CN111402587A - 一种智能驾驶的测试方法及测试系统 - Google Patents
一种智能驾驶的测试方法及测试系统 Download PDFInfo
- Publication number
- CN111402587A CN111402587A CN202010236328.9A CN202010236328A CN111402587A CN 111402587 A CN111402587 A CN 111402587A CN 202010236328 A CN202010236328 A CN 202010236328A CN 111402587 A CN111402587 A CN 111402587A
- Authority
- CN
- China
- Prior art keywords
- traffic
- traffic flow
- tested
- vehicle
- interaction
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Abstract
本申请公开了一种智能驾驶的测试方法及测试系统,其中,所述智能驾驶的测试方法首先基于实际采集的待测试路段的地图数据和交通环境数据,建立交通流背景环境;然后基于该交通流背景环境结合待测试车辆的路径行驶过程中交互行为的综合交互因子,确定交互行为和干扰行为,最后统计整个测试过程中交互行为和干扰行为,并根据统计结果评估所述待测试车辆的交通参与友好性和适应性,实现了逼近真实交通流建模测试的方法,能够模拟实际交通流的随机、高频、高危、混合等交通特点,不仅节约时间和安全成本,提高智能汽车的测试概率,而且能够测试智能汽车和周围交通流的融合性,保证开发的智能驾驶系统更适合特定交通流的特点。
Description
技术领域
本申请涉及机动车辆技术领域,更具体地说,涉及一种智能驾驶的测试方法及测试系统。
背景技术
为保证智能汽车在交通流中具有较好的适应性和交互性,尤其在高危场景和高交通干扰场景中的可靠安全的行驶,需要针对国内交通流的车流密度高、交通流混合、行驶混杂、高频干扰等特点,对智能汽车进行完整系统的测试。
针对目前智能汽车开展的试验场地测试和实车道路测试,难以呈现测试中所需的高危、高频、随机等特点场景,需要补充完整且能够体现国内交通流特点的智能交通虚拟测试环境,来保证智能汽车上路的安全行驶性。
目前常见的交通流场景主要依据典型单一的交通流场景,或者典型场景的组合,并且主要通过人为规划的方式控制其他交通参与者对主车进行干扰,没有体现各个交通个体之间的随机交互作用,以及主车对其他交通参与者的友好性。
发明内容
为解决上述技术问题,本申请提供了一种智能驾驶的测试方法及测试系统,以实现在智能驾驶测试过程中体现各个交通个体之间的随机交互作用,以及待测试车辆与其他交通参与者的友好性的目的。
为实现上述技术目的,本申请实施例提供了如下技术方案:
一种智能驾驶的测试方法,用于测试具有智能驾驶功能的待测试车辆,所述智能驾驶的测试方法包括:
获取待测试路段的地图数据和交通环境数据,并根据所述地图数据建立交通流背景环境;
根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型;
统计所述待测试路段预设条件下的交通流运行信息,所述预设条件至少包括预设时间段、预设天气和预设环境,所述交通流运行信息至少包括交通流密度、交通流流速、交通流方向、交通流中各交通个体的起始位置、交通流中各交通个体的速度、交通流中各交通个体的方向;
将所述交通个体特征模型进行参数定义,并根据所述交通流运行信息在所述交通流背景环境中布置交通个体;
设定所述待测试车辆的目的地,并规划所述待测试车辆的预设行驶路径,定义到达所述目的地过程中的车辆测试数据,所述车辆测试数据至少包括交通个体数量、到达时间以及待测试车辆形式过程中的平均车流密度;
计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子;
随机选取交互行为,并根据选取的交互行为控制所述待测试车辆与所述交通流背景环境中布置的交通个体进行交互,并定义所述交互行为的交互时间;
规划并调整所述交通流背景环境中布置的交通个体的局部运行轨迹,以满足所述交通流背景环境中布置的交通个体以最优路径进行运动;
对所述综合交互因子超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体,触发与超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体相对应的干扰行为,并根据所述干扰行为类型定义干扰行为的消失时间;
监测所述待测试路段的实时路况,并根据所述待测试路段的实时路况,更新所述待测试路段的地图数据、交通流背景环境以及布置在所述交通流背景环境中的交通个体的综合交互因子;
当所述待测试车辆完成所述预设行驶路径或当所述待测试车辆与布置在所述交通流背景环境中的交通个体的交互行为次数超过第一预设次数或当所述待测车辆与布置在所述交通流背景环境中的交通个体的干扰行为次数超过第二预设次数时,统计待测试车辆行驶过程中的交互行为数据和干扰行为数据,根据统计结果评估所述待测试车辆的交通参与友好性和适应性。
可选的,所述根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型包括:
根据所述交通环境数据中的交通个体特征数据建立所述交通个体特征模型;
根据所述交通环境数据中的交通个体交互数据,建立所述交通流交互行为模型。
可选的,所述计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子包括:
将所述交通流背景环境中布置的交通个体预设范围内的车辆密度和车辆速度的乘积,作为所述交通流背景环境中布置的交通个体预设范围内的交通流流量;
根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子。
可选的,所述根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子包括:
通过所述待测试车辆与所述交通流背景环境中布置的交通个体的相对状态量,确定所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度;
