CN109856993A - 一种自主驾驶仿真平台 - Google Patents
一种自主驾驶仿真平台 Download PDFInfo
- Publication number
- CN109856993A CN109856993A CN201910084665.8A CN201910084665A CN109856993A CN 109856993 A CN109856993 A CN 109856993A CN 201910084665 A CN201910084665 A CN 201910084665A CN 109856993 A CN109856993 A CN 109856993A
- Authority
- CN
- China
- Prior art keywords
- module
- autonomous driving
- tire
- vehicle
- emulation platform
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种自主驾驶仿真平台,包括高精度地图解析与重构、车辆动力学仿真、光学摄像机模拟、激光雷达模拟、宏观交通流模拟、场景编辑器、通信接口等技术模拟路测环境,并添加算法,构建相对真实的驾驶场景,来完成自主驾驶汽车路测工作,其中,高精度地图解析与重构模块可读取高精度地图的OSM文件,对其进行解析,并重构出路网结构与连接关系。同时,本模块还可以读取从实际环境中采集的激光雷达反射率图片,并生成黑白道路贴图。路网信息自上而下分别为道路、车道线、车道、线段、节点。可通过程序或右侧边栏逐级向上向下查询,方便之后的开发和调试。
Description
技术领域
本发明涉及自主驾驶车辆仿真技术领域,尤其涉及一种基于Unity3D的自主驾驶仿真平台。
背景技术
自主驾驶技术的发展方兴未艾,车企纷纷加快自主驾驶技术的研发与落地应用步伐。由于实车实路测试实施周期长,并且技术成熟之前的实车实路测试具备一定的安全风险,目前很多车企都倾向于选择自主驾驶仿真测试与实车实路测试相结合的方式来完成技术落地前的安全检测。自主驾驶仿真测试是指通过传感器仿真、车辆动力学仿真、高级图形处理、交通流仿真、数字仿真、道路建模等技术模拟路测环境,并添加算法,构建相对真实的驾驶场景,来完成自主驾驶汽车路测工作的一种形式。一定程度上来说,仿真测试是能够代替真实路测、加快测试速度的。虽然使用自主驾驶仿真平台进行测试可以极大的提高路测的效率,然而其测试的场景库终究是由人来设定的,即使包含很多可能的道路交通环境场景,但百密一疏,还是较难完全覆盖所有可能存在的、意想不到的场景。因此,自主驾驶仿真平台技术的发展还有很长的路要走。
对于自主驾驶初创企业,其提出的个性化仿真需求,一些开源的仿真平台难以完全满足。而自主驾驶仿真平台企业大都选择与整车厂合作,为其提供自主驾驶仿真测试相关的服务,却鲜少与自主驾驶初创公司有合作往来。换言之,虽然存在自主驾驶仿真平台的第三方供应商,但实际上,大多数研发自主驾驶技术的科技公司和初创企业还是不遗余力的研发满足自身个性化需求的仿真平台。本申请为针对企业自主驾驶技术个性化仿真需求基于Unity 3D2018而研发的自主驾驶仿真平台。
发明内容
本发明的目的是提供一种自主驾驶仿真平台,以满足用户使用需求。
为实现本发明的目的,本发明提供了一种自主驾驶仿真平台,包括:高精度地图解析与重构模块,所述高精度地图解析与重构模块用于读取高精度地图的OSM文件,对其进行解析,并重构出路网结构与连接关系,同时,还用于读取从实际环境中采集的激光雷达反射率图片,并生成黑白道路贴图,路网信息自上而下分别为道路、车道线、车道、线段、节点,还用于逐级向上向下查询。
其中,还包括:车辆动力学仿真模块,所述车辆动力学仿真模块是基于NvidiaPhysX的Wheel Collider模块开发还原真实车辆动力学模型的FullCarController模块;
所述FullCarController模块,能够调节:
每个轮胎的质量,每个轮胎的正向/侧向的动/静摩擦系数曲线,每个轮胎的悬挂行程及弹簧参数,每个轮胎的中心和悬挂点,每个轮胎是否可以转向,每个轮胎的最大转向角,发动机作用于每个轮胎的最大扭矩,每个轮胎是否有刹车/手刹,每个轮胎的刹车/手刹扭矩,车体质量以及车体重心,车辆速度上限以及车壳受空气下压力系数,车辆档位,物理模拟迭代步数。
其中,还包括:光学摄像机模拟模块,所述光学摄像机模拟模块用于实时生成DeepLearning Friendly的数据集,能够以图片形式存储于本机或局域网内任何计算机的指定文件夹内,以供其他算法客户端进行文件读取。
其中,光学摄像机模拟模块生成的图片均为配对图片,每一张光学图片均有对应的Ground Truth与之匹配,Ground Truth图像中,各类目标的颜色均能够随意指定,免除了在算法端调整参数的额外计算负担。
其中,还包括:激光雷达的模拟模块,所述激光雷达的模拟模块,提供如下两种应用:
应用1:CPU多核模拟
采用C#Jobs实现了多核点云计算,并且能够模拟基于物理的光学特性,诸如反射、折射与反射率;
应用2:深度摄像机
激光雷达模拟模块为深度摄像机。
