CN109948289B - 基于最大全局侵占率搜索的车辆自主泊车功能测评方法 - Google Patents
基于最大全局侵占率搜索的车辆自主泊车功能测评方法 Download PDFInfo
- Publication number
- CN109948289B CN109948289B CN201910255613.2A CN201910255613A CN109948289B CN 109948289 B CN109948289 B CN 109948289B CN 201910255613 A CN201910255613 A CN 201910255613A CN 109948289 B CN109948289 B CN 109948289B
- Authority
- CN
- China
- Prior art keywords
- area
- vehicle
- global
- dan
- parking
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开一种基于最大全局侵占率搜索的车辆自主泊车功能测评方法,该方法通过搭建仿真平台,对待测自主泊车功能和场景分析,对最差泊车场景进行全局搜索,搜索以最大全局侵占率为输出。通过实地再现最差泊车场景对待测自主泊车功能进行验证,如果待测自主泊车功能在最危险场景下可满足运行要求,则认定该待测自主泊车功能通过测评。本发明能够在降低仿真与场地测试量的同时,提高待测自主泊车功能的验证准确率,对自动驾驶技术产业化的发展起到一定的推进作用。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种自动驾驶车辆自主泊车功能的测试测评方法。
背景技术
自动驾驶车辆发展至今所面临的一个主要问题是在确保安全的前提下如何落地商业化。车辆自主泊车功能的运行场景车速相对较低,场景复杂度较低,因此车辆自主泊车功能的实现难度相对其它自动驾驶功能较低,最有可能率先商业化。但由于自主泊车功能需要车辆首先运行至停车位,再进行泊车,因此其运行时间相对传统泊车功能较长;其次当停车场环境较复杂时,影响自动停车效果的因素较多;最后,由于场地狭小,驾驶员干预效果有限,当自主泊车功能发生故障时,仍有可能造成较大的人员伤害与财产损失。综上,对自主泊车功能的测试测评相比传统车辆测评更为复杂,而且条件更加严格。如依照传统车辆主动安全测试方法对自主泊车功能进行测试,为了达到较高的安全性,则需要进行数目巨大的场地测试,其时间与金钱成本过于巨大而无法实用。但现有研究中仍缺乏对自主泊车功能的测试测评的理论与方法研究,尤其是缺乏研究如何在降低测试量的同时确保自主泊车功能的安全性。
发明内容
针对现状,本发明提供一种基于最大全局侵占率搜索的车辆自主泊车功能测评方法。该方法首先确定待测自主泊车功能的功能边界,同时确定装有该待测自主泊车功能车辆传感器的配置、车辆参数等对自主泊车功能具有影响的参数。在此基础上搭建由待测自动驾驶车辆模型、场景模型和待测自动驾驶算法黑箱模型的仿真平台。进一步地,可对包含传感器的车辆进行针对性的场地实验,从而实现对车辆仿真平台的参数调整,确保仿真平台的精确度在一定的范围。通过对自主泊车功能及该功能对应的ODD(Operational DesignDomain设计可操作范围)和应用场景分析,确定场景中各参数边界。该最差全局侵占率搜索问题可转换为优化问题进行求解,该优化问题的输入为停车场参数、停车场内其他车辆动态与静态参数和被测车辆初始参数,优化目标为全局侵占率Sdan-p,全局侵占率Sdan-p相关计算公式嵌入到仿真平台中,在每次运行包含确定场景参数和车辆初始参数的仿真平台后,得到对应的全局侵占率Sdan-p。依照最优化算法对能够达到最大全局侵占率Sdan-pmax的场景参数和车辆初始参数进行搜索,从而获得对应最大全局侵占率Sdan-pmax的泊车最差场景。由于该最差场景是对应自主泊车功能在ODD范围内能遇见的最差场景,因此该最差场景在通过难度上能够在一定程度上覆盖其他场景,从而减少了场地测试量,并验证了对应自主泊车功能在极端情况下的表现,并分析了待测自主泊车功能可能的薄弱之处,提高了自主泊车功能实际运行中的安全性与可靠性。
本发明所采取的技术方案如下:一种基于最大全局侵占率搜索的车辆自主泊车功能测评方法,包括如下步骤:
S1:搭建包括有车辆模型、场景模型的仿真平台,确定与实际测试相关的一致性参数,如车辆动力学参数、外形参数、传感器参数等;
进一步地,可通过对车辆参数、传感器配置等进行实际场地实验,对仿真平台参数进行调整,确保仿真平台的精确度;
S2:通过对自主泊车功能的功能边界和泊车场景的分析,确定场景中各参数及参数边界,如停车场参数、停车场内其他车辆动态与静态参数、被测车辆初始参数;
