾驶测试奠定了良好的基础。1.1.1 数据采集平台技术要求1.1.1.1 传感器性能要求按照自动驾驶汽车场景数据采集内容、传感器探测视场、探测距离等需求，传感器采集数据应覆盖车体周围360，前方最远探测距离不小于150m，后方最远探测距离不小于80m，左右侧向探测距离不小于20m。（1）摄像头摄像头用于采集车辆周围环境有利于可见光识别的目标物、驾驶员的疲劳驾驶状态信息等，分为普通摄像头（相机）和多功能摄像头两种，而普通摄像头又分为车辆外部摄像头和车辆内部摄像头两种。车辆外部摄像头具有对行人、车辆、交通标志、车道线等目标较好的识别和记录能力，根据车辆传感器的配置不同，包括前视、后视和环视摄像头。前视和后视摄像头成像距离较远，应配置高分辨面阵和窄视场长焦镜头；环视摄像头成基于自然驾驶的智能网联汽车典型场景采集及分析研究*汽车科技 /AUTO SCI-TECH2023年第5期1819像距离较近，使用中分辨面阵和宽视场短焦镜头。车辆内部的驾驶员信息采集包括两个监控画面，其一是与车辆、环境、背景相关的驾驶员眼睛、头部运动；其二是驾驶员与车辆的相互作用，以及其他驾驶员动作（如踩踏板、换档、打方向盘及移动电话使用等）。数据采集的内容包括事件的发生时刻、驾驶员危险驾驶（如分心、疲劳、不良情绪等）图像、驾驶员视线方向图像、对事件预先意识和发生事件后的反应图像等。多功能摄像头采用的是Mobileye摄像头，可标记出前方的车道线、目标物体及行人的距离、大小、类别、速度、加速度、道路指示牌、偏离预警信号、碰撞预警信号、速度信息等场景数据；其识别距离150m，纵向距离识别误差小于10%。（2）毫米波雷达毫米波雷达用于采集车辆前方、后方和侧向运动目标的位置和运动速度，以及毫米波易于识别的静态目标。毫米波雷达通过向外发送无线电波探测目标，是一种可全天时工作的主动传感器，毫米波雷达具有探测范围广、环境干扰小、成本低等特点。目前车载毫米波雷达主要有24 GHz和77GHz两种产品，根据场景数据采集的不同要求，采集车辆前向、后向数据采用的是77GHz毫米波雷达，采集车辆侧向数据采用的是24GHz毫米波雷达。（3）定位系统定位系统用于获取汽车的实时位置和运动轨迹，通过定位系统可以计算得到不同传感器采集目标的全局空间坐标或地图坐标。目前通用的定位系统以GPS为主，与GLONASS形成组合导航定位系统。1.1.1.2 上位机软系统要求上位机主要用于对车辆集成传感器的集成控制、收发指令、数据采集和存储等方面。上位机采用工控机，并与车辆的多传感器集成应用，多传感器集成对工控机的数据处理、传输与存储有较高要求。上位机需要具备高可靠性的辅助驾驶、自动驾驶系统实车道路测试、评价系统；在道路试验过程中，可帮助道路试验工程师发现各类被测系统的适应性、稳定性和可靠性等问题。其可广泛应用于车道偏离预警（LDW）、车道保持辅助（LKA）、盲区监测（BSD）、前向碰撞预警（FCW）、自动紧急制动（AEB）、自适应巡航控制（ACC）等先进驾驶辅助驾驶系统（ADAS）15以及自动驾驶系统的实车道路测试。图1为上位机数据采集系统组成结构图。图1 数据采集系统组成结构图1.1.1.3 数据存储要求数据存储应满足以下要求：1）1T固态硬盘，可插拔式；2）同步保存连续数据（总线、音视频、GPS、模拟量/数字量、以太网、串口等）；3）数据存储格式：.asc（总线数据）、.txt（GPS、环境数据）、.wav（音频）、.avi（视频）；4）记录事件发生时刻的时间点，并在连续数据中标记时间戳。