4、场景库构建：自然驾驶场景提取、法规标准场景（Euro NCAP、C-NCAP）、边缘场景与Corner Case设计
场景库，说白了就是ADAS算法的「考题集」。你算法再牛，没见过足够多的路况，上了车就是白搭。我这些年踩过的坑，十有八九都跟场景覆盖不全有关。今天咱们就把场景库的构建逻辑掰开揉碎，从自然驾驶到法规标准，再到那些让人头疼的Corner Case，一条条说清楚。
核心观点：场景库不是堆数据，而是「结构化」地覆盖真实世界。自然驾驶场景管「量」，法规场景管「底线」，Corner Case管「边界」。三者缺一不可。
4.1 自然驾驶场景提取：从海量数据里「淘金」
自然驾驶场景，就是真实道路上跑出来的数据。我见过不少团队，上来就攒了几百TB的路采数据，结果真正能用的场景不到5%。为什么？因为有效场景太稀疏了。
我个人习惯的做法是：先做「场景切片」，再做「聚类筛选」。
4.1.1 场景切片：把连续数据切成「事件片段」
原始数据是连续的，但算法关心的是「事件」。比如前车急刹、行人横穿、车道线消失。我们需要把这些事件从长数据流里切出来。
# 伪代码：基于触发条件的事件切片
def extract_scene(ego_vehicle_data, objects_data):
scenes = []
for timestamp in range(len(ego_vehicle_data)):
# 检测前车相对速度变化率
rel_speed_change = compute_rel_speed_change(timestamp)
if abs(rel_speed_change) > THRESHOLD:
# 切出前后各5秒的片段
scene = slice_data(timestamp - 5s, timestamp + 5s)
scenes.append(scene)
return scenes这里有个坑：阈值设得太低，切出一堆无效片段；设得太高，又漏掉关键场景。我曾经在一个项目中，把TTC（碰撞时间）阈值从3秒调到2秒，结果漏掉了好几个真正的危险场景。嗯，后来我学乖了——先做统计，看数据分布，再定阈值。
4.1.2 场景聚类：把相似的归到一起
切出来的场景可能有几万个，但很多是重复的。比如「前车匀速行驶」这种场景，你有一万个也没用。我们需要的是「多样性」。
我常用的聚类维度包括：
- 主车行为：直行、转弯、变道、加减速
- 目标物类型：车辆、行人、自行车、动物、障碍物
- 目标物行为：静止、匀速、加速、减速、横穿、逆行
- 环境条件：白天/夜晚、晴天/雨雪、直道/弯道、隧道/立交
把这些维度组合起来，就能形成一个「场景矩阵」。每个格子里的场景，挑几个代表性的就行，不用全要。
我的经验：自然驾驶场景的提取，重点不是「多」，而是「全」。我一般会保证每个场景格子里至少有10个样本，这样训练出来的模型才不会「偏科」。
4.2 法规标准场景：Euro NCAP与C-NCAP的「必考题」
法规场景，说白了就是「考试大纲」。你算法可以跑得慢，但法规场景必须过。Euro NCAP和C-NCAP是两大主流标准，我分别说说。
4.2.1 Euro NCAP场景：欧洲的「硬骨头」
Euro NCAP的测试场景，我做过不下50次。它的特点是「严苛」——尤其是对AEB（自动紧急制动）和LSS（车道保持）的要求。
几个典型场景：
- CCRs（Car-to-Car Rear Stationary）：前车静止，自车以不同速度接近。速度从20km/h到80km/h，逐级测试。
- CCRm（Car-to-Car Rear Moving）：前车以20km/h匀速行驶，自车以更高速度接近。这个场景考验的是「相对速度」的感知能力。
- CCRb（Car-to-Car Rear Braking）：前车突然刹车，自车跟随。这个场景的关键是「反应时间」——你算法必须在毫秒级做出决策。
- VRU（Vulnerable Road Users）：行人横穿、自行车斜穿、儿童突然冲出。这些场景对感知的「小目标检测」能力要求极高。
| 场景类型 | 测试速度范围 | 关键指标 | 我踩过的坑 |
|---|---|---|---|
