CN110072193A - 一种用于智能网联车测试的通信拓扑结构 - Google Patents

Abstract

本发明公开了一种用于智能网联车测试的通信拓扑结构，通信拓扑结构包括车端单元和路测单元，所述车端单元包括车载控制设备和车端通信设备，所述路测单元包括路端通信设备，所述车载控制设备和所述车端通信设备均安装于所述被测车，所述车载控制设备将规划好的轨迹输出给所述被测车以及从所述被测车的定位系统获取被测车信息，所述被测车信息包括所述被测车的速度和位置信息，所述车载控制设备将所述被测车信息经由所述车端通信设备输出给所述路端通信设备，所述路端通信设备将采集到的所述被测车信息输出给中控PC。本发明可以变换参与对象以及环境，为测试任意交通场景的模拟提供了便利条件，实现了低成本、零风险、多对象、多场景的测试功能。

Description

一种用于智能网联车测试的通信拓扑结构

技术领域

本发明涉及自动驾驶测试技术领域，特别是涉及一种用于智能网联车测试的通信拓扑结构。

背景技术

近年来，汽车与人工智能逐渐成为了业界与学界最关注的问题之一。在智能网联技术方面，整个体系已经趋于完善，有理论支持，也有实际工程应用。然而，ICV(英文全称为“Intelligent and Connected Vehicles”；中文全称为“智能网联汽车”)的测试领域研究相对较少，系统也不够完善，目前尚无完全统一的标准。对于交通工具而言，安全永远第一位。每一辆自动驾驶的智能网联汽车，从开发到投入商用，需要经历大量的测试，而这些测试大致可以分为仿真测试和实车测试两种。

目前市面上的ICV实车测试机制主要有两种，一种是封闭场地测试，另一种是真实路况测试。但是，封闭场地测试成本高昂、模拟方式简陋、参考价值小；而真实路况测试虽然更加真实，但容易出事故，安全隐患高，且被法律限制。因此，目前还没有一种既满足需求又安全可靠的测试机制。

因此，希望有一种技术方案来克服或至少减轻现有技术的上述缺陷中的至少一个。

发明内容

本发明的目的在于提供一种用于智能网联车测试的通信拓扑结构来克服或至少减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明提供一种用于智能网联车测试的通信拓扑结构，所述通信拓扑结构包括车端单元和路测单元，其中：所述车端单元包括车载控制设备和车端通信设备，所述路测单元包括路端通信设备，所述车载控制设备和所述车端通信设备均安装于所述被测车，所述车载控制设备将规划好的轨迹输出给所述被测车以及从所述被测车的定位系统获取被测车信息，所述被测车信息包括所述被测车的速度和位置信息，所述车载控制设备将所述被测车信息经由所述车端通信设备输出给所述路端通信设备，所述路端通信设备将采集到的所述被测车信息输出给中控PC；所述中控PC通过同一局域网或互联网与至少一台全地形机器人信息交互，所述中控PC从所述车载控制设备采集所述被测车信息以及由所述全地形机器人反馈得到的全地形机器人信息，所述全地形机器人信息包括全地形机器人的速度和位置信息；所述中控PC控制所述全地形机器人的路线以及路线上每一个点对应的速度，所述交通对象模型包括身高可调人偶模型和动物模型，其中：所述中控PC还控制所述身高可调人偶模型的左右肩关节、左右膝关节按照所述行为模式中的周期进行周期性活动，以模拟行人步态；所述中控PC还控制所述动物模型的四肢关节按照所述行为模式中的周期进行进行周期性活动，以模拟动物步态。

进一步地，所述车载控制设备通过虚拟CAN通信方式与所述车端通信设备进行通讯，所述车端通信设备通过udp协议与所述路端通信设备进行通讯。

进一步地，所述中控PC与各所述全地形机器人设置为Ubuntu主从模式，所述中控PC设置为Master，每一所述全地形机器人设置为一Servant，所述中控PC基于tcp协议设置有talker程序，所述全地形机器人基于所述tcp协议设置有listener程序，配置网络端口的IP地址后通过启动所述talker程序和listener程序，各所述全地形机器人实时向所述中控PC发送速度和位置信息，所述中控PC利用ssh远程登录，控制所述全地形机器人的路线以及路线上每一个点对应的速度。

进一步地，所述中控PC根据获取得到的所述全地形机器人的速度信息，生成实际的速度与时间相对应的曲线关系，将该实际的速度与时间相对应的曲线关系与预设的速率曲线图进行对比，将所述全地形机器人的速度调整至接近所述速率曲线图上对应的速度，所述速率曲线图根据仿生学和交通行为的文献抽象得到。

进一步地，所述车端通信设备和路端通信设备均采用DSRC，并使用T-station作为硬件端。

进一步地，在所述常规模式下，该交通对象模型具有在所述交通场景中的常规意识和与该常规意识相匹配的行为模式；在所述激励模式下，该交通对象模型在所述交通场景中受到外部激励后作出的反应分为第一反应、第二反应和第三反应，每一种反应具有与其匹配的行为模式，所述第一反应的概率Pi1、第二反应的概率Pi2和第三反应的概率Pi3的和为1，i由所述外部激励和所述交通场景的种群确定；如果所述行为模式为所述激励模式，则所述中控PC生成一个随机数范围，该交通对象模型将按照落入所述随机范围内的概率所对应的反应匹配的行为模式进行运动，所述行为模式包括路线以及路线上每一个点对应的速度和周期。