1.1.2 数据采集平台方案对比与选定基于以上数据采集平台设备技术要求，为保证场景数据采集的完整性，需进行车身周围360的环境信息的精确感知，最终选定如下的数据采集平台方案：6摄像头+6毫米波雷达+1 Mobileye融合方案。本融合方案主要由6个摄像头、6个毫米波雷达、1个Mobileye摄像头组成，其中，前视、后视及左右两侧共布置有6个毫米波雷达，用于测量车辆后方及左右两侧的障碍物距离及速度。车辆共安装有6个摄像头，可识别车辆360周围环境中的不同的物体，包括车辆（乘用车、商用车、卡车、公交车、摩托车等）、行人、车道线、标识牌等，在物体高度与宽度测量精度、车道线识别、行人识别准确度方面有优势。此外，车辆前视方向上安装有一个Mobileye摄像头，可用于标记车道线、目标物体距离、大小、角度信息。通过对毫米波雷达、Mobileye以及摄像头的数据融合，可以精确识别车辆周边环境中的目标物信息，可以为典型工况的数据提取、场景搭建以及自动驾驶研究奠定良好的基础。本方案传感器覆盖范围示意图如下图2所示：图2 6摄像头+6毫米波雷达+1Mobileye融合方案示意图1.2 数据采集实施方案1.2.1 数据采集任务规划根据预先设计或预期的采集场景的要素需求，规划数据采集大体区域、各类型道路拟采集里程配比及数据采集车辆的具体行进路线，以从多个地方采集海量的场景数据16；同时拟定采集任务的周期、预算、任务分工，选定数据采集设备方案及车辆型号。（1）任务规划基本原则数据采集任务规划应遵循如下基本原则：1）按照场景需求，确定数据采集的气象条件（晴天、阴天、雨天等）是否符合要求；2）按照场景需求，确定数据采集的季节（春、夏、秋、冬）是否符合要求；3）按照场景需求，确定数据采集的时间周期（如早中晚、周末或工作日）是否符合要求；4）确定数据采集时段路上的车辆、人流等（上下班、正常情况）是否符合场景要求；5）按照场景分类，确定数据采集在高速道路、城市道路、园区道路等不同类型道路上采集的场景数据量。（2）采集区域选择若场景数据需求方有指定的采集区域，则在指定区域采集；若场景数据需求方无指定的采集区域，则需利用地图分布选择拟采集场景数据的区域，对采集区域的地形、气候、交通信号进行调研，并分析是否符合数据采集需求。（3）重点路段选择和标注结合搜集的相关资料，如不同时段交通情况、交通信号、路面情况等，在选择的场景数据采集区域标注重点采集路段和预期的采集场景，作为数据采集时的必经路段或重复采集路段。（4）数据采集路线规划利用地图查找到拟采集场景数据的区域后，结合地图显示的影像图、线划图及交通信息，选择场景数据采集区域进入点，规划车辆的行进路线、行进速度、数据采集起点和数据采集终点，直到规划完所有的数据采集路线，并估算数据采集的工作量，既数据采集累计时间。路线规划示例（西南线）如下图3所示：图3 路线规划示例（西南线）（5）数据采集设备相关任务规划数据采集设备相关任务主要包括设备选型、安装调试、日常监测维护、拆除及存管、车辆选型等。1.2.2 数据采集资源筹备根据数据采集任务规划进行人员筹备、设备安装、采集车辆筹备、存储数据设备，确保资源的合理分配，保证数据采集工作的进行。同时，根据采集任务对数据采集作业人员数量、年龄、驾龄、性别、身体状况、综合条件等的要求，进行招聘、面试及实车路试。