CN108595811A - 一种用于无人车训练模拟的突发性事件仿真方法 - Google Patents
一种用于无人车训练模拟的突发性事件仿真方法 Download PDFInfo
- Publication number
- CN108595811A CN108595811A CN201810339856.XA CN201810339856A CN108595811A CN 108595811 A CN108595811 A CN 108595811A CN 201810339856 A CN201810339856 A CN 201810339856A CN 108595811 A CN108595811 A CN 108595811A
- Authority
- CN
- China
- Prior art keywords
- node
- behavior
- unexpected incidents
- logical
- incidents
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种用于无人车训练模拟的突发性事件仿真方法,所述方法通过以下方式实现:首先对典型的突发性事件进行分析归类,然后对突发性事件进行文本描述,指定突发性事件的主体、行为以及对象;接着对突发性事件可能涉及的行为关系进行逻辑表示;最后采用行为树方法仿真突发性事件,从而提高无人车智能行为的训练效率。本发明提出的突发性事件仿真方法不仅具有较好的逼真性和较强的通用性,还能够为快速训练和评测无人车智能行为的危险感知能力提供技术方案。
Description
技术领域
本发明涉及一种仿真方法,特别涉及一种用于无人车训练模拟的突发性事件仿真方法,属于无人驾驶领域。
背景技术
目前,无人驾驶汽车的研究在人工智能的发展和计算能力的不断更新推动下正如火如荼的进行中,各传统汽车厂商和互联网新兴造车企业都宣称2020年前后量产L3级别以上的自动驾驶汽车。为了赶上这个节奏,各厂家都在加紧对无人车进行各种台架测试和道路测试。由于无人车的智能行为决定了其自动化程度,对其研究和评估一直是技术的重心。虽然路测是整车开发验证的必须阶段,但受路测道路场地限制,以及成本和时间因素,全部在真实环境下的研究和验证是不现实的,因此,构建虚拟驾驶仿真平台是加快研究的一项重要技术手段。而在虚拟驾驶仿真平台中,由于构建的道路场景范围通常比较有限,同时不断在重复的道路场景范围内对无人驾驶的决策训练,其效果也是有限的,而通过仿真突发性事件,不仅能够模拟无人车应对突发性和不确定性事件的智能行为,提高无人车智能行为的训练效率,还可以为验证创造测试条件,而到目前为止,已有的研究对其关注不多,即使有,在仿真时车、路、事件都是固定好的,虽然能够实现不断重复的仿真交互,但在真实性和可扩展方面需要进一步加强。因此,本发明从提高无人车智能行为的训练效率角度出发,研究用于无人车训练模拟的突发性事件仿真方法。
发明内容
本发明提供了一种突发性事件仿真方法,该方法用于提高无人车智能行为的训练效率,以解决现有的突发性事件仿真必须事先设定好所有参数,在真实性和可扩展性方面均有待提高的问题。通过本发明的研究,不仅能够较逼真地模拟突发性事件,而且能够为快速训练和评测无人车智能行为的危险感知能力提供技术手段,综上所述,研究用于无人车训练模拟的突发性事件仿真方法具有重要的理论意义和工程应用价值。
一种用于无人车训练模拟的突发性事件仿真方法,为快速训练和评测无人驾驶汽车智能行为的危险感知能力提供技术手段,包括步骤如下:
(1)对典型的突发性事件进行分析,归纳为六种类型;
(2)对突发性事件进行文本描述;
(3)对突发性事件可能涉及的行为关系进行逻辑表示;
(4)采用行为树方法仿真突发性事件。
进一步地,所述步骤(1)对典型的突发性事件进行分析,归纳为如下六种类型:
(1.1)在十字路口或丁字路口处直行的两辆车对撞;
(1.2)在十字路口或丁字路口处一辆直行、一辆拐弯的车辆侧撞;
(1.3)高速公路上前方车辆换道导致后面车辆追尾;
(1.4)异常行人,即行人突然出现在机动车道上;
(1.5)为躲避路上异常行人两相向而行的车辆对撞;
(1.6)在隧道处发生多车追尾;
进一步地,所述步骤(2)对突发性事件进行文本描述,包括步骤:
(2.1)对于突发性事件涉及的每个虚拟角色,为其指定主体、行为以及对象,其中主体即行为的执行者,对象可以是一个特定的物体或者特定的位置;
(2.2)将物体转换成位置信息,确定方法分成两种情况:
1)当位置由动态对象转换成时,需要实时提取位置数据;
2)当位置是静态地点时,与主体和行为的处理方式相同;
(2.3)构建三个词库,分别存储主体名称、行为名称和位置名称;
(2.4)构建一个新的词库存储描述两个事件发生时间关系的短语。
进一步地,所述步骤(3)对突发性事件可能涉及的行为关系进行逻辑表示,包括步骤:
(3.1)将突发性事件可能涉及的行为关系分为顺序、平行、竞争、循环、选择、中断和嵌套关系;
