场景库

在自动驾驶与 ADAS 测试领域，场景（scenario）通常被定义为描述车辆、道路、环境及交通参与者在一段时间内状态与交互的完整叙述，是测试用例生成与评价的基本单元。^{33Taxonomy of Scenarios for Testing Automated Driving Systemsiso.org前往参考资料 ↓在新标签页中打开}

PEGASUS 项目提出的六层场景模型将场景构成要素自下而上划分为：道路层（Road）、交通设施层（Traffic Infrastructure）、临时操作层（Temporary Manipulation）、交通参与者层（Objects）、环境层（Environment）和数字信息层（Digital Information），该分层已成为场景描述的事实参考框架。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开}

六层模型中的道路层描述道路几何、拓扑与路面属性（如车道数、曲率、坡度、路面材质），是场景静态结构的基础。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开}

交通设施层涵盖交通标志、标线、信号灯等固定设施；临时操作层则描述施工、临时交通管制等对道路的短期改变，二者共同刻画道路的可通行规则与临时约束。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开}

交通参与者层描述车辆、行人、骑行者等动态对象及其运动状态与交互行为，是场景动态性的核心来源。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开}

环境层包括天气、光照、能见度等气象与光照条件；数字信息层则涵盖 V2X 通信、高精地图、交通信息广播等数字输入，二者分别对应场景的物理环境与信息环境。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开}

ISO 34501:2022《道路车辆 自动驾驶系统测试场景 词汇》对场景（scenario）、功能场景（functional scenario）、逻辑场景（logical scenario）和具体场景（concrete scenario）等术语给出了标准化定义，为场景库的构建与交换提供了术语基础。^{55ISO 34501:2022 Road vehicles — Test scenarios for automated driving systems — Vocabularyiso.org前往参考资料 ↓在新标签页中打开}

功能场景以自然语言描述交通参与者的行为与道路环境，不绑定具体参数；逻辑场景在功能场景基础上引入参数取值范围；具体场景则给定全部参数的具体取值，三者构成从抽象到具体的场景细化链条。^{55ISO 34501:2022 Road vehicles — Test scenarios for automated driving systems — Vocabularyiso.org前往参考资料 ↓在新标签页中打开}

OpenSCENARIO 标准（ASAM OpenSCENARIO）以 XML 格式描述交通参与者的动态行为与场景时序，与描述静态路网的 OpenDRIVE 配合，构成场景文件化描述的事实标准组合。^{66ASAM OpenSCENARIO: Standard for Dynamic Scenario Descriptionasam.net前往参考资料 ↓在新标签页中打开}

场景的构成要素通常可归纳为静态要素（道路、设施、地图）、动态要素（交通参与者及其行为）、环境要素（天气、光照）与信息要素（V2X、数字信号）四类，这一划分与六层模型在内容上相互对应。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开|55ISO 34501:2022 Road vehicles — Test scenarios for automated driving systems — Vocabularyiso.org前往参考资料 ↓在新标签页中打开}

场景的时间维度不可忽略：同一组静态与动态要素在不同时序下可构成不同场景，因此场景描述需包含初始状态、行为序列与终止条件等时间要素。^{66ASAM OpenSCENARIO: Standard for Dynamic Scenario Descriptionasam.net前往参考资料 ↓在新标签页中打开}

在术语使用上，场景库（scenario library）通常指围绕特定应用目标、按一定分类与元数据组织起来的场景集合体，强调可检索、可复用、可维护的知识库属性；而场景集（scenario set）通常指为某一次具体评估、测试或训练任务而挑选出来的场景子集，强调任务相关性与封闭性。^{77Scenario Library and Scenario Set: Concepts and Managementsae.org前往参考资料 ↓在新标签页中打开|88PEGASUS Method for Assessment of Highly Automated Driving Functionspegasusprojekt.de前往参考资料 ↓在新标签页中打开}

PEGASUS 项目的方法论文献把场景按抽象层次区分为功能场景（functional scenario）、逻辑场景（logical scenario）和具体场景（concrete scenario），并指出场景库的构建需要在这三个层次上分别建立描述与索引；场景集则往往落在具体场景或逻辑场景参数区间上，是场景库在某一测试任务下的实例化切片。^{99The PEGASUS Method – A Summarypegasusprojekt.de前往参考资料 ↓在新标签页中打开|88PEGASUS Method for Assessment of Highly Automated Driving Functionspegasusprojekt.de前往参考资料 ↓在新标签页中打开}

ISO 34501 将场景（scenario）定义为一段时间内场景要素及其相互作用的描述，并区分抽象场景与具体场景；该标准为场景库与场景集的术语边界提供了共同参照，即场景库是场景描述的受控集合，场景集是其中被选用于特定目的的子集。^{1010ISO 34501:2022 Road vehicles — Test scenarios for automated driving systems — Vocabularyiso.org前往参考资料 ↓在新标签页中打开}

从工程实践看，场景库与场景集的核心区别体现在生命周期上：场景库是长期演进的资产，需要版本管理、去重、覆盖度统计与持续扩充；场景集是一次性交付物，随测试计划生成、随测试报告归档，通常不承担长期维护责任。^{77Scenario Library and Scenario Set: Concepts and Managementsae.org前往参考资料 ↓在新标签页中打开|1111Safety First for Automated Driving (SaFAD)daimler.com前往参考资料 ↓在新标签页中打开}

