CN103218489A - 一种基于视频样本的模拟车辆个性化驾驶特性的方法 - Google Patents

Abstract

本发明公开了一种基于视频样本的模拟车辆个性化驾驶特性的方法，包括：获取真实交通视频中每辆车的真实车辆轨迹数据；根据真实车辆轨迹数据，模拟车辆行为控制模型的最优个性化参数；利用所述的最优个性化参数进行交通流重构和基于样本的交通仿真动画。本发明的方法简单新颖，很好的解决了在虚拟交通模拟中的真实性欠缺问题，具有很大的现实指导意义，且采用的车辆行为控制模型为IDMM模型，可以在一定程度上体现车辆对当前交通环境的适应性，使模拟结果更接近真实世界交通流。另外，本发明采用自适应遗传算法，提高了传统遗传算法的整体性能，加快了算法的收敛速度，同时保证得到的最优个性化参数是全局最优解，而并非局部最优解。

Description

一种基于视频样本的模拟车辆个性化驾驶特性的方法

技术领域

本发明属于虚拟现实领域，尤其涉及一种基于视频样本的模拟车辆个性化驾驶特性的方法。

背景技术

随着机动车辆的逐渐普及和运输需求的急剧增加，道路交通给人们的生活带来了越来越多的负面影响---交通拥挤，交通事故和环境污染等。交通管理已经成了一个对经济、环境和能源有着直接影响的全球性问题。另一方面，随着计算机群体模拟技术的不断发展，交通模拟仿真在计算机动画、3D游戏和虚拟现实中也有了广泛的应用，并且，越来越多的如Google Maps、Virtual Earth等三维可视化软件工具已被成熟应用，在虚拟三维场景内增加三维交通动画模拟（如汽车群组动画）的需求也日益渐增。因此，如何方便、有效地控制和模拟大规模汽车的真实运动在计算机动画中具有重要的理论意义和应用价值。

目前在图形学领域，汽车群组动画模拟的研究还相对很少。车辆沿着公路的车道运动，它的加速、减速、变道等运动满足特定的物理规律和交通规则。因此，我们需要运用物理和数学定律建立其运动模型，从而控制车辆在路网上的行驶。

交通宏观模型视交通流为可压缩连续流体，通过引入某时刻某个位置的车辆密度和平均速度的概念，建立关于密度和速度的偏微分方程或方程组。宏观模型模拟的时间基本与车辆数目无关，计算量小。这类方法中，最早的是Lighthill等人提出的LWR模型（M.J.Lighthill and G.B.Whitham.On kinematic waves.ii.a theory of traffic flow on long crowdedroads.Mathematical and Physical Sciences(1934-1990),1955.）。在图形学领域，Sewall等人首先提出了基于流体的宏观方法，进行大规模三维车流动画模拟(J.Sewall,D.Wilkie,P.Merrell,and M.C.Lin.Continuum trafficsimulation.Computer Graphics Forum,29(2):439–448,May2010.)。他们对ARZ模型进行多车道扩展，并使其包含并维持离散车辆的个体运动信息，以便于绘制最后的汽车动画。该方法虽然能够模拟超大规模车流，但受宏观模型的限制，只能模拟直连接道路和驾驶行为相似的单调车流，不能模拟如车辆灵活地加减速、超车、急刹车、穿过交通灯路口等具体驾驶行为。

微观模型以个体车辆为研究对象，在给出描述车辆运动的动力学方程后，计算模拟单辆车在道路上的运动状态，最终得到整个车流的运动，从而再现路网中的交通流情况。从2000年起，Treiber和Kesting提出了一个只需要少数有明确意义的参数、适合于高速公路的智能驾驶员模型(intelligent driver model,IDM)(M.Treiber and D.Helbing.Microsimulations of freeway traffic including control measures.Automatisierungstechnik,49:478–484,2001)。在图形学领域，Shen等人将IDM模型和灵活变道模型相结合，提出了一种新的微观控制模型（J.Shenand X.Jin.Detailed traffic animation for urban road networks.GraphicalModels,74(5):265–282,2012）。另外，Sewall(J.Sewall,D.Wilkie,and M.C.Lin.Interactive hybrid simulation of large-scale traffic.ACM Transactionon Graphics(Proceedings of SIGGRAPH Asia),30(6),December2011.)还提出一种混合模型，对大规模交通场景进行动画模拟，使其能保持稳定的交互更新速率，并根据用户需求拉伸和缩进镜头，进行整体交通流与局部细节观察的切换。