其中,还包括:宏观交通流模拟模块,所述宏观交通流模拟模块,用于对宏观交通流进行仿真,宏观交通流是指覆盖若干公里的路网的车流,而将对我方车辆造成影响的外部车辆则从宏观交通流之中提取出来,转化为自由车辆;所述宏观交通流模块在编写时不依赖仿真系统之中的任何数据,能够单独部署到其他计算机之上,通过通信接口与本系统进行通信。
其中,还包括:场景编辑器模块,所述场景编辑器模块用于提供场景编辑器功能,用户能够在场景中增添静态障碍物和动态障碍物。
其中,用户输入模式方面,采用和OpenGL版本兼容的简易操作模式,以及和传统3D编辑软件兼容的精确操作模式;
静态障碍物方面,用户能够新建、复制、删除障碍物,也能够移动、旋转障碍物,或者直接指定其坐标和旋转;
动态障碍物方面,除静态障碍物的操作功能以外,用户还能够设定其移动路径以及路径点上的速度,障碍物将在路径点之间进行均匀加速;
除去编辑功能外,场景编辑器还能够保存和读取存档,使用同版本仿真系统的用户之间可互相交换存档文件。
其中,通信接口完成LCM和UDP通信模式,LCM通信模式能够在Windows环境中进行本机和局域网通信,UDP模式能够在Windows和Linux环境中进行本机通信。
其中,通信接口将所有要收发的数据放置到缓冲区内,由UDP和LCM通信组件进行读写,所述仿真平台将需要收发的数据也从缓冲区之中读写,实现了通信模块与仿真环境的隔离。
与现有技术相比,本发明的有益效果为,能够便捷的实现真实场景的重建,并渲染出逼真的画面以供光学图像CNN训练。同时,本发明基于Unity融合的Nvidia PhysX物理引擎也相对完善,可实现对点云、传感器处理、信息融合、路径规划、行为决策等模块的模拟和仿真,完成实时路测。
采用的是全新的Unity C#Jobs系统,可充分利用i8处理器的12核进行运算。从而降低计算时间,提高系统实时性。同时,本发明利用了IL2CPP技术,将C#编译为Intermediate Language,再编译为C++,从C++编译为dll,从而充分利用了C#的可读性和C++的高效性。
得益于LCM的局域网广播功能,能够被多个部门共享。这样,多个部门可以并行开发、仿真,不需要互相等进度,节省了大量时间和资源。视觉、雷达等各个模块独立调试完成之后,再整合起来进行联合调试。
附图说明
图1所示为本申请重构的车道线示意图;
图2所示为本申请重构的路网及连接关系的示意图;
图3所示为本申请FullCarController及其参数配置的示意图;.
图4所示为本申请光学摄像机仿真示意图;
图5所示为本申请可视化的Lidar仿真示意图;
图6所示为本申请深度摄像机模拟激光雷达示意图;
图7所示为本申请宏观交通流模拟示意图;
图8所示为本申请OpenGL兼容编辑模式示意图;
图9传统3D编辑模式示意图;
图10中(a)所示为不分区每秒10次Batch的示意图,图10中(b)所示为10个分区每秒100次Batch的示意图;
图11所示为车辆向右转向时,车辆速度和角速度恒定情况下车辆行驶轨迹俯视示意图;
图12所示为3维仿真环境与2维反射率贴图对应关系示意图;
图13所示为2维反射率贴图上质心插值法计算示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
应当说明的是,本申请中所述的“连接”和用于表达“连接”的词语,如“相连接”、“相连”等,既包括某一部件与另一部件直接连接,也包括某一部件通过其他部件与另一部件相连接。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用属于“包含”和/或“包括”时,其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个部件或者模块或特征与其他部件或者模块或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了部件或者模块在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的部件或者模块被倒置,则描述为“在其他部件或者模块或构造上方”或“在其他部件或者模块或构造之上”的部件或者模块之后将被定位为“在其他部件或者模块或构造下方”或“在其他部件或者模块或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该部件或者模块也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明基于Unity3D 2018引擎平台,采用C#作为主要编程语言,通过LCM和UDP实现联机通讯。通过高精度地图解析与重构、车辆动力学仿真、光学摄像机模拟、激光雷达模拟、宏观交通流模拟、场景编辑器、通信接口等技术模拟路测环境,并添加算法,构建相对真实的驾驶场景,来完成自主驾驶汽车路测工作。
本发明具备的功能有:
(1)本发明公开的仿真系统基于物理光学理论,能够实时且精确的模拟车辆高速行驶状态下车载激光雷达生成的点云数据;
(2)本仿真系统能够根据用户需求导入高精度地图并生成场景;
(3)本仿真系统能够根据用户需求重构场景并回放;
(4)本仿真系统能够高速输出深度学习友好的光学/激光雷达数据集和配套的GroundTruth(标准答案),并且用户能够修改不同类型目标所对应的答案标签;
(5)本仿真系统基于车辆动力学,对车辆控制和行驶进行高效准确的模拟;