在覆盖度评价上，场景库关注的是整体覆盖，例如对功能场景类别、逻辑场景参数空间与具体场景分布的覆盖；场景集关注的是任务覆盖，即所选子集是否足以支撑当前测试目标（如某类 ADAS 功能的边界条件验证），二者使用的覆盖度指标并不相同。^{99The PEGASUS Method – A Summarypegasusprojekt.de前往参考资料 ↓在新标签页中打开|1212Scenario-Based Safety Assessment of Automated Vehiclesunece.org前往参考资料 ↓在新标签页中打开}

场景库与场景集在数据形态上也有差异：场景库中的条目通常带有完整的元数据（来源、抽象层次、参数范围、标签、适用标准条款等），而场景集条目更强调可执行性，往往直接绑定仿真格式、参数取值与预期结果。^{88PEGASUS Method for Assessment of Highly Automated Driving Functionspegasusprojekt.de前往参考资料 ↓在新标签页中打开|1111Safety First for Automated Driving (SaFAD)daimler.com前往参考资料 ↓在新标签页中打开}

场景收集与录入是场景库构建流程的起点，其任务是从多种渠道获取原始场景数据，并将其转化为场景库可存储、可检索的结构化条目。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开}

场景数据的常见来源包括：实车路测数据、事故数据库（如交警事故统计、CIDAS 中国交通事故深入研究数据库）、自然驾驶研究数据、仿真生成数据、标准法规场景以及专家经验场景。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开}

PEGASUS 项目（2016–2019）建立了包含高速公路、乡村道路和城市道路的场景数据库，其场景来源涵盖实车测量、事故分析和仿真生成，是场景收集方法学的代表性实践。^{1313PEGASUS Project: Setup of a Scenario Databasepegasusprojekt.de前往参考资料 ↓在新标签页中打开}

自然驾驶研究（NDS）通过车载传感器长期记录驾驶员日常行为，其数据可用于提取真实交通场景，是场景收集的重要渠道之一。^{1414Naturalistic Driving Study: A Descriptive Analysis of Following Behaviorjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

场景录入通常需要经过数据清洗、场景抽象、参数化描述和格式标准化等步骤，以将原始数据转化为符合场景库 schema 的条目。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开|66ASAM OpenSCENARIO: Standard for Dynamic Scenario Descriptionasam.net前往参考资料 ↓在新标签页中打开}

OpenSCENARIO 标准（ASAM 制定）为场景描述提供了标准化格式，场景录入时需将场景要素映射到该标准的元素（如车辆、行人、道路、动作等）。^{66ASAM OpenSCENARIO: Standard for Dynamic Scenario Descriptionasam.net前往参考资料 ↓在新标签页中打开}

场景收集与录入环节面临数据质量参差、场景定义不统一、隐私与合规等挑战，需要建立规范化的流程和质量控制机制。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开|1515Challenges in Scenario-Based Testing for Automated Drivingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

场景库的分类与标签体系通常采用分层结构：先按场景的物理与语义属性划分大类（如地形、道路类型、天气、交通参与者），再在大类下设置具体标签，从而兼顾检索效率与标注粒度。^{1616scene-matching.mdgithub.com前往参考资料 ↓在新标签页中打开}

在场景匹配系统中，核心场景被用作可观察元素数据库的锚点，扩展场景通过智能匹配与动态推理与核心场景关联，并给出匹配度百分比，以避免配置文件无限膨胀。^{1616scene-matching.mdgithub.com前往参考资料 ↓在新标签页中打开}

场景分类体系可配套三层验证策略：通用规则适用于所有场景，类别规则适用于某一场景类别，特定规则仅适用于核心场景，从而在标签体系上叠加可验证性约束。^{1616scene-matching.mdgithub.com前往参考资料 ↓在新标签页中打开}

分类与标签体系中的匹配度量化（如高原与草地核心场景匹配度75%、草原90%、平原85%、牧场80%、田野85%）为场景检索与相似度排序提供了可比较的数值依据。^{1616scene-matching.mdgithub.com前往参考资料 ↓在新标签页中打开}

场景库的存储功能要求把每个场景作为可独立寻址、可独立编辑的条目保存下来，并记录该场景对应的视角、光照与后期参数；在 D5 渲染器的场景列表实现中，添加场景时会同时记录当前场景的环境光照信息以及后期中的色彩与特效信息，每个场景可以对应不同的参数。^{1717什么是场景列表？ | D5 帮助中心docs.d5render.cn前往参考资料 ↓在新标签页中打开}

场景条目的存储粒度决定了检索的粒度：当场景与相机被绑定保存时，切换场景即切换镜头；D5 的场景列表允许单击其中一项切换镜头，并对镜头执行重命名、更新场景、删除等维护操作。^{1717什么是场景列表？ | D5 帮助中心docs.d5render.cn前往参考资料 ↓在新标签页中打开}

场景库在存储时需要处理“参数随场景走”还是“参数全局统一”的取舍。D5 的场景列表提供“分别保存”与“统一应用”两种模式：前者在镜头切换时读取当下场景的镜头位置信息和环境后期参数，后者始终应用最后一次调整的参数；若切换镜头后参数未按预期保存，往往是因为设置了“统一应用”。^{1717什么是场景列表？ | D5 帮助中心docs.d5render.cn前往参考资料 ↓在新标签页中打开}

场景库的检索不仅包括按名称定位条目，还包括按类型浏览与关键词搜索。ArcReel 的全局资产库设计把场景（scene）与道具（prop）拆为两类一级对象，资产库支持新增、编辑、删除、搜索以及按类型浏览。^{18182026-04-15-global-asset-library-design.mdgithub.com前往参考资料 ↓在新标签页中打开|1919全局资产库 + Clue 重构设计raw.githubusercontent.com前往参考资料 ↓在新标签页中打开}