本发明提供的测试平台首创式地借助于全地形机器人模拟交通对象，通过模仿交通对象的运动轨迹与行为意识，还原交通场景以进行测试。随测试的需要，本实施例提供的测试平台可以变换参与对象以及环境，为测试任意交通场景的模拟提供了便利条件，实现了低成本、零风险、多对象、多场景的测试功能。

附图说明

图1-1是本发明实施例提供的智能网联车万能测试平台的原理性框图；

图1-2是图1-1所示的智能网联车万能测试平台的测试状态示意图；

图1-3是图1-1所示的智能网联车万能测试平台中的交通场景的示意图；

图2-1是图1-1所示的智能网联车万能测试平台中通信拓扑结构的示意图；

图3-1是本发明实施例提供的用于智能网联车测试的交通对象模拟装置的结构示意图；

图3-2是图3-1所示的交通对象模拟装置的侧面示意图；

图3-3是本发明提供的交通对象模拟装置另一实施例的结构示意图；

图3-4是图3-1所示的第一交通对象姿态调整机构的结构示意图；

图3-5是图3-1所示的交通对象模拟装置中支撑台架的侧面示意图；

图3-6是图3-5所示的支撑台架的俯视图；

图3-7是图3-5所示的支撑台架与身高可调人偶模型之间连接示意图；

图4-1是本发明实施例提供的用于智能网联车测试的测试车控制方法的流程示意图；

图4-2是的自行车的运动轨迹示意图；

图4-3和图4-4分别是图4-2示出的自行车的X方向的分速度、Y方向的分速度示意图；

图4-5是青年人的运动轨迹示意图；

图4-6是中年人的运动轨迹示意图；

图4-7是人穿行马路时的反应示意图；

图4-8是猫穿行马路时的反应示意图。

具体实施方式

在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。

本发明欲利用机器模仿三种交通对象，在真实道路中还原可能出现的复杂路况，测试智能车辆在复杂环境下的应对。如图1-1所示，本实施例所提供的智能网联车万能测试平台包括被测车10、交通对象模拟装置、通信拓扑结构和运动控制单元。下面将对每一个部分进行展开说明。

被测车10被布置在交通场景中，所述交通场景由多个可拼接单元搭建而成，通过交通场景用于还原真实道路的环境作为测试场地。如图1-3所示，图3中，A和B为形状各异的可拼接单元，A表示普通道路，B表示路口路边。交通场景的搭建旨在还原真实路况环境，采取类似于乐高积木的思想，将所有的交通场景离散化，变成可拼接的模块，这样测试需求的场景是什么，本实施例便可以搭建什么样的场景，模块重复利用，大大减小了测试场占地面积，节约了资源。这些交通场景可以抽象成一些单个模块的组合：普通路边、路口路边和交通信号灯。本实施例利用EPE珍珠棉板材、PP硬塑料板材以及橡胶路肩进行单元制作。

本实施例提供的用于智能网联车测试的测试车控制方法通过运动轨迹维度以及意识反应维度两个维度来模拟交通对象模型的行为模式。

根据道路交通学中的分类，现实交通中的参与对象大致可以分为：机动车、非机动车、行人和动物(比如：猫、狗等)，鉴于此，本实施例将待模拟的交通对象的种群分为6类：人类、非机动车、宠物、家禽和牲畜。下面结合交通对象的种群分类，对运动轨迹维度模拟以及意识反应维度模拟的原理进行详细说明。

(一)关于运动轨迹维度

运动轨迹维度仿真包括速度、路线和周期。本领域普通技术人员可知晓的是：无论何种种群，其移动都是都不是简单的匀速运动，而是周期性的运动，周期取决于种群的运动特征。例如：对行人而言，其手臂的运动构成一个运动周期；对狗而言，其运动可以被周期可以被定义为两只前掌触地的时间。也就是说，种群的差异主要在于周期的长短、运动的顺序以及周期内的轨迹方向等。根据许多仿生学和交通行为的相关文献，抽象出了一系列种群的运动轨迹和速率曲线图。某些种群的数据不方便采集，因此本实施例需要采用实时的人类或动物的采样数据。

同时，很显然不同的种群有不同的速度，即使同一种群也会根据心情、年龄、身体状况等情况切换不同的运动速率。本实施例重点说明心情的分类，“心情”主要指周期内速率的变化。在研究中，心情分为三类：sluggish(缓慢)、average(正常)以及restive(活跃)，分别对应低速率、中速率以及高速率。通过种群和心情两个维度，本发明能够较好地将任何一个交通对象模型对应到相应的特性中。例如，与老人对应的是(人，缓慢)，与年轻人对应的是(人，活跃)，与野猫对应的是(宠物，活跃)，与普通的狗对应的是(宠物，正常)。

(二)关于意识反应维度的仿真

考虑到交通对象的意识性，他们在受到外加激励时应当会做出相应的反应。不同的物体反应有所不同。以过马路为例，当某对象穿过马路遭遇侧向来车时，会有以下三种表现：1)加速通过，并伴随轻微的转弯；2)停下直到车辆通过；3)退后以保证安全。经过调研发现：人类更倾向于作出2)和3)的反应，而宠物倾向于加速通过。