(3.2)在上述关系中,前五种和行为树的逻辑关系基本一致;对于中断关系,主要考虑当多个突发性事件同时发生时,优先级高的突发性事件会中断优先级低的突发性事件,获得优先执行权;对于嵌套关系,主要考虑多个非中断的突发性事件的有序组合。
进一步地,所述步骤(4)采用行为树方法仿真突发性事件,包括步骤:
(4.1)解析文本,获取突发性事件涉及的所有虚拟角色的行为序列;
(4.2)确定突发性事件系统行为树的逻辑关系;
(4.3)对突发性事件涉及的每个虚拟角色进行个体行为树构建;
(4.4)将个体行为树通过逻辑节点进行层级组织,形成系统行为树。
进一步地,所述步骤(4.1)解析文本,获取突发性事件涉及的所有虚拟角色的行为序列具体如下:解析文本是按顺序解析每一句文字,并将每句文字对应一个事件进行处理,每一句文字解析分为四步,第一步搜索主体,即按照先后顺序遍历该句中的每个单词,搜索到的第一个S中的单词即为主体名称,可以得到该名称对应的虚拟角色编号s;第二步搜索行为,采用与名称相同方式搜索得到行为在B中编号b;第三步搜索对象,当可以在该文字中检索出非主体名称,得到该对象的动态位置坐标p,该位置在每次调用时都需要进行更新;若为在P中检索出静态位置地点名称,则得到静态位置坐标p,引入参数q用于表示位置为静态或者动态;最后搜索文字中是否存在T中的表示事件发生时间关系的短语,存在则得到相应的时间短语编号t;若成功解析s,b,p后,可以得到事件ei=N(s,b,p,q,t)。
进一步地,所述步骤(4.2)确定突发性事件系统行为树的逻辑关系具体如下:
突发性事件中行为之间的关系分为顺序、平行、竞争、循环、选择、中断和嵌套关系,按照上述关系,构造基本行为节点和五种逻辑节点,基本行为节点为逻辑节点的子节点,并且不存在子节点,每激活一个基本行为节点会向突发性事件涉及的某个虚拟角色发送一个行为指令;逻辑节点一般不会直接发送指令,而是根据节点逻辑激活或者终止子节点,逻辑节点也可以是其他逻辑节点的子节点;
逻辑节点包含一个或者多个子节点,当自身处于激活状态时,按照逻辑关系激活自身子节点并由子节点执行状态更新自身状态,五种逻辑节点如下:
(4.21)顺序逻辑节点Node_Sequence按照子节点顺序依次激活,但是需要当前子节点的行为发送执行成功消息才会激活下一个子节点,直到最后的子节点行为发送执行成功时更新自身状态为执行成功。
(4.22)平行逻辑节点Node_Parallel会同时激活所有子节点,当所有子节点发送执行成功后更新自身状态为执行成功。
(4.23)竞争逻辑节点Node_Race也会同时激活所有子节点,当第一个子节点发送执行成功后,会终止其余子节点并调用终止行为,直到其余子节点的终止行为发送执行成功时更新自身状态为执行成功。
(4.24)循环逻辑节点Node_Loop按照子节点循环顺序激活每个子节点,在不被终止的情况下不会改变自身执行状态。
(4.25)选择逻辑节点Node_Select会选择激活子节点中某一个节点,当该节点执行成功后,更新自身状态为执行成功,不激活其他子节点
相对于现有技术,本发明的优点如下:
1)该技术方案用于无人车训练模拟的突发性事件仿真方法,不受应用场景和环境因素的限制,能够根据相应的文本描述对突发性事件进行仿真,因此,该仿真方法具有较强的通用性和灵活性;
2)该技术方案用于无人车训练模拟的突发性事件仿真方法通过模拟突发性事件来验证无人车对突发性和不确定性的应对能力,不仅可以提高无人车智能行为的训练效率,还为验证创造测试条件;
3)全部在真实环境中研究和验证无人车的智能行为是不可能实现的,所以通过突发性事件仿真来验证无人车的智能行为可以大大节约时间和人力、物力成本。
附图说明
图1为本发明用于无人车训练模拟的突发性事件仿真方法的流程图;
图2、图3、图4、图5、图6、图7为本发明仿真的六种突发性事件的示意图;
图8、图9、图10、图11、图12、图13为本发明对六种突发性事件的行为树构建过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
在本实施例中,如图1所示的流程图给出了本实施例的具体过程:
步骤(1)、对典型的突发性事件进行分析,归纳为如下六种类型,图2、图3、图4、图5、图6、图7为这六种突发性事件的示意图:
(1.1)在十字路口或丁字路口处直行的两辆车对撞;
(1.2)在十字路口或丁字路口处一辆直行、一辆拐弯的车辆侧撞;
(1.3)高速公路上前方车辆换道导致后面车辆追尾;
(1.4)异常行人,即行人突然出现在机动车道上;
(1.5)为躲避路上异常行人两相向而行的车辆对撞;
(1.6)在隧道处发生多车追尾;
步骤(2)、对突发性事件进行文本描述。
具体地,首先对于每个虚拟角色,为其指定主体、行为以及对象,其中主体即行为的执行者,对象可以是一个特定的物体或者特定的位置;然后将物体转换成位置信息,分两种情况进行处理:1)当位置是由动态对象转换时,需要实时提取位置数据;2)当位置是静态地点时,与主体和行为的处理方式相同;接着构建三个词库,分别存储主体名称、行为名称和位置名称;最后构建一个新的词库存储描述两个事件发生时间关系的短语,四个词库组成的集合分别记为S,B,P,T。
