CN113536612B - 一种基于仿真平台的可交互数据集重现方法与系统 - Google Patents

一种基于仿真平台的可交互数据集重现方法与系统 Download PDF

Info

Publication number
CN113536612B
CN113536612B CN202111089628.XA CN202111089628A CN113536612B CN 113536612 B CN113536612 B CN 113536612B CN 202111089628 A CN202111089628 A CN 202111089628A CN 113536612 B CN113536612 B CN 113536612B
Authority
CN
China
Prior art keywords
vehicle
track
data set
entity
motion controller
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.)
Active
Application number
CN202111089628.XA
Other languages
English (en)
Other versions
CN113536612A (zh
Inventor
龚建伟
李子睿
贺先祺
左寅初
臧政
吕超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beilihuidong Beijing Education Technology Co ltd
Beijing Institute of Technology BIT
Original Assignee
Beilihuidong Beijing Education Technology Co ltd
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beilihuidong Beijing Education Technology Co ltd, Beijing Institute of Technology BIT filed Critical Beilihuidong Beijing Education Technology Co ltd
Priority to CN202111089628.XA priority Critical patent/CN113536612B/zh
Publication of CN113536612A publication Critical patent/CN113536612A/zh
Application granted granted Critical
Publication of CN113536612B publication Critical patent/CN113536612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本发明涉及一种基于仿真平台的可交互数据集重现方法与系统。该方法包括利用INTERACTION数据集搭建车辆仿真场景；利用线性插值方法对实体轨迹进行预处理；根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器；根据预处理后的实体轨迹、横向运动控制器以及纵向运动控制器确定车辆在车辆仿真场景中的控制信号；根据控制信号控制车辆在车辆仿真场景中的运动，实现可交互数据集重现。本发明能够提高数据集灵活性，进而提供交互式实验环境。