S3:选择一泊车初始场景,进而对最差全局侵占率场景进行全局搜索,最差全局侵占率场景以优化问题求解的方式获得,该优化问题的输入为停车场参数、停车场内其他车辆动态与静态参数和待测车辆初始参数,输出为全局侵占率Sdan-p;面对全部场景搜索到的最大全局侵占率Sdan-pmax所对应的场景即为最差全局侵占率场景;
S4:通过实际场地再现最差全局侵占率场景,对待测自主泊车功能进行验证,如果待测自主泊车功能在该最差全局侵占率场景下可满足运行要求,则可认定该待测自主泊车功能在其它场景下的也能大概率满足要求,可认为该待测自主泊车功能通过测评。
进一步地,求解全局侵占率Sdan-p及最大全局侵占率为Sdan-pmax的方法为:
1)定义车辆在一次自主泊车过程中对停车场中第i个需避开区域的侵占率为Sdan-i,用以表征待测自主泊车算法在不同工况下的功能优劣度,需避开区域包括停车过程需要避开的其它车位,停车路线中的静止或移动障碍物,侵占率Sdan-i表示为:
sub表示取括号内计算值最大值;So为需避开区域的面积,SL(t)为在t时刻第i个需避开区域被待测车辆侵占后,该区域成比例缩小后的面积,针对不同情形,SL(t)的计算方法如下:
a)当待测车辆与需避开区域无相互干涉时,SL(t)的计算方法为:需避开区域等比例向外扩张后与待测车辆相干涉时的最小面积;
b)当待测车辆与需避开区域发生干涉且待测车辆未超过需避开区域的中心点时,SL(t)的计算方法为:需避开区域等比例向内缩小后与测试车辆脱离干涉时的最大面积;
c)当待测车辆超过需避开区域的中心点后,SL(t)为负值,|SL(t)|的计算方法为:需避开区域等比例由中心点向外扩张后,不被待测车辆完全覆盖时的最小面积。
2)定义全局侵占率Sdan-p,Sdan-p为在一次泊车过程中针对所有需避开区域的泊车过程中所有Sdan-i的最大值。
3)在仿真测试中通过将所有场景中全局侵占率Sdan-p最大作为搜索目标,得到各种泊车场景下全局侵占率Sdan-p的最大值,即为最大全局侵占率Sdan-pmax。
对所有泊车场景进行搜索,搜索使得全局侵占率最大时对应的场景即为最差全局侵占率场景。通过在实际场地测试中使用Sdan-pmax所对应的场景,得到自主泊车实车运行中可能发生的最差或相对较差的场景,同时得到实车运行时可能的最大全局侵占率(Sdan-pmax)act,如该最差场景可满足对自动泊车的运行要求,则可判断该自动泊车功能在其它场景的运行能够大概率满足要求,可认为该自动泊车功能通过测评。
本发明采用仿真的方法找到最能考察泊车功能的最恶劣场景,然后通过实地再现验证该场景条件下该泊车功能是否能够满足运行要求,因为此场景在恶劣程度上覆盖其他场景,所以可不进行其他场景试验,从而减少了场地测试量,并验证了对应自主泊车功能在极端情况下的表现。
本发明的其他特征和优点将在随后的说明书中阐述,并且部分的从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了本发明内容的自主泊车停车场坐标系示例;
图2示出了本发明内容的最大全局侵占率自动搜索平台;
图3示出了停入停车位1过程中的最大侵占率搜索结果;
图4示出了停入停车位2过程中的最大侵占率搜索结果;
图5示出了停入停车位3过程中的最大侵占率搜索结果。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。下面结合附图,说明本发明的实施方式。
在此将通过对一种自动驾驶车辆的自主泊车功能进行测试测评分析,对本发明提出的方法进行进一步的说明与验证。该自主泊车功能涉及的停车场结构如图1所示。图中,横纵坐标的单位为米,带数字的长方形框代表停车位,数字为对应停车位的编号,当停车位已被占用时,划叉表示,如7、8和9号车位。图中线段代表车辆可以行走的路径。自主泊车的起始点为1,对应该停车场的自主泊车功能的描述如下:车辆由驾驶员开至1位置,接着由车辆自主泊车模块接手车辆控制,将车辆开至指定的对应车位。
为了能够较直观的展示自主泊车功能算法,这里对停车过程进行一定的简化。假设每一时段只有一辆车辆进行停车,且停车场内,在车辆运行路径中,没有其它车辆、人员或其它干扰物体。在上述假设下,需要进行停车的车辆可能发生的危险为停车过程中对非目标停车位的侵占。在实际运行过程中,驾驶员将车辆停至1位置的实际车辆坐标和车辆航向角都无法准确控制,因此会对停车效果产生较大影响。因此本示例通过研究车辆的初始停车位置对自主泊车的影响,对自主泊车功能算法进行测评,同时展示本申请提出的基于最大全局侵占率的车辆自主泊车功能测试测评方法。