步骤(3)、对突发性事件可能涉及的行为关系进行逻辑表示。
具体地,突发性事件中行为之间的关系通常分为顺序、平行、竞争、循环、选择、中断和嵌套关系。按照上述关系,可以构造基本行为节点和五种逻辑节点。基本行为节点一般为逻辑节点的子节点,并且不存在子节点,每激活一个基本行为节点会向突发性事件涉及的某个虚拟角色发送一个行为指令;逻辑节点一般不会直接发送指令,而是根据节点逻辑激活或者终止子节点,逻辑节点也可以是其他逻辑节点的子节点。
逻辑节点包含一个或者多个子节点,当自身处于激活状态时,按照逻辑关系激活自身子节点并由子节点执行状态更新自身状态,五种逻辑节点如下:
(1)顺序逻辑节点Node_Sequence按照子节点顺序依次激活,但是需要当前子节点的行为发送执行成功消息才会激活下一个子节点,直到最后的子节点行为发送执行成功时更新自身状态为执行成功。
(2)平行逻辑节点Node_Parallel会同时激活所有子节点,当所有子节点发送执行成功后更新自身状态为执行成功。
(3)竞争逻辑节点Node_Race也会同时激活所有子节点,当第一个子节点发送执行成功后,会终止其余子节点并调用终止行为,直到其余子节点的终止行为发送执行成功时更新自身状态为执行成功。
(4)循环逻辑节点Node_Loop按照子节点循环顺序激活每个子节点,在不被终止的情况下不会改变自身执行状态。
(5)选择逻辑节点Node_Select会选择激活子节点中某一个节点,当该节点执行成功后,更新自身状态为执行成功,不激活其他子节点。
为了实现突发性事件中对每个虚拟角色的行为控制,构建个体行为树和系统行为树。系统行为树用于控制整个场景所有虚拟角色的行为,每个虚拟角色的基本行为节点构成了系统行为树中各个分支的叶节点,受系统行为树调度。个体行为树用于控制虚拟角色的独立行为。系统行为树与个体行为树的运行遵循三个基本原则:
(1)个体挂起:场景中每个虚拟角色都拥有各自的个体行为树,用于产生一定的自主行为。为了使个体能够接受多个行为树的控制,个体可以被挂起。处于挂起状态的个体不再接收任何个体行为树的行为指令。
(2)终止信号:每个节点都可以随时接收调度器的终止信号,节点会向所有基本行为节点发送终止指令并调用终止行为,终止信号会持续至所有基本行为节点完成终止行为。
(3)优先级:行为树通常需要设定优先级,系统行为树有最高优先级,个体行为树优先级最低。当个体接收到来自优先级更高的行为树调度命令时,会终止个体行为树并将个体挂起,在当前事件涉及的其他虚拟角色就绪后开始接收高优先级行为树的指令。一旦当前事件完成,个体会从挂起状态恢复,恢复个体行为树的控制。
顺序、平行、竞争、循环、选择关系分别由上述五种逻辑节点实现。中断关系根据优先级高低,通过系统行为树终止低优先级的突发性事件来实现。嵌套关系整体由顺序逻辑节点实现,但是需要第一个子节点的行为执行并行逻辑且发送执行成功消息才会激活下一个子节点,直到最后的子节点行为发送执行成功时更新自身状态为执行成功。
步骤(4)采用行为树方法仿真突发性事件。
具体地,解析文本是按顺序解析每一句文字,并将每句文字对应一个事件进行处理。每一句文字解析分为四步,第一步搜索主体,即按照先后顺序遍历该句中的每个单词,搜索到的第一个S中的单词即为主体名称,可以得到该名称对应的虚拟角色编号s。第二步搜索行为,采用与名称相同方式搜索得到行为在B中编号b。第三步搜索对象,当可以在该文字中检索出非主体名称,得到该对象的动态位置坐标p,该位置在每次调用时都需要进行更新;若为在P中检索出静态位置地点名称,则得到静态位置坐标p,引入参数q用于表示位置为静态或者动态。最后搜索文字中是否存在T中的表示事件发生时间关系的短语,存在则得到相应的时间短语编号t。若成功解析s,b,p后,可以得到事件ei=N(s,b,p,q,t)。
下面结合图8、图9、图10、图11、图12和图13,采用行为树对六种典型的突发性事件进行仿真。
通过并行逻辑关系,为突发性事件“在路口处直行的两辆车对撞”构建系统行为树;通过顺序逻辑关系,分别为两辆车构建个体行为树,如图8所示。
通过并行逻辑关系,为突发性事件“在路口处一辆直行、一辆拐弯的车辆侧撞”构建系统行为树;通过顺序逻辑关系,分别为两辆车构建个体行为树,如图9所示。
通过并行逻辑关系,为突发性事件“高速公路上车辆换道追尾”构建系统行为树;通过顺序逻辑关系,为被追尾车辆构建个体行为树,如图10所示。
通过顺序逻辑关系,为突发性事件“异常行人,即行人突然出现在机动车道上”构建系统行为树,如图11所示。
通过中断逻辑关系,为突发性事件“为躲避路上异常行人两辆相向而行的车对撞”构建系统行为树,根据优先级高低,系统行为树会将个体挂起,进而终止低优先级的突发性事件,而执行高优先级的突发性事件,如图12所示。通过嵌套逻辑关系,为突发性事件“在隧道处发生多车追尾”构建系统行为树,如图13所示。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种用于无人车训练模拟的突发性事件仿真方法,其特征在于,该方法包括步骤如下:
(1)对典型的突发性事件进行分析,归纳为六种类型;
