2、场景分类体系：自然驾驶场景、法规场景、事故场景、边缘场景
场景分类这件事，说实话，是搭建仿真测试场景库的「地基」。地基没打好，后面盖多少楼都是危房。我个人习惯把场景分成四大类：自然驾驶场景、法规场景、事故场景、边缘场景。这四类各有各的用处，缺一不可。
2.1 自然驾驶场景：最真实的「路况复刻」
自然驾驶场景，说白了就是把真实道路上采集到的数据，直接拿来用。你想想看，一辆车装了摄像头、雷达、GPS，在城里跑上几百公里，记录下来的所有交通参与者行为、道路结构、天气变化，这就是自然驾驶场景。
它的核心价值是什么？ 覆盖日常驾驶中 99% 的「正常情况」。比如前车匀速行驶、变道、红绿灯启停、行人过马路等等。这些场景虽然看起来平淡无奇，但它们是验证 ADAS 系统「基本功能是否正常」的试金石。
关键点： 自然驾驶场景的「量」很重要。我建议至少采集 1000 小时以上的真实路测数据，才能覆盖到足够多的道路类型和交通流特征。
我在项目中遇到过一个问题：某团队用了一套只有 200 小时的自然驾驶数据做训练，结果系统在高速匝道汇入场景下频繁误判。为什么？因为那 200 小时的数据里，匝道场景只出现了 3 次，样本太少。后来我们补采了 500 小时的匝道专项数据，问题才解决。
自然驾驶场景的构建，通常分三步：
- 数据采集：用采集车跑遍目标区域，记录传感器原始数据。
- 数据标注：把每一帧里的车辆、行人、车道线、交通标志都标出来。
- 场景提取：从连续数据流中切出有意义的片段，比如「前车急刹」「旁车切入」。
我的小技巧： 标注时别只标「车」和「人」。把「摩托车」「自行车」「三轮车」也单独标出来。我曾经因为没标摩托车，导致系统在东南亚市场把摩托车当成了「快速移动的噪声」，直接过滤掉了——后果可想而知。
2.2 法规场景：拿不到「及格证」就别想上路
法规场景，就是各国政府、第三方机构强制要求测试的场景。比如中国的 C-NCAP、欧洲的 Euro NCAP、美国的 FMVSS。这些场景是「必考题」，不过关，车就不能上市。
法规场景的特点是：标准化、可重复、有明确的通过标准。比如 Euro NCAP 的 AEB 测试，要求车辆以 50 km/h 的速度接近静止目标车，必须在碰撞前完全刹停。少 1 km/h 都不行。
| 法规来源 | 典型场景 | 测试条件 |
|---|---|---|
| Euro NCAP | AEB 车对车（CCRs） | 目标车静止，自车 20-80 km/h |
| C-NCAP | AEB 车对行人 | 行人横穿，自车 20-60 km/h |
| FMVSS 127 | 自动紧急制动 | 目标车静止，自车 40 km/h |
| ISO 26262 | 功能安全相关场景 | 系统故障注入测试 |
嗯，这里要注意：法规场景虽然重要，但它只覆盖了「极小一部分」危险情况。你想想看，Euro NCAP 的 AEB 测试场景一共才十几个，而真实道路上的危险场景成千上万。所以，法规场景是「底线」，不是「全部」。
避坑指南： 我曾经见过一个团队，把所有精力都花在过法规测试上，结果法规测试全满分，但用户反馈说「这车在小区里老是误刹车」。为什么？因为法规场景里没有「小区窄路、两边停满车、小孩突然跑出来」这种场景。所以，法规场景必须和自然驾驶场景配合使用。
2.3 事故场景：从「血的教训」中学习
事故场景，就是从真实交通事故数据库中提取出来的场景。比如美国的 NHTSA 数据库、中国的交通事故深度调查数据库。这些场景的特点是：罕见但致命。
