CN113823096A - 用于仿真测试的随机交通流障碍物对象布置策略 - Google Patents

用于仿真测试的随机交通流障碍物对象布置策略 Download PDF

Info

Publication number
CN113823096A
CN113823096A CN202111410099.9A CN202111410099A CN113823096A CN 113823096 A CN113823096 A CN 113823096A CN 202111410099 A CN202111410099 A CN 202111410099A CN 113823096 A CN113823096 A CN 113823096A
Authority
CN
China
Prior art keywords
ego
information
strategy
module
obstacle
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
Application number
CN202111410099.9A
Other languages
English (en)
Other versions
CN113823096B (zh
Inventor
贾世鹏
秦秀
戴震
倪凯
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing Co Ltd
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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202111410099.9A priority Critical patent/CN113823096B/zh
Publication of CN113823096A publication Critical patent/CN113823096A/zh
Application granted granted Critical
Publication of CN113823096B publication Critical patent/CN113823096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种用于仿真测试的随机交通流障碍物对象布置策略，包括以下步骤：步骤1、通过获取某一时刻ego信息和ego控制信号，与上一时刻的ego信息和ego控制信号比较，以预测下一时刻的ego信息和ego控制信号，从而构建ego工作模式的马尔可夫转移概率模型；步骤2、根据ego当前工作模式和仿真需求，构建多层次权重模型和综合目标泛函；步骤3、通过获取ego、npc和障碍物集状态信息，并根据马尔可夫转移概率模型和多层次权重模型和综合目标泛函，利用动态规划模块对布置策略进行滚动优化，直至目标泛函的计算结果误差在设定范围内，则输出结果，获得最优布置策略。本发明简单高效，智能控制npc的布置策略和集群策略，能够显著提高测试的有效性和效率。