(6)本仿真系统提供了准确高效且可分布式部署的宏观交通流模拟,可根据应用场景需求进行实时修改。
本发明与其他一些仿真系统的详细性能对比情况如表1示。
表1本发明与其他仿真系统的性能对比
本申请包括如下模块:
1、高精度地图解析与重构
如图1、图2所示,本模块可读取高精度地图的OSM(Open Street Map:公开地图)文件,对其进行解析,并重构出路网结构与连接关系。同时,本模块还可以读取从实际环境中采集的激光雷达反射率图片,并生成黑白道路贴图。路网信息自上而下分别为道路、车道线、车道、线段、节点。可通过程序或右侧边栏逐级向上向下查询,方便之后的开发和调试。
2、车辆动力学仿真
为了尽可能真实的还原车辆动力学模型,本仿真系统基于Nvidia PhysX(物理引擎)的Wheel Collider(轮胎碰撞体)模块开发了还原真实车辆动力学模型的FullCarController(全车控制器)模块。
FullCarController中可调节:
每个轮胎的质量,每个轮胎的正向/侧向的动/静摩擦系数曲线,每个轮胎的悬挂行程及弹簧参数,每个轮胎的中心和悬挂点,每个轮胎是否可以转向(可仿真特种车辆),每个轮胎的最大转向角,发动机作用于每个轮胎的最大扭矩,每个轮胎是否有刹车/手刹,每个轮胎的刹车/手刹扭矩,车体质量以及车体重心,车辆速度上限以及车壳受空气下压力系数,车辆档位,物理模拟迭代步数(影响性能和模拟精度)。
在FullCarController中,以上所有参数均可实时调节,如图3所示。目前系统可支持100辆左右挂载了FullCarController的车辆。
3、光学摄像机模拟
本模块目前可提供:
(1)采用Unity3D标准渲染器的普通画质版本,适配安装Linux系统的计算机。
(2)采用高清渲染管线的高清画质版本,适配高端机型。
本仿真系统目前可实时生成Deep Learning Friendly(深度学习友好)的数据集,可以图片形式存储于本机(或局域网内任何计算机)的指定文件夹内,以供其他算法客户端进行文件读取。目前,计算机输出的数据为bmp文件,颜色顺序为RGB。如需透明图像则可额外增加Alpha(透明通道)通道,但会占用更多硬盘空间。
目前本模块采用了多线程截图算法。当输出1920*1080像素的bmp图像时,可在每秒输出20帧的情况下,保持系统运行速度维持在每秒90帧。用户可根据需求选择生成可视化的.bmp文件,或直接生成存储RGB数据的.dat文件。
本模块可根据需求调节摄像机参数,如阵列摄像机、焦距、动态模糊、分辨率、相机频率、颜色偏移等。
同时,本仿真系统生成的图片均为配对图片,每一张光学图片均有对应的GroundTruth(标准答案)与之匹配。本系统的Ground Truth图像中,各类目标的颜色均可随意指定,免除了在算法端调整参数的额外计算负担。图4中,上图为摄像机原始图像,下图为Ground Truth。
4、激光雷达模拟
在激光雷达的模拟方面,本模块已完成两套方案。
方案A:CPU多核模拟。
考虑到在高速行驶的状态下(如100Km/h),若激光雷达工作频率为10Hz,两次扫描的位置可能在3米左右,因此,形成的原始点云数据并不是一个圆,而是一个螺旋面。
为解决误差问题,本系统采用C#Jobs实现了多核点云计算,并且能够模拟基于物理的光学特性,诸如反射、折射与反射率,如图5所示。
其中,利用本方案,在保证了仿真实时性的基础上,解决了业界传统激光雷达仿真中无法模拟点云偏移误差的难题。同时,还可以模拟真实环境中的激光反射率,为智能计算提供更加贴近真实的数据。
为模拟车辆高速行驶下激光雷达的偏移误差,不能使用GPU一次性扫描激光雷达旋转一周所发射的全部射线,而是进行逐次扫描。因此,本发明使用CPU进行激光雷达模拟。
但如果采用单线程计算,其计算量过大将导致系统效率下降。因此,本发明采用Unity3D 2018版本新增的C#Jobs功能和BatchRaycast功能实现CPU多核并行计算。
数学模型:
以Velodyne64线雷达而言,其扫描角精度为0.17度,在10Hz扫描频率模式运行时,每秒需进行约20830次扫描。
由于雷达的激光是同时发射的,因此在每一次扫描时对64根激光线并行计算BatchRaycast。这需要每秒钟进行640次Batch。性能报告显示,并行计算64次BatchRaycast的过程虽然很快,但推送Batch的时间过长,整体上降低了仿真系统的性能。
因此,不能对每一次扫描都进行一次BatchRaycast,而是需要将扫描范围分为若干个扇区,每一个扇区进行一次BatchRaycast。
为确定合适的分区数目和扫描频率,进行了大量试验。部分结果如图10所示。
可以看到图10(b)中毛刺的大小明显降低,从而使物理帧的帧率更加连续和平滑。试验表明,将扫描范围均匀分为10个扇区,每秒进行100次BatchRaycast时,效果最为理想。
激光雷达工作时是转动的,而车辆在行驶过程中速度和方向会发生变化,当车辆转弯时激光发射的方向会跟着发生变化。由于对扫描范围每个扇区的Raycast均为并发,需要根据车辆速度和角速度预测每次激光发射时世界坐标系中雷达的位置和激光发射方向。
在预测发射时的位置和方向时,如果采用传统迭代方法,每秒需要串行运行20835次4阶矩阵和4维向量的乘法,其计算复杂度过高。对此给出了一个公式解的计算方法:
