Foretellix：邁向高級自動駕駛——基于數據驅動的自動駕駛開發驗證

在資源有限、數據成本高昂的現實情況下，盲目擴充數據不僅不可持續，也難以實現高效利用。因此，如何精準識別關鍵數據缺口，提升數據利用效率，實現數據驅動下的持續優化閉環，正成為推動自動駕駛技術安全落地的核心挑戰。

針對這一難題，2025年3月19日，在第六屆軟件定義汽車論壇暨AUTOSAR中國日上，Foretellix中國工程部技術經理吳兆勇介紹了一項創新性的解決方案——數據驅動的自動駕駛開發工具鏈Foretify。

在深入了解Foretify之前，不妨通過以下視頻先對其核心功能有一個初步了解。視頻展示了Foretellix與NVIDIA Omniverse聯合解決方案的最新進展:該方案支持物理級高精度傳感器仿真場景的自動生成，可廣泛應用于自動駕駛算法的訓練與測試驗證。

Foretify解決方案的核心技術聚焦于數據評估與數據生成(Foretify Generate)兩個方面。通過先進的數據評估能力，工具鏈能夠深入分析測試數據，衡量其覆蓋度，識別現有數據集中的薄弱環節?；诖?，數據生成技術進一步自動化地生成針對性數據，有效填補覆蓋盲區，提升數據的多樣性與完整性。

Foretellix中國工程部技術經理

以下為演講內容整理:

無論是算法的訓練過程，還是其測試驗證環節，均無法脫離數據的支撐。企業和客戶通常掌握著源自多種渠道的海量數據，這些數據包括仿真數據以及實際道路測試數據等，挑戰之處在于如何迅速地從這些海量數據中挖掘出真正具有價值的信息。對于算法訓練或測試驗證而言，如何從數據中分析評估自動駕駛系統的安全性及其表現是一個重要課題。

如何以量化指標和數據支撐生成安全評估報告，也是我們客戶最為關注的核心問題之一。我們迫切希望明確，現有海量數據在訓練和驗證過程中是否具備足夠的充分性，數據覆蓋是否全面，是否存在關鍵缺口亟待補充。在識別這些不足后，如何高效地優化并填補數據。這些都是我們當前面臨的重要挑戰。然而，我們擁有的資源是有限的，尤其在中國這樣競爭激烈的環境下，無論是人力資源、算力資源、還是上市時間窗口，都顯得尤為緊迫。

針對上述挑戰，Foretellix提出了一套以數據為中心的解決方案，核心在于構建一條高效、可量化的閉環流程，專為自動駕駛系統的開發與驗證而設計。該方案由兩項關鍵技術組成:數據評估與數據生成(Foretify Generate)。Foretify Evaluate能深入分析現有測試數據，生成詳盡的評估報告，精準識別數據覆蓋度與潛在缺口；隨后，Foretify Generate 針對性地生成補充數據，填補不足，最終實現評估與生成閉環，持續優化數據體系。

圖源:演講嘉賓素材

我們的工具鏈平臺名為Foretify，集成了多個功能模塊，圍繞“數據驅動”這一核心理念構建。首先，我們從數據出發，面對用戶已積累的大量路測或仿真數據，Foretify能高效提取其中的關鍵信息，為后續的數據分析與評估提供有力支撐。我們的一位北美客戶是一家專注于 L4 級無人配送小車的企業，他們亟需了解當前采集數據的具體內容、所覆蓋的場景類型，以及在不同場景下自動駕駛系統的實際表現。

為滿足這一需求，我們的平臺子模塊logIQ可接收原始道路采集數據，并自動識別、標注用戶關心的關鍵場景片段。例如，自動檢測每一次車輛通過十字路口的場景。logIQ 不僅能實現精準的場景切分與分類，還能為每個場景提取相關參數與行為指標，進而構建結構化的數據集。

基于這些數據集，我們便能夠開展更深入的分析與診斷工作——包括識別異常、評估ODD覆蓋度、分析系統在特定場景中的行為表現等，從而為系統優化提供可靠的數據支撐。

圖源:演講嘉賓素材

在提取出結構化數據后，我們可借助Foretify Manager——一套專為大規模數據分析設計的平臺工具，對全量數據進行統一匯總與深入分析。該平臺基于統計方法呈現各項關鍵指標在目標測試空間中的分布情況，從中提取有價值的信息與洞見。

圖源:演講嘉賓素材

在上圖可視化圖表中，右側標記綠色的區域表示已有數據覆蓋的指標區間，即場景中存在對應的測試數據落在該范圍內；紅色區域則標識覆蓋盲區，代表當前數據尚未觸達該指標區間，也即我們需要關注與補充的覆蓋漏洞。

圖示左側展示了對測試需求的追蹤情況，包括目標覆蓋項與關鍵性能指標等內容，所有數據均可在Foretify Manager中實現統一整合與追蹤，助力高效決策與數據閉環優化。

我們還提供了名為Triage的問題分類與診斷模塊，專為從海量測試數據中快速識別和歸類自動駕駛系統中的潛在問題而設計。Triage 支持用戶基于特定指標自定義規則，并自動執行篩選與分類。