Description

用于仿真测试的随机交通流障碍物对象布置策略
技术领域
本发明涉及自动驾驶仿真测试领域，特别涉及一种用于仿真测试的随机交通流障碍物对象布置策略。
背景技术
自动驾驶系统的开发都遵从仿真到实车测试的过程，仿真实验作为一种零风险、快速迭代、可复现的测试方法，为自动驾驶技术上路测试奠定了坚实的基础。仿真可以快速有效的对算法的正确性与性能进行测试。随机交通流测试是仿真测试地主要手段之一，通过模拟真实道路上面npc地行为能够极大地提升测试覆盖度和有效性。目前，随机交通流测试npc的布置方法主要是在ego的周围随机地添加和删减npc车，大部分npc不能有效地针对测试功能，且障碍物极其容易集中在非功能测试区域，从而占用了珍贵的测试资源，导致测试效率低下，提供一种简单高效，智能控制npc的布置策略和集群策略，是很有必要的，能够显著提高测试的有效性和效率。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种用于仿真测试的随机交通流障碍物对象布置策略，该方法简单高效，智能控制npc的布置策略和集群策略，能够显著提高测试的有效性和效率。
为了实现根据本发明的这些目的和其它优点，提供一种用于仿真测试的随机交通流障碍物对象布置策略，包括以下步骤：
步骤1、通过获取某一时刻ego信息和ego控制信号，与获取的所述某一时刻的上一时刻的ego信息和ego控制信号进行比较，以预测所述某一时刻的下一时刻的ego信息和ego控制信号，从而构建ego工作模式的马尔可夫转移概率模型。
步骤2、根据ego当前工作模式和仿真需求，构建多层次权重模型和综合目标泛函。
步骤3、通过获取ego、npc和障碍物集状态信息，并根据步骤1的所述马尔可夫转移概率模型和步骤2所述多层次权重模型和综合目标泛函，利用动态规划模块对布置策略进行滚动优化，直至目标泛函的计算结果误差在设定范围内，则输出结果，获得最优布置策略。
优选的是，步骤2中所述多层次权重模型主要包含目标层、基准层和方案层；根据仿真测试场景，所述多层次权重模型构建的方法，包括以下步骤：
取多个对目标影响的因素，并比较多个所述因素对目标的影响，从而确定所述因素在目标中所占的比重。
比较时，每次取两个因素
Figure DEST_PATH_IMAGE001
和
Figure DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
个被比较的因素构成一个两两比较的判断矩阵
Figure DEST_PATH_IMAGE004
；系数矩阵A1、A2、A3以及A4分别为：
Figure DEST_PATH_IMAGE005
；
Figure DEST_PATH_IMAGE006
；
Figure DEST_PATH_IMAGE007
；
Figure DEST_PATH_IMAGE008
；
其中，设定
Figure 265482DEST_PATH_IMAGE003
个因素
Figure DEST_PATH_IMAGE009
；目标为
Figure DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
表示
Figure 682295DEST_PATH_IMAGE001
与
Figure 458621DEST_PATH_IMAGE002
对
Figure 224583DEST_PATH_IMAGE010
的影响程度之比，按比例标度来度量
Figure 365845DEST_PATH_IMAGE011
。
优选的是，构建步骤2中所述综合目标泛函的计算的公式为：
公式（1）
Figure DEST_PATH_IMAGE012
其中，J为综合目标泛函；
Figure DEST_PATH_IMAGE013
表示ego当前所处车道的系数矩阵；
Figure DEST_PATH_IMAGE014
表示ego当前所处的模式矩阵，其中模式矩阵格式为：
Figure DEST_PATH_IMAGE015
；处于该状态时，状态为置1，否则置0。
Figure DEST_PATH_IMAGE016
表示当前时刻npc的数量；
Figure DEST_PATH_IMAGE017
和
Figure DEST_PATH_IMAGE018
表示所述综合目标泛函的权重指数，
Figure 149516DEST_PATH_IMAGE017
和
Figure DEST_PATH_IMAGE019
均为正数，且
Figure 539653DEST_PATH_IMAGE017
和
Figure 956859DEST_PATH_IMAGE019
之和为1；
Figure DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE021
表示当前时刻的马尔可夫模型转移矩阵。
优选的是，所述马尔可夫模型转移矩阵为：
公式2
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
表示当前时刻ego的所处的模式矩阵，其中模式矩阵格式为
Figure DEST_PATH_IMAGE024
，处于该状态时，状态为置1，否则置0；
Figure DEST_PATH_IMAGE025
表示从起始时刻到当前时刻模式变换的次数；
Figure DEST_PATH_IMAGE026
表示起始时刻，默认为1；
Figure DEST_PATH_IMAGE027
分别表示当前模式和上一时刻模式变换的权重指数，
Figure 117625DEST_PATH_IMAGE027
均为正数，且
Figure 151440DEST_PATH_IMAGE027
之和为1。
优选的是，步骤1中包括：
ego定位模块，其用于获取ego实时位置坐标。
ego控制信号监控模块，其用于实时获取ego模式状态信息，所述状态信息包括加速、减速以及变道。
ego车道检测模块，其用于实时获取ego所在车道的信息。以及
ego工作模式预测模块，其接收所述ego定位模块、ego控制信号监控模块以及ego车道检测模块传输的信息，根据ego所述某一时刻以及所述某一时刻的上一时刻的ego信息和ego控制信号，预测ego工作模式，并构建所述马尔可夫转移概率模型。
优选的是，步骤3中还包括：
障碍物添加模块，其用于根据步骤3所述最优布置策略，添加相应的障碍物并赋予障碍物信息；所述障碍物信息主要包括所述障碍物所处区域、位置以及初始生命周期。以及
障碍物退出模块，其用于根据步骤3所述最优布置策略，删除相应的障碍物和生命周期结束的障碍物。
优选的是，步骤3中ego、npc和障碍物集状态信息的获取通过环境感知模块，所述环境感知模块，其用于感知仿真环境当中所有的障碍物信息；所述状态信息包括npc、ego和静态障碍物的位置、速度、加速度信息。
优选的是，步骤3中的所述动态规划模块，其用于根据所述环境感知模块传输的信息，综合测试目标泛函，ego工作模式的马尔可夫转移概率模型，进行动态规划求解，获取最优布置策略。
本发明至少包括以下有益效果：
本发明通过在当前t时刻，利用ego的历史信息、当前信息，ego历史控制信号、ego当前控制信号，对ego未来控制信号和ego未来信息进行预测，构建ego工作模式的马尔可夫转移概率模型。再根据ego当前工作模式和仿真需求，构建多层次权重模型和综合目标泛函。根据上述输出的信息，以及获取到的ego、npc和障碍物集状态信息，对布置策略进行滚动优化，直至目标泛函的计算结果误差在设定范围内，把结果进行输出，作为最优布置策略，通过所述最优布置策略，npc能有效地针对地测试功能，避免了障碍物集中在非功能测试区域，避免了测试资源的浪费，能够智能控制npc的布置策略和集群策略，显著提高测试的有效性和效率。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明用于仿真测试的随机交通流障碍物对象布置策略的流程图；
图2为本发明所述用于仿真测试的随机交通流障碍物对象布置策略中各个模块连接的结构示意图；
图3为本发明所述npc和ego相对位置整体示意图；
图4为本发明所述多层次权重模型的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示，本发明提供一种用于仿真测试的随机交通流障碍物对象布置策略，包括以下步骤：
步骤1、通过获取某一时刻ego信息和ego控制信号，与获取的所述某一时刻的上一时刻的ego信息和ego控制信号进行比较，以预测所述某一时刻的下一时刻的ego信息和ego控制信号，从而构建ego工作模式的马尔可夫转移概率模型。
步骤2、根据ego当前工作模式和仿真需求，构建多层次权重模型和综合目标泛函。
步骤3、通过获取ego、npc和障碍物集状态信息，并根据步骤1的所述马尔可夫转移概率模型和步骤2所述多层次权重模型和综合目标泛函，利用动态规划模块对布置策略进行滚动优化，直至目标泛函的计算结果误差在设定范围内，则输出结果，获得最优布置策略。
在上述方案中，通过在当前t时刻，利用ego的历史信息、当前信息，ego历史控制信号、ego当前控制信号，对ego未来控制信号和ego未来信息进行预测，构建ego工作模式的马尔可夫转移概率模型。再根据ego当前工作模式和仿真需求，构建多层次权重模型和综合目标泛函。根据上述输出的信息，以及获取到的ego、npc和障碍物集状态信息，对布置策略进行滚动优化，直至目标泛函的计算结果误差在设定范围内，把结果进行输出，作为最优布置策略，通过所述最优布置策略，npc能有效地针对地测试功能，避免了障碍物集中在非功能测试区域，避免了测试资源的浪费，能够智能控制npc的布置策略和集群策略，显著提高测试的有效性和效率。
获取到的ego、npc和障碍物集状态信息，包括ego、npc和静态障碍物等的各种信息，各种信息中包含位置、速度和加速度等。
动态规划模块使用的是动态规划算法，是一种全局最优算法。
其中，ego在自动驾驶领域内，一般指自车，表示用于测试自动驾驶算法的车辆；
npc（non-player character），意思是除了自车之外的物体或车辆（行业约定成俗的简称）；
如图3中，所述箭头标示npc前进方向，定义ego所处车道前方第一辆车所处位置为1，前方第二辆车位置为9；后方第一辆车所处位置为2，后方第二辆车所处位置为10。ego所处车道左方第一车道平行车辆所处位置为7，前方第一辆车所处位置为6，前方第二辆车位置为13；后方第一辆车所处位置为8，后方第二辆车所处位置为14，依次类推。
一个优选方案中，步骤2中所述多层次权重模型主要包含目标层、基准层和方案层；根据仿真测试场景，所述多层次权重模型构建的方法，包括以下步骤：
取多个对目标影响的因素，并比较多个所述因素对目标的影响，从而确定所述因素在目标中所占的比重。
比较时，每次取两个因素
Figure 797797DEST_PATH_IMAGE001
和
Figure 69510DEST_PATH_IMAGE002
；
Figure 614892DEST_PATH_IMAGE003
个被比较的因素构成一个两两比较的判断矩阵
Figure 136003DEST_PATH_IMAGE004
；系数矩阵A1、A2、A3以及A4分别为：
Figure 323402DEST_PATH_IMAGE005
；
Figure 246359DEST_PATH_IMAGE006
；
Figure 953853DEST_PATH_IMAGE007
；
Figure 962260DEST_PATH_IMAGE008
；
其中，设定
Figure 422191DEST_PATH_IMAGE003
个因素
Figure 668496DEST_PATH_IMAGE009
；目标为
Figure 24522DEST_PATH_IMAGE010
；
Figure 723488DEST_PATH_IMAGE011
表示
Figure 515339DEST_PATH_IMAGE001
与
Figure 553833DEST_PATH_IMAGE002
对
Figure 143077DEST_PATH_IMAGE010
的影响程度之比，按比例标度来度量
Figure 532602DEST_PATH_IMAGE011
。
在上述方案中，如图4所示，多层次权重模型可以明确问题，弄清问题的范围、所包含的因素、各因素之间的关系等，以便尽量掌握充分的信息。将问题所含的因素进行分组，把每一组作为一个层次，可以分为三类。一般而言，上一层元素对相邻的下一层全部或部分元素具有支配作用，形成按层次从上到下的逐层支配关系，处于同一层内部的元素没有支配或依存关系，具有这种性质的层次就称为递阶层次。最高层：这一层次中只有一个元素，一般它是分析问题的预定目标或理想结果，因此也称作目标层，本专利目标层为布置目标。中间层：这一层次中包含了为实现目标所涉及的中间环节，它可以由若干层次组成，包括所需要考虑的准则、子准则，因此也称为基准层。本专利基准层为仿真车辆基本行为，分为四类：加速行驶、左变道、右变道、减速行驶。最底层：这一层次包含了为实现目标可供选择的各种措施、决策方案等，因此也称为措施层或方案层。本专利方案层为npc布置基本位置，分为四种：本车道前、左车道前、右车道前、本车道后。两两比较即成对比较。
一个优选方案中，构建步骤2中所述综合目标泛函的计算的公式为：
公式（1）
Figure 806107DEST_PATH_IMAGE012
其中，J为综合目标泛函；
Figure 761424DEST_PATH_IMAGE013
表示ego当前所处车道的系数矩阵；
Figure 255991DEST_PATH_IMAGE014
表示ego当前所处的模式矩阵，其中模式矩阵格式为：
Figure DEST_PATH_IMAGE028
；处于该状态时，状态为置1，否则置0。
Figure 804915DEST_PATH_IMAGE016
表示当前时刻npc的数量；
Figure 407410DEST_PATH_IMAGE017
和
Figure 748393DEST_PATH_IMAGE019
表示所述综合目标泛函的权重指数，
Figure 882702DEST_PATH_IMAGE017
和
Figure 43556DEST_PATH_IMAGE019
均为正数，且
Figure 249409DEST_PATH_IMAGE017
和
Figure 179319DEST_PATH_IMAGE019
之和为1，具体值需通过实车标定确定具体系数值，默认为0.4，0.2，0.4。
Figure 30337DEST_PATH_IMAGE020
；
Figure 881749DEST_PATH_IMAGE021
表示当前时刻的马尔可夫模型转移矩阵。
一个优选方案中，所述马尔可夫模型转移矩阵为：
公式2
Figure 766660DEST_PATH_IMAGE022
其中，
Figure 816655DEST_PATH_IMAGE023
表示当前时刻ego的所处的模式矩阵，其中模式矩阵格式为
Figure DEST_PATH_IMAGE029
，处于该状态时，状态为置1，否则置0；
Figure 961941DEST_PATH_IMAGE025
表示从起始时刻到当前时刻模式变换的次数；
Figure 566229DEST_PATH_IMAGE026
表示起始时刻，默认为1；
Figure 520410DEST_PATH_IMAGE027
分别表示当前模式和上一时刻模式变换的权重指数，
Figure 893753DEST_PATH_IMAGE027
均为正数，且
Figure 809276DEST_PATH_IMAGE027
之和为1。
一个优选方案中，如图2所示，步骤1中包括：
ego定位模块，其用于获取ego实时位置坐标。
ego控制信号监控模块，其用于实时获取ego模式状态信息，所述状态信息包括加速、减速以及变道。
ego车道检测模块，其用于实时获取ego所在车道的信息。以及
ego工作模式预测模块，其接收所述ego定位模块、ego控制信号监控模块以及ego车道检测模块传输的信息，根据ego所述某一时刻以及所述某一时刻的上一时刻的ego信息和ego控制信号，预测ego工作模式，并构建所述马尔可夫转移概率模型。
在上述方案中，ego实时位置坐标包括ego车的position信息和rotation信息。其中，position信息和rotation信息分别表示位置坐标和朝向信息；Position指ego后轴中心的位置坐标，rotation指旋转坐标，理解为朝向信息；所述ego模式状态信息从自动驾驶核心算法模块获取。
一个优选方案中，步骤3中还包括：
障碍物添加模块，其用于根据步骤3所述最优布置策略，添加相应的障碍物并赋予障碍物信息；所述障碍物信息主要包括所述障碍物所处区域、位置以及初始生命周期。以及
障碍物退出模块，其用于根据步骤3所述最优布置策略，删除相应的障碍物和生命周期结束的障碍物。
在上述方案中，障碍物处于权重较大区域，在运行过程中，生命周期会增加。障碍物处于权重较小的区域，开始计时减小生命周期，直至生命周期结束。生命周期结束后，障碍物自动退出。由于所处位置是动态的，不固定的，导致生命周期也是动态化的。其中，权重较大区域指所述ego工作模式预测模块预测的ego车将来在多层次权重模型方案层中所处的对应的区域，其他的为权重较小区域。
一个优选方案中，步骤3中ego、npc和障碍物集状态信息的获取通过环境感知模块，所述环境感知模块，其用于感知仿真环境当中所有的障碍物信息；所述状态信息包括npc、ego和静态障碍物的位置、速度、加速度信息。
在上述方案中，静态障碍物的速度和加速度的信息，指的是静态障碍物转化为动态障碍物的时候，比如锥桶属于静态障碍物，但是风大的时候，被吹走了，在运动的时候就转变成了动态障碍物。所以，当处于静态的时候，就把速度，加速度设置为0，位置信息保持不变。
一个优选方案中，步骤3中的所述动态规划模块，其用于根据所述环境感知模块传输的信息，综合测试目标泛函，ego工作模式的马尔可夫转移概率模型，进行动态规划求解，获取最优布置策略。
本发明通过简单高效的仿真测试用随机交通流障碍物对象布置策略，智能控制npc的布置策略和集群策略，能够显著提高测试的有效性和效率。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图。

Claims (8)

1.一种用于仿真测试的随机交通流障碍物对象布置策略，其中，包括以下步骤：
步骤1、通过获取某一时刻ego信息和ego控制信号，与获取的所述某一时刻的上一时刻的ego信息和ego控制信号进行比较，以预测所述某一时刻的下一时刻的ego信息和ego控制信号，从而构建ego工作模式的马尔可夫转移概率模型；
步骤2、根据ego当前工作模式和仿真需求，构建多层次权重模型和综合目标泛函；
步骤3、通过获取ego、npc和障碍物集状态信息，并根据步骤1的所述马尔可夫转移概率模型和步骤2所述多层次权重模型和综合目标泛函，利用动态规划模块对布置策略进行滚动优化，直至目标泛函的计算结果误差在设定范围内，则输出结果，获得最优布置策略。
2.如权利要求1所述的用于仿真测试的随机交通流障碍物对象布置策略，其中，步骤2中所述多层次权重模型主要包含目标层、基准层和方案层；根据仿真测试场景，所述多层次权重模型构建的方法，包括以下步骤：
取多个对目标影响的因素，并比较多个所述因素对目标的影响，从而确定所述因素在目标中所占的比重；
比较时，每次取两个因素
Figure 829200DEST_PATH_IMAGE001
和
Figure 987081DEST_PATH_IMAGE002
；
Figure 722956DEST_PATH_IMAGE003
个被比较的因素构成一个两两比较的判断矩阵
Figure 266064DEST_PATH_IMAGE004
；系数矩阵A1、A2、A3以及A4分别为：
Figure 466101DEST_PATH_IMAGE005
；
Figure 272514DEST_PATH_IMAGE006
；
Figure 368122DEST_PATH_IMAGE007
；
Figure 42817DEST_PATH_IMAGE008
；
其中，设定
Figure 35044DEST_PATH_IMAGE009
个因素
Figure 809096DEST_PATH_IMAGE010
；目标为
Figure 581880DEST_PATH_IMAGE011
；
Figure 732369DEST_PATH_IMAGE012
表示
Figure 316453DEST_PATH_IMAGE013
与
Figure 589303DEST_PATH_IMAGE014
对
Figure 193590DEST_PATH_IMAGE015
的影响程度之比，按比例标度来度量
Figure 616613DEST_PATH_IMAGE016
。
3.如权利要求1所述的用于仿真测试的随机交通流障碍物对象布置策略，其中，构建步骤2中所述综合目标泛函的计算的公式为：
公式（1）
Figure 114590DEST_PATH_IMAGE017
其中，J为综合目标泛函；
Figure 355079DEST_PATH_IMAGE018
表示ego当前所处车道的系数矩阵；
Figure 243400DEST_PATH_IMAGE019
表示ego当前所处的模式矩阵，其中模式矩阵格式为：
Figure 529500DEST_PATH_IMAGE020
；处于该状态时，状态为置1，否则置0；
Figure 819668DEST_PATH_IMAGE021
表示当前时刻npc的数量；
Figure 699899DEST_PATH_IMAGE022
和
Figure 606675DEST_PATH_IMAGE023
表示所述综合目标泛函的权重指数，
Figure 433817DEST_PATH_IMAGE024
和
Figure 781753DEST_PATH_IMAGE025
均为正数，且
Figure 832885DEST_PATH_IMAGE024
和
Figure 241606DEST_PATH_IMAGE025
之和为1；
Figure 810122DEST_PATH_IMAGE026
；
Figure 340460DEST_PATH_IMAGE027
表示当前时刻的马尔可夫模型转移矩阵。
4.如权利要求3所述的用于仿真测试的随机交通流障碍物对象布置策略，其中，
所述马尔可夫模型转移矩阵为：
公式2
Figure 969019DEST_PATH_IMAGE028
其中，
Figure 912704DEST_PATH_IMAGE029
表示当前时刻ego的所处的模式矩阵，其中模式矩阵格式为
Figure 284910DEST_PATH_IMAGE030
，处于该状态时，状态为置1，否则置0；
Figure 401246DEST_PATH_IMAGE031
表示从起始时刻到当前时刻模式变换的次数；
Figure 528602DEST_PATH_IMAGE032
表示起始时刻，默认为1；
Figure 366108DEST_PATH_IMAGE033
分别表示当前模式和上一时刻模式变换的权重指数，
Figure 463377DEST_PATH_IMAGE033
均为正数，且
Figure 702729DEST_PATH_IMAGE033
之和为1。
5.如权利要求1所述的用于仿真测试的随机交通流障碍物对象布置策略，其中，步骤1中包括：
ego定位模块，其用于获取ego实时位置坐标；
ego控制信号监控模块，其用于实时获取ego模式状态信息，所述状态信息包括加速、减速以及变道；
ego车道检测模块，其用于实时获取ego所在车道的信息；以及
ego工作模式预测模块，其接收所述ego定位模块、ego控制信号监控模块以及ego车道检测模块传输的信息，根据ego所述某一时刻以及所述某一时刻的上一时刻的ego信息和ego控制信号，预测ego工作模式，并构建所述马尔可夫转移概率模型。
6.如权利要求1所述的用于仿真测试的随机交通流障碍物对象布置策略，其中，步骤3中还包括：
障碍物添加模块，其用于根据步骤3所述最优布置策略，添加相应的障碍物并赋予障碍物信息；所述障碍物信息主要包括所述障碍物所处区域、位置以及初始生命周期；以及
障碍物退出模块，其用于根据步骤3所述最优布置策略，删除相应的障碍物和生命周期结束的障碍物。
7.如权利要求1所述的用于仿真测试的随机交通流障碍物对象布置策略，其中，步骤3中ego、npc和障碍物集状态信息的获取通过环境感知模块，所述环境感知模块，其用于感知仿真环境当中所有的障碍物信息；所述状态信息包括npc、ego和静态障碍物的位置、速度、加速度信息。
8.如权利要求7所述的用于仿真测试的随机交通流障碍物对象布置策略，其中，步骤3中的所述动态规划模块，其用于根据所述环境感知模块传输的信息，综合测试目标泛函，ego工作模式的马尔可夫转移概率模型，进行动态规划求解，获取最优布置策略。
CN202111410099.9A 2021-11-25 2021-11-25 用于仿真测试的随机交通流障碍物对象布置方法 Active CN113823096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111410099.9A CN113823096B (zh) 2021-11-25 2021-11-25 用于仿真测试的随机交通流障碍物对象布置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111410099.9A CN113823096B (zh) 2021-11-25 2021-11-25 用于仿真测试的随机交通流障碍物对象布置方法

Publications (2)

Publication Number Publication Date
CN113823096A true CN113823096A (zh) 2021-12-21
CN113823096B CN113823096B (zh) 2022-02-08

Family

ID=78918250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111410099.9A Active CN113823096B (zh) 2021-11-25 2021-11-25 用于仿真测试的随机交通流障碍物对象布置方法

Country Status (1)

Country Link
CN (1) CN113823096B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986454A (zh) * 2018-06-21 2018-12-11 东南大学 模拟驾驶人主观感知与反应的交通流微观仿真方法
CN111985092A (zh) * 2020-07-30 2020-11-24 哈尔滨工业大学 一种智能汽车仿真测试矩阵生成方法
CN112784485A (zh) * 2021-01-21 2021-05-11 中国科学院软件研究所 一种基于强化学习的自动驾驶关键场景生成方法
US20210197851A1 (en) * 2019-12-30 2021-07-01 Yanshan University Method for building virtual scenario library for autonomous vehicle

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986454A (zh) * 2018-06-21 2018-12-11 东南大学 模拟驾驶人主观感知与反应的交通流微观仿真方法
US20210197851A1 (en) * 2019-12-30 2021-07-01 Yanshan University Method for building virtual scenario library for autonomous vehicle
CN111985092A (zh) * 2020-07-30 2020-11-24 哈尔滨工业大学 一种智能汽车仿真测试矩阵生成方法
CN112784485A (zh) * 2021-01-21 2021-05-11 中国科学院软件研究所 一种基于强化学习的自动驾驶关键场景生成方法

Also Published As

Publication number Publication date
CN113823096B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN110843789B (zh) 一种基于时序卷积网络的车辆换道意图预测方法
Ban A game theoretical approach for modelling merging and yielding behaviour at freeway on-ramp sections
CN106205156A (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
Hu et al. A swarm intelligent method for traffic light scheduling: application to real urban traffic networks
CN104851280B (zh) 一种车辆行驶控制方法、装置、系统及相关设备
CN108694841A (zh) 一种基于v2x技术的智能车辆通行路口红绿灯方法
CN114495499B (zh) 一种多目标智能网联车辆协同优化控制方法
CN112735126A (zh) 一种基于模型预测控制的混合交通流协同优化控制方法
Eriksen et al. Uppaal stratego for intelligent traffic lights
CN114333361B (zh) 一种信号灯配时方法及装置
CN112406905B (zh) 基于交通工具的数据处理方法、装置、计算机及存储介质
CN117854283B (zh) 一种城市道路碳中和估算分析方法
CN115862322A (zh) 一种车辆可变限速控制优化方法、系统、介质及设备
CN113823096B (zh) 用于仿真测试的随机交通流障碍物对象布置方法
US20230162539A1 (en) Driving decision-making method and apparatus and chip
CN116758768A (zh) 一种全十字路口红绿灯动态调控方法
CN115080388A (zh) 一种面向自动驾驶系统的仿真测试场景生成方法
CN113635900B (zh) 一种预测巡航过程中基于能量管理的换道决策控制方法
CN115472023A (zh) 一种基于深度强化学习的智能交通灯控制方法及装置
Yan et al. A cooperative control strategy of connected and autonomous vehicles in ramp merging areas with mixed-autonomy traffic
Kuai et al. Sustain Vehicle-Crowds via Traffic Signal Adjustments
CN114200917A (zh) 一种车辆换道控制方法及装置
Kwasnicka et al. Genetic approach to optimize traffic flow by timing plan manipulation
CN114360290A (zh) 一种基于强化学习的交叉口前车辆群体车道选择方法
CN118262519A (zh) 一种基于强化学习的分层式区域协调信号控制方法

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100089 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method for arranging obstacles in random traffic flow for simulation testing

Granted publication date: 20220208

Pledgee: Bank of Shanghai Co.,Ltd. Beijing Branch

Pledgor: Heduo Technology (Guangzhou) Co.,Ltd.

Registration number: Y2024980009891