Description

一种基于仿真平台的可交互数据集重现方法与系统
技术领域
本发明涉及车辆自动驾驶领域，特别是涉及一种基于仿真平台的可交互数据集重现方法与系统。
背景技术
数据集是自动驾驶技术的重要研究对象。自动驾驶包括诸多领域，例如运动预测、运动规划、表征学习、模仿学习、行为建模、算法测试等均围绕数据集展开，数据集的信息密度、准确性、场景多样性、实体完整性的优劣直接影响实验结果的好坏。数据集可分为不可交互式和可交互式数据集两种。不可交互式数据集是现阶段数据集的主流形式，一般包含实体运动轨迹、静态环境信息、时间戳等。不可交互式数据集最大的劣势是灵活性差，数据集内容不可更改，局限性大。可交互式数据集在不可交互式数据集的基础上引入动态调整机制，能根据研究者需要增减、更改实体的运动轨迹，大大提高了数据集的泛用性和适应性。目前在无人驾驶领域，用于训练的数据集多是不可交互式数据集，在使用过程中对数据集的处理较为困难，针对可交互式数据集的重现和动态调整的方法较少。
针对上述问题，亟需提出一种可交互数据集重现方法或系统，以解决目前数据集灵活性差、不能提供交互式实验环境的问题。
发明内容
本发明的目的是提供一种基于仿真平台的可交互数据集重现方法与系统，能够提高数据集灵活性，进而提供交互式实验环境。
为实现上述目的，本发明提供了如下方案：
一种基于仿真平台的可交互数据集重现方法，包括：
利用INTERACTION数据集搭建车辆仿真场景；所述INTERACTION数据集的数据类型包括实体轨迹、不同国家的交通场景信息以及对应场景的高清语义地图；所述交通场景信息包括：环岛、十字路口、城市/高速公路换道以及超车场景；所述车辆仿真场景包括：按高速公路国标搭建道路、交通灯和交通标志的位置和种类、交通要素的位置和种类、车辆出生点、车辆的长、宽、高以及类型、以及车辆轨迹；所述车辆仿真场景与INTERACTION数据集的坐标系一致；所述车辆仿真场景的控制目标为道路上的车流；
利用线性插值方法对实体轨迹进行预处理；所述实体轨迹包括：车辆在平面上的x，y坐标以及车辆在x，y方向上的速度和车辆的角位移；
根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器；
根据预处理后的实体轨迹、横向运动控制器以及纵向运动控制器确定车辆在车辆仿真场景中的控制信号；
根据控制信号控制车辆在车辆仿真场景中的运动，实现可交互数据集重现。
可选地，所述利用INTERACTION数据集搭建车辆仿真场景，具体包括：
利用CARLA动力学仿真软件和INTERACTION数据集搭建二维地图；
采用RoadRunner方法将二维地图转换为三维地图；
将三维地图导入CARLA函数库中搭建车辆仿真场景。
可选地，所述利用线性插值方法对实体轨迹进行预处理，具体包括：
将实体轨迹导入车辆仿真场景中，确定每一车辆的轨迹；
对每一车辆的轨迹采用线性插值方法进行平滑处理；
根据平滑处理的轨迹截取每一车辆的前视距离；并对截取的前视距离进行校验；
根据校验通过后的前视距离确定预处理后的实体轨迹。
可选地，所述根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器，具体包括：
利用公式
Figure 100002_DEST_PATH_IMAGE001
确定横向运动控制器；
利用公式
Figure 277454DEST_PATH_IMAGE002
确定纵向运动控制器；
其中，δ为前轮转角，L为前后轴距，α为车身和目标路点的夹角，v x为车辆纵向速度，k为调整系数，k用于控制前视距离的大小，t为时间，U为控制值，U为正值时输出为油门信号，控制车辆加速，负值时输出为刹车信号，控制车辆减速，err为当前车速与下一个轨迹点需求车速的差值，即误差，kp为比例项系数，T I 为积分项系数，T D 为微分项系数。
一种基于仿真平台的可交互数据集重现系统，包括：
车辆仿真场景搭建模块，用于利用INTERACTION数据集搭建车辆仿真场景；所述INTERACTION数据集的数据类型包括实体轨迹、不同国家的交通场景信息以及对应场景的高清语义地图；所述交通场景信息包括：环岛、十字路口、城市/高速公路换道以及超车场景；所述车辆仿真场景包括：按高速公路国标搭建道路、交通灯和交通标志的位置和种类、交通要素的位置和种类、车辆出生点、车辆的长、宽、高以及类型、以及车辆轨迹；所述车辆仿真场景与INTERACTION数据集的坐标系一致；所述车辆仿真场景的控制目标为道路上的车流；
实体轨迹预处理模块，用于利用线性插值方法对实体轨迹进行预处理；所述实体轨迹包括：车辆在平面上的x，y坐标以及车辆在x，y方向上的速度和车辆的角位移；
运动控制器确定模块，用于根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器；
控制信号确定模块，用于根据预处理后的实体轨迹、横向运动控制器以及纵向运动控制器确定车辆在车辆仿真场景中的控制信号；