跨项目复用场景时，存储层需要明确复用语义。ArcReel 的设计选择以“快照复制”作为跨项目复用的语义，即复制一份独立副本而不做引用耦合，从而保持项目自治，使项目导出包不依赖资产库。^{18182026-04-15-global-asset-library-design.mdgithub.com前往参考资料 ↓在新标签页中打开|1919全局资产库 + Clue 重构设计raw.githubusercontent.com前往参考资料 ↓在新标签页中打开}

场景库的存储设计通常要显式划定不做什么。ArcReel 的资产库设计明确把资产版本历史（只保留最新态）、软删与回收站（采用硬删并物理删除图片）、标签系统等列为非目标，说明场景资产的版本追溯与误删恢复并非该类系统的默认能力。^{18182026-04-15-global-asset-library-design.mdgithub.com前往参考资料 ↓在新标签页中打开|1919全局资产库 + Clue 重构设计raw.githubusercontent.com前往参考资料 ↓在新标签页中打开}

场景条目的复制粘贴是检索之后常见的复用操作：D5 的场景列表支持复制后粘贴，把场景中保存的环境与后期参数立即应用于不同场景，并可将当前场景的环境后期参数作为预设存储在 Studio 中。^{1717什么是场景列表？ | D5 帮助中心docs.d5render.cn前往参考资料 ↓在新标签页中打开}

场景库的数据迁移属于存储环节的工程问题：ArcReel 在引入全局资产库时对旧数据结构做级联迁移，把旧 clue 中类型为 location 的条目迁移为 scenes 下的具名场景，并采取错误隔离策略——单个项目迁移失败时记录日志而不中断启动，同时在界面上以 migration_failed 状态标记并禁用该项目卡片，直至用户介入。^{18182026-04-15-global-asset-library-design.mdgithub.com前往参考资料 ↓在新标签页中打开|1919全局资产库 + Clue 重构设计raw.githubusercontent.com前往参考资料 ↓在新标签页中打开}

场景库的增删改查管理指对场景库及其内部场景资源进行创建、读取（浏览与检索）、编辑和删除的一整套操作，是场景库作为可维护资产集合的基础能力；华为云自动驾驶云服务 Octopus 的仿真场景库模块即明确以“支持对场景库的增删改查功能”来定义该模块。^{22场景库管理_场景管理_仿真服务_用户指南_自动驾驶云服务 Octopus-华为云support.huaweicloud.com前往参考资料 ↓在新标签页中打开}

在华为云 Octopus 的实现中，场景库采用“分类—场景库”两级组织：用户先新增一级分类（场景库分类），再在分类下新建场景库，从而把场景格式相同的多个仿真场景集合在一起，便于开发复用。^{22场景库管理_场景管理_仿真服务_用户指南_自动驾驶云服务 Octopus-华为云support.huaweicloud.com前往参考资料 ↓在新标签页中打开}

场景库的创建环节通常伴随命名与属性约束，例如华为云 Octopus 规定场景库名称只能包含数字、英文、中文、下划线与中划线，且长度不得超过 64 个字符，同时需指定所支持的仿真器。^{22场景库管理_场景管理_仿真服务_用户指南_自动驾驶云服务 Octopus-华为云support.huaweicloud.com前往参考资料 ↓在新标签页中打开}

“查”在场景库管理中不仅指按目录浏览，还包括检索与排序：天地图门户的“我的场景”页面支持分页查找、搜索框与场景标签过滤，并可按修改时间或访问数升降序排列，且提供列表与格网两种视图。^{2020我的场景heilongjiang.tianditu.gov.cn前往参考资料 ↓在新标签页中打开}

“改”通常分为元信息编辑与内容编辑两个层次：天地图门户允许通过“编辑属性”修改场景的缩略图、名称、标签和描述，也可点击“打开场景”进入三维地球 WebApp 在浏览的同时编辑场景内容。^{2020我的场景heilongjiang.tianditu.gov.cn前往参考资料 ↓在新标签页中打开}

场景库的删除操作往往带有级联影响，需要在管理界面中给出提示：天地图门户在删除场景时提示，使用该场景制作的大屏将无法显示场景，因此删除前需评估下游引用。^{2020我的场景heilongjiang.tianditu.gov.cn前往参考资料 ↓在新标签页中打开}

批量管理是增删改查能力的重要补充，天地图门户的场景资源同时支持单个管理与批量管理，共享与删除均可批量执行，以降低大规模场景集合的维护成本。^{2020我的场景heilongjiang.tianditu.gov.cn前往参考资料 ↓在新标签页中打开}

在通用资产库设计中，场景常被抽象为可跨项目复用的一级对象，其管理接口一般覆盖新增、编辑、删除、搜索与按类型浏览；复用语义多采用“快照复制”而非引用耦合，以避免跨项目修改的连锁影响。^{18182026-04-15-global-asset-library-design.mdgithub.com前往参考资料 ↓在新标签页中打开}

资产库类设计通常会把版本历史、软删除与回收站列为非目标，即只保留最新态并采用硬删除，这意味着场景库的“删”在部分实现中是不可恢复的，管理流程需依赖权限与确认机制而非回收站兜底。^{18182026-04-15-global-asset-library-design.mdgithub.com前往参考资料 ↓在新标签页中打开}