对通过面试的人员进行驾驶风格调查，由测试工程师带领数据采集作业人员进行岗前培训，包括数据采集任务要求、前向毫米波雷达 远程10，250m近程80，70mMobileye36，150m前视相机52，120m后向摄像头112，50m侧方前向相机112，50m侧方后向相机112，50m基于自然驾驶的智能网联汽车典型场景采集及分析研究*汽车科技 /AUTO SCI-TECH2023年第5期1819像距离较近，使用中分辨面阵和宽视场短焦镜头。车辆内部的驾驶员信息采集包括两个监控画面，其一是与车辆、环境、背景相关的驾驶员眼睛、头部运动；其二是驾驶员与车辆的相互作用，以及其他驾驶员动作（如踩踏板、换档、打方向盘及移动电话使用等）。数据采集的内容包括事件的发生时刻、驾驶员危险驾驶（如分心、疲劳、不良情绪等）图像、驾驶员视线方向图像、对事件预先意识和发生事件后的反应图像等。多功能摄像头采用的是Mobileye摄像头，可标记出前方的车道线、目标物体及行人的距离、大小、类别、速度、加速度、道路指示牌、偏离预警信号、碰撞预警信号、速度信息等场景数据；其识别距离150m，纵向距离识别误差小于10%。（2）毫米波雷达毫米波雷达用于采集车辆前方、后方和侧向运动目标的位置和运动速度，以及毫米波易于识别的静态目标。毫米波雷达通过向外发送无线电波探测目标，是一种可全天时工作的主动传感器，毫米波雷达具有探测范围广、环境干扰小、成本低等特点。目前车载毫米波雷达主要有24 GHz和77GHz两种产品，根据场景数据采集的不同要求，采集车辆前向、后向数据采用的是77GHz毫米波雷达，采集车辆侧向数据采用的是24GHz毫米波雷达。（3）定位系统定位系统用于获取汽车的实时位置和运动轨迹，通过定位系统可以计算得到不同传感器采集目标的全局空间坐标或地图坐标。目前通用的定位系统以GPS为主，与GLONASS形成组合导航定位系统。1.1.1.2 上位机软系统要求上位机主要用于对车辆集成传感器的集成控制、收发指令、数据采集和存储等方面。上位机采用工控机，并与车辆的多传感器集成应用，多传感器集成对工控机的数据处理、传输与存储有较高要求。上位机需要具备高可靠性的辅助驾驶、自动驾驶系统实车道路测试、评价系统；在道路试验过程中，可帮助道路试验工程师发现各类被测系统的适应性、稳定性和可靠性等问题。其可广泛应用于车道偏离预警（LDW）、车道保持辅助（LKA）、盲区监测（BSD）、前向碰撞预警（FCW）、自动紧急制动（AEB）、自适应巡航控制（ACC）等先进驾驶辅助驾驶系统（ADAS）15以及自动驾驶系统的实车道路测试。图1为上位机数据采集系统组成结构图。图1 数据采集系统组成结构图1.1.1.3 数据存储要求数据存储应满足以下要求：1）1T固态硬盘，可插拔式；2）同步保存连续数据（总线、音视频、GPS、模拟量/数字量、以太网、串口等）；3）数据存储格式：.asc（总线数据）、.txt（GPS、环境数据）、.wav（音频）、.avi（视频）；4）记录事件发生时刻的时间点，并在连续数据中标记时间戳。1.1.2 数据采集平台方案对比与选定基于以上数据采集平台设备技术要求，为保证场景数据采集的完整性，需进行车身周围360的环境信息的精确感知，最终选定如下的数据采集平台方案：6摄像头+6毫米波雷达+1 Mobileye融合方案。本融合方案主要由6个摄像头、6个毫米波雷达、1个Mobileye摄像头组成，其中，前视、后视及左右两侧共布置有6个毫米波雷达，用于测量车辆后方及左右两侧的障碍物距离及速度。车辆共安装有6个摄像头，可识别车辆360周围环境中的不同的物体，包括车辆（乘用车、商用车、卡车、公交车、摩托车等）、行人、车道线、标识牌等，在物体高度与宽度测量精度、车道线识别、行人识别准确度方面有优势。此外，车辆前视方向上安装有一个Mobileye摄像头，可用于标记车道线、目标物体距离、大小、角度信息。通过对毫米波雷达、Mobileye以及摄像头的数据融合，可以精确识别车辆周边环境中的目标物信息，可以为典型工况的数据提取、场景搭建以及自动驾驶研究奠定良好的基础。本方案传感器覆盖范围示意图如下图2所示：图2 6摄像头+6毫米波雷达+1Mobileye融合方案示意图1.2 数据采集实施方案1.2.1 数据采集任务规划根据预先设计或预期的采集场景的要素需求，规划数据采集大体区域、各类型道路拟采集里程配比及数据采集车辆的具体行进路线，以从多个地方采集海量的场景数据16；同时拟定采集任务的周期、预算、任务分工，选定数据采集设备方案及车辆型号。（1）任务规划基本原则数据采集任务规划应遵循如下基本原则：1）按照场景需求，确定数据采集的气象条件（晴天、阴天、雨天等）是否符合要求；2）按照场景需求，确定数据采集的季节（春、夏、秋、冬）是否符合要求；3）按照场景需求，确定数据采集的时间周期（如早中晚、周末或工作日）是否符合要求；4）确定数据采集时段路上的车辆、人流等（上下班、正常情况）是否符合场景要求；5）按照场景分类，确定数据采集在高速道路、城市道路、园区道路等不同类型道路上采集的场景数据量。（2）采集区域选择若场景数据需求方有指定的采集区域，则在指定区域采集；若场景数据需求方无指定的采集区域，则需利用地图分布选择拟采集场景数据的区域，对采集区域的地形、气候、交通信号进行调研，并分析是否符合数据采集需求。（3）重点路段选择和标注结合搜集的相关资料，如不同时段交通情况、交通信号、路面情况等，在选择的场景数据采集区域标注重点采集路段和预期的采集场景，作为数据采集时的必经路段或重复采集路段。（4）数据采集路线规划利用地图查找到拟采集场景数据的区域后，结合地图显示的影像图、线划图及交通信息，选择场景数据采集区域进入点，规划车辆的行进路线、行进速度、数据采集起点和数据采集终点，直到规划完所有的数据采集路线，并估算数据采集的工作量，既数据采集累计时间。路线规划示例（西南线）如下图3所示：图3 路线规划示例（西南线）（5）数据采集设备相关任务规划数据采集设备相关任务主要包括设备选型、安装调试、日常监测维护、拆除及存管、车辆选型等。1.2.2 数据采集资源筹备根据数据采集任务规划进行人员筹备、设备安装、采集车辆筹备、存储数据设备，确保资源的合理分配，保证数据采集工作的进行。同时，根据采集任务对数据采集作业人员数量、年龄、驾龄、性别、身体状况、综合条件等的要求，进行招聘、面试及实车路试。对通过面试的人员进行驾驶风格调查，由测试工程师带领数据采集作业人员进行岗前培训，包括数据采集任务要求、前向毫米波雷达 远程10，250m近程80，70mMobileye36，150m前视相机52，120m后向摄像头112，50m侧方前向相机112，50m侧方后向相机112，50m基于自然驾驶的智能网联汽车典型场景采集及分析研究*汽车科技 /AUTO SCI-TECH2023年第5期2021采集作业规范、设备维护及异常上报、作业过程中突发情况应急预案等。1.2.3 数据采集实施开展场景数据采集时，驾驶员和运营管理人员需要相互配合。驾驶员按照规划线路驾驶车辆进行数据采集，并及时向运营管理人员反馈在采集过程中各类问题，并进行日常维护采集设备。运营管理人员解决并记录采集过程问题，保证采集工作的开展，为后续采集工作的优化提供一定的基础；记录过程中产生的费用，做好成本把控，为数据采集工作预算提供参考。