车辆控制模块，用于根据控制信号控制车辆在车辆仿真场景中的运动，实现可交互数据集重现。
可选地，所述车辆仿真场景搭建模块具体包括：
二维地图搭建单元，用于利用CARLA动力学仿真软件和INTERACTION数据集搭建二维地图；
二维地图转换单元，用于采用RoadRunner方法将二维地图转换为三维地图；
车辆仿真场景搭建单元，用于将三维地图导入CARLA函数库中搭建车辆仿真场景。
可选地，所述实体轨迹预处理模块具体包括：
每一车辆的轨迹确定单元，用于将实体轨迹导入车辆仿真场景中，确定每一车辆的轨迹；
轨迹平滑处理单元，用于对每一车辆的轨迹采用线性插值方法进行平滑处理；
前视距离校验单元，用于根据平滑处理的轨迹截取每一车辆的前视距离；并对截取的前视距离进行校验；
实体轨迹预处理单元，用于根据校验通过后的前视距离确定预处理后的实体轨迹。
可选地，所述运动控制器确定模块具体包括：
横向运动控制器确定单元，用于利用公式
Figure DEST_PATH_IMAGE003
确定横向运动控制器；
纵向运动控制器确定单元，用于利用公式
Figure 466996DEST_PATH_IMAGE004
确定纵向运动控制器；
其中，δ为前轮转角，L为前后轴距，α为车身和目标路点的夹角，v x为车辆纵向速度，k为调整系数，k用于控制前视距离的大小，t为时间，U为控制值，U为正值时输出为油门信号，控制车辆加速，负值时输出为刹车信号，控制车辆减速，err为当前车速与下一个轨迹点需求车速的差值，即误差，kp为比例项系数，T I 为积分项系数，T D 为微分项系数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种基于仿真平台的可交互数据集重现方法与系统，可根据数据集进行仿真场景的搭建，还原数据集的道路和交通标志，然后分别确定运动控制器的纵向控制器和横向控制器，以车辆的轨迹坐标作为输入，运动控制器输出油门、刹车、转向等控制信号，仿真场景根据控制信号生成与数据集一致的动态车流，并且该车流具有可交互性，可以按研究者需要动态修改车辆轨迹，大大提高了数据集的泛用性与适应性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于仿真平台的可交互数据集重现方法流程示意图；
图2为本发明所提供的一种基于仿真平台的可交互数据集重现系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种基于仿真平台的可交互数据集重现方法与系统，能够提高数据集灵活性，进而提供交互式实验环境。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于仿真平台的可交互数据集重现方法流程示意图，如图1所示，本发明所提供的一种基于仿真平台的可交互数据集重现方法，包括：
S101，利用INTERACTION数据集搭建车辆仿真场景；所述INTERACTION数据集的数据类型包括实体轨迹、不同国家的交通场景信息以及对应场景的高清语义地图；所述交通场景信息包括：环岛、十字路口、城市/高速公路换道以及超车场景；所述车辆仿真场景包括：按高速公路国标搭建道路、交通灯和交通标志的位置和种类、交通要素的位置和种类、车辆出生点、车辆的长、宽、高以及类型、以及车辆轨迹；所述车辆仿真场景与INTERACTION数据集的坐标系一致；所述车辆仿真场景的控制目标为道路上的车流；
车辆仿真场景中通过编写Python脚本，调用CARLA函数库，定义场景中的车辆类型、出生点、道路、环境等信息。仿真场景具体包含以下几个方面的内容：
在仿真场景中按高速公路国标搭建道路；
设置交通灯和交通标志的位置和种类；
设置护栏、植被等其他交通要素的位置和种类；
设置车辆出生点（紧贴地面，位置取决于车辆首次在数据集中出现的时刻）；
设置车辆的长、宽、高、类型，使其尽量与数据集贴合；
缩放并移动场景，不断调整直到场景与数据集的坐标系一致，以便导入车辆轨迹；
天气条件设置为静态，保持与数据集状态一致。
所述地图在INTERACTION数据集中为Lanelet2格式，该格式仅包含平面信息。
S101具体包括：
利用CARLA动力学仿真软件和INTERACTION数据集搭建二维地图；
采用RoadRunner方法将二维地图转换为三维地图；采用RoadRunner将激光雷达点云、航拍图像和 GIS 数据的可视化，生成环岛、交叉路口、桥梁、复杂道路网络、自定义标牌、路面标识和路障等道路要素，将二维地图转换成三维地图；并将三维地图保存为xodr+fbx格式；
将三维地图导入CARLA函数库中搭建车辆仿真场景。
车辆仿真场景中包括一条主干道和一条匝道，匝道从主干道的北侧汇入；所述环境中无交通灯，匝道与主干道、主干道与绿化带间均有护栏，道路两侧种有行道树；所述控制目标为道路上的车流，在多数情况下，道路上同时存在二十辆以上汽车，汽车之间存在强交互关系；所述车流在不同区域、不同时间段存在低速直行、高速直行等简单交通状况，也存在路口转弯、变道、并道、超车等复杂交通状况。