场景库构建的数据采集环节，其源头大致可分为真实道路与事故数据、实车与场地测试数据、仿真与合成数据、以及公开数据集与标准法规文本四类；不同来源在真实性、覆盖度、标注成本和可复现性上各有取舍，实践中通常多源并用而非单一来源。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

交通事故报告是构建自动驾驶测试场景库的重要数据来源之一，因为它记录了真实发生的高风险冲突过程，能够覆盖常规路采难以自然遇到的极端工况。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

事故报告通常以自然语言文本描述场景，缺乏结构化的时序动态信息，直接用于端到端自动驾驶测试存在困难；因此需要先通过信息抽取把非结构化文本转换为结构化的场景要素与辅助信息。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

针对事故报告的结构化，已有研究提出 MCAT-BiLSTM-CRF 算法用于从事故报告中抽取场景信息，并结合本体（ontology）框架组织场景要素，从而构建面向端到端自动驾驶测试的多模态事故场景库。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

自然语言处理与信息抽取技术被用于把事故报告、交警记录、保险理赔等文本型材料转化为场景要素，是文本类数据源进入场景库的主要技术路径；其输出质量受文本描述颗粒度与标注规范一致性的制约。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

实车路采数据通常依托车载摄像头、毫米波雷达、激光雷达与组合导航等传感器同步采集，经时间同步、标定与目标级/原始级融合后，再通过场景切分与标签化提取出可复用的场景片段。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

数据采集阶段需要同步考虑隐私与合规问题，涉及人脸、车牌等个人信息的视频与图像通常需做脱敏处理，跨境或跨机构的数据共享还受相应法规约束。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

采集到的原始数据需经过清洗、切片、场景要素标注与质量校验才能入库；标注规范（场景要素分类体系、参数取值范围、标签粒度）通常在采集之前就需确定，否则后期难以对齐复用。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

场景提取是场景库构建流程中的关键环节，其任务是从原始数据源（自然驾驶数据、事故报告、路测记录等）中识别并抽取出可复用的场景要素，把非结构化或半结构化的原始记录转换为结构化的场景描述。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开|2222基于真实交通数据的自动驾驶场景库研究-汽车工程师2024年07期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

事故报告是构建自动驾驶测试场景库的重要数据来源之一，但其通常以文本叙述方式承载场景信息，难以直接表达端到端自动驾驶测试所需的时间动态特性，因此需要专门的信息抽取方法把文本转换为结构化的场景要素与辅助信息。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

针对事故报告文本的场景提取，已有研究提出 MCAT-BiLSTM-CRF 算法，用于从事故报告中高效、准确地抽取场景信息，将非结构化文本转换为场景要素与辅助信息的结构化表示。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

在基于真实交通数据的场景库构建中，场景提取通常与场景挖掘、自动化标签处理、数据合规脱敏等步骤串联，形成从原始交通数据到场景数据集的流水线，其中场景挖掘负责从海量数据中筛选出具有测试价值的片段。^{2222基于真实交通数据的自动驾驶场景库研究-汽车工程师2024年07期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

场景提取的输出通常需要按统一的场景要素与格式规范进行组织，以便后续进行风险评价、场景分类与场景库入库管理；缺乏统一规范会导致提取结果难以复用和跨库比对。^{2222基于真实交通数据的自动驾驶场景库研究-汽车工程师2024年07期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

基于本体的框架被用于组织从事故报告中提取的场景信息，使分散的场景要素之间建立语义关联，从而支撑多模态事故场景库的构建。^{2121A multimodal accident scenario database construction method for end-to-end autonomous vehicle testing - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

场景分布与覆盖度评估的核心任务，是判断场景库在参数空间、逻辑场景空间或语义类别上是否充分代表了目标运行域（ODD），并为场景采样、补充与优先级排序提供量化依据。^{2323Scenario-based safety assessment of automated driving systemsiso.org前往参考资料 ↓在新标签页中打开|44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开}

在构建方法上，常用做法是先定义场景的参数空间（如道路曲率、车速、目标物类型、天气光照等连续或离散维度），再通过网格划分、拉丁超立方采样、蒙特卡洛采样或基于组合测试的成对/正交覆盖，生成参数组合以评估覆盖度。^{2323Scenario-based safety assessment of automated driving systemsiso.org前往参考资料 ↓在新标签页中打开|2424Combinatorial Testing for Autonomous Driving Scenario Generationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

覆盖度评估常借用软件测试中的覆盖准则，如参数取值覆盖、成对组合覆盖（pairwise coverage）以及基于等价类划分的类别覆盖，用来衡量场景集合对参数组合空间的覆盖比例。^{2424Combinatorial Testing for Autonomous Driving Scenario Generationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

PEGASUS 项目提出了面向自动驾驶功能验证的场景数据库方法，强调以逻辑场景（logical scenario）描述参数范围，并通过参数采样与覆盖分析支撑场景库的系统化构建。^{1313PEGASUS Project: Setup of a Scenario Databasepegasusprojekt.de前往参考资料 ↓在新标签页中打开}

UN ECE R157（ALKS 法规）及其解释文件对自动车道保持系统的场景测试条件给出了规定性描述，可作为场景库覆盖度评估中法规符合性维度的参照基准。^{2525UN Regulation No. 157 - Automated Lane Keeping Systems (ALKS)unece.org前往参考资料 ↓在新标签页中打开}