近些年，随着传感硬件和三维重建技术的发展，使用真实数据进行运动驱动成为一个重要研究方向。Sewall（J.Sewall,J.Van Den Berg,M.Lin,and D.Manocha.Virtualized traffic:Reconstructing traffic flows fromdiscrete spatiotemporal data.Visualization and Computer Graphics,IEEETransactions on,17(1):26–37,2011.）提出使用高速公路上真实传感器所捕获的车辆运动数据进行车流重建。该方法首先将车辆可能的状态空间离散化，使用多机器人运动规划相关理论，通过构建与捕获数据最相近的车辆连续驾驶状态地图，实现了三维车辆流的重构模拟。该重构方法需要相当大的时间和空间开销，且能模拟的车辆行为参数和状态十分有限。

发明内容

本发明提供了一种基于视频样本的模拟车辆个性化驾驶特性的方法，能够用于创建真实的汽车群组动画，真实感强。

一种基于视频样本的模拟车辆个性化驾驶特性的方法，包括：

（1）获取真实交通视频中每辆车的真实车辆轨迹数据；

（2）根据真实车辆轨迹数据，模拟每辆车个性化驾驶特性，得到车辆行为控制模型的最优个性化参数；

（3）利用所述的最优个性化参数进行交通流重构和基于样本的交通仿真动画。

获取真实车辆轨迹数据是通过采用NGSIM-VIDEO软件对输入的真实交通视频进行多目标检测跟踪，获取车辆位置、车道信息、当前速度等真实车辆轨迹数据。

获取真实车辆轨迹数据的具体操作包括：

（1.1）对真实交通视频进行预处理；

（1.2）对预处理后的真实交通视频进行多目标检测跟踪，获取每辆车的真实车辆轨迹数据，并记录车辆的前后邻居关系；

（1.3）将获得的真实车辆轨迹数据存入数据库。

步骤（1.1）中，所述预处理为视频检测跟踪区域裁剪和位置矫正。

本发明通过在高层的车辆个性化驾驶特性和低层的车辆行为控制模型的参数之间建立映射，实现了在虚拟仿真中表现车辆个性化的效果，模拟车辆个性化驾驶特性则转化为模拟车辆行为控制模型的最优个性化参数。

所述车辆行为控制模型为IDMM模型，该模型的优越性在于可以体现车辆对当前交通环境的适应性。

车辆行为控制模型的个性化参数具体为（v₀,T,a,b,s₀,β），其中，v₀为车辆的目标速度，T为车辆需要的安全时间距离，a为车辆的最大加速度，b为车辆的最大减速度，s₀为车辆与前车的安全距离，β为车辆的环境适应因子。

模拟每辆车个性化驾驶特性，获得车辆行为控制模型的最优个性化参数时，采用自适应遗传算法。该算法提升了传统遗传算法的整体性能，提高了算法收敛的速度，大大缩短了搜索最优解的时间。

模拟每辆车个性化驾驶特性，获得车辆行为控制模型的最优个性化参数时，以单辆车为研究对象，选择前300帧真实车辆轨迹数据作为训练数据，再采用自适应遗传算法，对训练数据进行训练，得到相应车辆的最优个性化参数。

进一步的，步骤（2）中，所述模拟每辆车个性化驾驶特性，获得车辆行为控制模型的最优个性化参数的方法具体包括：

（2.1）以单辆车为研究对象，选择前300帧真实车辆轨迹数据作为训练数据输入，将车辆的模拟位置和真实位置之间的混合误差最小化作为自适应遗传算法的目标函数；

（2.2）初始化自适应遗传算法的遗传参数，其中，所述遗传参数包括每代个体数N、基本遗传代数和（v₀,T,a,b,s₀,β）的初始值，将（v₀,T,a,b,s₀,β）分别初始化为N组随机数，并对（v₀,T,a,b,s₀,β）进行实数二进制编码，每一组二进制串记为一组个体；