根据实测车辆数据,在车辆行驶时,其加速度通常不会超过5m/s2,因此,在每个扇区进行扫描的0.01秒内,车辆的速度和角速度可以近似认为是恒定值。
如果车辆速度v和角速度ω恒定,则车辆行驶轨迹的俯视图应是一个圆形,如图11所示。
车辆行驶一圈所需时间
圆圈周长为L=2πR
因
则圆圈半径
因此有方程:
(x-R)2+y2=R2
(x+R)2+y2=R2
则方程中x、y的解为:
其中,时间t的值应均值化到[0,1]范围内。
在实际应用中,以激光雷达10Hz运行模式为例,如分为10个扇区,则每秒需要Batch 100次。每次Batch前需要计算:
其中,为从车辆transform的局部坐标到世界坐标的4阶转置矩阵,只需在初始化时输入一次即可。
激光雷达生成的点云数据中,除了距离信息之外还有反射率信息。反射率即为激光发射能量与反射能量之间的差,通常可用于判定目标的材质,从而实现对目标类型的感知。
传统GPU仿真方法无法计算反射率,因此会丢失一个非常重要的数据,进而影响自主驾驶深度学习算法的开发与训练。
反射率计算:
当激光到达仿真环境中某一点时,应读取其材质反射率贴图并基于其光学特性计算反射函数。
由于仿真环境为3维,而反射率贴图为2维数组,需要计算3维空间中某一点在反射率贴图上的2维坐标。
如图12示,已知A、B、C三点的三维坐标(x,y,z)及A、B、C三点在贴图上的二维坐标(u,v),现有空间中在三角面ABC上某点P,求P点在贴图上的二维坐标。
采用质心插值法(Barycentric Interpolation)计算P的二维坐标Puv,如图13示。
其中,SΔPBC是ΔPBC的面积,其他类推。
可得P点在反射率贴图上的坐标,读取反射率贴图数据,求出P点的材质反射率Rp。
根据双向反射分布函数可求得出射光Lo:
Lo(p,ωo)=Le(p,ωo)+∫S f(p,ωo,ωi)*Li(p,ωi)*V(p',p)*|dot(ωi,N)|dωi
其中:
由于目标点不发射激光,因此Le项为0。
f(p,ωo,ωi)为反射率函数,其值为P点的反射率Rp。
Li(p,ωi)为入射光能量。
|dot(ωi,N)|为入射光与物体表面法线的内积。
而该次激光发射的反射率R为:
方案B:深度摄像机
当前,业界主流的激光雷达模拟方式为深度摄像机。深度摄像机的优势在于可以快速生成大量图像,并且不消耗过多的CPU资源。其缺陷在于无法模拟高速行驶下出现的点云误差,并且无法模拟诸如积水、镜面对于激光雷达造成的干扰。如图6所示。
5、宏观交通流模拟
本模块可以对于宏观交通流进行仿真。宏观交通流一般指覆盖若干公里的路网的车流,而可能对我方车辆造成影响的外部车辆(例如500米以内的车辆)则可从宏观交通流之中提取出来,转化为自由车辆。
考虑到宏观交通流可能会占用较多计算资源,因此,本系统的宏观交通流模块在编写时不依赖仿真系统之中的任何数据,可单独部署到其他计算机之上,通过通信接口与本系统进行通信。如图7所示,
6、场景编辑器
本模块提供了场景编辑器功能。用户可以在场景中增添静态障碍物和动态障碍物。
用户输入模式方面,采用和OpenGL(通用图形接口)版本兼容的简易操作模式,以及和传统3D编辑软件兼容的精确操作模式。
静态障碍物方面,用户可以新建、复制、删除障碍物,也可以移动、旋转障碍物,或者直接指定其坐标和旋转。
动态障碍物方面,除静态障碍物的操作功能以外,用户还可以设定其移动路径以及路径点上的速度,障碍物将在路径点之间进行均匀加速。用户可以勾选“路径巡回”选项,使障碍物能够在路径上巡回行驶。当需要整体移动障碍物和路径点时,可以勾选“批量移动”选项。当动态障碍物开始行驶后,如需将其复位到起始点,可按下“复位”按钮。
除去编辑功能外,场景编辑器还能够保存和读取存档。使用同版本仿真系统的用户之间可互相交换存档文件。如图8、图9所示。
7、通信接口
本模块已完成LCM和UDP通信模式。其中,LCM通信模式可在Windows环境中进行本机和局域网通信,UDP模式可在Windows和Linux环境中进行本机通信。
LCM:LCM全称为Lightweight Communication Module,是一款便于使用的跨平台局域网通信接口。LCM收发的数据包需要使用LCM自带的编译器将lcm文件编译为C#代码,之后在C#中可以直接调用。LCM主文件需编译为dll(动态链接库),并导入Unity。
UDP:UDP为跨平台通信协议,可在Windows和Linux之间实现快速轻量化通信。UDP主要用于模拟传感器部件(如64线Lidar)的直接发送功能。
为了支持多种通信协议,本系统将所有要收发的数据放置到缓冲区内,由UDP和LCM通信组件进行读写,仿真系统需要收发的数据也从缓冲区之中读写。这样,就实现了通信模块与仿真环境的隔离。
UDP通信的配置(IP、端口、发送速率)可在UDP_Settings.json文件中进行修改,系统运行时会读取该文件并进行初始化。
本申请中所有的公式中的*号为运算符号中的乘号×。
以上所述仅是本发明的优选实施方式,应当指出的是,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 (10)