ISO 34502 给出了基于场景的自动驾驶安全评估框架，其中包含场景识别、场景分类与场景选择的过程性要求，为覆盖度评估提供了标准化流程参考。^{2323Scenario-based safety assessment of automated driving systemsiso.org前往参考资料 ↓在新标签页中打开}

在覆盖度度量上，除参数空间覆盖率外，还常采用基于场景语义标签的分布对比方法（如与自然驾驶数据分布做 KL 散度或卡方检验），以识别场景库在真实交通分布上的偏斜与盲区。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开|2626Adaptive Sampling of Driving Scenarios for Autonomous Vehicle Testingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

由于高维参数空间组合爆炸，穷举覆盖不可行，实践中多采用重要性采样、对抗性采样或基于风险权重的采样策略，在有限场景数量下优先覆盖高风险与高暴露工况。^{2323Scenario-based safety assessment of automated driving systemsiso.org前往参考资料 ↓在新标签页中打开|2626Adaptive Sampling of Driving Scenarios for Autonomous Vehicle Testingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

覆盖度评估的结果通常以覆盖矩阵、参数分布直方图、场景类别热力图等形式呈现，并反馈到场景库的补充采集与生成环节，形成迭代闭环。^{44PEGASUS Method: Scenario Description and Six-Layer Modelpegasusprojekt.de前往参考资料 ↓在新标签页中打开|1313PEGASUS Project: Setup of a Scenario Databasepegasusprojekt.de前往参考资料 ↓在新标签页中打开}

自然驾驶数据（如 HighD、nuScenes 等公开数据集）常被用作场景分布的经验参照，用于评估合成或采集场景库在真实交通统计特性上的代表性。^{2727The highD Dataset: A Drone Dataset of Naturalistic Vehicle Trajectories on German Highwaysieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|2828nuScenes: A multimodal dataset for autonomous drivingarxiv.org前往参考资料 ↓在新标签页中打开}

在智能座舱领域，典型驾驶场景通常指围绕驾驶员与乘员交互、舒适性、安全提醒和舱内服务而设计的一组可复现的行驶与使用情境，其目的是让座舱功能在受控条件下被反复测试与评价。^{2929智能座舱测试场景库构建方法研究autotech.com.cn前往参考资料 ↓在新标签页中打开}

智能座舱测试场景库的构建常以真实道路行驶数据、事故数据与用户行为数据为输入，通过场景提取、参数化与聚类生成代表性场景，再映射为座舱功能测试用例。^{3030基于真实行驶数据的智能座舱场景提取与测试用例生成sae-china.org前往参考资料 ↓在新标签页中打开}

典型驾驶场景在座舱测试中通常按行驶工况（如城市拥堵、高速巡航、匝道汇入、停车场泊车）与舱内任务（如导航设置、音乐切换、通话、疲劳监测）两个维度交叉组织，形成场景矩阵。^{3131智能座舱人机交互测试场景设计qcgc.com.cn前往参考资料 ↓在新标签页中打开}

面向座舱人机交互评价的典型场景强调驾驶员分心与视线离开道路的时长控制，常以分心时长、眼动离路时间等指标作为场景通过与否的判据。^{3232Driver Distraction and Inattention: Advances in Research and Countermeasuresnhtsa.gov前往参考资料 ↓在新标签页中打开}

在智能座舱场景库中，典型驾驶场景往往与座舱域控制器的功能安全目标关联，例如在高速行驶场景下对仪表告警、驾驶员监控系统失效的降级策略进行验证。^{3333Road vehicles — Functional safety — Part 3: Concept phaseiso.org前往参考资料 ↓在新标签页中打开}

中国智能网联汽车相关标准与测试评价规程中，已出现针对座舱交互与驾驶员监控的典型场景描述，可作为座舱场景库设计的参考依据。^{3434智能网联汽车测试评价规程catarc.ac.cn前往参考资料 ↓在新标签页中打开}

智能座舱中的停车场景，指车辆在低速泊车、车位搜索、入库出库及停车场内通行等环节中，座舱系统需要感知、提示、交互或接管的一类典型使用情境；它既包括自动泊车（APA）、记忆泊车（HPP）等驾驶自动化功能，也包括泊车过程中的可视化、语音提示与人机共驾交互。^{3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开|3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开}

在场景库的构建方法上，停车场景通常按「停车场环境—车位类型—障碍物与交通参与者—驾驶员/用户行为—系统状态」几个维度进行参数化描述，以便覆盖垂直车位、平行车位、斜列车位以及狭窄通道、坡道、立柱遮挡等组合。^{3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开|3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开}

自动泊车功能的测试与评价长期依赖场地实车试验，但受限于场地复用成本与场景复现难度，业界逐步引入基于场景库的仿真测试与硬件在环测试，把停车场景库作为实车试验的补充而非替代。^{3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开|3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开}

中国在智能网联汽车测试评价方面发布了一系列团体标准与行业规范，其中涉及自动泊车辅助系统（APA）的性能要求与试验方法，为停车场景库的用例设计提供了可参照的指标口径。^{3030基于真实行驶数据的智能座舱场景提取与测试用例生成sae-china.org前往参考资料 ↓在新标签页中打开}

停车场景与行车场景的关键差异在于：泊车过程车速低但空间约束强、驾驶员参与度高，且大量场景发生在封闭或半封闭停车场内，因此场景库需要额外记录车位线、地面标识、立柱与减速带等静态要素的几何信息。^{3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开|3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开}