| CCRs | 20-80 km/h | 避免碰撞的最高速度 | 雨天测试时，雷达反射变弱，误触发率飙升 |
| CCRm | 自车50-80 km/h，前车20 km/h | 相对速度感知精度 | 前车是白色货车时，视觉容易跟背景混在一起 |
| CCRb | 自车50 km/h，前车刹车减速度3-6 m/s² | 反应时间 < 500ms | 前车刹车灯不亮时，视觉系统反应慢了半拍 |
| VRU横穿 | 自车40-60 km/h，行人5-8 km/h | 小目标检测召回率 | 儿童身高1.2米以下，视觉模型经常漏检 |
注意：Euro NCAP 2023版新增了「摩托车目标」和「夜间测试」。如果你还在用旧版场景库，赶紧更新。我曾经因为没更新场景库，导致一个项目在NCAP测试中挂了，教训深刻。
4.2.2 C-NCAP场景：中国的「本土化」要求
C-NCAP跟Euro NCAP有相似之处，但也有明显的「中国特色」。
几个差异点：
- 二轮车场景：中国道路上电动车、摩托车比例极高。C-NCAP专门增加了「二轮车横穿」和「二轮车斜穿」场景。
- 复杂路口场景：中国城市路口普遍存在「人车混行」的情况。C-NCAP要求测试「路口左转/右转时，对横穿行人的避让」。
- 低速场景：中国拥堵路况多，C-NCAP对低速（10-30 km/h）下的AEB性能要求更细。
- 夜间场景：中国夜间行车比例高，C-NCAP 2024版新增了「夜间行人横穿」测试。
我个人建议：做中国市场的ADAS，C-NCAP场景库的权重应该比Euro NCAP更高。毕竟，你算法最终要在中国路上跑。
4.3 边缘场景与Corner Case设计：那些「万一」的情况
边缘场景和Corner Case，是区分「能用」和「好用」的分水岭。法规场景是「必答题」，Corner Case是「附加题」——但往往决定最终得分。
4.3.1 什么是边缘场景？
边缘场景，就是「不太常见但一旦发生就很危险」的情况。比如：
- 极端天气：大雾、暴雨、暴雪、沙尘暴。传感器性能会大幅下降。
- 特殊道路：无车道线的乡村路、积雪覆盖的路面、施工改道路段。
- 特殊目标：装载超长货物的卡车（货物伸出车尾）、低空飞行的无人机、突然窜出的动物。
- 传感器退化：摄像头被泥水遮挡、雷达被金属物体干扰、激光雷达在强阳光下过曝。
4.3.2 Corner Case设计：从「已知」推「未知」
Corner Case比边缘场景更极端。它往往是「理论上可能，但实际中极少发生」的情况。设计Corner Case，我有一套自己的方法论：
- 参数边界法：把场景参数（速度、距离、角度、光照等）推到极限值。比如：前车以200km/h高速接近？行人以15km/h跑步横穿？
- 组合爆炸法：把多个低概率事件组合在一起。比如：夜间 + 雨天 + 无车道线 + 对向远光灯 + 行人穿深色衣服。
- 逆向思维法：想想「什么情况会让我的算法崩溃？」。比如：两个行人并排走，其中一个突然蹲下？前车掉下来一个轮胎？
- 真实事故复盘：从交通事故数据库中提取「罕见但致命」的场景。我经常看NHTSA的事故报告，里面有很多灵感。
避坑指南：我曾经设计过一个Corner Case——「夜间高速上，前方卡车掉下一块帆布，帆布在空中展开，遮挡了自车摄像头」。当时团队都觉得这太极端了，没必要测。结果半年后，真实路测中还真遇到了类似情况。从那以后，我再也不敢轻视任何Corner Case。
4.4 场景库构建的「三三制」原则
说了这么多，总结一下我个人构建场景库的「三三制」原则：
- 30% 自然驾驶场景：保证场景的「广度」和「真实性」。
- 30% 法规标准场景：保证算法的「合规性」和「底线性能」。
- 40% 边缘场景与Corner Case：保证算法的「鲁棒性」和「安全性」。
为什么Corner Case占比最高？因为自然驾驶场景和法规场景，大家都能做到。真正拉开差距的，就是你对「极端情况」的处理能力。
最后说一句：场景库不是一次建完就完事的。随着算法迭代、传感器升级、法规更新，场景库也要持续维护。我每个季度都会做一次场景库的「健康检查」——看看哪些场景过时了，哪些场景需要补充。这活儿不轻松，但值得。