1.一种自主驾驶仿真平台,其特征在于,包括:高精度地图解析与重构模块,所述高精度地图解析与重构模块用于读取高精度地图的OSM文件,对其进行解析,并重构出路网结构与连接关系,同时,还用于读取从实际环境中采集的激光雷达反射率图片,并生成黑白道路贴图,路网信息自上而下分别为道路、车道线、车道、线段、节点,还用于逐级向上向下查询。
2.根据权利要求1所述的一种自主驾驶仿真平台,其特征在于,还包括:车辆动力学仿真模块,所述车辆动力学仿真模块是基于Nvidia PhysX的Wheel Collider模块开发还原真实车辆动力学模型的FullCarController模块;
所述FullCarController模块,能够调节:
每个轮胎的质量,每个轮胎的正向/侧向的动/静摩擦系数曲线,每个轮胎的悬挂行程及弹簧参数,每个轮胎的中心和悬挂点,每个轮胎是否可以转向,每个轮胎的最大转向角,发动机作用于每个轮胎的最大扭矩,每个轮胎是否有刹车/手刹,每个轮胎的刹车/手刹扭矩,车体质量以及车体重心,车辆速度上限以及车壳受空气下压力系数,车辆档位,物理模拟迭代步数。
3.根据权利要求1所述的一种自主驾驶仿真平台,其特征在于,还包括:光学摄像机模拟模块,所述光学摄像机模拟模块用于实时生成Deep Learning Friendly的数据集,能够以图片形式存储于本机或局域网内任何计算机的指定文件夹内,以供其他算法客户端进行文件读取。
4.根据权利要求3所述的一种自主驾驶仿真平台,其特征在于,光学摄像机模拟模块生成的图片均为配对图片,每一张光学图片均有对应的Ground Truth与之匹配,GroundTruth图像中,各类目标的颜色均能够随意指定,免除了在算法端调整参数的额外计算负担。
5.根据权利要求1所述的一种自主驾驶仿真平台,其特征在于,还包括:激光雷达的模拟模块,所述激光雷达的模拟模块,提供如下两种应用:
应用1:CPU多核模拟
采用C#Jobs实现了多核点云计算,并且能够模拟基于物理的光学特性,诸如反射、折射与反射率;
应用2:深度摄像机
激光雷达模拟模块为深度摄像机。
6.根据权利要求1所述的一种自主驾驶仿真平台,其特征在于,还包括:宏观交通流模拟模块,所述宏观交通流模拟模块,用于对宏观交通流进行仿真,宏观交通流是指覆盖若干公里的路网的车流,而将对我方车辆造成影响的外部车辆则从宏观交通流之中提取出来,转化为自由车辆;所述宏观交通流模块在编写时不依赖仿真系统之中的任何数据,能够单独部署到其他计算机之上,通过通信接口与本系统进行通信。
7.根据权利要求1所述的一种自主驾驶仿真平台,其特征在于,还包括:场景编辑器模块,所述场景编辑器模块用于提供场景编辑器功能,用户能够在场景中增添静态障碍物和动态障碍物。
8.根据权利要求7所述的一种自主驾驶仿真平台,其特征在于,用户输入模式方面,采用和OpenGL版本兼容的简易操作模式,以及和传统3D编辑软件兼容的精确操作模式;
静态障碍物方面,用户能够新建、复制、删除障碍物,也能够移动、旋转障碍物,或者直接指定其坐标和旋转;
动态障碍物方面,除静态障碍物的操作功能以外,用户还能够设定其移动路径以及路径点上的速度,障碍物将在路径点之间进行均匀加速;
除去编辑功能外,场景编辑器还能够保存和读取存档,使用同版本仿真系统的用户之间可互相交换存档文件。
9.根据权利要求1所述的一种自主驾驶仿真平台,其特征在于,通信接口完成LCM和UDP通信模式,LCM通信模式能够在Windows环境中进行本机和局域网通信,UDP模式能够在Windows和Linux环境中进行本机通信。
10.根据权利要求9所述的一种自主驾驶仿真平台,其特征在于,
通信接口将所有要收发的数据放置到缓冲区内,由UDP和LCM通信组件进行读写,所述仿真平台将需要收发的数据也从缓冲区之中读写,实现了通信模块与仿真环境的隔离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084665.8A CN109856993B (zh) | 2019-01-29 | 2019-01-29 | 一种自主驾驶仿真平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084665.8A CN109856993B (zh) | 2019-01-29 | 2019-01-29 | 一种自主驾驶仿真平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109856993A true CN109856993A (zh) | 2019-06-07 |
CN109856993B CN109856993B (zh) | 2022-05-31 |
Family
ID=66896667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910084665.8A Active CN109856993B (zh) | 2019-01-29 | 2019-01-29 | 一种自主驾驶仿真平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856993B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179621A (zh) * | 2019-12-30 | 2020-05-19 | 同济大学 | 一种基于路测设备的高精度地图制作系统及方法 |