根据所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度,定义交互行为的局部交互因子;
根据所述交通流背景环境中的车流数据拟合的预设拟合模型,确定交互行为的整体交互因子,所述预设拟合模型为所述整体交互因子和车流密度、车流速度的数学关系模型;
当所述交互行为的整体交互因子大于第一阈值,且所述交互行为的局部交互因子大于第二阈值时,将所述交互行为的整体交互因子和局部交互因子的乘积作为所述交互行为的综合交互因子。
可选的,所述待测试路段为城区道路路段或高速路段。
一种智能驾驶的测试系统,用于测试具有智能驾驶功能的待测试车辆,所述智能驾驶的测试系统包括:
第一获取模块,用于获取待测试路段的地图数据和交通环境数据,并根据所述地图数据建立交通流背景环境;
模型建立模块,用于根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型;
信息统计模块,用于统计所述待测试路段预设条件下的交通流运行信息,所述预设条件至少包括预设时间段、预设天气和预设环境,所述交通流运行信息至少包括交通流密度、交通流流速、交通流方向、交通流中各交通个体的起始位置、交通流中各交通个体的速度、交通流中各交通个体的方向;
参数定义模块,用于将所述交通个体特征模型进行参数定义,并根据所述交通流运行信息在所述交通流背景环境中布置交通个体;
路径规划模块,用于设定所述待测试车辆的目的地,并规划所述待测试车辆的预设行驶路径,定义到达所述目的地过程中的车辆测试数据,所述车辆测试数据至少包括交通个体数量、到达时间以及待测试车辆形式过程中的平均车流密度;
第一计算模块,用于计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子;
交互模块,用于随机选取交互行为,并根据选取的交互行为控制所述待测试车辆与所述交通流背景环境中布置的交通个体进行交互,并定义所述交互行为的交互时间;
轨迹规划模块,用于规划并调整所述交通流背景环境中布置的交通个体的局部运行轨迹,以满足所述交通流背景环境中布置的交通个体以最优路径进行运动;
干扰行为模块,用于对所述综合交互因子超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体,触发与超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体相对应的干扰行为,并根据所述干扰行为类型定义干扰行为的消失时间;
数据更新模块,用于监测所述待测试路段的实时路况,并根据所述待测试路段的实时路况,更新所述待测试路段的地图数据、交通流背景环境以及布置在所述交通流背景环境中的交通个体的综合交互因子;
统计模块,用于当所述待测试车辆完成所述预设行驶路径或当所述待测试车辆与布置在所述交通流背景环境中的交通个体的交互行为次数超过第一预设次数或当所述待测车辆与布置在所述交通流背景环境中的交通个体的干扰行为次数超过第二预设次数时,统计待测试车辆行驶过程中的交互行为数据和干扰行为数据,根据统计结果评估所述待测试车辆的交通参与友好性和适应性。
可选的,所述模型建立模块具体用于,根据所述交通环境数据中的交通个体特征数据建立所述交通个体特征模型;
根据所述交通环境数据中的交通个体交互数据,建立所述交通流交互行为模型。
可选的,所述第一计算模块具体用于,将所述交通流背景环境中布置的交通个体预设范围内的车辆密度和车辆速度的乘积,作为所述交通流背景环境中布置的交通个体预设范围内的交通流流量;
根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子。
可选的,所述第一计算模块根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子具体用于,通过所述待测试车辆与所述交通流背景环境中布置的交通个体的相对状态量,确定所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度;
根据所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度,定义交互行为的局部交互因子;
根据所述交通流背景环境中的车流数据拟合的预设拟合模型,确定交互行为的整体交互因子,所述预设拟合模型为所述整体交互因子和车流密度、车流速度的数学关系模型;
当所述交互行为的整体交互因子大于第一阈值,且所述交互行为的局部交互因子大于第二阈值时,将所述交互行为的整体交互因子和局部交互因子的乘积作为所述交互行为的综合交互因子。
可选的,所述待测试路段为城区道路路段或高速路段。
从上述技术方案可以看出,本申请实施例提供了一种智能驾驶的测试方法及测试系统,其中,所述智能驾驶的测试方法首先基于实际采集的待测试路段的地图数据和交通环境数据,建立交通流背景环境;然后基于该交通流背景环境结合待测试车辆的路径行驶过程中交互行为的综合交互因子,确定交互行为和干扰行为,最后统计整个测试过程中交互行为和干扰行为,并根据统计结果评估所述待测试车辆的交通参与友好性和适应性,实现了逼近真实交通流建模测试的方法,能够模拟实际交通流的随机、高频、高危、混合等交通特点,不仅节约时间和安全成本,提高智能汽车的测试概率,而且能够测试智能汽车和周围交通流的融合性,保证开发的智能驾驶系统更适合特定交通流的特点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种智能驾驶的测试方法的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种智能驾驶的测试方法,如图1所示,用于测试具有智能驾驶功能的待测试车辆,所述智能驾驶的测试方法包括:
S101:获取待测试路段的地图数据和交通环境数据,并根据所述地图数据建立交通流背景环境,同时还可定义并分配交通流背景环境中交通个体的道路可行区域、障碍区域、临时停车区域、交通信号区域等交通环境,构建测试场景;
在执行步骤S101的过程中,采集的地图数据和交通环境数据可以主要包括:地理类型、道路特征(直道、弯道、路口、收费站等)、道路基础设施(导航辅助标识(车道标志、增强标志))、隔离区、交通管理设备(交通灯、路标标志)、特殊道路使用规则(可变的车道方向、专用车道)、环境和天气条件(车辆噪声、降雨、光照)等;