需要注意的是，反应并不是一个确定的事件，相反其是一个概率分布，因此意识的差异并非反映在应对本身，而是分不到各种行为上的概率的不同。100个人中，可能80个人会选择等车过，20个人选择抢车过；而100只猫中，20只选择等车过，80只选择抢车过。对于单体的一个人和一只猫，有可能他们在外加刺激上会做出相同反应，但是当测试样本趋于无穷时，差异性就会显现得比较明显。

在代码方面，本发明还使用概率来描述这种意识维度的差异。从种群到种群的分布差别很大，从心情到心情略有不同。对于单个的建通对象模型判断，本发明生成一个随机数来判断，并调整判断的阈值以改变不同的反应模式。对于整个完整的动作系列，本发明使用决策树来实现，并且程序将持续运行，直到外部刺激消失。

鉴于上述原理，如图4-1所示，本实施例提供的用于智能网联车测试的测试车控制方法包括：

步骤1，预设交通场景。其中：交通场景比如可以是过马路人车交汇、同向超车人车交汇、转向人车交汇等交通场景。

步骤2，根据所述步骤1预设好的所述交通场景，确定所需的交通对象模型及其所属的种群和心情。

步骤3，根据所述步骤2确定好的所述交通对象模型及其所属的种群和心情，生成该交通对象模型处于所述交通场景中的行为模式。

所述行为模式分为常规模式和激励模式。

在所述常规模式下，该交通对象模型具有在所述预设交通场景中的常规意识和与该常规意识相匹配的行为模式；在所述激励模式下，该交通对象模型在所述预设交通场景中受到外部激励后作出的反应分为第一反应、第二反应和第三反应，所述第一反应的概率Pi1、第二反应的概率Pi2和第三反应的概率Pi3的和为1，i由所述外部激励和所述预设交通场景的种群确定。

如果所述行为模式为所述激励模式，则还生成一个随机数范围，该交通对象模型将按照落入所述随机范围内的概率所对应的反应匹配的行为模式进行运动，所述行为模式包括路线以及路线上每一个点对应的速度和周期。其中：该交通对象模型的行为模式中的“速度”根据种群及其心情进行切换。该交通对象模型的行为模式中的“路线”根据所述种群的运动轨迹和速率曲线图确定，种群的运动轨迹的获取方法为文献调研以及实物采样，运动轨迹决定全地形机器人1的运动方向，速率曲线图获得的速率决定在全地形机器人1的在运动轨迹说确定的方向上的运动速度。该交通对象模型的行为模式中的“周期”根据所述种群的运动特征和心情确定，周期决定身高可调人偶模型3的左右肩关节、左右膝关节或动物模型4的四肢关节活动一个循环的时间长度。

步骤4，监测是否有外部激励，如果有，则进入所述激励模式，否则，进入所述常规模式。

在一个实施例中，步骤1之前还包括：

步骤5，所述种群设置为：人类、非机动车、宠物、家禽和牲畜，所述心情设置为：缓慢、正常和活跃。将所述种群和心情构建成交通对象库，在所述交通对象库中：所述种群的差异表现为曲线形状差异，所述心情的差异表现为曲线幅值差异。其中，交通对象库可以参考下面的表1(表格内仅为举例，并非全部分类)，根据种群和心情确定速度模式，具体包括：与所述缓慢对应的速度模式为低速模式，该低速的数值大小可以理解为原先运动周期所有速度值乘以0.8之后的数值。与所述正常对应的速度模式为中速模式，该中速的数值大小可以理解为原先运动周期所有速度值。与所述活跃对应的速度模式为高速模式，该高速的数值大小可以理解为原先运动周期所有速度值乘以1.25之后的数值。

表1

	缓慢	正常	活跃
				人	老人、残疾人	中年人	青年男性
自行车	人力三轮车	普通自行车	山地自行车
				电动车	缺电电动车	普通电动车	外卖电动车
猫与狗	幼猫	驯化的狗	野猫
				禽类	/	鹅	/
牲畜	牛	羊	鹿

建立上述对象库的大致方法有两种，一种是真实3D采样，即人为穿戴采样点，利用采集技术捕捉动作建立模型，这样建立的模型较为精确，然而受限于时间以及技术设备，本发明无法达成此方法；第二种方法为文献调研，现有的文献中，尤其是在人体生物学以及交通运动学中这样的文献数量较多。此外，有些对象资料较少，例如绝大多数的动物。对于这些交通对象，本发明采取视频收集以及手动绘制曲线的方式。在完成资料的搜集以及标定后，本发明建立了对应的程序库复现其运动。

在一个实施例中，步骤3中，该交通对象模型通过支撑台架2设置在全地形机器人1上，全地形机器人1按照所述行为模式中的路线以及路线上每一个点对应的速度进行运动，所述交通对象模型包括身高可调人偶模型3和动物模型4，其中：身高可调人偶模型3的左右肩关节、左右膝关节按照所述行为模式中的周期进行周期性活动，以模拟行人步态。动物模型4的四肢关节按照所述行为模式中的周期进行进行周期性活动，以模拟动物步态。