在座舱交互层面，停车场景库还用于验证泊车过程中的可视化渲染、距离提示音、语音引导与接管提醒等 HMI 设计，评价指标包括用户理解时间、误操作率与主观满意度。^{3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开|3636智能网联汽车自动驾驶功能测试规程相关文件catarc.org.cn前往参考资料 ↓在新标签页中打开}

记忆泊车（HPP）与代客泊车（AVP）等功能的出现，使停车场景库从单次泊车动作扩展到「停车场地图构建—路径学习—重复复现」的长时序场景，对场景库的存储与检索能力提出更高要求。^{3535智能座舱人机交互设计相关研究综述kns.cnki.net前往参考资料 ↓在新标签页中打开|3636智能网联汽车自动驾驶功能测试规程相关文件catarc.org.cn前往参考资料 ↓在新标签页中打开}

智能座舱娱乐场景库是把座舱内与娱乐相关的使用情境（如影音播放、游戏、K歌、有声读物、氛围灯联动、多屏互动等）按统一元数据描述、分类组织并可持续扩充的场景集合，其作用是为座舱娱乐功能的定义、测试与评价提供可复用的输入。^{3737ISO 9241-210:2019 Ergonomics of human-system interaction — Part 210: Human-centred design for interactive systemsiso.org前往参考资料 ↓在新标签页中打开}

在座舱娱乐场景的构建中，场景通常被拆分为触发条件（时间、地点、乘员状态、车辆状态）、用户动作、系统响应与评价指标四类要素，以便同一场景可在不同车型与不同软件版本上重复执行。^{3838Scenario-based design: Envisioning work and technology in system developmentwiley.com前往参考资料 ↓在新标签页中打开}

车载信息娱乐系统的功能安全要求主要由 ISO 26262 覆盖，但娱乐域本身通常被划为 QM（质量管理）等级，其场景库更多服务于用户体验评价与功能验证，而非高安全完整性等级的安全论证。^{3333Road vehicles — Functional safety — Part 3: Concept phaseiso.org前往参考资料 ↓在新标签页中打开}

ISO 9241-210 以人为中心的设计流程要求在设计早期识别使用情境（context of use），包括用户、任务、设备与环境，这一框架常被座舱娱乐场景库借用为场景分类的顶层维度。^{3737ISO 9241-210:2019 Ergonomics of human-system interaction — Part 210: Human-centred design for interactive systemsiso.org前往参考资料 ↓在新标签页中打开}

Android Automotive OS 与 CarPlay 等车载应用平台为娱乐类应用提供了标准化的车机适配接口，使娱乐场景库中的场景可以按应用类别（音频、视频、游戏、通讯）建立可执行的用例映射。^{3939Android Automotive OSsource.android.com前往参考资料 ↓在新标签页中打开}

在座舱娱乐场景的评价环节，常用指标包括任务完成率、操作步数、首次点击命中率、主观满意度（如 NASA-TLX 负荷评分、SUS 可用性量表）以及分心程度，这些指标可支撑场景库从定性描述走向可量化对比。^{4040NASA Task Load Index (TLX)humansystems.arc.nasa.gov前往参考资料 ↓在新标签页中打开}

多屏与多音区是智能座舱娱乐场景区别于传统车机的关键变量：同一娱乐内容在前排中控、副驾屏、后排屏与头枕屏之间的流转，以及主驾与其他乘员音区的隔离，都需要在场景库中单独建模。^{4141Android Automotive OS multi-display and multi-zone audiosource.android.com前往参考资料 ↓在新标签页中打开}

娱乐场景与驾驶安全之间存在张力：行车中视频播放、游戏等视觉娱乐内容通常被法规或企业规范限制在驻车或非驾驶位使用，因此娱乐场景库需要标注场景的适用工况（驻车、行车、自动驾驶激活）作为前置约束。^{4242NHTSA Driver Distraction Guidelinesnhtsa.gov前往参考资料 ↓在新标签页中打开}

随着座舱大模型与生成式语音助手的引入，娱乐场景库开始纳入自然语言交互类场景，例如以对话方式点播内容、生成个性化歌单或进行角色扮演式互动，这类场景的输入输出具有开放性和不确定性，难以用传统固定脚本穷举。^{4343Large Language Models for In-Vehicle Conversational Assistantsarxiv.org前往参考资料 ↓在新标签页中打开}

在工程实践中，座舱娱乐场景库常与 HMI 设计规范、语音交互测试用例库和整车用户体验评价体系联动使用，形成从场景定义到验收的闭环，而非孤立存在。^{88PEGASUS Method for Assessment of Highly Automated Driving Functionspegasusprojekt.de前往参考资料 ↓在新标签页中打开}

云仿真平台是场景库在工程落地中的主要载体之一：它把场景库中的静态场景描述（如 OpenSCENARIO 文件）批量加载到云端并行执行，从而把场景库从“文档资产”变成可反复调用的测试服务。^{66ASAM OpenSCENARIO: Standard for Dynamic Scenario Descriptionasam.net前往参考资料 ↓在新标签页中打开|88PEGASUS Method for Assessment of Highly Automated Driving Functionspegasusprojekt.de前往参考资料 ↓在新标签页中打开}

ASAM OpenSCENARIO 是场景描述的事实标准之一，主流云仿真平台（如 Foretellix Foretify、dSPACE SIMPHERA、IPG CarMaker 云端方案、百度 Apollo 仿真、腾讯 TAD Sim 等）均声明支持导入或导出 OpenSCENARIO 文件，使场景库可在不同工具间迁移。^{66ASAM OpenSCENARIO: Standard for Dynamic Scenario Descriptionasam.net前往参考资料 ↓在新标签页中打开|5959Foretellix Foretifyfortellix.com前往参考资料 ↓在新标签页中打开}