（2.3）将每一组个体分别带入IDMM模型，计算得到车辆模拟位置和真实位置之间的混合误差，并根据混合误差，计算每一组个体的适应度。

（2.4）对N组个体进行适应度排序，采用轮盘赌算法进行自适应遗传算法的选择操作。

（2.5）对选择得到的N组个体的二进制串进行交叉、变异运算，产生新一代个体。

（2.6）在新一代个体和其父代个体之间进行精英保留策略，得到最终的新一代个体。

（2.7）对步骤（2.6）中产生的个体重复（2.3）、（2.4）、（2.5）、（2.6）步骤，直到满足预先设定好的终止条件。

步骤（2.5）中，交叉采用多点交叉，交叉的概率采用自适应交叉概率；

变异采用多点变异，变异的概率采用自适应变异概率。

步骤（2.7）中，终止条件为：满足基本遗传代数，且在此基础上，持续150代的混合误差都保持不变。

（3）利用所述的最优个性化参数进行交通流重构和基于样本的交通仿真动画。

得到最优个性化参数后，将最优个性化参数带入车辆行为控制模型，进行交通流重构，或者将最优个性化参数作为样本，以模拟与输入的真实交通视频具有相似交通行为的大规模交通场景。

本发明基于视频样本的模拟车辆个性化驾驶特性的方法，将车辆个性化驾驶特性具体映射为车辆行为控制模型的个性化参数，通过从真实交通视频中检测跟踪车辆，获取真实车辆轨迹数据，建立训练样本作为输入，并以车辆模拟位置和真实位置的混合误差最小化作为目标函数，使用自适应遗传算法搜索符合真实数据的车辆行为控制模型的最优个性化参数，并且，获得的最优个性化参数可用于交通流重建，或者将这些最优个性化参数作为样本，模拟与真实交通视频具有相似行为的大规模交通流。

本发明的方法简单新颖，很好的解决了在虚拟交通模拟中的真实性欠缺问题，具有很大的现实指导意义。

本发明采用的车辆行为控制模型为IDMM模型，可以在一定程度上体现车辆对当前交通环境的适应性，使模拟结果更接近真实世界交通流。

另外，本发明采用自适应遗传算法，很大程度上提高了传统遗传算法的整体性能，加快了算法的收敛速度，同时保证得到的最优个性化参数是全局最优解，而并非局部最优解。

附图说明

图1为本发明基于视频样本的模拟车辆个性化驾驶特性的方法的流程图；

图2为本发明获取真实车辆轨迹数据步骤流程图；

图3为本发明模拟车辆行为控制模型的最优个性化参数步骤流程图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

本发明为了模拟车辆个性化驾驶特性，首先输入一段真实的交通视频样本（即真实交通视频），获取交通视频中每一辆车的真实车辆轨迹数据。然后将这些真实车辆轨迹数据作为训练样本输入，使用自适应遗传算法，找到车辆最符合真实轨迹数据的车辆行为控制模型的最优个性化参数，以用于交通流重构或者模拟与真实交通视频具有类似特征的虚拟交通流。具体实施方法参照图1，包括以下步骤：

步骤101、输入真实交通视频，获取每辆车的真实车辆轨迹数据。

步骤102、根据真实车辆轨迹数据，模拟车辆行为控制模型的最优个性化参数。

步骤103、根据得到的最优个性化参数，进行交通流重构和基于样本的交通仿真动画。

为了模拟视频中车辆的真实驾驶特性，本发明首先对输入视频（真实交通视频）进行处理，获取每辆车的真实车辆轨迹数据。这部分是通过NGSIM-VIDEO软件完成的。NGSIM-VIDEO软件是由FHWA（FederalHighway Administration）提出的一款开源软件，用于处理视频，获取车辆数据。

参照图2，获取每辆车的真实车辆轨迹数据包括以下步骤：

步骤201、对输入视频进行预处理，预处理包括裁剪多余的区域，将偏斜的道路位置矫正，并且矫正拍摄视角。

步骤202、对输入视频进行多目标检测跟踪，获取每辆车每帧的位置、速度等真实车辆轨迹数据，并记录车辆的前后邻居关系。具体地，真实车辆轨迹数据包括车辆位置、车道信息、当前速度、前车id、前车速度等。