在一个实施例中，步骤3中的“所述行为模式中的速度”的获取方法包括：

步骤31，根据该交通对象模型所属的种群，确定该交通对象模型的所述速度模式所对应的速度，其中：所述速度模式是根据仿生学和交通行为的文献抽象得到的各所述种群的的速率曲线图确定，所述速率曲线图包含所述低速模式、所述中速模式和所述高速模式。根据仿生学和交通行为的文献，抽象出各所述种群的运动轨迹和速率曲线图(如图4-2示出的自行车的运动轨迹，图4-3和图4-4分别是图4-2示出的自行车的X方向的分速度、Y方向的分速度，图4-5示出的是青年人的运动轨迹，图4-6示出的是中年人的运动轨迹)。

步骤32，将所述步骤31确定的速度转化为每一个时刻的速率与方向，并计算全地形机器人1的左轮与右轮各自的角速度，再转换成为十六进制数据库，以构建全地形机器人1的控制对象库。

在一个实施例中，步骤3中的“根据所述种群和其心情，生成该交通对象模型处于预设交通场景的行为模式”具体包括：在所述常规模式下，将该交通对象模型所属的种群和心情及其对应的行为模式与所述预设交通场景相匹配；在所述激励模式下，将该交通对象模型所属的种群和心情及其对应的行为模式与所述预设交通场景和外部激励相匹配。

如图4-7和图4-8所示，图4-7示出的人(human)穿行马路时的反应，图4-8示出的猫(cat)穿行马路时的反应，在一个实施例中，步骤2中，在所述激励模式下，所述预设交通场景为该交通对象模型过马路遭遇侧向来车时，所述第一反应为加速通过并伴随轻微的转弯，所述第二反应为停下直到车辆通过，所述第三反应为退后以保证安全。

如图3-1至图3-7所示，本发明实施例所提供的用于智能网联车测试的交通对象模拟装置包括交通对象模型、全地形机器人1、支撑台架2、第一交通对象姿态调整机构5和第二交通对象姿态调整机构6，其中：

交通对象模型支设在支撑台架2的上方，本实施例将交通对象模型分为6类：人类、非机动车、宠物、家禽和牲畜，因此，交通对象模型可以理解为大致包括身高可调人偶模型3和动物模型4，身高可调人偶模型3用于模仿上述分类中的行人，动物模型4用于模仿上述分类中的宠物、家禽和牲畜。其它类别的交通对象可以按照本实施例给出的模拟方式类似，因此不再展开描述。

在一个实施例中，身高可调人偶模型3分为头部、躯干部、臂手部和腿脚部，躯干部与腿脚部分别为两个相对独立的部分。躯干部和腿脚部之间通过沿竖向设置的伸缩杆组件进行连接，所述伸缩杆组件的上下伸缩运动能在预设调整范围内调整身高可调人偶模型3的身高。根据中国人民的身高分布，即GB10000-88所记载的数据，中国人的身高范围是1620±150毫米，也就是说，在1620毫米基础上，竖直向上最大调节量是150毫米，竖直向下最大调节量是150毫米。

本实施例中，伸缩杆组件采用的是液压伸缩杆。身高模拟在实际应用中具有如下几点优势：

1.提高身高可调人偶模型3的适用性，依靠一种身高可调人偶模型3即可应对绝大多数场景，且可根据不同地区人群的平均身高特点进行调整。

2.液压操纵方式简易，未来还可引入电子板控制系统通过电机在测试过程中自动变换身高。

3.省去频繁更换身高可调人偶模型3的麻烦，也可减少身高可调人偶模型3的购买量，降低人力物力成本。

全地形机器人1采用的是Autolabor Pro全地形机器人，其运动控制原理为向工控机输入一个十六进制数，这些数字中的不同位控制不同的量，因此本质上只需要不断地向其输入十六进制数，便可以实时更新其运动状态。本文中，“前”、“后”是以全地形机器人1的纵向行驶方向确定，前进方向为“前”，反之为“后”。“左”、“右”则是以全地形机器人1的横向进行确定。“竖向”可以理解为“高度方向”或“重力方向”。

Autolabor基于ROS系统开发，在全地形机器人1的顶部，安装了差分GPS，在车身工控机中可以实时更新其地理位置坐标，而本发明实施例在上位机的程序中调用相对应的数据即可作为运动控制的输入量。下表示出的是对全地形机器人的控制协议。

本发明实施例将之前抽象出来的人、动物、非机动车的速率曲线图转化为每一个时刻的速率与方向，随后计算左轮与右轮分别的角速度，再转换成为一个十六进制数库，建立本发明实施例的硬件控制对象库。

为逼真化模拟现实场景下，行人和动物的外形及其动作特征，本发明实施例经过分析与实践调整，针对Autolabor设计了三套创新化改装，一是借用轮毂天然转动副设计机械结构推动身高可调人偶模型3的腿脚部和臂手部周期摆动，以模拟人型步态；二是搭建负载平台加装可变关节身高可调人偶模型3模拟身高、姿态各异的行人；三是借助可拆卸外板及四肢转动副模拟动物奔跑姿态，实现“以一代全”，即通过一部全地形机器人1模拟各类在实际道路上可能出现的对象。对于每一项设计，本发明实施例通过查阅资料确立设计准则，对重要受力点建立力学模型进行考量，确保最终设计满足要求。本实施例通过设置身高可调人偶模型3，本发明实施例的全地形机器人1能够模拟不同姿态、不同年龄的成人，结合速度调整算法，能够真实地模拟现实中各类行人的步态。