CN111506401A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 自动驾驶仿真任务调度方法、装置、电子设备及存储介质 |
CN112035954A (zh) * | 2020-08-25 | 2020-12-04 | 长春一汽富晟集团有限公司 | 自动驾驶测试仿真平台的功能安全监控系统及监控方法 |
CN112785842A (zh) * | 2020-12-25 | 2021-05-11 | 际络科技(上海)有限公司 | 一种在线交通流仿真系统 |
CN112783766A (zh) * | 2021-01-15 | 2021-05-11 | 北京小马慧行科技有限公司 | 模拟车辆运行场景的编辑系统和编辑方法 |
CN114067062A (zh) * | 2022-01-17 | 2022-02-18 | 深圳慧拓无限科技有限公司 | 一种真实驾驶场景仿真方法、系统、电子设备和存储介质 |
CN114442507A (zh) * | 2021-12-17 | 2022-05-06 | 际络科技(上海)有限公司 | 基于频率控制的车辆在环自动驾驶仿真测试方法和系统 |
CN115016324A (zh) * | 2022-06-24 | 2022-09-06 | 中国第一汽车股份有限公司 | 仿真测试方法、仿真测试装置与计算机可读存储介质 |
CN118093554A (zh) * | 2024-04-25 | 2024-05-28 | 中汽研汽车检验中心(昆明)有限公司 | 高原环境汽车道路适应性测试评价场景库建立方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1070282A1 (en) * | 1998-01-22 | 2001-01-24 | Mts Systems Corporation | Method and apparatus for generating input signals in a physical system |
US20020178428A1 (en) * | 2001-05-25 | 2002-11-28 | Horne Stephen C. | Generation of route rules |
CN102692916A (zh) * | 2012-06-18 | 2012-09-26 | 中国人民解放军军事交通学院 | 无人驾驶汽车远程状态监视装置 |
CN103745613A (zh) * | 2014-01-22 | 2014-04-23 | 中国人民解放军军事交通学院 | 缩微道路环境下缩微智能车的定位导航实施方法 |
CN104020674A (zh) * | 2014-04-21 | 2014-09-03 | 华南农业大学 | 车辆Bug避障算法的Matlab仿真可视化平台 |
CN104915979A (zh) * | 2014-03-10 | 2015-09-16 | 苏州天魂网络科技有限公司 | 跨移动平台实现沉浸式虚拟现实的系统 |
CN105260547A (zh) * | 2015-10-20 | 2016-01-20 | 南京航空航天大学 | 面向实时虚拟监控的数字化车间三维建模方法 |
CN106200419A (zh) * | 2016-08-30 | 2016-12-07 | 杭州流控机器制造有限公司 | 一种清筛车半物理仿真试验台及其仿真方法 |
CN107274746A (zh) * | 2017-08-06 | 2017-10-20 | 深圳市中智仿真科技有限公司 | 一种完整仿真汽车物理引擎控制系统 |
CN107844195A (zh) * | 2017-10-26 | 2018-03-27 | 天津科技大学 | 基于Intel RealSense的汽车虚拟驾驶应用的开发方法及系统 |
CN107961533A (zh) * | 2017-12-18 | 2018-04-27 | 广州中国科学院先进技术研究所 | 一种驾驶模拟器 |
CN108534790A (zh) * | 2018-02-27 | 2018-09-14 | 吉林省行氏动漫科技有限公司 | 无人驾驶车辆导航方法、装置及无人驾驶车辆 |
CN108877374A (zh) * | 2018-07-24 | 2018-11-23 | 长安大学 | 基于虚拟现实与驾驶模拟器的车辆队列仿真系统和方法 |
CN109186625A (zh) * | 2018-10-24 | 2019-01-11 | 北京奥特贝睿科技有限公司 | 智能车辆利用混合采样滤波进行精确定位的方法及系统 |
-
2019
- 2019-01-29 CN CN201910084665.8A patent/CN109856993B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1070282A1 (en) * | 1998-01-22 | 2001-01-24 | Mts Systems Corporation | Method and apparatus for generating input signals in a physical system |