可对典型交通流场景工况进行数据采集,重点采集各个交通参与者的轨迹行为、行为特征、交通参与个体之间的交互行为和特征、各个交通参与者(即交通个体)的流量密度、流速、流向等;(可控制特定路段、时间段、天气等)。
可选的,所述地图数据主要包括地理特征、道路特征、道路基础设施、交通管理设备、特殊道路使用规则。
可选的,在本申请的一个可选实施例中,所述待测试路段为城区道路路段或高速路段。典型城区或高速路况为能够较好的代表多数路况的路段,这样可以减少数据的采集,同时也具有普适性,代表性。
S102:根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型;
在步骤S102中,根据所述待测试路段的交通环境数据,确定交通流密度、交通流个体类型、交通流流向、流速、交通流初始起点、终点等参数,组合基础背景环境和交通流状态,建立交通个体模型和交通流交互行为模型(转弯、变道、出口、入口、停车、人行横道、乘客乱穿马路、分心行走、动物互动)。
具体地,在建立交通个体模型时主要利用所述交通环境数据中的交通个体特征数据,所述交通个体特征数据主要指能够将涉及到的交通参与者(汽车、摩托车、自行车、行人、动物等)属性特征和运动的物理特征。
所述交通个体模型是指能够描述交通个体的行为模型,如汽车转向、行人横穿马路、自行车停车等。
所述交通流交互模型是指交通个体相互交互的行为模型,如汽车换道、跟车、自行车非机动车道行驶、按轨迹行驶等。
S103:统计所述待测试路段预设条件下的交通流运行信息,所述预设条件至少包括预设时间段、预设天气和预设环境,所述交通流运行信息至少包括交通流密度、交通流流速、交通流方向、交通流中各交通个体的起始位置、交通流中各交通个体的速度、交通流中各交通个体的方向;
S104:将所述交通个体特征模型进行参数定义(例如定义行驶速度范围等关乎行驶的参数取值范围),并根据所述交通流运行信息在所述交通流背景环境中布置交通个体;
需要说明的是,交通流运行信息中交通流的参数会随着时间的变化而改变,同时在交通个体的入口位置也会根据交通实测数据投入新的交通个体参与交通流。
S105:设定所述待测试车辆的目的地,并规划所述待测试车辆的预设行驶路径,定义到达所述目的地过程中的车辆测试数据,所述车辆测试数据至少包括交通个体数量、到达时间以及待测试车辆形式过程中的平均车流密度;
具体地,所述待测试车辆的目的地可以为多个,所述预设行驶路径为途径一个或多个目的地的路径。
可选的,所述待测试车辆的预设行驶路径可以是最优行驶路径,所述最优行驶路径是指待测试车辆在行驶过程中道路工况、车流拥堵工况、红绿灯工况等综合所推荐的最优行驶路线;其中最优规划路线可以推荐为时间最少路线、舒适性最高路线、综合性最好路线,也可以自定义出行路线。
S106:计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子;
可选的,所述综合交互因子可以为交通流密度、周围交通个体类型、路段等参数的函数。
S107:随机选取交互行为,并根据选取的交互行为控制所述待测试车辆与所述交通流背景环境中布置的交通个体进行交互,并定义所述交互行为的交互时间;
所述交互行为指跟车、换道、插道、超车、礼让行人、骑行车超车等。所述交互行为的交互时间是指交互行为的持续时间,例如跟车的持续时间可以为1分钟、5分钟、10分钟等,超车的持续时间可以为2s、5s、10s等。
所述交互行为的发生概率可以采用随机概率模型算法,对交通个体和交通区段随机分配。所述随机概率模型算法是时段、天气、交通参与者、路段、交互银子等参数的函数。其中,交互行为的发生概率和交互行为根据不同的交互工况可调。
S108:规划并调整所述交通流背景环境中布置的交通个体的局部运行轨迹,以满足所述交通流背景环境中布置的交通个体以最优路径进行运动;
可选的,交通个体所执行的交互行为及类型均为随机的交互行为。所述交通个体包括所有交通流参与者。
S109:对所述综合交互因子超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体,触发与超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体相对应的干扰行为,并根据所述干扰行为类型定义干扰行为的消失时间;
需要指明的是,是否对交通个体的综合交互因子进行随机撒点加强,可以由控制算法控制,所述控制算法可以通过机器学习等方法进行训练。
对交通个体的综合交互因子进行随机撒点加强的具体过程可以包括:
对交通道路进行网格离散化,即将交通车辆所在的道路空间分作均匀大小的网格空间,其中网格中间可能有车辆,可能无车辆,可能有一辆车,可能有多辆车,然后利用最优拉丁采样的方法,对网格空间采样,获得需要撒点的网格空间,使其中的车辆发生概率密度下的干扰行为。
另外,超出交互因子阈值的交通个体与通过控制算法随机撒点加强交互因子的交通个体相互独立,互不影响。
所引发的干扰行为包括:突发停车、连续变道、强行插入、倒车、转向、闯红灯、非机动交通个体占据机动车道等。
还需要说明的是,所述根据干扰行为类型定义干扰行为的消失时间具体包括:根据采集的交通流数据,结合车辆在各个特征路段、特征时间等特征环境因素条件下,对采集的干扰行为数据进行正态分布等数学统计,获得各个交互行为发生和消失的概率密度函数(由于车辆引起的干扰行为,对其他交通参与者造成影响,即干扰行为具有传递性,当传递性消失,即为干扰行为消失的时间)。
S1010:监测所述待测试路段的实时路况,并根据所述待测试路段的实时路况,更新所述待测试路段的地图数据、交通流背景环境以及布置在所述交通流背景环境中的交通个体的综合交互因子;
可选的,所述综合交互因子可以定义为时间、地点、天气等环境因素的函数,在本申请的一个可选实施例中,还可以根据采集的交通流数据,通过数据机器学习、模糊逻辑等规则建立交通流中特征环境与交互行为发生概率的数学关系,以此作为综合交互因子的修正因子,具体为:当修正因子达到某一阀值(说明特征环境对交互行为产生了影响),则降低综合交互因子的阀值,即更容易触发交互行为。
S1011:当所述待测试车辆完成所述预设行驶路径或当所述待测试车辆与布置在所述交通流背景环境中的交通个体的交互行为次数超过第一预设次数或当所述待测车辆与布置在所述交通流背景环境中的交通个体的干扰行为次数超过第二预设次数时,统计待测试车辆行驶过程中的交互行为数据和干扰行为数据,根据统计结果评估所述待测试车辆的交通参与友好性和适应性。
在步骤S1011中,根据统计结果评估所述待测试车辆的交通参与友好性和适应性的过程可以具体包括:若测试车辆在交通流中能够快速(在一定时间)、安全(其行为不影响其他车辆和不被其他车辆影响,即使被影响,也能保证车辆的安全性能)的到达目的地,同时行驶过程中能够安全的切换车道、进行可靠平稳的加速、减速、转向,不引起车内乘员的不适感,表现为测试车辆的适应性;友好性主要指:不会频繁的切换道路、紧急加速、减速等行为以及违反交通规则和开车常识等对其他车辆造成影响的行为,主要以不影响其他车辆的通行性为判断依据。
可选的,所述根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型包括:
S1021:根据所述交通环境数据中的交通个体特征数据建立所述交通个体特征模型;
S1022:根据所述交通环境数据中的交通个体交互数据,建立所述交通流交互行为模型。
所述计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子包括:
S1061:将所述交通流背景环境中布置的交通个体预设范围内的车辆密度和车辆速度的乘积,作为所述交通流背景环境中布置的交通个体预设范围内的交通流流量;
S1062:根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子。
其中,所述根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子包括:
S10621:通过所述待测试车辆与所述交通流背景环境中布置的交通个体的相对状态量,确定所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度;
S10622:根据所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度,定义交互行为的局部交互因子;
S10623:根据所述交通流背景环境中的车流数据拟合的预设拟合模型,确定交互行为的整体交互因子,所述预设拟合模型为所述整体交互因子和车流密度、车流速度的数学关系模型;
S10624:当所述交互行为的整体交互因子大于第一阈值,且所述交互行为的局部交互因子大于第二阈值时,将所述交互行为的整体交互因子和局部交互因子的乘积作为所述交互行为的综合交互因子。
其中,所述局部交互因子的取值范围为0-1。
下面对本申请实施例提供的智能驾驶的测试系统进行描述,下文描述的智能驾驶的测试系统可与上文描述的智能驾驶的测试方法相互对应参照。
相应的,本申请实施例提供了一种智能驾驶的测试系统,用于测试具有智能驾驶功能的待测试车辆,所述智能驾驶的测试系统包括:
第一获取模块,用于获取待测试路段的地图数据和交通环境数据,并根据所述地图数据建立交通流背景环境;
模型建立模块,用于根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型;
信息统计模块,用于统计所述待测试路段预设条件下的交通流运行信息,所述预设条件至少包括预设时间段、预设天气和预设环境,所述交通流运行信息至少包括交通流密度、交通流流速、交通流方向、交通流中各交通个体的起始位置、交通流中各交通个体的速度、交通流中各交通个体的方向;
参数定义模块,用于将所述交通个体特征模型进行参数定义,并根据所述交通流运行信息在所述交通流背景环境中布置交通个体;
路径规划模块,用于设定所述待测试车辆的目的地,并规划所述待测试车辆的预设行驶路径,定义到达所述目的地过程中的车辆测试数据,所述车辆测试数据至少包括交通个体数量、到达时间以及待测试车辆形式过程中的平均车流密度;
第一计算模块,用于计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子;
交互模块,用于随机选取交互行为,并根据选取的交互行为控制所述待测试车辆与所述交通流背景环境中布置的交通个体进行交互,并定义所述交互行为的交互时间;
轨迹规划模块,用于规划并调整所述交通流背景环境中布置的交通个体的局部运行轨迹,以满足所述交通流背景环境中布置的交通个体以最优路径进行运动;
干扰行为模块,用于对所述综合交互因子超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体,触发与超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体相对应的干扰行为,并根据所述干扰行为类型定义干扰行为的消失时间;
数据更新模块,用于监测所述待测试路段的实时路况,并根据所述待测试路段的实时路况,更新所述待测试路段的地图数据、交通流背景环境以及布置在所述交通流背景环境中的交通个体的综合交互因子;
统计模块,用于当所述待测试车辆完成所述预设行驶路径或当所述待测试车辆与布置在所述交通流背景环境中的交通个体的交互行为次数超过第一预设次数或当所述待测车辆与布置在所述交通流背景环境中的交通个体的干扰行为次数超过第二预设次数时,统计待测试车辆行驶过程中的交互行为数据和干扰行为数据,根据统计结果评估所述待测试车辆的交通参与友好性和适应性。
可选的,所述模型建立模块具体用于,根据所述交通环境数据中的交通个体特征数据建立所述交通个体特征模型;
根据所述交通环境数据中的交通个体交互数据,建立所述交通流交互行为模型。
可选的,所述第一计算模块具体用于,将所述交通流背景环境中布置的交通个体预设范围内的车辆密度和车辆速度的乘积,作为所述交通流背景环境中布置的交通个体预设范围内的交通流流量;
根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子。
可选的,所述第一计算模块根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子具体用于,通过所述待测试车辆与所述交通流背景环境中布置的交通个体的相对状态量,确定所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度;
根据所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度,定义交互行为的局部交互因子;
根据所述交通流背景环境中的车流数据拟合的预设拟合模型,确定交互行为的整体交互因子,所述预设拟合模型为所述整体交互因子和车流密度、车流速度的数学关系模型;
当所述交互行为的整体交互因子大于第一阈值,且所述交互行为的局部交互因子大于第二阈值时,将所述交互行为的整体交互因子和局部交互因子的乘积作为所述交互行为的综合交互因子。
可选的,所述待测试路段为城区道路路段或高速路段。
综上所述,本申请实施例提供了一种智能驾驶的测试方法及测试系统,其中,所述智能驾驶的测试方法首先基于实际采集的待测试路段的地图数据和交通环境数据,建立交通流背景环境;然后基于该交通流背景环境结合待测试车辆的路径行驶过程中交互行为的综合交互因子,确定交互行为和干扰行为,最后统计整个测试过程中交互行为和干扰行为,并根据统计结果评估所述待测试车辆的交通参与友好性和适应性,实现了逼近真实交通流建模测试的方法,能够模拟实际交通流的随机、高频、高危、混合等交通特点,不仅节约时间和安全成本,提高智能汽车的测试概率,而且能够测试智能汽车和周围交通流的融合性,保证开发的智能驾驶系统更适合特定交通流的特点。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种智能驾驶的测试方法,其特征在于,用于测试具有智能驾驶功能的待测试车辆,所述智能驾驶的测试方法包括:
获取待测试路段的地图数据和交通环境数据,并根据所述地图数据建立交通流背景环境;
根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型;
统计所述待测试路段预设条件下的交通流运行信息,所述预设条件至少包括预设时间段、预设天气和预设环境,所述交通流运行信息至少包括交通流密度、交通流流速、交通流方向、交通流中各交通个体的起始位置、交通流中各交通个体的速度、交通流中各交通个体的方向;
将所述交通个体特征模型进行参数定义,并根据所述交通流运行信息在所述交通流背景环境中布置交通个体;
设定所述待测试车辆的目的地,并规划所述待测试车辆的预设行驶路径,定义到达所述目的地过程中的车辆测试数据,所述车辆测试数据至少包括交通个体数量、到达时间以及待测试车辆形式过程中的平均车流密度;
计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子;
随机选取交互行为,并根据选取的交互行为控制所述待测试车辆与所述交通流背景环境中布置的交通个体进行交互,并定义所述交互行为的交互时间;
规划并调整所述交通流背景环境中布置的交通个体的局部运行轨迹,以满足所述交通流背景环境中布置的交通个体以最优路径进行运动;
对所述综合交互因子超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体,触发与超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体相对应的干扰行为,并根据所述干扰行为类型定义干扰行为的消失时间;
监测所述待测试路段的实时路况,并根据所述待测试路段的实时路况,更新所述待测试路段的地图数据、交通流背景环境以及布置在所述交通流背景环境中的交通个体的综合交互因子;
当所述待测试车辆完成所述预设行驶路径或当所述待测试车辆与布置在所述交通流背景环境中的交通个体的交互行为次数超过第一预设次数或当所述待测车辆与布置在所述交通流背景环境中的交通个体的干扰行为次数超过第二预设次数时,统计待测试车辆行驶过程中的交互行为数据和干扰行为数据,根据统计结果评估所述待测试车辆的交通参与友好性和适应性。
2.根据权利要求1所述的智能驾驶的测试方法,其特征在于,所述根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型包括:
根据所述交通环境数据中的交通个体特征数据建立所述交通个体特征模型;
根据所述交通环境数据中的交通个体交互数据,建立所述交通流交互行为模型。
3.根据权利要求1所述的智能驾驶的测试方法,其特征在于,所述计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子包括:
将所述交通流背景环境中布置的交通个体预设范围内的车辆密度和车辆速度的乘积,作为所述交通流背景环境中布置的交通个体预设范围内的交通流流量;
根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子。
4.根据权利要求3所述的智能驾驶的测试方法,其特征在于,所述根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子包括:
通过所述待测试车辆与所述交通流背景环境中布置的交通个体的相对状态量,确定所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度;
根据所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度,定义交互行为的局部交互因子;
根据所述交通流背景环境中的车流数据拟合的预设拟合模型,确定交互行为的整体交互因子,所述预设拟合模型为所述整体交互因子和车流密度、车流速度的数学关系模型;
当所述交互行为的整体交互因子大于第一阈值,且所述交互行为的局部交互因子大于第二阈值时,将所述交互行为的整体交互因子和局部交互因子的乘积作为所述交互行为的综合交互因子。
5.根据权利要求1所述的智能驾驶的测试方法,其特征在于,所述待测试路段为城区道路路段或高速路段。
6.一种智能驾驶的测试系统,其特征在于,用于测试具有智能驾驶功能的待测试车辆,所述智能驾驶的测试系统包括:
第一获取模块,用于获取待测试路段的地图数据和交通环境数据,并根据所述地图数据建立交通流背景环境;
模型建立模块,用于根据所述待测试路段的交通环境数据,建立交通个体特征模型和交通流交互行为模型;
信息统计模块,用于统计所述待测试路段预设条件下的交通流运行信息,所述预设条件至少包括预设时间段、预设天气和预设环境,所述交通流运行信息至少包括交通流密度、交通流流速、交通流方向、交通流中各交通个体的起始位置、交通流中各交通个体的速度、交通流中各交通个体的方向;
参数定义模块,用于将所述交通个体特征模型进行参数定义,并根据所述交通流运行信息在所述交通流背景环境中布置交通个体;
路径规划模块,用于设定所述待测试车辆的目的地,并规划所述待测试车辆的预设行驶路径,定义到达所述目的地过程中的车辆测试数据,所述车辆测试数据至少包括交通个体数量、到达时间以及待测试车辆形式过程中的平均车流密度;
第一计算模块,用于计算所述交通流背景环境中布置的交通个体预设范围内的交通流密度以及综合交互因子;
交互模块,用于随机选取交互行为,并根据选取的交互行为控制所述待测试车辆与所述交通流背景环境中布置的交通个体进行交互,并定义所述交互行为的交互时间;
轨迹规划模块,用于规划并调整所述交通流背景环境中布置的交通个体的局部运行轨迹,以满足所述交通流背景环境中布置的交通个体以最优路径进行运动;
干扰行为模块,用于对所述综合交互因子超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体,触发与超出预设交互阈值的交通个体,以及经过随机撒点加强综合交互因子的交通个体相对应的干扰行为,并根据所述干扰行为类型定义干扰行为的消失时间;
数据更新模块,用于监测所述待测试路段的实时路况,并根据所述待测试路段的实时路况,更新所述待测试路段的地图数据、交通流背景环境以及布置在所述交通流背景环境中的交通个体的综合交互因子;
统计模块,用于当所述待测试车辆完成所述预设行驶路径或当所述待测试车辆与布置在所述交通流背景环境中的交通个体的交互行为次数超过第一预设次数或当所述待测车辆与布置在所述交通流背景环境中的交通个体的干扰行为次数超过第二预设次数时,统计待测试车辆行驶过程中的交互行为数据和干扰行为数据,根据统计结果评估所述待测试车辆的交通参与友好性和适应性。
7.根据权利要求6所述的智能驾驶的测试系统,其特征在于,所述模型建立模块具体用于,根据所述交通环境数据中的交通个体特征数据建立所述交通个体特征模型;
根据所述交通环境数据中的交通个体交互数据,建立所述交通流交互行为模型。
8.根据权利要求6所述的智能驾驶的测试系统,其特征在于,所述第一计算模块具体用于,将所述交通流背景环境中布置的交通个体预设范围内的车辆密度和车辆速度的乘积,作为所述交通流背景环境中布置的交通个体预设范围内的交通流流量;
根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子。
9.根据权利要求8所述的智能驾驶的测试系统,其特征在于,所述第一计算模块根据所述交通流背景环境中布置的交通个体预设范围内的交通流流量,定义各个交互行为的综合交互因子具体用于,通过所述待测试车辆与所述交通流背景环境中布置的交通个体的相对状态量,确定所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度;
根据所述交通流背景环境中布置的交通个体距离所述待测试车辆所在车道的距离和相对速度,定义交互行为的局部交互因子;
根据所述交通流背景环境中的车流数据拟合的预设拟合模型,确定交互行为的整体交互因子,所述预设拟合模型为所述整体交互因子和车流密度、车流速度的数学关系模型;
当所述交互行为的整体交互因子大于第一阈值,且所述交互行为的局部交互因子大于第二阈值时,将所述交互行为的整体交互因子和局部交互因子的乘积作为所述交互行为的综合交互因子。
10.根据权利要求6所述的智能驾驶的测试系统,其特征在于,所述待测试路段为城区道路路段或高速路段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236328.9A CN111402587B (zh) | 2020-03-30 | 2020-03-30 | 一种智能驾驶的测试方法及测试系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236328.9A CN111402587B (zh) | 2020-03-30 | 2020-03-30 | 一种智能驾驶的测试方法及测试系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402587A true CN111402587A (zh) | 2020-07-10 |
CN111402587B CN111402587B (zh) | 2021-05-25 |
Family
ID=71433646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236328.9A Active CN111402587B (zh) | 2020-03-30 | 2020-03-30 | 一种智能驾驶的测试方法及测试系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402587B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832179A (zh) * | 2020-07-17 | 2020-10-27 | 北京赛目科技有限公司 | 无人车的测试场景创建方法及装置 |
CN111915888A (zh) * | 2020-07-14 | 2020-11-10 | 同济大学 | 一种自动驾驶测试场景中交通参与者复杂度的计算方法 |
CN113140117A (zh) * | 2021-06-18 | 2021-07-20 | 智己汽车科技有限公司 | 基于无信号控制路口的车辆自动通行能力测试系统及方法 |
CN113345227A (zh) * | 2021-05-31 | 2021-09-03 | 上海涵润汽车电子有限公司 | 一种随机交通流生成方法及装置 |
CN114898557A (zh) * | 2022-05-20 | 2022-08-12 | 中国电信股份有限公司 | 自动驾驶路段的测试方法及装置、电子设备、存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130041631A1 (en) * | 2011-08-08 | 2013-02-14 | Xerox Corporation | Systems and methods for enhanced cellular automata algorithm for traffic flow modeling |
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价系统及评价方法 |