本发明实施例中的“动身高可调人偶模型3的腿脚部和臂手部周期摆动”主要是利用下面实施例提供的机械传动结构得以实现。

对于身高可调人偶模型3在全地形机器人1上的放置位置，本发明实施例借助于支撑台架2，以对身高可调人偶模型3提供支承。支撑台架2选用铝型材作为搭建材料，主要原因有：

1.全地形机器人1顶部安装有一整块长方形铝型材，可通过T型螺母及角件与外加铝型材完美接合。

2.铝型材安装拆卸快捷，尺寸调节灵活，可应对项目中各类尺寸的微调。

3.铝的密度仅约2.7g/cm³，同体积下质量比钢材要轻，抗拉强度大于160MPa，屈服强度大于110MPa，强度能够胜任所承担负载。

4.铝材具有良好的抗腐蚀性，可良好应对室外的多雨环境。

图3-1、图3-5和图3-6所示，支撑台架2竖截面呈Z字形，且折弯处均为直角。支撑台架2具有L型连接架21和外接平台总成22，其中：

L型连接架21的数量为两个，沿全地形机器人1的纵向前后方向隔开布置，一端连接全地形机器人1顶面上的车载横梁23，另一端连接外接平台总成22内侧的前后端。L型连接架21的一个子板水平地固定连接到全地形机器人1上，L型连接架21的另一个子板竖直地紧挨全地形机器人1的侧面设置，且固定连接到外接平台总成22。当然，这种方式比将L型连接架21制作成一个板体结构更加地节省重量，进而有利于减轻全地形机器人1的负载。

外接平台总成22包括平台面板221，平台面板221内侧通过加强的方式连接到L型连接架21的另一个子板的下端，且平台面板221沿全地形机器人1的外侧沿水平方向伸出，且伸出端的底面通过万向轮7接触地面。通过设置万向轮7，既能保证全地形机器人1的正常移动，又能够经由万向轮7在平台另一端提供重要的地面支持力，分担L型铝型材上端的弯矩，在很大程度上减小了平台面板221的挠度。

在一个实施例中，外接平台总成22还包括支承架，该支承架呈倒置的U型，具体包括：垂直于平台面板221上表面的前立柱222和后立柱223，其中，前立柱222和后立柱223分别沿全地形机器人1的纵向隔开布置在平台面板221的上表面的前侧、后侧。前立柱222和后立柱223的上部通过沿竖向隔开布置的平台横梁224和支撑横梁225连接成一体。身高可调人偶模型3的两条腿分别位于平台横梁224的左右两侧，跨坐在支撑横梁225上，支撑横梁225可为身高可调人偶模型3的骨盆处提供向上支撑力。为了保证身高可调人偶模型3的手与脚有足够的运动空间,要求其腿部不与平台面板221的上表面直接接触，因此，身高可调人偶模型3的脚面位于平台面板221的上方，与平台面板221具有竖向间隙。从图3-6中示出的支撑台架2的俯视图可以看出：平台面板221上的X部位的正上方对应为交通对象模型的的所处空间。结合图3-1和图3-7所示，支撑横梁225顶面设置有第一姿态稳定杆226和第二姿态稳定杆227，第一姿态稳定杆226位于身高可调人偶模型3的躯干的前方，防止身高可调人偶模型3朝前倾倒；第二姿态稳定杆227位于身高可调人偶模型3的躯干的后方，防止身高可调人偶模型3朝前倾倒。因此，通过第一姿态稳定杆226和第二姿态稳定杆227，可以使身高可调人偶模型3的躯干保持为行人行走时的直立状态。

第一交通对象姿态调整机构5设在连接板21上，第一交通对象姿态调整机构5连接身高可调人偶模型3的左右肩关节、左右膝关节，给身高可调人偶模型3的左右肩关节、左右膝关节施加外力，推动身高可调人偶模型3的左右肩关节、左右膝关节进行周期性活动，模拟行人步态，所述行人步态包括人在行走时手与腿进行的协调的往复运动，该往复运动的特征包括往复运动的周期与幅度。实现该运动对于确保全地形机器人1测试过程中的拟人有效性是十分重要的：在真实环境下，行人摆臂迈腿时，手与脚领先于身位，这一姿态很有可能被部分无人驾驶算法所捕捉并利用，提高其准确性和鲁棒性，如果全地形机器人1不具备这一特征则会导致测试结果失准。

