边聊安全 | 高效信息管理模块：支持自动驾驶安

支持自动驾驶安全的数据库的信息存储和处理模块

“预期功能安全”是指不存在不合理的由预期功能不足或者人员合理可预见的误用所导致的风险。实现这一目标需要符合行业标准，如ISO 21448，避免SOTIF相关的危害事件。

ISO 21448标准涵盖了感知、规划和控制系统的验证和确认，确保车辆在安全性和可靠性方面表现优异。尤其是规划算法的有效性，直接影响自动驾驶系统在复杂道路环境中的表现，因此需对其进行详细的验证与确认。

为此，我们基于ISO 21448标准，制定了一套针对规划算法的验证和确认的数据闭环方案。该方案的核心是建立并不断更新一个场景库，模拟各种驾驶情境，从而提升自动驾驶系统的决策能力，使其能够灵活应对多变的路况和交通动态。

在这套数据闭环方案中，自动驾驶系统的决策机制依赖于全面的场景测试和验证，实现高效的数据回收和再利用。为此，数据库的信息存储和处理模块发挥了不可或缺的作用。该模块不仅仅是海量场景数据的存储载体，更是支持实时数据分析、处理和反馈的基础设施。它能快速适应不断变化的算法需求和优化策略，确保自动驾驶系统在运行过程中能够获取最新、最完善的场景数据支持。

本文将深入探讨该数据库的信息存储和处理模块如何通过系统的设计和精准的信息处理策略，有效支持场景库的动态更新，从而持续增强自动驾驶功能的安全性和可靠性。其整体技术路线如图所示。

01.

数据库的信息存储和处理模块

该模块详细展示了数据的存储和处理流程，针对高速和非高速场景提供了全面且具体的技术路线，以确保在不同驾驶环境下的安全性和有效性。

数据存储和处理流程概述

数据收集

图标（1）：驾驶车辆传感器数据收集

● 从车辆端设备多维度收集传感器数据，包括图像（如摄像头拍摄的路面和周围环境）、视频流、雷达信号等。这些数据不仅捕捉到车辆的行驶状态，还包括环境的动态变化。

●除了基础的数据收集，还记录关键附加信息，例如GPS坐标、车辆速度、行驶方向、和拍摄时间，以全面反映车辆的实时性能和环境信息。

数据预处理

图标（2）：预处理

●收到的数据经过初步验证后，进行数据的拆分，形成可分析的数据集。

●在此步骤中，数据将经历清洗（去除噪声和异常值）、筛选（根据兴趣点过滤无关数据）、提取（选择具有特定特征的数据）以及标准化处理（确保格式一致性和数据统一性），从而提升数据的质量，确保后续分析的准确性。

高速场景处理

图标（4）：逻辑场景提取

●在预处理完成后，依据设定的筛选条件，系统从数据集中提取符合条件的特定数据片段。

●此过程中，进行对不同场景类型的关键参数分析，诸如速度、加速度、车与车之间的距离等，并评估这些参数的分布范围。这为后续模型的优化提供了必要的支持和依据。

非高速场景处理

图标（4）：提取和配置驾驶行为

●系统从车辆轨迹中提取出实际的行驶行为，结合速度分布特性，将这些信息赋予交通参与者，生产出更真实的交通流模型。

●这种方法使得模拟环境中的驾驶行为更贴近现实，便于后续的风险评估和行为分析。

图标（6）：配置搜索条件

●根据设定的成本函数，利用最优搜索算法快速锁定关键场景。这一过程可迅速找到影响驾驶安全性和效率的核心条件，从而提高数据处理的效率和效果。

图标（7）：关键场景生成

●基于前期的数据分析和提取，该模块可以生成大量的未知不安全场景，反映潜在的安全风险。这些场景为后续的测试和分析提供必要的基础数据，有助于训练和验证模型。

最终集成步骤

图标（8）：统一标准集成

●通过上述处理步骤，系统完成生成的测试用例（9）以确保符合行业标准，采用OpenDrive和OpenScenarios等格式进行存储。

●这种一致性存储策略确保在不同测试环境下生成的测试用例能够比较和应用，为自动驾驶技术的推广与验证提供可靠支持。

通过这种详细的数据存储和处理流程，本模块全面覆盖了高速和非高速场景，为自动驾驶系统的开发提供了系统化的技术路线图。该流程聚焦于数据的采集、预处理以及场景的提取与生成，从而为提升整车的安全性和智能化水平奠定了坚实的基础。

02.

高速场景分析

在自动驾驶技术的发展中，高速场景的研究尤为关键。这一部分将介绍高速场景的分类与处理流程，概述如何通过多个数据源为测试提供有效支撑。

此表展示了场景的分类，包括背景和参数设置，强调不同的场景类型和测试用例的关联性。

数据提取

在高速场景研究的初期，我们通过多个数据源来提取驾驶数据，包括自然驾驶数据（FOT）、航拍数据、驾驶数据和事件数据。这些数据为构建场景提供了坚实基础。

数据存储

提取的数据将被整合并存储于专用数据库中，这样可以确保数据的安全性与整合性，方便后续分析。

场景生成

根据提取的数据，我们将生成完整的场景空间，并使用OpenScenario文件格式保存，便于与其他系统进行交互。

测试与验证

生成的场景和测试概念将进行多种测试，包括场地测试、仿真测试和模型测试，以验证其可靠性和实用性。这些步骤共同支持自动驾驶系统的实际应用，保证其安全性和稳定性。

生成的测试用例格式如下：

03.

总结与展望

本文探讨了自动驾驶系统在复杂多变环境下确保安全性和可靠性的关键措施。通过建立全面的数据库信息存储和处理模块，我们能够有效支持场景库的动态更新，并持续提升自动驾驶系统的决策能力和适应性。

总结

数据闭环方案：通过对高速和非高速场景的系统分析，构建了一套高效的数据采集、预处理和场景生成流程。这不仅提高了数据的质量与可用性，还促进了自动驾驶技术的完善。

关键场景提取：关键场景的生成及测试用例的整合为后续的验证和风险评估提供了必要的数据支持，确保自动驾驶系统能够有效应对各种实际驾驶情境。

技术标准化：采用OpenDrive和OpenScenario等行业标准格式，保证了数据和测试用例的兼容性和可重复性，为进一步的系统验证和推广奠定了基础。

展望

持续优化与更新：随着技术的发展，数据库的信息存储和处理模块需要不断更新，以适应新的算法需求和驾驶场景的变化。在未来，可以考虑结合深度学习与大数据分析技术，提升数据处理的智能化水平。

跨系统协同：展望未来的自动驾驶测试，将会更多地与其他智能交通系统进行集成与协同，形成一个更加全面、智能的交通网络。需要建立开放的数据共享平台，以促进数据的互操作性和协同创新。

安全性与合规性：确保自动驾驶系统的安全性和合规性仍然是核心任务。未来的研究应集中在如何利用动态更新的数据支持实时的风险评估和决策优化，以应对复杂的道路环境和交通状况。

作者

边俊

磐时创始人/首席安全专家

汽车安全社区SASETECH发起人；智能网联预期功能安全工作组核心成员；国内最早从事汽车功能安全、预期功能安全的专家之一