第2章：场景理论——场景的定义与六层模型

大家好，我是你们的老朋友。今天我们来聊聊场景理论。

说实话，我刚入行那会儿，大家对「场景」的理解特别模糊。有人说场景就是一条路，有人说场景就是天气不好。嗯，这些都对，但都不完整。

直到后来，我参与了一个L3级自动驾驶项目。测试时发现，车辆在某个路口总是莫名其妙地急刹车。我们排查了整整两周，最后发现——问题出在路边的电子广告牌上。屏幕闪烁的频率刚好和摄像头曝光周期产生了共振，导致感知系统误判。

你看，这就是典型的场景问题。它不光是路、不光是天气，而是多种因素的组合。

2.1 场景的定义

先给场景下个定义。

场景，是指在特定时间和空间范围内，自动驾驶系统所面临的所有外部环境条件的集合。它包含了道路、交通参与者、天气、信号、临时事件等一切可能影响系统行为的因素。

我个人习惯把场景理解成「剧本」。你想想看，拍电影需要剧本，自动驾驶也需要。剧本里写了什么时间、什么地点、谁出场、发生了什么事。场景也是一样。

我在项目中遇到过一件事：同一个十字路口，白天和晚上的场景完全不同。白天有行人、非机动车、交通协管员；晚上只有零星车辆，但多了路灯眩光。如果你只测试了白天场景，那晚上出问题是迟早的事。

2.2 六层场景模型

好了，定义清楚了。那场景怎么拆解？

业内有个经典框架——六层场景模型。我第一次看到这个模型时，心里想的是：「终于有人把这事说清楚了。」

六层模型把场景拆成六个维度，每一层都对应一类影响因素。我们一层一层来看。

第一层：道路

道路是场景的「舞台」。没有路，车就没法开。

这一层包括：

• 道路类型：高速公路、城市道路、乡村道路、匝道
• 车道数量：单车道、双车道、多车道
• 道路几何：直道、弯道、坡道、交叉口
• 路面条件：干燥、湿滑、积雪、坑洼

举个例子。我测试过一个场景：城市快速路的弯道上，路面有轻微积水。结果车辆在弯中突然减速，差点被后车追尾。为什么？因为系统把积水误判成了障碍物。你看，道路条件直接影响感知。

第二层：交通设施

这一层说的是「人为设置的交通规则载体」。

包括：

• 交通信号灯：红绿灯、箭头灯、闪烁灯
• 交通标志：限速牌、禁止通行、让行标志
• 标线：车道线、停止线、导流线
• 护栏、隔离带、路缘石

这里有个坑，我踩过。有一次测试，路边的限速牌被树枝挡住了三分之一。系统没识别到，结果超速行驶。嗯，后来我们专门加了一个「遮挡检测」模块。

为什么会这样？因为交通设施不是永远清晰可见的。老化、遮挡、损坏，都是常态。

第三层：临时操作

这一层最容易被忽略。它指的是临时性、非永久性的交通管理措施。

比如：

• 施工区域：锥桶、围挡、临时改道
• 交通事故现场：车辆停靠、碎片散落
• 临时交通管制：交警手势、临时信号灯
• 特殊事件：游行、马拉松、火灾

我曾经在测试中遇到一个场景：前方有交通事故，交警用手势指挥车辆绕行。我们的车完全没反应，因为它只认红绿灯，不认人。后来我们花了三个月才把「交警手势识别」加进去。

第四层：物体

这一层是「动态参与者」和「静态障碍物」的集合。

动态物体：

• 车辆：轿车、卡车、公交车、摩托车
• 行人：成人、儿童、老人、推婴儿车的人
• 动物：狗、猫、鸟、野生动物
• 非机动车：自行车、电动滑板车

静态物体：

• 路边的垃圾桶、邮筒、消防栓
• 掉落的货物、轮胎碎片
• 低矮的路障、石墩

我印象最深的一次测试：一只猫突然从路边窜出来。我们的车紧急刹车，但猫又突然折返，车又加速，结果猫又回头……最后猫跑了，但车里的测试员差点吐了。你看，动物的行为是不可预测的。

第五层：环境

环境层包括自然环境和气象条件。

主要因素：

• 光照：白天、夜晚、黄昏、隧道出入口
• 天气：晴天、雨天、雪天、雾天、沙尘
• 温度：高温、低温、结冰
• 其他：强风、逆光、阴影

这里有个经典问题：逆光。下午三四点，太阳正好在正前方，摄像头直接过曝。我见过一个案例，车辆因为逆光没识别到前方的静止车辆，直接撞上去了。嗯，后来我们给摄像头加了偏振片，情况好了一些。

第六层：数字信息

这一层是近年来才加进来的。它指的是非物理世界的数字信号。

包括：

• V2X通信：车与车、车与路、车与云
• 高精地图：实时更新、差分定位
• 云端信息：交通流量、事故预警、天气预报
• 数字孪生：虚拟仿真中的场景数据

数字信息的好处是「看得更远」。但坏处是——它可能出错。我遇到过V2X信号延迟，导致车辆提前减速，后车追尾。还有一次，高精地图没更新，路已经改了，车还在按旧地图走。

2.3 六层模型的实践意义

你可能会问：知道这六层有什么用？

用处大了去了。

第一，场景覆盖。做测试时，你可以按这六层来设计场景矩阵。每一层都覆盖到，就不会漏掉关键因素。

第二，根因分析。出问题后，按六层去排查。是道路问题？还是物体问题？还是数字信息问题？定位更快。

第三，SOTIF分析。预期功能安全的本质就是「未知危险场景的发现」。六层模型帮你系统性地思考：哪些场景还没测到？哪些组合可能出问题？

我举个例子。有一次我们做SOTIF分析，按六层模型列了一个表格：

层	因素	潜在危险
道路	急弯+下坡	车速过快，弯道偏离
交通设施	限速牌被遮挡	超速行驶
临时操作	施工改道	系统无法规划路径
物体	儿童突然冲出	制动距离不足
环境	逆光+雨天	传感器性能下降
数字信息	V2X延迟	误判前方路况

你看，这么一列，哪些场景需要重点测试，一目了然。

2.4 小结

场景理论是SOTIF的基石。没有场景，就没有测试；没有测试，就没有安全。

六层模型帮我们把「混沌的现实」拆解成「可管理的维度」。每一层都有它的特殊性，每一层都可能藏着未知的危险。

我个人习惯在做项目时，先把六层模型贴在墙上。每次开会、每次评审，都对着它看一遍。你会发现，很多问题其实早就写在模型里了，只是你没注意到。

下一章，我们会深入探讨「场景探索的方法论」。到时候我会分享一些实战中踩过的坑，以及怎么用系统化的方法去发现那些「看不见的危险」。

嗯，今天就到这里。记住：场景不是玄学，是科学。拆开来看，其实没那么复杂。