在一个实施例中，结合图3-1和图3-4所示，第一交通对象姿态调整机构5包括电机51、蜗杆52、滑块54和U型支撑结构55，其中：

电机51为步进电机，由外载电源(图中未示出)供电，电机51的转速控制所述行人步态中人在行走时手与腿进行的协调的往复运动的周期。蜗杆52两端通过轴承安装在连接板21上的支架53上，且一端驱动连接电机51的动力输出端。滑块54套装在蜗杆52上，滑块54的运动距离控制所述行人步态中人在行走时手与腿进行的协调的往复运动的幅度。滑块54分别通过U型支撑结构55与身高可调人偶模型3的左右肩关节、左右膝关节连接，控制所述左右肩关节、左右膝关节进行周期性活动。图3-4中的标号3可以示意为身高可调人偶模型3的左右肩关节、左右膝关节。U型支撑结构55通过夹持部将身高可调人偶模型3的左右肩关节、左右膝关节夹持固定。那么，第一交通对象姿态调整机构5控制身高可调人偶模型3的左右肩关节、左右膝关节进行周期性活动时，首先，设定电机51的转速、滑块54的工作距离和初始运动位置并固定；然后，电机51通电，蜗杆52转动，滑块54开始平移，U型支撑结构55也随滑块54平移，从而推动身高可调人偶模型3的左右肩关节、左右膝关节开始运动。以上步骤中，转速控制周期，工作距离控制幅度。

利用外载电源为步进电机提供电能，通过蜗杆推动滑块实现直线运动，通过控制器编译电机实现正转反转，通过调速器调整电机速率，进而调控滑块往返一次的频率。因此，本发明实施例成功地构造了以一定频率实现往复运动的移动副，接下去是设计动力传递路线，为了最小化机构复杂度和设计复杂度，本发明实施例采用细绳与身高可调人偶模型3的手部和脚部相连接，其另一端与滑块连接，通过绳子板牵引的拉力实现手的摆动。本实施例结构简单，便于实现，电机独立运转，不会影响全地形机器人1本身的运动，细绳的长度能够根据实际调整，同时也易于调节摆动频率。

如图3-1和图3-2所示，在一个实施例中，第一交通对象姿态调整机构5包括第一齿轮51’和第二齿轮52’，第一齿轮51’通过固定的方式连接到全地形机器人1一侧的轮毂上，并按照与全地形机器人1的车轮转动频率呈预设减速比(比如：0.32)的方式进行旋转。第二齿轮52’与第一齿轮51’啮合，并通过连杆传动机构53’连接身高可调人偶模型3的左右肩关节、左右膝关节，控制所述左右肩关节、左右膝关节进行周期性活动。

全地形机器人1的轮毂上具有四个六角型螺母，通过四个匹配的六角形套筒与第一齿轮51’相固连，带动第一齿轮51’以车轮转动频率旋转，第二齿轮52’与其啮合通过连杆传动机构53’带动移动副运动，最终实现推动身高可调人偶模型3的左右肩关节、左右膝关节的运动。本实施例具有能够充分利用现有转动副，无需提供额外电源，并且，频率和减速比可调，可根据手脚摆动频率进行调整的优势。

如图3-1和图3-3所示，第二交通对象姿态调整机构6设在连接板21上，用于控制动物模型4的四肢关节进行周期性活动，模拟动物步态，所述动物步态包括动物在移动时的四肢往复运动，该往复运动的特征包括往复运动的周期与幅度。

在一个实施例中，第二交通对象姿态调整机构6包括第三齿轮61和第二小齿轮62、第二连杆传动机构63和第三连杆传动机构64，其中：第三齿轮61通过固定的方式连接到述全地形机器人1前侧的轮毂上，并按照与全地形机器人1的车轮转动频率(比如：3.5-4.5)呈预设减速比的方式进行旋转。第二小齿轮62通过固定的方式连接到全地形机器人1后侧的轮毂上，并按照与全地形机器人1的车轮转动频率(比如：3.5-4.5)呈预设减速比的方式进行旋转。通过控制全地形机器人1的行驶速度，控制动物模型4的四肢关节进行周期性活动。第二连杆传动机构63一端铰接到第三齿轮61的外侧面，另一端连接动物模型4的前肢关节。第三连杆传动机构64一端铰接到第四齿轮62的外侧面，另一端连接动物模型4的后肢关节。通过控制全地形机器人1的行驶速度，控制动物模型4的四肢关节进行周期性活动。

动物模拟是该项目中的另一大特色，本发明实施例通过全地形机器人1加装动物外板外形模拟出真实动物的形态，并设计杠杆机构模拟动物的四肢运动。

如图所示，全地形机器人1的车轮和齿轮相连接带动轮上轻杆机构运动，加装移动副约束保证了该机构的自由运动，如果能够在直杆上安装有附加材料模拟动物的前后肢奔跑，则效果将更加逼真。

该项目之所以能够就地取材，主要原因是该机械机构不需要除固连齿轮外的额外齿轮，并能直接利用车轮自带的转动副，(而身高可调人偶模型3模拟中本发明实施例则希望将转动副转化手臂的周期移动，因此转化实现更加困难)，且连杆机构运动轻便，也便于设计实现。该方案的主要缺点有动物四肢的运动频率不可调，且动物外板的模拟逼真度有待考量。

正是因为缺乏一种较优的测试系统，本发明实施例希望将两种现有模式结合，整合优点规避缺陷，设计一种安全稳定而真实可靠的针对智能网联汽车的万能测试系统，而本发明即为测试系统量身定做，使用机械结构模拟外形特征，实现交谈场景在物理尺寸上的仿真。

如图1-1、图1-2和图2-1所示，本实施例所提供的用于智能网联车测试的通信拓扑结构包括车端单元和路测单元，其中：所述车端单元包括车载控制设备9和车端通信设备11，所述路测单元包括路端通信设备12，车载控制设备9和车端通信设备11安装于被测车10。车载控制设备9将规划好的轨迹输出给被测车10以及从被测车10的定位系统获取被测车信息。所述被测车信息包括被测车10的速度和位置信息，中控PC8通过同一局域网或互联网与至少一台全地形机器人1信息交互，中控PC8从车载控制设备9采集所述被测车信息以及由全地形机器人1反馈得到的全地形机器人信息，所述全地形机器人信息包括全地形机器人1的速度和位置信息，中控PC8控制全地形机器人1的路线以及路线上每一个点对应的速度和全地形机器人1上的交通对象模型的周期性运动。

本发明实施例提供的通信拓扑结构将测试场中的各个部分都有机地联系在一起，不仅能够实现信息采集，更能够实现检测与控制的功能。

在一个实施例中，车载控制设备9通过虚拟CAN通信方式与车端通信设备11进行通讯。车端通讯采用虚拟CAN总线替代物理总线，实际上是将所有的车内信息都集成在一台车载控制设备9上。被测车信息由被测车10的定位系统，为差分GPS数据，差分GPS的信号以Json文本格式存储至虚拟CAN总线，并利用Zeromq将Json格式的差分GPS数据发送到车载控制设备9，随后以udp协议将数据发送至车端通信设备11。

车端通信设备11通过udp协议与路端通信设备12进行通讯，所述车载控制设备9将所述被测车信息经由车端通信设备11输出给所述路端通信设备12，中控PC8从路端通信设备12采集所述被测车信息。车端通信设备11将之前获得的差分GPS数据转发给路端通信设备12。

在一个实施例中，中控PC8与各全地形机器人1设置为Ubuntu主从模式，中控PC8设置为Master，每一全地形机器人1设置为一Servant，中控PC8基于tcp协议设置有talker程序，全地形机器人1基于所述tcp协议设置有listener程序，配置网络端口ip后通过启动所述talker程序和listener程序，各全地形机器人1实时向中控PC8发送速度和位置信息，中控PC8利用ssh远程登录，控制全地形机器人1的路线以及路线上每一个点对应的速度。

开始测试时，首先，中控PC8连接全地形机器人1，配置网络端口ip，确认信息传输流畅；然后，车端通信设备11和路端通信设备12之间通讯测试，确保中控PC8工作正常；再将中控PC8与路端通信设备12连接；控制被测车10运动，车载控制设备9将被测车信息通过车端通信设备11发送给路端通信设备12,中控PC8调用路端通信设备12中的数据；同时全地形机器人1收到中控PC8的控制进行运动，同时全地形机器人1将全地形机器人信息反馈给中控PC8；最后中控PC8将被测车10和全地形机器人1的信息集成，通过RVIZ进行可视化显示。以上流程均为循环流程，只要测试进行，便持续通讯。

本发明实施例的中控PC8通过同一局域网或互联网与至少一台全地形机器人1信息交互，原因在于：中控PC8与全地形机器人1之间的距离不超过十米，且可以人为控制两者在同一局域网内，因此网络连接相当顺畅稳定，而此时，wifi通讯的带宽以及成本优势就能够体现出来，同时中控PC8即是接收端，也是控制端，使用wifi不会影响到其远程控制的功能。此外，从代码量上而言，该方案也比车载终端要简洁不少。

在一个实施例中，所有交通模拟对象的运动规律都可以解耦为两个部分：动作特性和运动特性。动作特性指的是交通模拟对象在运动时伴随的动作，例如人行走时腿部的摆动、手臂的摆动等。动作特性通过电机以及一系列机械结构进行控制和模拟，独立于全地形机器人1，能够保证测试对象的形象性。而运动特性指的是交通模拟对象在运动时各个运动学物理量的变化规律，在本发明实施例的项目中，具体即为交通模拟对象的速度-时间曲线或者位移-时间曲线。本发明实施例通过代码控制全地形机器人1的速度，使得全地形机器人1的运动特性与交通模拟对象接近乃至一致，从而可以完全替代实际的测试对象。

鉴于此，中控PC8根据获取得到的全地形机器人1的速度信息，生成实际的速度与时间相对应的曲线关系，将该实际的速度与时间相对应的曲线关系与抽象得到的速度与时间相对应的曲线图进行对比，将所述全地形机器人1的速度调整至接近所述曲线图上对应的速度。其中，“实际的速度与时间相对应的曲线关系”通过中控PC8根据获取得到的全地形机器人1的速度信息，同时一帧数据(一帧即单次发送的数据)都会有时间戳，从而得到了速度-时间关系，导出后即可绘制速度与时间相对应的曲线。

在一个实施例中，车端单元的通讯无法使用局域网，其原因在于：在超过几十米的范围会非常不稳定，连接很容易断开，而断开后的重连至少需要秒级的时间，而对于交通路况而言，一秒之内车就能够移动十米，这对于安全管理以及精确监控是致命的，所以本发明实施例的车端通信设备11采用DSRC处理车端通讯。

车端通信设备11和路端通信设备12均采用DSRC，并使用星云互联T-station作为通讯网络硬件设备。DSRC具有覆盖的范围广、延误低(毫秒级别)且数据传输量不大的优势。作为面向所有智能网联汽车的测试平台，系统应当兼容市面上所有的车端链路，即无论该被测车10采用的是车载DSRC、LTE亦或是5G，本发明实施例都需要有相应的数据链路来支撑。本实施例使用的实验被测车10采用的是车载DSRC通讯，因此本实施例此次系统优先制作的也是车载DSRC数据通讯网络。经过调研，本发明实施例找到了国内一些比较成熟的车载终端设备供应商以及国外的著名车载终端产品。

本发明提供的测试平台具有五大优点：成本，金钱方面，与大型封闭示范区相比本发明几乎不占地，且实现了一车多用，整体过程无人化，节约了大量的土地成本与人力成本；时间成本方面，该平台可以随需求时刻调用所想测试的稀有特殊路况，减少了测试周期提高效率；整个测试过程无真人参与，无伤亡可能，同时小车能够强行人为介入，避免潜在的事故，全程可视化监控，防止意外；通讯效率高，鲁棒性强。车路通讯使用Dsrc，延误低范围广；小车的控制则使用局域主从，信息传输快，抗干扰强。

该平台具有五大四大创新点：转变了研究对象，着眼测试系统开发；通过程序与机械结构实现“一车多物”的模拟效果：针对测试系统设计合适的通讯拓扑结构，实现整体测试的统一；利用情绪和属性两个特征简化对象库；模拟对象根据交通路况作出相应的反应。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种用于智能网联车测试的通信拓扑结构，其特征在于，包括车端单元和路测单元，其中：所述车端单元包括车载控制设备(9)和车端通信设备(11)，所述路测单元包括路端通信设备(12)，所述车载控制设备(9)和所述车端通信设备(11)均安装于所述被测车(10)，所述车载控制设备(9)将规划好的轨迹输出给所述被测车(10)以及从所述被测车(10)的定位系统获取被测车信息，所述被测车信息包括所述被测车(10)的速度和位置信息，所述车载控制设备(9)将所述被测车信息经由所述车端通信设备(11)输出给所述路端通信设备(12)，所述路端通信设备(12)将采集到的所述被测车信息输出给中控PC(8)；所述中控PC(8)通过同一局域网或互联网与至少一台全地形机器人(1)信息交互，所述中控PC(8)从所述车载控制设备(9)采集所述被测车信息以及由所述全地形机器人(1)反馈得到的全地形机器人信息，所述全地形机器人信息包括全地形机器人(1)的速度和位置信息；所述中控PC(8)控制所述全地形机器人(1)的路线以及路线上每一个点对应的速度，所述交通对象模型包括身高可调人偶模型(3)和动物模型(4)，其中：所述中控PC(8)还控制所述身高可调人偶模型(3)的左右肩关节、左右膝关节按照所述行为模式中的周期进行周期性活动，以模拟行人步态；所述中控PC(8)还控制所述动物模型(4)的四肢关节按照所述行为模式中的周期进行进行周期性活动，以模拟动物步态。

2.如权利要求1所述的用于智能网联车测试的通信拓扑结构，其特征在于，所述车载控制设备(9)通过虚拟CAN通信方式与所述车端通信设备(11)进行通讯，所述车端通信设备(11)通过udp协议与所述路端通信设备(12)进行通讯。

3.如权利要求1或2所述的用于智能网联车测试的通信拓扑结构，其特征在于，所述中控PC(8)与各所述全地形机器人(1)设置为Ubuntu主从模式，所述中控PC(8)设置为Master，每一所述全地形机器人(1)设置为一Servant，所述中控PC(8)基于tcp协议设置有talker程序，所述全地形机器人(1)基于所述tcp协议设置有listener程序，配置网络端口的IP地址后通过启动所述talker程序和listener程序，各所述全地形机器人(1)实时向所述中控PC(8)发送速度和位置信息，所述中控PC(8)利用ssh远程登录，控制所述全地形机器人(1)的路线以及路线上每一个点对应的速度。

4.如权利要求3所述的用于智能网联车测试的通信拓扑结构，其特征在于，所述中控PC(8)根据获取得到的所述全地形机器人(1)的速度信息，生成实际的速度与时间相对应的曲线关系，将该实际的速度与时间相对应的曲线关系与预设的速率曲线图进行对比，将所述全地形机器人(1)的速度调整至接近所述速率曲线图上对应的速度，所述速率曲线图根据仿生学和交通行为的文献抽象得到。

5.根据权利要求4所述的用于智能网联车测试的通信拓扑结构，其特征在于，所述车端通信设备(11)和路端通信设备(12)均采用DSRC，并使用T-station作为硬件端。

6.根据权利要求5所述的用于智能网联车测试的通信拓扑结构，其特征在于，在所述常规模式下，该交通对象模型具有在所述交通场景中的常规意识和与该常规意识相匹配的行为模式；

在所述激励模式下，该交通对象模型在所述交通场景中受到外部激励后作出的反应分为第一反应、第二反应和第三反应，每一种反应具有与其匹配的行为模式，所述第一反应的概率Pi1、第二反应的概率Pi2和第三反应的概率Pi3的和为1，i由所述外部激励和所述交通场景的种群确定；

如果所述行为模式为所述激励模式，则所述中控PC(8)生成一个随机数范围，该交通对象模型将按照落入所述随机范围内的概率所对应的反应匹配的行为模式进行运动，所述行为模式包括路线以及路线上每一个点对应的速度和周期。