依照上述描述,本示例中的最大全局侵占率搜索问题可转换为,搜索在不同的车辆初始位置与车辆航向角的情况下,该自主泊车功能算法对非指定停车位的最大侵占率。建立如图2所示的搜索平台进行上述最大侵占率的搜索工作。该搜索平台集成优化工具模块、仿真平台、全局侵占率计算模块,其中优化工具需结合搜索问题,选择合理的优化方法;仿真平台集成了停车场地图数据、车辆动力学模型和待测评的自动泊车功能算法。全局侵占率计算模块将定义的侵占率Sdan-i计算方法集成至相关模块,以便在仿真平台运行后,可自动计算一次泊车对应的全局侵占率Sdan-p,通过优化工作的不断迭代,最终得到对应最大全局侵占率Sdan-pmax的起始车辆位置与偏航角。
通过上述搜索平台,可计算得到对应各停车位置的最大全局侵占率Sdan-pmax(i)。如图3-图5为对应1、2和3号停车位的发生最大全局侵占率Sdan-pmax(1)、Sdan-pmax(2)和Sdan-pmax(3)的情况,图中,初始位置虚线方框A为车辆标准起始位置,实线方框B为对应最大全局侵占率的车辆起始位置。车辆四角轨迹为图中曲线C,通过车辆四角轨迹即可看出停车过程对非停车车位的侵占。如图所示,在对第1、2和3车位停车过程的最大全局侵占率分别发生在对2、1和43号车位的侵占。重复使用搜索平台完成对剩余车位停车过程中的最大全局侵占率的搜索,即可得到对应各个车位的最大全局侵占率与所有车位中(即对应整个停车场)的全局最大侵占率。
通过上述自动搜索平台得到针对待测自主泊车算法的最大全局侵占率场景,通过在停车场中还原车辆起始参数,进行相似场景的实车试验,得到自主泊车功能实车运行中可能发生的最差或相对较差的场景,如该最差场景可满足对自主泊车功能的运行要求,则可判断该自主泊车功能在其它场景的运行能够大概率满足要求,可认为该自主泊车功能通过测评。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于最大全局侵占率搜索的车辆自主泊车功能测评方法,其特征在于,包括如下步骤:
S1:搭建包括有车辆模型、场景模型的仿真平台,确定与实际测试时相关的一致性参数;
S2:通过对自主泊车功能的功能边界和泊车场景的分析,确定场景中环境参数及参数边界;
S3:采用优化求解的方法,以最大全局侵占率Sdan-pmax作为输出,对相对应的最差全局侵占率场景进行全局搜索;
S4:通过实际场地再现最差全局侵占率场景,对待测自主泊车功能进行验证,如果待测自主泊车功能在最差全局侵占率场景下满足运行要求,则认定该待测自主泊车功能通过测评;
其中,求解最大全局侵占率Sdan-pmax的方法为:
1)定义车辆在一次自主泊车过程中对停车场中第i个需避开区域的侵占率Sdan-i,表示为:
sub表示取括号内计算值最大值;So为需避开区域的面积,SL(t)为在t时刻第i个需避开区域被待测车辆侵占后,该区域成比例缩小后的面积;
针对不同情形,SL(t)的计算方法如下:
a)当待测车辆与需避开区域无相互干涉时,SL(t)的计算方法为:需避开区域等比例向外扩张后与待测车辆相干涉时的最小面积;
b)当待测车辆与需避开区域发生干涉且待测车辆未超过需避开区域的中心点时,SL(t)的计算方法为:需避开区域等比例向内缩小后与测试车辆脱离干涉时的最大面积;
c)当待测车辆超过需避开区域的中心点后,SL(t)为负值,|SL(t)|的计算方法为:需避开区域等比例由中心点向外扩张后,不被待测车辆完全覆盖时的最小面积;
2)定义全局侵占率Sdan-p,Sdan-p为在一次泊车过程中针对所有需避开区域的侵占率Sdan-i的最大值;
3)通过对所有泊车场景下全局侵占率Sdan-p最大作为搜索目标,得到所有泊车场景下全局侵占率Sdan-p的最大值,即为最大全局侵占率Sdan-pmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255613.2A CN109948289B (zh) | 2019-04-01 | 2019-04-01 | 基于最大全局侵占率搜索的车辆自主泊车功能测评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255613.2A CN109948289B (zh) | 2019-04-01 | 2019-04-01 | 基于最大全局侵占率搜索的车辆自主泊车功能测评方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948289A CN109948289A (zh) | 2019-06-28 |
CN109948289B true CN109948289B (zh) | 2020-11-10 |
Family