用戶可靈活設定規則以捕捉關鍵場景，例如所有發生碰撞或接近碰撞的案例，或 TTC低于某一閾值的事件等。一旦規則設定完成，系統將自動篩選匹配案例，大幅提升問題定位效率。

此外，對于某些關鍵失效案例，平臺還提供深入分析與可視化回放功能，支持用戶對問題根因進行詳細研判，助力閉環優化與系統迭代。

通過 Evaluation模塊，我們能夠識別測試數據中的不足、缺口與覆蓋盲區。為了有針對性地補全這些漏洞并提升數據質量，我們引入了另一項核心技術能力——Generation。

在數據生成方面，我們采用兩條技術路徑。第一條路徑基于 實際路測數據，從中提取具有代表性和分析價值的場景，并在此基礎上進行場景擴展。為此，我們開發了 Smart Replay功能，它可在真實駕駛場景基礎上引入多樣化變化，實現智能化的數據生成。

例如，在自動駕駛車輛左轉的場景中，若原始數據中行人在車輛通過后才開始通行，Smart Replay 可通過微調行人穿行時機，使場景更具挑戰性。此外，我們還可以動態調整NPC的行為參數，如車速、車道位置等，甚至修改環境條件，如天氣、時間等因素。

借助 Smart Replay，我們能夠對真實場景進行 二次泛化，在保持真實性的前提下生成豐富、具代表性的測試樣本，從而顯著擴充數據集。這是我們數據生成的第一條核心技術路徑。

第二條技術路線則采用相對傳統的方式，即通過正向設計場景并進行隨機泛化。然而，我們在此基礎上引入了關鍵創新:基于 OpenSCENARIO DSL 的抽象場景，實現更智能、更可控的場景泛化。

OpenSCENARIO DSL 是我們與 ASAM 共同推進的最新行業標準。下圖所示為其典型用例——一個抽象場景的定義示例。不同于傳統以軌跡或具體行為為核心的場景創建方式，抽象場景從更高層級描述行為邏輯與交互關系，聚焦于場景意圖和本質特征。這種表達方式不僅更具通用性，也極大提升了自動化泛化的效率與質量。

圖源:演講嘉賓素材

例如，假設我們希望通過抽象場景描述一個cut in并道場景，其場景本質可描述為:一輛 NPC 車輛從鄰近車道并入，最終駛入我方車輛前方的同一車道。我們可通過簡潔的幾行 OpenSCENARIO DSL 代碼定義該場景的起始與結束狀態，并設定關鍵約束條件——如場景開始時兩車位于不同車道、同向行駛，場景結束時 NPC 車位于我方車輛前方的同一車道。

至于具體發生在哪段道路、以何種速度切入、從哪個方向變道等細節，無需在抽象層級中定義，因為這些均屬于該抽象場景所涵蓋的參數空間，可由平臺在后續場景生成階段進行實例化泛化生成。借助 OpenSCENARIO DSL，我們能夠準確表達行為的本質特征行為，而后通過 Foretify 平臺進行隨機泛化求解，自動生成大量不同的并道場景。

抽象場景的優勢在于其巨大的表達空間，尤其適用于大規模場景空間探索，發現未知風險。它已廣泛應用于 Vamp;V 驗證流程中的海量測試，以及 AI 算法訓練所需的合成數據生成，為自動駕駛開發帶來更高效、更系統化的場景支撐。

此外，抽象場景天然具備模塊化特性，允許我們基于一組基礎模塊靈活構建出更復雜的場景組合。同時，抽象場景的定義與地圖是解耦的:在編寫抽象場景時，無需指定其所屬的具體地圖或位置。這使得同一個抽象場景可適配于多個地圖環境，并在所有符合約束條件的位置上自動生成具體實例。如下圖所示:當路口右轉遇行人這樣一個抽象場景與一張包含多種交叉路口元素的地圖搭配使用時，Foretify 將自動在所有滿足約束條件的路口位置上，生成多種變化形式的具體路口場景，實現場景的大規模、多樣化自動生成。

圖源:演講嘉賓素材

這種設計不僅提升了生成效率，更具備強大的未知風險發現能力。例如，對于“兩車交匯”這一常見場景，人工正向設計時往往局限于十字路口等典型區域。而通過 Foretify，系統能夠在如加油站捷徑這類非常規道路上，自動識別并生成潛在交匯與碰撞場景，揭示出工程師可能遺漏的高風險區域。

這些“意料之外”的特殊情境，正是提高測試覆蓋度、暴露系統脆弱點的關鍵所在。抽象場景與地圖的解耦性，為我們提供了更廣泛、更系統的場景探索能力，是面向規?；炞C與安全分析的重要技術手段。

綜上所述，Foretify 以數據為核心，構建了由 Evaluation與 Generation(生成) 驅動的高效開發閉環。通過 Evaluation，我們能夠系統識別測試或訓練數據中的覆蓋盲區與代表性不足；借助 Generation，結合抽象場景建模與智能泛化能力，平臺可自動補全數據缺口、擴展多樣化的場景樣本，不僅提升Vamp;V驗證效率和測試覆蓋率，也可為 AI 算法訓練提供高質量、具挑戰性的合成數據。未來，我們還將持續推進更多創新功能，敬請大家持續關注。