CN107727411A (zh) * | 2017-10-30 | 2018-02-23 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评场景生成系统及方法 |
CN109187048A (zh) * | 2018-09-14 | 2019-01-11 | 盯盯拍(深圳)云技术有限公司 | 自动驾驶性能测试方法以及自动驾驶性能测试装置 |
CN109765060A (zh) * | 2018-12-29 | 2019-05-17 | 同济大学 | 一种自动驾驶车辆交通协调性虚拟测试系统及方法 |
KR102009779B1 (ko) * | 2018-02-20 | 2019-08-12 | 한국기계연구원 | 자율주행기계 시험용 주행환경 제공장치 및 이의 제어방법 |
CN110188482A (zh) * | 2019-05-31 | 2019-08-30 | 初速度(苏州)科技有限公司 | 一种基于智能驾驶的测试场景创建方法及装置 |
DE102019101613A1 (de) * | 2018-03-21 | 2019-09-26 | Dspace Digital Signal Processing And Control Engineering Gmbh | Simulieren verschiedener Verkehrssituationen für ein Testfahrzeug |
CN110341711A (zh) * | 2019-07-06 | 2019-10-18 | 深圳数翔科技有限公司 | 一种基于码头环境的行驶轨迹生成系统及方法 |
CN110779730A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 基于虚拟驾驶场景车辆在环的l3级自动驾驶系统测试方法 |
CN110781578A (zh) * | 2019-09-23 | 2020-02-11 | 同济大学 | 一种基于事故场景的智能网联车算法的测试及评价方法 |
CN110795818A (zh) * | 2019-09-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 |
-
2020
- 2020-03-30 CN CN202010236328.9A patent/CN111402587B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130041631A1 (en) * | 2011-08-08 | 2013-02-14 | Xerox Corporation | Systems and methods for enhanced cellular automata algorithm for traffic flow modeling |
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价系统及评价方法 |
CN107727411A (zh) * | 2017-10-30 | 2018-02-23 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评场景生成系统及方法 |
KR102009779B1 (ko) * | 2018-02-20 | 2019-08-12 | 한국기계연구원 | 자율주행기계 시험용 주행환경 제공장치 및 이의 제어방법 |
DE102019101613A1 (de) * | 2018-03-21 | 2019-09-26 | Dspace Digital Signal Processing And Control Engineering Gmbh | Simulieren verschiedener Verkehrssituationen für ein Testfahrzeug |
CN109187048A (zh) * | 2018-09-14 | 2019-01-11 | 盯盯拍(深圳)云技术有限公司 | 自动驾驶性能测试方法以及自动驾驶性能测试装置 |
CN109765060A (zh) * | 2018-12-29 | 2019-05-17 | 同济大学 | 一种自动驾驶车辆交通协调性虚拟测试系统及方法 |
CN110188482A (zh) * | 2019-05-31 | 2019-08-30 | 初速度(苏州)科技有限公司 | 一种基于智能驾驶的测试场景创建方法及装置 |
CN110341711A (zh) * | 2019-07-06 | 2019-10-18 | 深圳数翔科技有限公司 | 一种基于码头环境的行驶轨迹生成系统及方法 |
CN110779730A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 基于虚拟驾驶场景车辆在环的l3级自动驾驶系统测试方法 |
CN110795818A (zh) * | 2019-09-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 |
CN110781578A (zh) * | 2019-09-23 | 2020-02-11 | 同济大学 | 一种基于事故场景的智能网联车算法的测试及评价方法 |
Non-Patent Citations (1)
Title |
---|
吴梦勋: "面向汽车智能化仿真的交通模拟", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915888A (zh) * | 2020-07-14 | 2020-11-10 | 同济大学 | 一种自动驾驶测试场景中交通参与者复杂度的计算方法 |
CN111915888B (zh) * | 2020-07-14 | 2021-09-03 | 同济大学 | 一种自动驾驶测试场景中交通参与者复杂度的计算方法 |
CN111832179A (zh) * | 2020-07-17 | 2020-10-27 | 北京赛目科技有限公司 | 无人车的测试场景创建方法及装置 |
CN111832179B (zh) * | 2020-07-17 | 2023-08-15 | 北京赛目科技有限公司 | 无人车的测试场景创建方法及装置 |