US20020178428A1 (en) * | 2001-05-25 | 2002-11-28 | Horne Stephen C. | Generation of route rules |
CN102692916A (zh) * | 2012-06-18 | 2012-09-26 | 中国人民解放军军事交通学院 | 无人驾驶汽车远程状态监视装置 |
CN103745613A (zh) * | 2014-01-22 | 2014-04-23 | 中国人民解放军军事交通学院 | 缩微道路环境下缩微智能车的定位导航实施方法 |
CN104915979A (zh) * | 2014-03-10 | 2015-09-16 | 苏州天魂网络科技有限公司 | 跨移动平台实现沉浸式虚拟现实的系统 |
CN104020674A (zh) * | 2014-04-21 | 2014-09-03 | 华南农业大学 | 车辆Bug避障算法的Matlab仿真可视化平台 |
CN105260547A (zh) * | 2015-10-20 | 2016-01-20 | 南京航空航天大学 | 面向实时虚拟监控的数字化车间三维建模方法 |
CN106200419A (zh) * | 2016-08-30 | 2016-12-07 | 杭州流控机器制造有限公司 | 一种清筛车半物理仿真试验台及其仿真方法 |
CN107274746A (zh) * | 2017-08-06 | 2017-10-20 | 深圳市中智仿真科技有限公司 | 一种完整仿真汽车物理引擎控制系统 |
CN107844195A (zh) * | 2017-10-26 | 2018-03-27 | 天津科技大学 | 基于Intel RealSense的汽车虚拟驾驶应用的开发方法及系统 |
CN107961533A (zh) * | 2017-12-18 | 2018-04-27 | 广州中国科学院先进技术研究所 | 一种驾驶模拟器 |
CN108534790A (zh) * | 2018-02-27 | 2018-09-14 | 吉林省行氏动漫科技有限公司 | 无人驾驶车辆导航方法、装置及无人驾驶车辆 |
CN108877374A (zh) * | 2018-07-24 | 2018-11-23 | 长安大学 | 基于虚拟现实与驾驶模拟器的车辆队列仿真系统和方法 |
CN109186625A (zh) * | 2018-10-24 | 2019-01-11 | 北京奥特贝睿科技有限公司 | 智能车辆利用混合采样滤波进行精确定位的方法及系统 |
Non-Patent Citations (3)
Title |
---|
CHI-WEN YANG: "Unity 3D production and environmental perception vehicle simulation platform", 《 2016 INTERNATIONAL CONFERENCE ON ADVANCED MATERIALS FOR SCIENCE AND ENGINEERING 》 * |
刘立等: "基于OGRE的铰接式地下矿车驾驶模拟系统", 《农业机械学报》 * |
姜峰: "基于Unity3D的虚拟驾驶系统的开发与应用", 《智能计算机与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179621A (zh) * | 2019-12-30 | 2020-05-19 | 同济大学 | 一种基于路测设备的高精度地图制作系统及方法 |
CN111179621B (zh) * | 2019-12-30 | 2021-12-31 | 同济大学 | 一种基于路测设备的高精度地图制作系统及方法 |
CN111506401A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 自动驾驶仿真任务调度方法、装置、电子设备及存储介质 |
CN111506401B (zh) * | 2020-03-27 | 2023-11-21 | 北京百度网讯科技有限公司 | 自动驾驶仿真任务调度方法、装置、电子设备及存储介质 |
CN112035954A (zh) * | 2020-08-25 | 2020-12-04 | 长春一汽富晟集团有限公司 | 自动驾驶测试仿真平台的功能安全监控系统及监控方法 |
CN112785842A (zh) * | 2020-12-25 | 2021-05-11 | 际络科技(上海)有限公司 | 一种在线交通流仿真系统 |
CN112785842B (zh) * | 2020-12-25 | 2022-04-12 | 际络科技(上海)有限公司 | 一种在线交通流仿真系统 |
CN112783766A (zh) * | 2021-01-15 | 2021-05-11 | 北京小马慧行科技有限公司 | 模拟车辆运行场景的编辑系统和编辑方法 |
CN114442507A (zh) * | 2021-12-17 | 2022-05-06 | 际络科技(上海)有限公司 | 基于频率控制的车辆在环自动驾驶仿真测试方法和系统 |