S102，利用线性插值方法对实体轨迹进行预处理；所述实体轨迹包括：车辆在平面上的x，y坐标以及车辆在x，y方向上的速度和车辆的角位移；即为了提升控制器性能。
S102具体包括：
将实体轨迹导入车辆仿真场景中，确定每一车辆的轨迹；
对每一车辆的轨迹采用线性插值方法进行平滑处理；
平滑处理的公式为：
Figure 787119DEST_PATH_IMAGE005
；
即假设已知坐标
Figure 279280DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
，线性插值根据公式可得到区间
Figure 111451DEST_PATH_IMAGE008
内某一位置x在直线上的值。若在区间
Figure DEST_PATH_IMAGE009
内插入n个点，则将区间
Figure 104684DEST_PATH_IMAGE009
分为n份，区间变换为
Figure 810472DEST_PATH_IMAGE010
，将已知的x值代入线性插值方法公式求得对应的y值。
根据平滑处理的轨迹截取每一车辆的前视距离；并对截取的前视距离进行校验；
校验的具体过程为:
在选取前视距离时，前视距离过大，则实时性差；前视距离过小，则精确性不好。前视距离的选取过程如下：选取某一前视距离；进行仿真测试，验证前视距离是否满足控制需求；修改前视距离，重新试验，直到获取一个合适的参数。
根据校验通过后的前视距离确定预处理后的实体轨迹。
S103，根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器；即以预处理后的实体轨迹为输入。输入到运动控制器的数据输入格式为：
Figure DEST_PATH_IMAGE011
；其中，x, y分别为汽车在平面上的x，y轴坐标，v x ，v y 分别为汽车在x，y方向上的速度分量，θ为角位移。
仿真场景发送和接收数据的帧率固定在20~30Hz。每经过一帧，控制器分析算输入，并向仿真场景输出汽车的油门、刹车、转向等控制信号，更新控制仿真场景中车辆的油门、刹车和转向进行轨迹跟踪，以减少跟踪误差。同时，仿真场景向控制器反馈汽车的运动状态，控制器将该状态与数据集中预期运动状态对比，计算新的控制参数。控制参数包括油门信号、刹车信号和转向角。
横向控制器基于纯追踪算法，公式如下：
Figure 739113DEST_PATH_IMAGE012
；
l d 为前视距离；l d = kvx(t)；
S103具体包括：
利用公式
Figure 533282DEST_PATH_IMAGE003
确定横向运动控制器；横向控制器会接收到仿真环境中车辆与目标路点的夹角α(t)，根据这个夹角计算出此时车辆的转向角δ(t)，并发送到控制器。下一帧更新车辆与目标路点的夹角，再发回控制器算出新的转向角。以此循环更新，实现车辆对轨迹的横向跟踪控制。
利用公式
Figure DEST_PATH_IMAGE013
确定纵向运动控制器；
其中，δ为前轮转角，L为前后轴距，α为车身和目标路点的夹角，v x为车辆纵向速度，k为调整系数，k用于控制前视距离的大小，k值越大则前视距离越大，曲线越平滑；k值越小则前视距离越小，追踪精度越高，也越容易出现震荡。根据实际情况选取合适的k值达到较好的控制效果，t为时间，U为控制值，U为正值时输出为油门信号，控制车辆加速，负值时输出为刹车信号，控制车辆减速，err为当前车速与下一个轨迹点需求车速的差值，即误差，kp为比例项系数，T I 为积分项系数，T D 为微分项系数。当kp=0.2，T I = ∞，T D = 0有较好的控制效果。
纵向控制器会接收到仿真环境中车辆当前车速与下一个轨迹点需求车速的差值err，根据这个差值计算出此时车辆的油门控制量和刹车控制量U(t)，并发送到纵向控制器。下一帧更新当前车速与下一个轨迹点需求车速的差值，再发回控制器更新后的车辆的油门控制量和刹车控制量。以此循环更新，实现车辆对轨迹的纵向跟踪控制。
S104，根据预处理后的实体轨迹、横向运动控制器以及纵向运动控制器确定车辆在车辆仿真场景中的控制信号；
S105，根据控制信号控制车辆在车辆仿真场景中的运动，实现可交互数据集重现。以运动控制器的控制信号作为输入，在仿真场景中控制车辆遵循数据集中的轨迹行驶；根据数据集车辆结束轨迹点控制车辆的消失。
仿真场景中包含监控汽车运行的监控器，该监控器实时记录汽车的三维位置、三维旋转、三维速度、三维加速度、档位状态等，以监控汽车是否正常运行；碰撞监控器。碰撞发生意味着仿真系统或算法出现故障，设置碰撞感应器以监控系统是否正常运行；汽车IO控制器。仿真场景中的汽车在既定出现时间出现，在既定消失时间消失。为保证汽车的正常出现与消失，设置汽车IO控制器，所述控制器严格在对应时间控制汽车的输入/输出；实时轨迹图。该轨迹图实时保存并绘制数据集原始轨迹与车辆在仿真中的实际轨迹，以便评估系统有效性。