(2)对突发性事件进行文本描述;
(3)对突发性事件可能涉及的行为关系进行逻辑表示;
(4)采用行为树方法仿真突发性事件。
2.根据权利要求1所述的用于无人车训练模拟的突发性事件仿真方法,其特征在于,所述步骤(1)中对典型的突发性事件进行分析,归纳为如下六种类型:
(1.1)在路口处直行的两辆车对撞;
(1.2)在路口处一辆直行、一辆拐弯的车辆侧撞;
(1.3)高速公路上车辆换道追尾;
(1.4)异常行人,即行人突然出现在机动车道上;
(1.5)为躲避行人两辆相向而行的车对撞;
(1.6)在隧道处发生多车追尾。
3.根据权利要求1所述的用于无人车训练模拟的突发性事件仿真方法,其特征在于,所述步骤(2)中对突发性事件进行文本描述,具体包括以下步骤:
(2.1)对于每个虚拟角色,为其指定主体、行为以及对象,其中主体即行为的执行者,对象可以是一个特定的物体或者特定的位置;
(2.2)将物体转换成位置信息,确定方法分成两种情况:
1)当位置由动态对象转换成时,需要实时提取位置数据;
2)当位置是静态地点时,与主体和行为的处理方式相同;
(2.3)构建三个词库,分别存储主体名称、行为名称和位置名称;
(2.4)构建一个新的词库存储描述两个事件发生时间关系的短语。
4.根据权利要求1所述的用于无人车训练模拟的突发性事件仿真方法,其特征在于,所述步骤(2)中对突发性事件可能涉及的行为关系进行逻辑表示,具体包括以下步骤:
(3.1)将突发性事件可能涉及的行为关系分为顺序、平行、竞争、循环、选择、中断和嵌套关系;
(3.2)在上述关系中,前五种和行为树的逻辑关系基本一致;对于中断关系,主要考虑当多个突发性事件同时发生时,优先级高的突发性事件会中断优先级低的突发性事件,获得优先执行权;对于嵌套关系,主要考虑多个非中断的突发性事件的有序组合。
5.根据权利要求1所述的用于无人车训练模拟的突发性事件仿真方法,其特征在于,所述步骤(4)中采用行为树方法仿真突发性事件,具体包括以下步骤:
(4.1)解析文本,获取突发性事件涉及的所有虚拟角色的行为序列;
(4.2)确定突发性事件系统行为树的逻辑关系;
(4.3)对突发性事件涉及的每个虚拟角色进行个体行为树构建;
(4.4)将个体行为树通过逻辑节点进行层级组织,形成系统行为树。
6.根据权利要求1所述的用于无人车训练模拟的突发性事件仿真方法,其特征在于,所述步骤:(4.1)解析文本,获取突发性事件涉及的所有虚拟角色的行为序列具体如下:解析文本是按顺序解析每一句文字,并将每句文字对应一个事件进行处理,每一句文字解析分为四步,第一步搜索主体,即按照先后顺序遍历该句中的每个单词,搜索到的第一个S中的单词即为主体名称,可以得到该名称对应的虚拟角色编号s;第二步搜索行为,采用与名称相同方式搜索得到行为在B中编号b;第三步搜索对象,当可以在该文字中检索出非主体名称,得到该对象的动态位置坐标p,该位置在每次调用时都需要进行更新;若为在P中检索出静态位置地点名称,则得到静态位置坐标p,引入参数q用于表示位置为静态或者动态;最后搜索文字中是否存在T中的表示事件发生时间关系的短语,存在则得到相应的时间短语编号t;若成功解析s,b,p后,可以得到事件ei=N(s,b,p,q,t)。
7.根据权利要求5所述的用于无人车训练模拟的突发性事件仿真方法,其特征在于,所述步骤(4.2)确定突发性事件系统行为树的逻辑关系具体如下:
突发性事件中行为之间的关系分为顺序、平行、竞争、循环、选择、中断和嵌套关系,按照上述关系,构造基本行为节点和五种逻辑节点,基本行为节点为逻辑节点的子节点,并且不存在子节点,每激活一个基本行为节点会向突发性事件涉及的某个虚拟角色发送一个行为指令;逻辑节点一般不会直接发送指令,而是根据节点逻辑激活或者终止子节点,逻辑节点也可以是其他逻辑节点的子节点;
逻辑节点包含一个或者多个子节点,当自身处于激活状态时,按照逻辑关系激活自身子节点并由子节点执行状态更新自身状态,五种逻辑节点如下:
(4.21)顺序逻辑节点Node_Sequence按照子节点顺序依次激活,但是需要当前子节点的行为发送执行成功消息才会激活下一个子节点,直到最后的子节点行为发送执行成功时更新自身状态为执行成功。
(4.22)平行逻辑节点Node_Parallel会同时激活所有子节点,当所有子节点发送执行成功后更新自身状态为执行成功。
(4.23)竞争逻辑节点Node_Race也会同时激活所有子节点,当第一个子节点发送执行成功后,会终止其余子节点并调用终止行为,直到其余子节点的终止行为发送执行成功时更新自身状态为执行成功。
(4.24)循环逻辑节点Node_Loop按照子节点循环顺序激活每个子节点,在不被终止的情况下不会改变自身执行状态。