CN113345227A (zh) * | 2021-05-31 | 2021-09-03 | 上海涵润汽车电子有限公司 | 一种随机交通流生成方法及装置 |
CN113140117A (zh) * | 2021-06-18 | 2021-07-20 | 智己汽车科技有限公司 | 基于无信号控制路口的车辆自动通行能力测试系统及方法 |
CN113140117B (zh) * | 2021-06-18 | 2021-09-10 | 智己汽车科技有限公司 | 基于无信号控制路口的车辆自动通行能力测试系统及方法 |
CN114898557A (zh) * | 2022-05-20 | 2022-08-12 | 中国电信股份有限公司 | 自动驾驶路段的测试方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111402587B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402587B (zh) | 一种智能驾驶的测试方法及测试系统 | |
CN104298829A (zh) | 基于元胞自动机模型的城市路网交通流仿真设计方法 | |
CN105070076A (zh) | 一种基于v2i的特种车辆专用路线规划方法及系统 | |
Rahman et al. | Enhancing traffic safety at school zones by operation and engineering countermeasures: A microscopic simulation approach | |
Chen et al. | Simulating the impacts of on-street vehicle parking on traffic operations on urban streets using cellular automation | |
CN110751847A (zh) | 一种自动驾驶车辆行为决策方法及系统 | |
Vedagiri et al. | Traffic safety evaluation of uncontrolled intersections using surrogate safety measures under mixed traffic conditions | |
Frosch et al. | Evaluation of shared space to reduce traffic congestion | |
CN114861514A (zh) | 一种车辆行驶方案的规划方法、装置和存储介质 | |
Ishaque et al. | Multimodal microsimulation of vehicle and pedestrian signal timings | |
Rapelli et al. | A distributed V2V-based virtual traffic light system | |
CN104537848A (zh) | 一种基于车载自组织网络的城市道路交通状态探测方法 | |
Huang et al. | Simulation of pedestrian–vehicle interference in railway station drop-off area based on cellular automata | |
Golakiya et al. | Evaluating LOS at urban midblock section under the influence of crossing pedestrians in mixed traffic conditions | |
CN115100904B (zh) | 一种基于正和博弈的慢行交通与汽车冲突预警方法及系统 | |
Gao et al. | Coordinated arterial dilemma zone protection through dynamic signal timing optimization | |
Alkhatib et al. | A New System for Road Traffic Optimisation Using the Virtual Traffic Light Technology. | |
Rahman | Improving Traffic Safety at School Zones by Engineering and Operational Countermeasures | |
Rouphail | Operational evaluation of bus priority strategies | |
Gremmelmaier et al. | Cyclist behavior: a survey on characteristics and trajectory modeling | |
Ibitoye et al. | Impact of Road Users Behaviour on Intersection Performanceusing Vissim Micro-Simulation. | |
Johnson et al. | SCATS Ramp Metering-From North American origins to autonomous vehicle readiness | |
Muzyka | Bus Priority Strategies and Traffic Simulation | |
Iscan | Evaluation the level of service at a roundabout: A case study on Al-Ibrahimeya roundabout in Alexandria, Egypt | |
Chen et al. | Comprehensive evaluation of operational efficiency of intersections in arterial considering pedestrians yield rule |
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 |