场景一词源于戏剧，是指在一定的时间、空间(主要是空间)内发生的一定的 任务行动或因人物关系所构成的具体人事片段。在系统学研究中，场景多被定义 为处于特定时空中的特定系统。交通场景一般指的是由众多交通参与者和特定道路环境共同构成的特定交通系统。

　　任务原指交派的工作。驾驶任务既可以指跟驰、换道、停车等某类一般性的驾驶工作，亦可指特定环境中的某项特定驾驶工作。如果受试车辆能够自主行驶 完成某项特定任务，则称为通过该特定任务的驾驶测试。相对于驾驶场景而言， 驾驶任务更为具体，时空范围更为明确。一个特定的驾驶场景通常包含多个驾驶任务。近两年，中国智能车未来挑战赛注意到了任务测试的重要性，精心设计了 任务库，测试无人驾驶车辆的特定能力。

　　不过，这里还存在一个问题：通过测试任务，仍然不能说明被测系统具备了无人驾驶智能和驾驶能力。驾驶能力一般指的是完成某种特定驾驶行为的能力。 完成一个特定的驾驶任务通常需要受试车辆具有多种驾驶能力。不同于场景和任务，每项驾驶能力可以被量化评估。进一步将各个能力进行汇总，即可定量评估整个无人驾驶车辆的驾驶能力。

　　在图1 所示的语义网络中，沿着场景、任务直到能力之间的正向连接，我们可以从驾驶场景中梳理出具体驾驶能力，将能够量化的驾驶能力指标进行细分和 标准化，以便建立完备的测试体系。

　　而沿着从能力、任务直到场景之间的反向连接，我们可以根据功能测试需求，自动产生合理的驾驶任务乃至驾驶场景，解决测试配套的驾驶环境自动设计问题。待驾驶场景确定之后，便可以自动化虚拟生成配套驾驶环境，用于无人驾驶智能 的仿真测试和实路测试。

　　场景测试位于该语义网络的左端，而功能测试位于该语义网络的右端。我们 提出的无人驾驶智能体系，实际上是将已有的两种无人驾驶智能定义方式融为一体，相辅相成。

　　4. 测试场景的生成模型

　　上述内容可知，场景是语义网络模型之基础。现在我们要考虑的问题便是，如何生成一个合适的测试场景？

　　生成测试场景，第一个要考虑的因素是，如何确定场景中所含有的任务，并 确定这一系列任务的出现和需要完成的时间—空间位置。下图2 描述了一个非常简单场景中，受试车辆 A 的若干不同任务在任务时空图中是如何排布的。受试车辆需要在每个任务需要完成的截止时间和截止空间前完成该任务。同时下图3 描述了从抽象的测试场景到具体测试实例的转换过程。

　　每个场景中的任务数目和时空排列决定了该测试场景的难易程度。任务数据 越多越难，需要同时处理的任务数量越多越难。

　　图 2. a) 一种典型的城市驾驶场景; b) 分配任务的时空排列; c) 随时间变化的相应计算开销

　　图3. 一个驾驶任务逐级细化的过程也就是对于任务空间的抽样过程，包括逐级确定分配任务的时空排列和创建实例。

　　通过枚举所有可能的任务组合，我们可以穷尽可能的交通场景。如果车辆能 通过所有这些场景，则车辆将足够智能。但由于任务空间的时空连续性，枚举是不可能完成的。因此，如何合理采样，在降低场景生成复杂度的同时，提升测试 覆盖性成为测试的关键技术【关于这个问题，作者另有专文讨论，敬请期待】。

　　通过记录受试车辆和其他车辆的轨迹，我们可以定量刻画车辆的智能水平(驾 驶性能)。常用的性能指标包括：安全、效率、平顺等。这方面已有很多文章论述，此处不再赘述。

　　6. 仿真测试

　　无人驾驶车辆系统研发需要对实车物理系统进行大量实路测试和验证工作。实路测试周期长、费用高、安全性差，且可重复性低，对车辆系统出现的异常也 缺乏有效的跟踪和评估手段，这些困难都制约了无人驾驶的研发进程。为此，有

　　必要通过建立有效的仿真测试方法，atv，加速研发和产业化。