为什么要用事故场景？因为自然驾驶场景里几乎看不到事故——你开 10 万公里可能都遇不到一次。但 ADAS 系统恰恰需要在事故发生时发挥作用。所以，我们必须把历史上发生过的事故「复现」到仿真环境里。
事故场景的构建，我一般分四步：
- 事故数据获取：从公开数据库或合作方获取事故记录。
- 事故重建：根据事故报告中的车速、轨迹、道路信息，在仿真软件里重建事故过程。
- 参数化变体：把事故场景参数化，比如改变车速、角度、光照条件，生成一系列变体。
- 注入测试：把变体场景输入给 ADAS 系统，看它能否避免或减轻事故。
一个真实案例： 我记得有一次，我们从 NHTSA 数据库里提取了一个「夜间、雨天、行人穿深色衣服横穿高速」的事故场景。把这个场景注入到系统后，发现系统的行人检测模型在低光照+雨滴噪声下，漏检率高达 40%。后来我们专门针对这类场景做了数据增强，才把漏检率降到 5% 以下。
事故场景的难点在于「数据稀缺」。很多事故数据库不对外开放，或者数据质量参差不齐。我的建议是：优先关注高频致命事故类型，比如「十字路口侧碰」「追尾」「行人横穿」。别想着覆盖所有事故类型，那不现实。
2.4 边缘场景：专门「刁难」系统的场景
边缘场景，也叫 Corner Case。就是那些「理论上可能发生，但概率极低」的场景。比如：
- 一辆卡车侧面挂满了圣诞树，树梢伸到相邻车道
- 路面上有一个巨大的坑，但坑里积满了水，看起来像路面
- 一群羊突然从山坡上冲下来，横穿公路
你可能会笑，觉得这些场景太离谱。但我告诉你，这些场景在真实路测中都出现过。而且，边缘场景是检验 ADAS 系统「鲁棒性」的终极试金石。
为什么？因为深度学习模型对「没见过的东西」天生不擅长。你训练集里全是普通轿车，突然来一辆贴满广告的厢式货车，模型可能就认不出来了。边缘场景就是专门找这些「模型盲区」的。
我的经验： 构建边缘场景时，别只靠人工想。我建议用「对抗生成网络（GAN）」自动生成边缘场景。比如，把正常场景中的车辆纹理替换成迷彩、镜面、甚至透明材质，看模型还能不能检测到。我曾经用这个方法，在一个量产项目上线前发现了 7 个严重漏检问题。
边缘场景的构建方法，我总结了三类：
- 组合变异：把正常场景中的元素随机组合，比如「雨天+夜间+逆光+行人撑伞」。
- 传感器故障模拟：模拟摄像头被泥巴遮挡、雷达被强电磁干扰、GPS 信号丢失等情况。
- 罕见物体注入：在场景中加入「训练集里没有的物体」，比如动物、工程机械、异形车辆。
注意： 边缘场景不是越多越好。我曾经见过一个团队，生成了 10 万个边缘场景，结果 90% 都是「不可能发生的组合」，比如「在沙漠里遇到企鹅」。这种场景对系统提升毫无帮助，反而浪费算力。边缘场景要「合理罕见」，不是「胡乱罕见」。
2.5 四类场景的协同关系
这四类场景不是孤立的，它们需要协同工作。我个人的搭配比例是：
- 自然驾驶场景：60% —— 保证基本功能正常
- 法规场景：15% —— 保证通过认证
- 事故场景：15% —— 保证安全底线
- 边缘场景：10% —— 保证鲁棒性
当然，这个比例不是固定的。如果你做的是 L2 级辅助驾驶，自然驾驶场景可以多一些；如果你做的是 L4 级自动驾驶，边缘场景的比例可能要提高到 20% 以上。
最后说一句：场景分类的最终目的，不是把场景分门别类存起来，而是让每一类场景都能「物尽其用」。自然驾驶场景用来训练，法规场景用来认证，事故场景用来补强，边缘场景用来查漏。四者结合，才能构建出一个真正可靠的仿真测试场景库。