场景中生成的车辆具有可交互性，在仿真进行的过程中，研究人员可依据需求动态控制车辆参数，包括但不限于：油门、刹车、转向角度。车辆特征包括但不限于：车型、长宽高、颜色、重量。所述车辆可以是单车，也可以是若干车辆组成的车流。所述运动器的控制信号包括但不限于：油门、刹车、转向、档位。
图2为本发明所提供的一种基于仿真平台的可交互数据集重现系统结构示意图，如图2所示，本发明所提供的一种基于仿真平台的可交互数据集重现系统，包括：
车辆仿真场景搭建模块201，用于利用INTERACTION数据集搭建车辆仿真场景；所述INTERACTION数据集的数据类型包括实体轨迹、不同国家的交通场景信息以及对应场景的高清语义地图；所述交通场景信息包括：环岛、十字路口、城市/高速公路换道以及超车场景；所述车辆仿真场景包括：按高速公路国标搭建道路、交通灯和交通标志的位置和种类、交通要素的位置和种类、车辆出生点、车辆的长、宽、高以及类型、以及车辆轨迹；所述车辆仿真场景与INTERACTION数据集的坐标系一致；所述车辆仿真场景的控制目标为道路上的车流；
实体轨迹预处理模块202，用于利用线性插值方法对实体轨迹进行预处理；所述实体轨迹包括：车辆在平面上的x，y坐标以及车辆在x，y方向上的速度和车辆的角位移；
运动控制器确定模块203，用于根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器；
控制信号确定模块204，用于根据预处理后的实体轨迹、横向运动控制器以及纵向运动控制器确定车辆在车辆仿真场景中的控制信号；
车辆控制模块205，用于根据控制信号控制车辆在车辆仿真场景中的运动，实现可交互数据集重现。
所述车辆仿真场景搭建模块201具体包括：
二维地图搭建单元，用于利用CARLA动力学仿真软件和INTERACTION数据集搭建二维地图；
二维地图转换单元，用于采用RoadRunner方法将二维地图转换为三维地图；
车辆仿真场景搭建单元，用于将三维地图导入CARLA函数库中搭建车辆仿真场景。
所述实体轨迹预处理模块202具体包括：
每一车辆的轨迹确定单元，用于将实体轨迹导入车辆仿真场景中，确定每一车辆的轨迹；
轨迹平滑处理单元，用于对每一车辆的轨迹采用线性插值方法进行平滑处理；
前视距离校验单元，用于根据平滑处理的轨迹截取每一车辆的前视距离；并对截取的前视距离进行校验；
实体轨迹预处理单元，用于根据校验通过后的前视距离确定预处理后的实体轨迹。
所述运动控制器确定模块203具体包括：
横向运动控制器确定单元，用于利用公式
Figure 638860DEST_PATH_IMAGE003
确定横向运动控制器；
纵向运动控制器确定单元，用于利用公式
Figure 933575DEST_PATH_IMAGE014
确定纵向运动控制器；
其中，δ为前轮转角，L为前后轴距，α为车身和目标路点的夹角，v x为车辆纵向速度，k为调整系数，k用于控制前视距离的大小，t为时间，U为控制值，U为正值时输出为油门信号，控制车辆加速，负值时输出为刹车信号，控制车辆减速，err为当前车速与下一个轨迹点需求车速的差值，即误差，kp为比例项系数，T I 为积分项系数，T D 为微分项系数。
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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于仿真平台的可交互数据集重现方法，其特征在于，包括：
利用INTERACTION数据集搭建车辆仿真场景；所述INTERACTION数据集的数据类型包括实体轨迹、不同国家的交通场景信息以及对应场景的高清语义地图；所述交通场景信息包括：环岛、十字路口、城市/高速公路换道以及超车场景；所述车辆仿真场景包括：按高速公路国标搭建道路、交通灯和交通标志的位置和种类、交通要素的位置和种类、车辆出生点、车辆的长、宽、高以及类型、以及车辆轨迹；所述车辆仿真场景与INTERACTION数据集的坐标系一致；所述车辆仿真场景的控制目标为道路上的车流；
利用线性插值方法对实体轨迹进行预处理；所述实体轨迹包括：车辆在平面上的x，y坐标以及车辆在x，y方向上的速度和车辆的角位移；
根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器；
根据预处理后的实体轨迹、横向运动控制器以及纵向运动控制器确定车辆在车辆仿真场景中的控制信号；
根据控制信号控制车辆在车辆仿真场景中的运动，实现可交互数据集重现；
所述利用INTERACTION数据集搭建车辆仿真场景，具体包括：
利用CARLA动力学仿真软件和INTERACTION数据集搭建二维地图；
采用RoadRunner方法将二维地图转换为三维地图；
将三维地图导入CARLA函数库中搭建车辆仿真场景。