(4.25)选择逻辑节点Node_Select会选择激活子节点中某一个节点,当该节点执行成功后,更新自身状态为执行成功,不激活其他子节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810339856.XA CN108595811B (zh) | 2018-04-16 | 2018-04-16 | 一种用于无人车训练模拟的突发性事件仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810339856.XA CN108595811B (zh) | 2018-04-16 | 2018-04-16 | 一种用于无人车训练模拟的突发性事件仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108595811A true CN108595811A (zh) | 2018-09-28 |
CN108595811B CN108595811B (zh) | 2022-03-11 |
Family
ID=63622793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810339856.XA Active CN108595811B (zh) | 2018-04-16 | 2018-04-16 | 一种用于无人车训练模拟的突发性事件仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595811B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611679A (zh) * | 2020-03-30 | 2020-09-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 传感器调度行为树模型的建模方法 |
CN111667169A (zh) * | 2020-06-04 | 2020-09-15 | 成都飞机工业(集团)有限责任公司 | 一种基于多人协同装配角色智能补位方法 |
CN111983934A (zh) * | 2020-06-28 | 2020-11-24 | 中国科学院软件研究所 | 一种无人车仿真测试用例生成方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1901143A1 (en) * | 2006-09-15 | 2008-03-19 | Saab Ab | Onboard simulation device and simulation method |
CN101556625A (zh) * | 2009-05-19 | 2009-10-14 | 上海理工大学 | 驾驶员对路径信息板动态响应行为的动态模拟方法 |
WO2010104773A1 (en) * | 2009-03-09 | 2010-09-16 | Massachusetts Institute Of Technology | System and method for modeling supervisory control of heterogeneous unmanned vehicles through discrete event simulation |
WO2011008120A1 (en) * | 2009-07-17 | 2011-01-20 | Ydreams - Informática, S.A. | Systems and methods for inputting transient data into a persistent world |
CN102467589A (zh) * | 2010-11-10 | 2012-05-23 | 上海日浦信息技术有限公司 | 交互式交通仿真系统 |
CN102654940A (zh) * | 2012-05-23 | 2012-09-05 | 上海交通大学 | 基于无人驾驶飞机的交通信息采集系统及其处理方法 |
CN103617159A (zh) * | 2012-12-07 | 2014-03-05 | 万继华 | 将自然语言翻译成计算机语言的方法、语义分析器及人机对话系统 |
CN105912814A (zh) * | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
CN105956268A (zh) * | 2016-04-29 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试场景构建方法和装置 |
CN106021816A (zh) * | 2016-06-20 | 2016-10-12 | 华北电力大学(保定) | 一种基于行为树的分布式系统行为仿真分析工具的实现方法 |
CN106446392A (zh) * | 2016-09-19 | 2017-02-22 | 浙江大学 | 一种面向流程工业罐区的混杂系统建模仿真方法 |
CN106652642A (zh) * | 2017-02-27 | 2017-05-10 | 武汉科码软件有限公司 | 一种叉车作业训练模拟器 |
CN107340773A (zh) * | 2017-06-26 | 2017-11-10 | 怀效宁 | 一种自动驾驶车辆用户个性化的方法 |