步骤203、将获得的每帧真实车辆轨迹数据存入数据库。

本发明将高层的车辆驾驶特性具体映射为低层的车辆行为控制模型IDMM（Intelligent Driver Model with Memory）的六个个性化参数（v₀,T,a,b,s₀,β），其中，v₀的含义为车辆的目标速度，T为车辆需要的安全时间距离，a为车辆的最大加速度，b为车辆的最大减速度，s₀为车辆与前车的安全距离，β为车辆的环境适应因子。

本发明中采用的IDMM模型在传统IDM模型的基础上增加了环境适应项：

$a_{\mathrm{idmm}}=a_{\mathrm{idm}}[\mathrm{\β}+(1+\mathrm{\β})\frac{v}{v_0}]---\left(1\right)$

公式（1）中，v是车辆当前速度，a_idm是使用传统IDM模型求得的车辆的最大加速度，a_idmm是使用IDMM模型求得的车辆的最大加速度，v₀为车辆的目标速度，β为车辆的环境适应因子。

在获取了真实车辆轨迹数据之后，选取每辆车的前300帧数据作为训练样本输入。使用自适应遗传算法，找到车辆最符合真实轨迹数据的模型参数。自适应遗传算法的目标函数设置为最小化车辆模拟位置与真实位置之间的混合误差F_mix。具体形式为：

$F_{\mathrm{mix}}=\sqrt{\frac{1}{<\left|s_{\mathrm{data}}\right|>}<\frac{{(s_{\mathrm{sim}}-s_{\mathrm{data}})}^2}{\left|s_{\mathrm{data}}\right|}>}---\left(2\right)$

其中， $<s>=\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N{s}_i---\left(3\right).$

公式（2）中，s_sim、s_data分别为车辆位置的模拟值和真实值；

公式（3）为离散化的求平均公式，其中N为数据的总帧数，s_i为第i帧的数据值。

选定目标函数之后，使用自适应遗传算法寻求IDMM模型的最优个性化参数的过程，参照图3，具体包括下列步骤：

步骤301、初始化遗传参数，产生初始代P[0]。

这一步骤是设置搜索和迭代的起始点，需要设置的遗传参数有每代个体数N（本发明设置为100，用户可根据情况具体进行设置），基本遗传代数（Basicgen），以及（v₀,T,a,b,s₀,β）的初始值。

（v₀,T,a,b,s₀,β）的初始值是通过在其经验值的基础上加一定的随机浮动产生，另外，（v₀,T,a,b,s₀,β）需要编码成自适应遗传算法可以识别的二进制串形式，一个二进制串代表一组（v₀,T,a,b,s₀,β）值，被称为一个个体。

步骤302、对当前代的N个个体分别计算各自的适应度。

适应度代表着个体的优良程度。适应度值越大，被选择留下来的概率越大，反之，适应度值越小，被留下来的概率越小。适应度应当与混合误差（F_mix）成反比，即混合误差越大，适应度越小，反之，混合误差越小，说明适应度越大。

本发明中使用的适应度计算公式为：

$F_{\mathrm{fitness}}=\frac{1}{1+F_{\mathrm{mix}}}---\left(4\right)$

公式（4）中，F_fitness、F_mix分别为该个体的适应度和混合误差。

步骤303、选择复制适应度较大的个体，淘汰适应度小的个体。

本发明中采用的选择策略是轮盘赌算法。根据个体的适应度，计算个体被选择的概率。将每个个体的概率转换为累计概率，形成一个轮盘，在0和1之间产生一个随机数，哪个个体的累计概率范围包含这个随机数，则该个体被选中，复制一次。用这样的方法选中N个个体进行后面的操作

步骤304、N个个体之间两两配对，以一定的概率进行交叉运算。

本发明中采用的是两点交叉算法。在一个字符串上随机选择两个交叉点，然后交换两个个体的两个交叉点之间的字符串，生成两个新的个体。交叉运算是否进行是依靠交叉概率决定的。本发明使用自适应的交叉概率，对高适应度的个体采用较低的交叉概率，以避免优良个体的流失。

自适应交叉概率pc的计算公式为：

$p_c=\left\{\begin{array}{cc}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}>f_{\mathrm{avg}}\\ p_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.---\left(5\right)$

公式（5）中，交叉概率的可选范围为[p_c2，p_c1]，p_c1,p_c2分别为最大、最小交叉概率；f′为两个交叉个体中适应度的最大值，f_max,f_avg分别为当前代N个个体的适应度最大值和平均值。

步骤305、每个个体以一定的概率进行变异运算。

本发明中采用多点变异，将选定变异位的0变成1，1变成0。与交叉运算类似，本发明的变异运算采用自适应的变异概率。变异概率p_m的计算公式为。

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}>f_{\mathrm{avg}}\\ p_{m1}& {f\&le;}^{\&prime;}{f}_{\mathrm{avg}}\end{array}\right.---\left(6\right)$

公式（6）中，变异概率的可选范围为[p_m2，p_m1]，p_m1、p_m2分别为最大、最小变异概率；f为变异个体的适应度值；f_max,f_avg分别为当前代N个个体的适应度最大值和平均值。

步骤306、经过遗传算法的选择、交叉、变异运算，就产生了N个新一代的个体。在本发明中，为了保留父代优良的个体，在新一代个体和其父代个体之间进行精英保留策略，作为最终的新一代个体。

精英保留策略的具体过程为：分别计算新一代N个个体和其父代N个个体的适应度。比较新一代个体的适应度最大值与父代个体的适应度最大值。如果新一代个体的适应度最大值大于其父代个体的适应度最大值，则新一代的N个个体全部保留进行后面的操作。否则，分别取新一代的N/2个个体与其父代的N/2个个体，组成最终的新一代个体，进行后面的操作。

步骤307、对最终的新一代个体重复302、303、304、305、306操作，直到满足算法终止条件。算法的终止必须满足两个条件：一是必须迭代够基本遗传代数设置的代数。在满足一的基础上，如果混合误差持续在固定值保持150代，则判定算法收敛，算法结束，返回最符合真实数据的最优个性化参数。

根据得到的最优个性化参数，将其带入IDMM模型，可以实现交通流重构或后面帧的交通流预测。另外，获取的这些最优个性化参数还可以作为样本，用以模拟与真实交通视频相似的任意规模汽车群组动画。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种基于视频样本的模拟车辆个性化驾驶特性的方法，包括：

（1）获取真实交通视频中每辆车的真实车辆轨迹数据；

（2）根据真实车辆轨迹数据，模拟每辆车个性化驾驶特性，得到车辆行为控制模型的最优个性化参数；

（3）利用所述的最优个性化参数进行交通流重构和基于样本的交通仿真动画。

2.如权利要求1所述的方法，其特征在于，获取真实车辆轨迹数据的方法包括：

（1.1）对真实交通视频进行预处理；

（1.2）对预处理后的真实交通视频进行多目标检测跟踪，获取每辆车的真实车辆轨迹数据，并记录车辆的前后邻居关系；

（1.3）将获得的真实车辆轨迹数据存入数据库。

3.如权利要求2所述的方法，其特征在于，所述预处理为视频检测跟踪区域裁剪和位置矫正。

4.如权利要求2所述的方法，其特征在于，所述车辆行为控制模型为IDMM模型。

5.如权利要求4所述的方法，其特征在于，车辆行为控制模型的个性化参数为（v₀,T,a,b,s₀,β），其中，v₀为车辆的目标速度，T为车辆需要的安全时间距离，a为车辆的最大加速度，b为车辆的最大减速度，s₀为车辆与前车的安全距离，β为车辆的环境适应因子。

6.如权利要求1所述的方法，其特征在于，模拟每辆车个性化驾驶特性，获得车辆行为控制模型的最优个性化参数时，采用自适应遗传算法。

7.如权利要求6所述的方法，其特征在于，模拟每辆车个性化驾驶特性，获得车辆行为控制模型的最优个性化参数时，以单辆车为研究对象，选择前300帧真实车辆轨迹数据作为训练数据，再采用自适应遗传算法，对训练数据进行训练，得到相应车辆的最优个性化参数。

8.如权利要求6所述的方法，其特征在于，自适应遗传算法中采用自适应的交叉、变异概率，在交叉、变异操作结束后加入精英保留策略。

Images