ID=67013194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910255613.2A Expired - Fee Related CN109948289B (zh) | 2019-04-01 | 2019-04-01 | 基于最大全局侵占率搜索的车辆自主泊车功能测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948289B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110553853B (zh) * | 2019-08-06 | 2020-11-20 | 清华大学 | 基于场地下较差场景搜索的自动驾驶功能测试测评方法 |
CN112289023B (zh) * | 2020-10-09 | 2024-03-26 | 腾讯科技(深圳)有限公司 | 用于自动驾驶的停车仿真测试方法、装置及相关设备 |
CN112364439B (zh) * | 2020-12-02 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 自动驾驶系统的仿真测试方法、装置以及存储介质 |
CN116223054A (zh) * | 2022-12-12 | 2023-06-06 | 中汽院智能网联科技有限公司 | 智能泊车的测试及评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335797A (zh) * | 2015-11-03 | 2016-02-17 | 浙江大学 | 一种基于全联立动态优化框架的自主泊车轨迹优化方法 |
CN105857306A (zh) * | 2016-04-14 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种用于多种泊车场景的车辆自主泊车路径规划方法 |
CN107782564A (zh) * | 2017-10-30 | 2018-03-09 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评系统及方法 |
CN107792079A (zh) * | 2016-08-31 | 2018-03-13 | 福特全球技术公司 | 利用路径预测的自主车辆 |
CN109326014A (zh) * | 2018-12-05 | 2019-02-12 | 天津炜衡科技有限公司 | 一种电动车道路测试系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10379007B2 (en) * | 2015-06-24 | 2019-08-13 | Perrone Robotics, Inc. | Automated robotic test system for automated driving systems |
CN107798911A (zh) * | 2017-11-28 | 2018-03-13 | 青岛理工大学 | 一种基于WiFi的室内停车位精确引导系统及方法 |
-
2019
- 2019-04-01 CN CN201910255613.2A patent/CN109948289B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335797A (zh) * | 2015-11-03 | 2016-02-17 | 浙江大学 | 一种基于全联立动态优化框架的自主泊车轨迹优化方法 |
CN105857306A (zh) * | 2016-04-14 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种用于多种泊车场景的车辆自主泊车路径规划方法 |
CN107792079A (zh) * | 2016-08-31 | 2018-03-13 | 福特全球技术公司 | 利用路径预测的自主车辆 |
CN107782564A (zh) * | 2017-10-30 | 2018-03-09 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评系统及方法 |
CN109326014A (zh) * | 2018-12-05 | 2019-02-12 | 天津炜衡科技有限公司 | 一种电动车道路测试系统及方法 |
Non-Patent Citations (3)
Title |
---|
Autonomous Driving Simulation for Unmanned Vehicles;Danchen Zhao 等;《2015 IEEE Winter Conference on Applications of Computer Vision》;20151231;第185-190页 * |