CN107506830A (zh) * | 2017-06-20 | 2017-12-22 | 同济大学 | 面向智能汽车规划决策模块的人工智能训练平台 |
-
2018
- 2018-04-16 CN CN201810339856.XA patent/CN108595811B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1901143A1 (en) * | 2006-09-15 | 2008-03-19 | Saab Ab | Onboard simulation device and simulation method |
WO2010104773A1 (en) * | 2009-03-09 | 2010-09-16 | Massachusetts Institute Of Technology | System and method for modeling supervisory control of heterogeneous unmanned vehicles through discrete event simulation |
CN101556625A (zh) * | 2009-05-19 | 2009-10-14 | 上海理工大学 | 驾驶员对路径信息板动态响应行为的动态模拟方法 |
WO2011008120A1 (en) * | 2009-07-17 | 2011-01-20 | Ydreams - Informática, S.A. | Systems and methods for inputting transient data into a persistent world |
CN102467589A (zh) * | 2010-11-10 | 2012-05-23 | 上海日浦信息技术有限公司 | 交互式交通仿真系统 |
CN102654940A (zh) * | 2012-05-23 | 2012-09-05 | 上海交通大学 | 基于无人驾驶飞机的交通信息采集系统及其处理方法 |
CN103617159A (zh) * | 2012-12-07 | 2014-03-05 | 万继华 | 将自然语言翻译成计算机语言的方法、语义分析器及人机对话系统 |
CN105956268A (zh) * | 2016-04-29 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试场景构建方法和装置 |
CN105912814A (zh) * | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
CN106021816A (zh) * | 2016-06-20 | 2016-10-12 | 华北电力大学(保定) | 一种基于行为树的分布式系统行为仿真分析工具的实现方法 |
CN106446392A (zh) * | 2016-09-19 | 2017-02-22 | 浙江大学 | 一种面向流程工业罐区的混杂系统建模仿真方法 |
CN106652642A (zh) * | 2017-02-27 | 2017-05-10 | 武汉科码软件有限公司 | 一种叉车作业训练模拟器 |
CN107506830A (zh) * | 2017-06-20 | 2017-12-22 | 同济大学 | 面向智能汽车规划决策模块的人工智能训练平台 |
CN107340773A (zh) * | 2017-06-26 | 2017-11-10 | 怀效宁 | 一种自动驾驶车辆用户个性化的方法 |
Non-Patent Citations (1)
Title |
---|
刘欣等: "车辆智能行为验证与评估的虚拟场景研究", 《系统仿真学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611679A (zh) * | 2020-03-30 | 2020-09-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 传感器调度行为树模型的建模方法 |
CN111611679B (zh) * | 2020-03-30 | 2023-05-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 传感器调度行为树模型的建模方法 |
CN111667169A (zh) * | 2020-06-04 | 2020-09-15 | 成都飞机工业(集团)有限责任公司 | 一种基于多人协同装配角色智能补位方法 |
CN111667169B (zh) * | 2020-06-04 | 2022-02-18 | 成都飞机工业(集团)有限责任公司 | 一种基于多人协同装配角色智能补位方法 |
CN111983934A (zh) * | 2020-06-28 | 2020-11-24 | 中国科学院软件研究所 | 一种无人车仿真测试用例生成方法及系统 |