1.2.4 数据回传及质量核查随车测试人员在数据采集过程中按照在途回传和收车回传的原则将采集的原始数据进行回传，运营管理人员及时将回传的数据进行质量核查，及时解决采集过程中隐患问题，避免无效作业并保证设备的正常运行，提高数据采集效率。1.2.5 数据存储及管理运营管理人员在将采集的原始数据进行质量核查之后，将合格的原始数据进行数据转移，并将存储原始数据的设备进行规范化的管理，保证原始数据的完整性。数据采集测试人员在完成周期性数据采集任务后，会收集大量的自然驾驶原始数据，运营管理人员在对自然驾驶原始数据存储前，会对数据进行首次数据处理，数据处理及存储的流程为：原始自然驾驶数据验证；数据标记；数据离线处理；数据存储。完成数据处理及存储流程后的原始数据，才是符合标准、有效的原始数据。2 数据采集结果概述自项目开展以来，在全国范围内累计使用30余辆采集车进行作业，涵盖驾驶员60余人次，覆盖了中国绝大部分地区和主要城市，并对高速道路和主要城市道路进行了重点采集，已经完成50万公里自然驾驶数据采集。数据采集车辆每日作业不超过12小时，单人连续驾驶车辆时间不超过3小时，为确保数据采集作业的平稳运行，采取的驾驶员方案为每一辆数据采集车辆配置两人，一人驾驶车辆而另一人休息并协助驾驶员观察路况。为保证数据的多样性，驾驶员每两个月进行一次轮换。下面对数据采集整体情况、行车域场景、泊车域场景等的数据统计分析展开描述。2.1 场景数据采集结果分析2.1.1 驾驶员组成统计分析开始阶段在进行驾驶员选择时，优先选择驾龄高的、驾驶经验丰富的驾驶员，而在之后的自然驾驶原始数据采集规划中，为增加驾驶员的代表性，充分采集普通驾驶员驾车的行为特征，虽然每一辆采集车辆仍是配置两人，但是会考虑部分采用累计驾驶里程在3万公里以内的新手司机，以及配置一定比例的女性司机，采集女性驾驶员驾车行为特征，丰富自然驾驶原始数据库17。目前已累计有60余人次进行数据采集作业，其中，男性占比93.94%，女性占比6.06%。在各个年龄段分布方面，2030岁之间驾驶员占比为30.30%，3040岁之间驾驶员占比为40.91%，4050岁之间驾驶员占比为22.73%，5055岁之间驾驶员占比为6.06%。驾驶员性别和年龄组成的统计分析如下图4所示：图4 驾驶员性别和年组成统计2.1.2 采集区域统计分析目前已完成50万公里自然驾驶数据采集，其中，区域覆盖中国东北地区、华北地区、华中地区、华南地区、西南地区、西北地区等，并对部分主要城市进行了重点采集。下图5为已采集区域的分布和占比情况。图5 已采集区域的分布和占比情况统计2.1.3 道路类型统计分析在进行各类型道路比例规划时，是根据2016年中国汽车工程学会发布的中国智能网联汽车技术路线图18，技术路线图中计划在2020年开始在高速道路工况下实现自动驾驶的3级驾驶自动化（有条件自动驾驶）19的推广，所以目前采集重点为高速道路采集。所有采集数据中，高速占比36.5%，国/省道占比33.8%，城市道路占比27%，其他道路占比2.7%，其他道路主要包括乡村道路、无明显交通标识等道路。下图6为已采集的道路类型占比情况。图6 道路类型占比情况统计2.1.4 道路交叉口统计分析道路场景数据采集结果表明：在所有的道路交叉口中，十字交叉口的比例最高，占总数的64%；其次为T型交叉口，占总数的30%；此外，环形交叉口占总数的2%，多种组合形式的交叉口占1%，这两种属于低占比的特殊道路交叉口，实际道路驾驶中遇到的概率较低。