基于虚拟仪器的汽车自动泊车控制系统检测平台的开发;李垠桦;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160415;第2016年卷(第04期);第C035-65页 * |
自动泊车系统模型研究与实车验证;禄盛 等;《重庆邮电大学学报(自然科学版)》;20140831;第26卷(第4期);第522-529页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109948289A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948289B (zh) | 基于最大全局侵占率搜索的车辆自主泊车功能测评方法 | |
CN111006879B (zh) | 一种面向港口环境的人机混驾自动驾驶的测试方法及其测试平台 | |
US10482003B1 (en) | Method and system for modifying a control unit of an autonomous car | |
US20220307859A1 (en) | Method and device for updating map | |
CN109782763B (zh) | 一种动态环境下的移动机器人路径规划方法 | |
CN111309600B (zh) | 虚拟场景注入自动驾驶测试方法及电子设备 | |
US11137763B2 (en) | Generating and fusing traffic scenarios for automated driving systems | |
CN111061167B (zh) | 一种面向智能网联示范区的混合现实自动驾驶的测试方法及虚拟测试平台 | |
Schubert et al. | Comparison and evaluation of advanced motion models for vehicle tracking | |
CN112286206B (zh) | 自动驾驶的模拟方法、系统、设备、可读存储介质及平台 | |
CN109164785B (zh) | 自动驾驶车辆的仿真测试方法、装置、设备及存储介质 | |
CN112596500B (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法 | |
US20200042656A1 (en) | Systems and methods for persistent simulation | |
US20220198107A1 (en) | Simulations for evaluating driving behaviors of autonomous vehicles | |
CN110116727B (zh) | 一种车道中心保持系统的实车测试方法 | |
CN111222750A (zh) | 无人驾驶车辆综合定量测评系统及其方法 | |
CN117130298A (zh) | 用于评估自动驾驶系统的方法、装置及存储介质 | |
Roos et al. | A framework for simulative evaluation and optimization of point cloud-based automotive sensor sets | |
US20150168155A1 (en) | Method and system for measuring a vehicle position indoors | |
CN114638103A (zh) | 自动驾驶联合仿真方法、装置、计算机设备及存储介质 | |
CN110008577B (zh) | 基于最差全局危险度搜索的车辆自动换道功能测评方法 | |
CN116481541A (zh) | 一种无需卫星导航的车辆自主返航控制方法、装置及介质 | |
Sell et al. | Safety toolkit for automated vehicle shuttle-Practical implementation of digital twin | |
Duprey et al. | Simulation of the performance based standards (PBS) low-speed 90 turn test in TruckSim by jumping back in time | |
JP2020125107A (ja) | 自律走行モジュールまたは運転者のステアリング意図を対象車両のステアリング装置へより正確に伝達するための方法及び装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201110 |