CN111983934B (zh) * | 2020-06-28 | 2021-06-01 | 中国科学院软件研究所 | 一种无人车仿真测试用例生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108595811B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595811A (zh) | 一种用于无人车训练模拟的突发性事件仿真方法 | |
Lim et al. | SUMO enhancement for vehicular ad hoc network (VANET) simulation | |
CN112549029B (zh) | 一种基于行为树的机器人行为控制方法及装置 | |
CN111898211A (zh) | 基于深度强化学习的智能车速度决策方法及其仿真方法 | |
JP7296465B2 (ja) | 自律車両の適切な挙動を監視するためのシステム及びその方法 | |
Carlino et al. | Approximately orchestrated routing and transportation analyzer: Large-scale traffic simulation for autonomous vehicles | |
Loos et al. | Safe intersections: At the crossing of hybrid systems and verification | |
US20230415787A1 (en) | Method and apparatus for generating a simulation scene, electronic device and storage medium | |
Zhou et al. | Specification-based autonomous driving system testing | |
CN104760592B (zh) | 机动车决策控制方法 | |
CN106227736A (zh) | 一种基于链表结构的逻辑流程实现方法及装置 | |
Montana et al. | Evolving control laws for a network of traffic signals | |
Hu et al. | Feature analysis on mixed traffic flow of manually driven and autonomous vehicles based on cellular automata | |
CN115016318A (zh) | 自动驾驶仿真测试场景描述语言的融合方法及系统 | |
CN108665069A (zh) | 一种用于无人车训练模拟的突发性事件触发机制 | |
Furda et al. | Towards increased road safety: Real-time decision making for driverless city vehicles | |
CN111983934A (zh) | 一种无人车仿真测试用例生成方法及系统 | |
Lawniczak et al. | Software implementation of population of cognitive agents learning to cross a highway | |
Lin et al. | Safety verification of a data-driven adaptive cruise controller | |
Derrick | Conceptual frameworks for discrete event simulation modeling | |
Lawniczak et al. | Effects of model parameter interactions on Naïve creatures' success of learning to cross a highway | |
Wang et al. | Object behavior simulation based on behavior tree and multi-agent model | |
CN113485300B (zh) | 一种基于强化学习的自动驾驶车辆碰撞测试方法 | |
Lawniczak et al. | Biomimicry Based Learning Outcomes of Simple Cognitive Agents | |
Shi et al. | On the use of the accident dynamic simulator method in ship collision accident analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |