CN112651127A - 一种基于高斯过程回归的保守车辆行为泛化模拟方法 - Google Patents
一种基于高斯过程回归的保守车辆行为泛化模拟方法 Download PDFInfo
- Publication number
- CN112651127A CN112651127A CN202011570762.7A CN202011570762A CN112651127A CN 112651127 A CN112651127 A CN 112651127A CN 202011570762 A CN202011570762 A CN 202011570762A CN 112651127 A CN112651127 A CN 112651127A
- Authority
- CN
- China
- Prior art keywords
- conservative
- generalization
- vehicle
- vehicle behavior
- gaussian process
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了基于高斯过程回归的保守车辆行为泛化模拟方法，其步骤包括：进行基于模拟驾驶器的驾驶员在环实时仿真试验并采集试验数据；随机分类试验数据，得到建模数据库和测试数据库；以前车车距、后车车距、车道中线半径为输入变量，以纵向车速、方向盘转角为输出变量，进行高斯过程回归建模，得到保守车辆行为泛化模型；模型测试；使用保守车辆行为泛化模型进行保守车辆行为泛化。本方法数据采集便捷、建模速度快，有利于保守车辆行为的高可信度泛化，提高仿真系统中随机车辆行为可信度，一定程度上克服了当前技术的缺陷。
Description
技术领域
本发明涉及自动驾驶仿真技术领域，特别涉及一种基于高斯过程回归的保守车辆行为泛化模拟方法。
背景技术
在辅助驾驶和无人驾驶技术飞速发展的今天，各国都有一定数量的高科技企业进行关于辅助驾驶算法和无人驾驶算法的开发，然而，由于现实试验条件的约束，算法开发人员不得不借助仿真软件进行算法可行性验证。对于一个高品质的自动驾驶仿真软件，高可信度的随机车流是必不可少的。然而，由于驾驶员的行驶风格和环境变化都会对驾驶员的决策造成很大影响。在各种车辆行为中，保守车辆行为的建模较为简单，即不倾向于进行极端动作，如急刹车、换道或超速行驶。然而，目前还没有公认的可以广泛应用的保守车辆泛化建模方法，无法满足自动驾驶算法和无人驾驶算法测试的需求。
发明内容
本发明的主要目的在于提供一种高可信度的保守车辆行为泛化模拟方法，以解决现有技术的问题。
为了达到上述目的，本发明提供一种基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，包括以下步骤：
进行基于模拟驾驶器的驾驶员在环实时仿真试验并采集试验数据，试验时驾驶员以保守风格驾驶车辆，采集的试验数据包括前车车距、后车车距、车道中线半径、纵向车速、方向盘转角；
随机分类试验数据，得到建模数据库和测试数据库；
抽取建模数据库中的数据点，以前车车距、后车车距、车道中线半径为输入变量，以纵向车速、方向盘转角为输出变量，进行高斯过程回归建模，得到保守车辆行为泛化模型；
使用测试数据对模型进行测试；
将测试合格的保守车辆行为泛化模型应用于自动驾驶仿真系统中，进行保守车辆行为泛化。
优选地，模拟仿真试验中，虚拟试验环境的道路采用1:1城市道路仿真模型，且包含随机交通路况；试验累积路程至少10km。
优选地，驾驶员以保守风格驾驶车辆的定义为：城市路况下，非必要换道频率低于2次/km；平均时速低于40km/h；最高时速低于50km/h；高速路况下，非必要换道频率低于1次/km；平均时速低于80km/h；最高车速低于100km/h；其中，非必要换道指不是以转弯或避障为目的的换道行为。
优选地，试验完成后，将试验数据按照8:2比例随机分为建模数据库和测试数据库。
优选地，进行高斯过程回归建模时，使用建模数据库中随机抽取N个数据点建立基于高斯过程回归的保守车辆行为泛化模型，其中N小于建模数据库的数据点总数。
进一步优选地，当使用测试数据对模型进行测试时，若根据模型计算的车速预测MSE值小于1.5，且方向盘转角预测MSE值小于0.8则建模成功，否则增大N值，重新抽取数据点训练模型。
优选地，使用保守车辆行为泛化模型进行保守车辆行为泛化的步骤包括：
1)将泛化所得保守车辆置于随机车流中时，检测前车车距和后车车距；
2)根据模型计算得到目标车速和目标方向盘转角值；
3)使用PID控制器控制泛化所得保守车辆的车速和方向盘转角值，从而模拟保守车辆行为。
由于采用上述技术方案，本发明达到以下有益效果：本发明基于模拟驾驶器的仿真试验，通过高斯过程回归算法对以保守风格驾驶的车辆行驶状态参数进行建模，根据模型计算得到包含车速和方向盘转角的保守车辆控制参数，从而更加逼真地实现保守车辆行为泛化模拟，本发明具有数据采集便捷、建模速度快等优点，有利于保守车辆行为的高可信度泛化，提高仿真系统中随机车辆行为可信度，一定程度上克服了现有技术的缺陷。
附图说明
图1为根据本发明的基于高斯过程回归的保守车辆泛化模拟方法的步骤流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
请结合图1，本实施例的一种基于高斯过程回归的保守车辆行为泛化模拟方法，包括如下步骤：
S1.进行驾驶员在环仿真试验并采集数据：
模拟仿真试验中，包括进行基于模拟驾驶器的驾驶员在环实时仿真试验。试验中使用1:1城市道路，且带有随机交通路况，包括随机车辆和随机行人。试验路程必须累积进行至少10km，且尽量不更换车道，以保守风格驾驶，具体要求驾驶员在驾驶时，城市路况下，非必要换道频率低于2次/km；平均时速低于40km/h；最高时速低于50km/h；高速路况下，非必要换道频率低于1次/km；平均时速低于80km/h；最高车速低于100km/h；其中，非必要换道指不是以转弯或避障为目的的换道行为。
试验中采集的数据包括前车车距、后车车距、车道中线半径、纵向车速、方向盘转角。
S2.随机分类得到建模数据库和测试数据库：
试验完成后，将试验数据按照8:2比例随机分为建模数据库和测试数据库。
S3.基于高斯过程回归算法建立泛化模型：