2.根据权利要求1所述的一种基于仿真平台的可交互数据集重现方法，其特征在于，所述利用线性插值方法对实体轨迹进行预处理，具体包括：
将实体轨迹导入车辆仿真场景中，确定每一车辆的轨迹；
对每一车辆的轨迹采用线性插值方法进行平滑处理；
根据平滑处理的轨迹截取每一车辆的前视距离；并对截取的前视距离进行校验；
根据校验通过后的前视距离确定预处理后的实体轨迹。
3.根据权利要求1所述的一种基于仿真平台的可交互数据集重现方法，其特征在于，所述根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器，具体包括：
利用公式
Figure DEST_PATH_IMAGE001
确定横向运动控制器；
利用公式
Figure DEST_PATH_IMAGE002
确定纵向运动控制器；
其中，δ为前轮转角，L为前后轴距，α为车身和目标路点的夹角，v x为车辆纵向速度，k为调整系数，k用于控制前视距离的大小，t为时间，U为控制值，U为正值时输出为油门信号，控制车辆加速，负值时输出为刹车信号，控制车辆减速，err为当前车速与下一个轨迹点需求车速的差值，即误差，kp为比例项系数，T I 为积分项系数，T D 为微分项系数。
4.一种基于仿真平台的可交互数据集重现系统，其特征在于，包括：
车辆仿真场景搭建模块，用于利用INTERACTION数据集搭建车辆仿真场景；所述INTERACTION数据集的数据类型包括实体轨迹、不同国家的交通场景信息以及对应场景的高清语义地图；所述交通场景信息包括：环岛、十字路口、城市/高速公路换道以及超车场景；所述车辆仿真场景包括：按高速公路国标搭建道路、交通灯和交通标志的位置和种类、交通要素的位置和种类、车辆出生点、车辆的长、宽、高以及类型、以及车辆轨迹；所述车辆仿真场景与INTERACTION数据集的坐标系一致；所述车辆仿真场景的控制目标为道路上的车流；
实体轨迹预处理模块，用于利用线性插值方法对实体轨迹进行预处理；所述实体轨迹包括：车辆在平面上的x，y坐标以及车辆在x，y方向上的速度和车辆的角位移；
运动控制器确定模块，用于根据预处理后的实体轨迹，采用纯跟踪算法确定横向运动控制器；并根据预处理后的实体轨迹，采用PID控制算法确定纵向运动控制器；
控制信号确定模块，用于根据预处理后的实体轨迹、横向运动控制器以及纵向运动控制器确定车辆在车辆仿真场景中的控制信号；
车辆控制模块，用于根据控制信号控制车辆在车辆仿真场景中的运动，实现可交互数据集重现；
所述车辆仿真场景搭建模块具体包括：
二维地图搭建单元，用于利用CARLA动力学仿真软件和INTERACTION数据集搭建二维地图；
二维地图转换单元，用于采用RoadRunner方法将二维地图转换为三维地图；
车辆仿真场景搭建单元，用于将三维地图导入CARLA函数库中搭建车辆仿真场景。
5.根据权利要求4所述的一种基于仿真平台的可交互数据集重现系统，其特征在于，所述实体轨迹预处理模块具体包括：
每一车辆的轨迹确定单元，用于将实体轨迹导入车辆仿真场景中，确定每一车辆的轨迹；
轨迹平滑处理单元，用于对每一车辆的轨迹采用线性插值方法进行平滑处理；
前视距离校验单元，用于根据平滑处理的轨迹截取每一车辆的前视距离；并对截取的前视距离进行校验；
实体轨迹预处理单元，用于根据校验通过后的前视距离确定预处理后的实体轨迹。
6.根据权利要求4所述的一种基于仿真平台的可交互数据集重现系统，其特征在于，所述运动控制器确定模块具体包括：
横向运动控制器确定单元，用于利用公式
Figure 92236DEST_PATH_IMAGE001
确定横向运动控制器；
纵向运动控制器确定单元，用于利用公式
Figure 399589DEST_PATH_IMAGE002
确定纵向运动控制器；
其中，δ为前轮转角，L为前后轴距，α为车身和目标路点的夹角，v x为车辆纵向速度，k为调整系数，k用于控制前视距离的大小，t为时间，U为控制值，U为正值时输出为油门信号，控制车辆加速，负值时输出为刹车信号，控制车辆减速，err为当前车速与下一个轨迹点需求车速的差值，即误差，kp为比例项系数，T I 为积分项系数，T D 为微分项系数。
CN202111089628.XA 2021-09-17 2021-09-17 一种基于仿真平台的可交互数据集重现方法与系统 Active CN113536612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111089628.XA CN113536612B (zh) 2021-09-17 2021-09-17 一种基于仿真平台的可交互数据集重现方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111089628.XA CN113536612B (zh) 2021-09-17 2021-09-17 一种基于仿真平台的可交互数据集重现方法与系统

Publications (2)

Publication Number Publication Date
CN113536612A CN113536612A (zh) 2021-10-22
CN113536612B true CN113536612B (zh) 2021-12-31

Family

ID=78092769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111089628.XA Active CN113536612B (zh) 2021-09-17 2021-09-17 一种基于仿真平台的可交互数据集重现方法与系统

Country Status (1)

Country Link
CN (1) CN113536612B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137825B (zh) * 2021-11-29 2024-05-07 合肥井松智能科技股份有限公司 一种重载双舵轮agv车体的运动控制方法、系统及装置
CN114510533B (zh) * 2022-01-06 2023-03-17 北京中交兴路车联网科技有限公司 一种事故还原方法、装置、电子设备和存储介质
CN117079468B (zh) * 2023-10-16 2024-02-27 深圳市城市交通规划设计研究中心股份有限公司 一种实现交通数字孪生的车流轨迹位置方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210148727A1 (en) * 2019-11-14 2021-05-20 Nec Laboratories America, Inc. Simulating diverse long-term future trajectories in road scenes
CN111736486A (zh) * 2020-05-01 2020-10-02 东风汽车集团有限公司 一种面向l2智能驾驶控制器的传感器仿真建模方法及装置
CN111625950B (zh) * 2020-05-20 2023-09-05 北京百度网讯科技有限公司 自动驾驶仿真场景重建方法、装置、设备和介质
CN112100856B (zh) * 2020-09-17 2022-08-19 上汽大众汽车有限公司 一种基于多平台的自动驾驶联合仿真方法

Also Published As

Publication number Publication date
CN113536612A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113536612B (zh) 一种基于仿真平台的可交互数据集重现方法与系统
US11554785B2 (en) Driving scenario machine learning network and driving environment simulation
CN112068545B (zh) 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质
US11561542B2 (en) Safety and comfort constraints for navigation
US10482003B1 (en) Method and system for modifying a control unit of an autonomous car
US7487074B2 (en) Road traffic simulation apparatus
US20190346845A1 (en) Autonomous control of a motor vehicle on the basis of lane data; motor vehicle
Yoo et al. Stackelberg game based model of highway driving
CN105045649B (zh) 一种智能汽车仿真方法及装置
CN109084798A (zh) 网络下发带有道路属性的控制点的路径规划方法
CN110569602B (zh) 用于无人驾驶车辆的数据采集方法与系统
US20230150549A1 (en) Hybrid log simulated driving
US11814073B2 (en) Learning based controller for autonomous driving
US11511760B2 (en) Cross-platform control profiling tool for autonomous vehicle control
CN114067561A (zh) 城市快速道路车路协同主动管控系统的虚拟现实测试方法
CN110675476A (zh) 一种直观传达自动驾驶场景定义的方法和装置
CN114715193A (zh) 一种实时轨迹规划方法及系统
US20220283055A1 (en) Instantiating objects in a simulated environment based on log data
US20220406041A1 (en) Recognition model distribution system and updating method of recognition model
CN116952278A (zh) 一种去除感知地图抖动的仿真测试方法及系统
Cao et al. End-to-end adaptive cruise control based on timing network
CN115489548A (zh) 智能汽车园区道路路径规划方法
CN116306029B (zh) 基于Carla与ROS的自动驾驶仿真测试方法
CN113552883B (zh) 基于深度强化学习的地面无人车自主驾驶方法及系统
Luan et al. Design and field testing of a lane following control system with a camera based on t&c driver model

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