建议在自动驾驶功能开发中，重点关注并提升十字交叉口和T型交叉口的驾乘体验。下图7为已采集的道路交叉口占比情况。图7 道路交叉口占比情况统计2.1.5 天气状况统计分析在采集过程中的天气状况主要分为：晴天、雾天、雨天、阴天等，其中，晴天占比38%，雨天占比32%，阴天占比27%，雾天占比2%。下图8为已采集的天气状况占比情况。图8 天气状况占比情况统计2.2 行车域典型场景2.2.1 主车速度分布统计分析在采集的全部道路中，主车速度在基本集中分布在30100km/h，其中，在3045km/h、80100km/h出现了两次峰值区间，说明了在这两个速度值下的行驶占比较大，这与高速道路、城市道路区域行驶的占比成正相关，这种现象的发生可能与行驶道路特征、交通环境特征及驾驶员特性相关。建议在做自动驾驶功能开发时，需要重点关注打造这两个速度区间的驾乘体验。下图9为已采集的主车速度占比情况。图9 主车速度分布统计2.2.2 车道情况统计分析在进行场景数据采集的过程中，针对中国高速道路的车道情况作了重点采集，结果表明：在车道数分布方面，2车道占比超过50%，4车道次之，5车道及以上的几乎没有；在车道线异常情况分布方面，比例最高的为车道线模糊，车道线混叠和中断也有较大的占比，还有一些道路存在无车道线的情况。车道线异常情况给自动驾驶功能的视觉算法开发、横向控制功能开发等带来了一定的难度，需要重点关注此类特殊场景。下图10为已采集的中国高速道路车道占比情况。基于自然驾驶的智能网联汽车典型场景采集及分析研究*汽车科技 /AUTO SCI-TECH2023年第5期2021采集作业规范、设备维护及异常上报、作业过程中突发情况应急预案等。1.2.3 数据采集实施开展场景数据采集时，驾驶员和运营管理人员需要相互配合。驾驶员按照规划线路驾驶车辆进行数据采集，并及时向运营管理人员反馈在采集过程中各类问题，并进行日常维护采集设备。运营管理人员解决并记录采集过程问题，保证采集工作的开展，为后续采集工作的优化提供一定的基础；记录过程中产生的费用，做好成本把控，为数据采集工作预算提供参考。1.2.4 数据回传及质量核查随车测试人员在数据采集过程中按照在途回传和收车回传的原则将采集的原始数据进行回传，运营管理人员及时将回传的数据进行质量核查，及时解决采集过程中隐患问题，避免无效作业并保证设备的正常运行，提高数据采集效率。1.2.5 数据存储及管理运营管理人员在将采集的原始数据进行质量核查之后，将合格的原始数据进行数据转移，并将存储原始数据的设备进行规范化的管理，保证原始数据的完整性。数据采集测试人员在完成周期性数据采集任务后，会收集大量的自然驾驶原始数据，运营管理人员在对自然驾驶原始数据存储前，会对数据进行首次数据处理，数据处理及存储的流程为：原始自然驾驶数据验证；数据标记；数据离线处理；数据存储。完成数据处理及存储流程后的原始数据，才是符合标准、有效的原始数据。2 数据采集结果概述自项目开展以来，在全国范围内累计使用30余辆采集车进行作业，涵盖驾驶员60余人次，覆盖了中国绝大部分地区和主要城市，并对高速道路和主要城市道路进行了重点采集，已经完成50万公里自然驾驶数据采集。数据采集车辆每日作业不超过12小时，单人连续驾驶车辆时间不超过3小时，为确保数据采集作业的平稳运行，采取的驾驶员方案为每一辆数据采集车辆配置两人，一人驾驶车辆而另一人休息并协助驾驶员观察路况。为保证数据的多样性，驾驶员每两个月进行一次轮换。下面对数据采