使用在建模数据库中所抽取的N个训练数据点建立基于高斯过程回归的保守车辆行为泛化模型时，以前车车距、后车车距、车道中线半径为输入变量，以纵向车速、方向盘转角为输出变量。其中，N小于建模数据库的数据总数。
S4.使用测试数据而是泛化模型：
使用测试数据对改模型进行测试时，若根据模型计算得到测试点的车速预测MSE(均方误差)值小于1.5，方向盘转角预测MSE值小于0.8则建模成功，否则增大N值，重新抽取建模数据库中的数据训练模型，直至测试合格。
S5.使用泛化模型泛化保守车辆：
模型训练成功后，将保守车辆行为泛化模型应用于自动驾驶仿真系统中，进行保守车辆行为泛化的步骤是：
1)将泛化所得保守车辆置于随机车流中时，检测前后车距。
2)计算得到目标车速和目标方向盘转角值。
3)使用PID控制器控制泛化所得保守车辆的车速和方向盘转角值，从而高可信度地模拟保守车辆行为。其中，速度和方向盘转角的PID参数均为：比例增益为0.1，积分增益为0.01，微分增益为0。
通过以上方法可快速建立获得保守车辆行为泛化模型，有利于保守车辆行为的高可信度泛化，在自动驾驶仿真系统中应用，可提高仿真系统中随机车辆行为可信度。
以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，包括以下步骤：
进行基于模拟驾驶器的驾驶员在环实时仿真试验并采集试验数据，试验时驾驶员以保守风格驾驶车辆，采集的试验数据包括前车车距、后车车距、车道中线半径、纵向车速、方向盘转角；
随机分类试验数据，得到建模数据库和测试数据库；
抽取建模数据库中的数据点，以前车车距、后车车距、车道中线半径为输入变量，以纵向车速、方向盘转角为输出变量，进行高斯过程回归建模，得到保守车辆行为泛化模型；
使用测试数据对模型进行测试；
将测试合格的保守车辆行为泛化模型应用于自动驾驶仿真系统中，进行保守车辆行为泛化。
2.根据权利要求1所述基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，模拟仿真试验中，虚拟试验环境的道路采用1:1城市道路仿真模型，且包含随机交通路况；试验累积路程至少10km。
3.根据权利要求1或2所述基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，驾驶员以保守风格驾驶车辆的定义为：城市路况下，非必要换道频率低于2次/km；平均时速低于40km/h；最高时速低于50km/h；
高速路况下，非必要换道频率低于1次/km；平均时速低于80km/h；最高车速低于100km/h；
其中，非必要换道指不是以转弯或避障为目的的换道行为。
4.根据权利要求1所述基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，试验完成后，将试验数据按照8:2比例随机分为建模数据库和测试数据库。
5.根据权利要求1所述基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，进行高斯过程回归建模时，使用建模数据库中随机抽取N个数据点建立基于高斯过程回归的保守车辆行为泛化模型，其中N小于建模数据库的数据点总数。
6.根据权利要求5所述基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，当使用测试数据对模型进行测试时，若根据模型计算的车速预测MSE值小于1.5，且方向盘转角预测MSE值小于0.8则建模成功，否则增大N值，重新抽取数据点训练模型。
7.根据权利要求1所述基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，使用保守车辆行为泛化模型进行保守车辆行为泛化的步骤包括：
1)将泛化所得保守车辆置于随机车流中时，检测前车车距和后车车距；
2)根据模型计算得到目标车速和目标方向盘转角值；
3)使用PID控制器控制泛化所得保守车辆的车速和方向盘转角值，从而模拟保守车辆行为。
8.根据权利要求7所述基于高斯过程回归的保守车辆行为泛化模拟方法，其特征在于，使用PID控制器控制泛化所得保守车辆的车速和方向盘转角值时，速度和方向盘转角的PID参数均为：比例增益为0.1，积分增益为0.01，微分增益为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011570762.7A CN112651127A (zh) | 2020-12-26 | 2020-12-26 | 一种基于高斯过程回归的保守车辆行为泛化模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011570762.7A CN112651127A (zh) | 2020-12-26 | 2020-12-26 | 一种基于高斯过程回归的保守车辆行为泛化模拟方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112651127A true CN112651127A (zh) | 2021-04-13 |
Family
ID=75363193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011570762.7A Pending CN112651127A (zh) | 2020-12-26 | 2020-12-26 | 一种基于高斯过程回归的保守车辆行为泛化模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651127A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
| US20170361873A1 (en) * | 2016-06-17 | 2017-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method of building smart vehicle control model, and method and apparatus for controlling smart vehicle |
| CN109446662A (zh) * | 2018-10-31 | 2019-03-08 | 百度在线网络技术（北京）有限公司 | 车辆仿真轨迹的生成方法及装置、计算机设备及存储介质 |
| CN110941272A (zh) * | 2019-11-27 | 2020-03-31 | 深圳先进技术研究院 | 自动驾驶控制方法和设备 |
| CN110949398A (zh) * | 2019-11-28 | 2020-04-03 | 同济大学 | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 |
| CN111994084A (zh) * | 2020-09-21 | 2020-11-27 | 华南理工大学 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
-
2020
- 2020-12-26 CN CN202011570762.7A patent/CN112651127A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170361873A1 (en) * | 2016-06-17 | 2017-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method of building smart vehicle control model, and method and apparatus for controlling smart vehicle |
| CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
| CN109446662A (zh) * | 2018-10-31 | 2019-03-08 | 百度在线网络技术（北京）有限公司 | 车辆仿真轨迹的生成方法及装置、计算机设备及存储介质 |
| CN110941272A (zh) * | 2019-11-27 | 2020-03-31 | 深圳先进技术研究院 | 自动驾驶控制方法和设备 |
| CN110949398A (zh) * | 2019-11-28 | 2020-04-03 | 同济大学 | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 |
| CN111994084A (zh) * | 2020-09-21 | 2020-11-27 | 华南理工大学 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| HONGJUN CHEN等: "Imitating Driver Behavior for Fast Overtaking through Bagging Gaussian Process Regression", 2019 2ND CHINA SYMPOSIUM ON COGNITIVE COMPUTING AND HYBRID INTELLIGENCE (CCHI), pages 219 - 222 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647056B (zh) | 一种基于整车硬件在环的智能网联汽车环境模拟仿真系统 | |
| CN112703459B (zh) | 对抗场景的迭代生成 | |
| CN108860139B (zh) | 一种基于深度增强学习的自动泊车轨迹规划方法 | |
| CN106080590A (zh) | 车辆控制方法和装置以及决策模型的获取方法和装置 | |
| CN107168303A (zh) | 一种汽车的自动驾驶方法及装置 | |
| CN110751847B (zh) | 一种自动驾驶车辆行为决策方法及系统 | |
| CN112373483B (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
| CN112560782A (zh) | 一种基于随机森林算法的车辆换道行为识别方法 | |
| CN108320513A (zh) | 一种绿灯闪烁信号时行人过街行为分析方法 | |
| CN113536538B (zh) | 一种基于交通冲突的行人与车辆交互仿真方法及系统 | |
| CN114973650A (zh) | 车辆匝道入口合流控制方法、车辆、电子设备及存储介质 | |
| CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| CN116776288A (zh) | 一种智能驾驶感知模型的优化方法、装置及存储介质 | |
| CN112651127A (zh) | 一种基于高斯过程回归的保守车辆行为泛化模拟方法 | |
| CN116680979A (zh) | 一种基于强化学习的无人驾驶测试场景自动生成方法 | |
| Zhang et al. | A study on testing autonomous driving systems | |
| CN114779764A (zh) | 基于行车风险分析的车辆强化学习运动规划方法 | |
| CN112308171A (zh) | 一种基于模拟驾驶器的车辆位置预测建模方法 | |
| CN112651134A (zh) | 基于高斯过程回归的转向路感模拟方法 | |
| CN112002126A (zh) | 复杂场景下车辆长期轨迹预测方法及系统 | |
| CN114141009B (zh) | 基于多时序网络的仿真交通流变道方法和系统 | |
| CN113657036B (zh) | 基于神经网络和物理模型的车辆动力学模拟实现方法 | |
| Hou | Study on Anthropomorphic Lane Changing Decision Making for Smart Trucks Based on Driving Behavior | |
| CN112347623A (zh) | 一种模拟车辆控制的在线仿真平台及车辆控制方法 | |
| Guan et al. | Pedestrian Avoidance with and Without Incoming Traffic by Using Deep Reinforcement Learning |
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 |