Foretellix Foretify 以“场景规格语言”为核心，把场景库组织为可组合的抽象场景与具体场景两层，并支持在云端大规模展开为具体测试用例，是场景库与云仿真结合的典型代表。^{5959Foretellix Foretifyfortellix.com前往参考资料 ↓在新标签页中打开}

百度 Apollo 仿真平台提供云端场景库与大规模并行仿真能力，支持将场景库中的场景批量下发到云端执行，并输出测试报告，是国内云仿真平台的代表之一。^{6060Apollo Simulationgithub.com前往参考资料 ↓在新标签页中打开}

腾讯 TAD Sim 是腾讯自动驾驶仿真平台，支持云端大规模并行仿真与场景库管理，并可与高精地图、交通流模型结合生成测试场景。^{6161腾讯自动驾驶仿真平台 TAD Simtad.tencent.com前往参考资料 ↓在新标签页中打开}

CARLA 是开源的自动驾驶仿真器，本身不是云平台，但可通过容器化部署在云上，并配合 ScenarioRunner 加载 OpenSCENARIO 场景，常被用作云仿真平台的场景执行后端。^{6262CARLA Simulatorcarla.org前往参考资料 ↓在新标签页中打开}

云仿真平台在场景库方面的核心能力通常包括：场景库的版本化管理、场景参数化与批量展开、大规模并行执行、结果聚合与回归测试，以及与 CI/CD 流水线的集成。^{88PEGASUS Method for Assessment of Highly Automated Driving Functionspegasusprojekt.de前往参考资料 ↓在新标签页中打开}

云仿真平台面临的主要挑战包括：场景库规模增大带来的存储与计算成本、场景描述标准（OpenSCENARIO 等）在不同工具间语义不一致导致的迁移损耗，以及云端仿真结果与实车/台架结果的一致性验证问题。^{66ASAM OpenSCENARIO: Standard for Dynamic Scenario Descriptionasam.net前往参考资料 ↓在新标签页中打开|88PEGASUS Method for Assessment of Highly Automated Driving Functionspegasusprojekt.de前往参考资料 ↓在新标签页中打开}

Orbis 是一个开源的高质量 3D 场景数据集集合，覆盖从桌面级小尺度场景到复杂室内中尺度场景，以及城市与自然大尺度环境等多个空间尺度，并以 Apache-2.0 许可证发布。^{6363README.md · IntimeAI/Orbis at mainhuggingface.co前往参考资料 ↓在新标签页中打开|6464GitHub - IntimeAI/Orbis: Orbis is an open-source collection of high-quality 3D scene datasets that covers multiple spatial scales, ranging from tabletop scenes to complex indoor, urban, and natural environments.github.com前往参考资料 ↓在新标签页中打开}

Orbis 强调高多样性、高保真、可控性与仿真就绪四项特性，所有场景都带有较完整的物理属性，可直接接入物理引擎，并支持通过文本、图像等多模态输入进行场景编辑与定制，同时提供 API 用于程序化访问和规模化自动生成数据集。^{6464GitHub - IntimeAI/Orbis: Orbis is an open-source collection of high-quality 3D scene datasets that covers multiple spatial scales, ranging from tabletop scenes to complex indoor, urban, and natural environments.github.com前往参考资料 ↓在新标签页中打开}

SAGE-3D_InteriorGS_usdz 是托管在鲸智社区的开源资源包，属于 SAGE-3D 项目生态，将 InteriorGS 核心数据集中的 1000 个带物体级语义标注的 3D 高斯溅射（3DGS）室内场景转换为通用 USDZ 格式，保留超写实渲染效果、物体语义标注与物理交互属性，并实现轻量化封装与跨设备适配。^{6565SAGE-3D_InteriorGS_usdz - image-to-3d数据集 | 鲸智社区aihub.caict.ac.cn前往参考资料 ↓在新标签页中打开}

SAGE-3D_InteriorGS_usdz 采用 CC BY-NC 4.0 许可证，标签涵盖机器人、3D 高斯溅射、具身导航、Isaac Sim、Omniverse、USDZ 与视觉语言导航（VLN）等方向，说明该类 3D 场景数据集已面向仿真与具身智能应用场景组织。^{6565SAGE-3D_InteriorGS_usdz - image-to-3d数据集 | 鲸智社区aihub.caict.ac.cn前往参考资料 ↓在新标签页中打开}

场景覆盖度衡量的是场景库对目标运行设计域内可能出现的交通参与方、道路结构、天气光照、行为交互等要素组合的枚举与代表程度；由于要素组合空间随维度增加呈组合爆炸，任何有限规模的场景库都只能覆盖其中极小一部分，未被覆盖的部分即构成长尾。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

现有公开 3D/空间智能数据集普遍存在场景有限、动态样本少、标注口径不统一的问题，这直接制约了空间智能大模型的训练与算法之间的公平对比，也延缓了技术从实验室走向实际应用。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

业界应对长尾问题的一条路径是建设公共数据底座：2026 年在武汉举办的第二届中国空间智能大会上发布的“大规模空间智能 3D 数据开放计划”，由影溯科技发起并联合高校、科研院所及产业方等二十余家机构，目标是共建百万级 3D/4D 场景公共数据底座与统一评测体系，以补齐国内空间智能领域的数据短板。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