CN114067062A (zh) * | 2022-01-17 | 2022-02-18 | 深圳慧拓无限科技有限公司 | 一种真实驾驶场景仿真方法、系统、电子设备和存储介质 |
CN115016324A (zh) * | 2022-06-24 | 2022-09-06 | 中国第一汽车股份有限公司 | 仿真测试方法、仿真测试装置与计算机可读存储介质 |
CN118093554A (zh) * | 2024-04-25 | 2024-05-28 | 中汽研汽车检验中心(昆明)有限公司 | 高原环境汽车道路适应性测试评价场景库建立方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109856993B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109856993A (zh) | 一种自主驾驶仿真平台 | |
US11461958B2 (en) | Scene data obtaining method and model training method, apparatus and computer readable storage medium using the same | |
EP3547063B1 (en) | Systems and methods for generating synthetic sensor data | |
Fang et al. | Augmented LiDAR simulator for autonomous driving | |
Schlager et al. | State-of-the-art sensor models for virtual testing of advanced driver assistance systems/autonomous driving functions | |
US10635844B1 (en) | Methods and systems for simulating vision sensor detection at medium fidelity | |
Winiwarter et al. | Virtual laser scanning with HELIOS++: A novel take on ray tracing-based simulation of topographic full-waveform 3D laser scanning | |
US20210213973A1 (en) | Computer vision system | |
Craighead et al. | Using the unity game engine to develop sarge: a case study | |
US11275673B1 (en) | Simulated LiDAR data | |
CN113009506B (zh) | 一种虚实结合的实时激光雷达数据生成方法、系统及设备 | |
CN109726426A (zh) | 一种车辆自动驾驶虚拟环境构建方法 | |
CN109859562A (zh) | 数据生成方法、装置、服务器及存储介质 | |
CN115004193A (zh) | 生成环境数据 | |
CN117295647A (zh) | 具有统一的多传感器视图的传感器模拟 | |
Vukić et al. | Unity based urban environment simulation for autonomous vehicle stereo vision evaluation | |
Aiazzi et al. | Iris: High-fidelity perception sensor modeling for closed-loop planetary simulations | |
CN109977628A (zh) | 一种在Unity中高效模拟激光雷达的方法 | |
Ruano Miralles | An open-source development environment for self-driving vehicles | |
Burger et al. | Virtual reality for enhanced computer vision | |
US11847869B1 (en) | Multimodal perception simulation | |
CN114895316B (zh) | 一种多激光雷达测距的快速数值仿真方法和装置 | |
Li et al. | Research on Realistic Representation Technology in Virtual Environment | |
Funk et al. | Infinite, sparse 3d modelling volumes | |
Panduranga | Reflections in curved surfaces |
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 |