二维视觉领域的经验表明，ImageNet 这类大规模基准数据集曾推动图像识别技术快速迭代；空间智能领域希望复制这一路径，通过扩大场景数据规模与统一评测口径来缓解覆盖不足，但 3D 场景在采集成本、标注复杂度和动态性上均高于二维图像，规模扩张的边际成本更高。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

场景覆盖度难以用单一指标刻画，实践中通常从要素维度覆盖、地理与道路类型覆盖、交通参与方组合覆盖、以及基于场景描述向量的分布距离等多个角度分别度量，再综合判断场景库相对目标运行设计域是否存在系统性空白。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

长尾场景的低发生概率与高后果严重性并存，使得仅靠实车路测积累长尾样本在经济与时间上都不可行，业界因此转向“数据驱动生成 + 仿真回放 + 开放数据集共享”的组合策略，用合成与共享数据弥补真实长尾样本的稀缺。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

标注口径不统一是场景覆盖度评估的另一重障碍：不同数据集对同一场景要素的类别定义、边界划分与粒度不一致，导致跨库合并后出现重复计数或覆盖盲区，也使不同算法在各自数据集上报告的覆盖结论缺乏可比性。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

ASAM OpenSCENARIO 用于描述动态驾驶场景（车辆、行人、交通参与者的动作与轨迹），ASAM OpenODD 用于描述运行设计域（ODD）属性，ASAM OpenLABEL 用于标注感知数据与场景要素；三者构成场景描述与标注环节相互衔接的开放标准族，是场景库实现跨工具互操作的基础。^{6969Standardizing Scenario Annotations: a Comprehensive Mapping and Gap Analysis Across Openscenario, Openodd, and Openlabelsemanticscholar.org前往参考资料 ↓在新标签页中打开}

2025 年发表的映射与差距分析研究系统性地把典型自动驾驶用例中的 OpenSCENARIO 场景元素映射到 OpenODD 属性与 OpenLABEL 标签，为场景开发者、数据工程师与系统集成商提供了一条实现一致、可靠、可互操作测试的实践路线。^{6969Standardizing Scenario Annotations: a Comprehensive Mapping and Gap Analysis Across Openscenario, Openodd, and Openlabelsemanticscholar.org前往参考资料 ↓在新标签页中打开}

上述映射研究同时指出 OpenSCENARIO、OpenODD 与 OpenLABEL 之间存在覆盖缺口（gap），即三套标准并非一一对应，场景元素在跨标准转换时存在无法完整表达的部分，这是当前场景库标准化与互操作面临的具体技术障碍。^{6969Standardizing Scenario Annotations: a Comprehensive Mapping and Gap Analysis Across Openscenario, Openodd, and Openlabelsemanticscholar.org前往参考资料 ↓在新标签页中打开}

中国智能网联汽车场景库技术进展报告（2023～2024）把政策与标准法规的归纳作为场景库技术综述的组成部分，说明标准化建设已被视为场景库发展的基础性工作之一。^{6767皮书数据库pishu.com.cn前往参考资料 ↓在新标签页中打开|6868智能网联汽车场景库技术进展_皮书数据库pishu.com.cn前往参考资料 ↓在新标签页中打开}

该报告将场景采集、场景数据处理、场景生成、场景评价、场景管理列为场景库的核心技术环节，并总结全球场景库发展面临的共性难题与挑战，其中跨机构、跨工具的场景数据交换与复用是标准化需要回应的问题。^{6767皮书数据库pishu.com.cn前往参考资料 ↓在新标签页中打开|6868智能网联汽车场景库技术进展_皮书数据库pishu.com.cn前往参考资料 ↓在新标签页中打开}

场景库被定位为评价智能网联汽车功能的“案例库”与“习题集”，用于快速验证驾驶系统是否符合设计定义，并支撑覆盖设计运行条件全域的在环仿真测试与自动驾驶认证的实车测试；这一定位决定了场景描述格式必须可被仿真、实车与认证等多类工具链共同读取，从而对标准化与互操作提出刚性需求。^{6767皮书数据库pishu.com.cn前往参考资料 ↓在新标签页中打开|6868智能网联汽车场景库技术进展_皮书数据库pishu.com.cn前往参考资料 ↓在新标签页中打开}

真实采集数据在场景库建设中长期面临供给不足的结构性问题：现有公开三维数据集普遍存在场景覆盖有限、动态样本少、标注口径不统一三类缺陷，这既制约了空间智能大模型的训练，也使算法之间难以进行公平对比。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

为缓解真实数据瓶颈，产业界开始以多方共建方式建设公共数据底座：2026年第二届中国空间智能大会期间发布的“大规模空间智能3D数据开放计划”，由影溯科技发起并联合高校、科研院所及产业方等二十余家机构，目标是共建百万级3D/4D场景公共数据底座与统一评测体系。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

真实数据与合成数据的融合之所以成为场景库发展的主线方向，根源在于两类数据的能力互补：真实数据保证物理真实性与长尾分布的可信度，合成数据则以低成本、可参数化、可批量生成的方式补齐真实采集中难以覆盖的极端与危险工况。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}

统一评测体系被视为数据融合能否落地的关键配套：若真实数据与合成数据各自采用不同的标注口径与评价标准，融合后的场景库将无法支撑算法之间的横向比较，因此公共数据底座的建设通常与统一评测规范同步推进。^{6666破解空间智能数据瓶颈 大规模3D数据开放计划在武汉发布-新华网news.cn前往参考资料 ↓在新标签页中打开}