CN113946956A - 一种代客泊车仿真方法及装置 - Google Patents
一种代客泊车仿真方法及装置 Download PDFInfo
- Publication number
- CN113946956A CN113946956A CN202111202343.2A CN202111202343A CN113946956A CN 113946956 A CN113946956 A CN 113946956A CN 202111202343 A CN202111202343 A CN 202111202343A CN 113946956 A CN113946956 A CN 113946956A
- Authority
- CN
- China
- Prior art keywords
- simulation
- parking lot
- target
- map
- parking
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 28
- 238000012795 verification Methods 0.000 abstract description 19
- 238000011161 development Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000001787 Wald–Wolfowitz test Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种代客泊车仿真方法及装置，通过将仿真开放停车场地图实时地逆向转化为泊车控制器可识别的目标特征，进而基于目标模拟车辆的定位位置将其所在区域内的目标特征播发至泊车控制器并在该区域内对播发的目标特征实时绘制重构，以此获得目标模拟车辆在其所在区域内的通用开发停车场地图，将该通用开发停车场地图下载更新至泊车控制器，以供泊车控制器路径规划使用。这就可以解决L4级代客泊车系统如何在仿真系统中进行算法验证的问题，为L4级代客泊车系统的算法验证提供可靠的保障。
Description
技术领域
本申请涉及仿真技术领域，更具体地说，涉及一种代客泊车仿真方法及装置。
背景技术
目前代客泊车(Automated Valet Parking，AVP)区别于自动泊车(AutoParkingAssist，APA)的核心也就在于加入地图信息，因此代客泊车仿真验证的核心，就是地图信息的仿真。但目前的仿真验证方案大都停留在L3+级，大多需要在泊车控制器内预先下载真实的封闭停车场地图，然后在仿真停车场地图场景中复现出一模一样的封闭停车场地图进行代客泊车地图信息的仿真。
为获取地图信息，就需要泊车控制器占用资源解析，因此只能预先下载几个有限大小的封闭停车场地图。但真实的应用场景中城市开放停车场数量庞大，将这些庞大的停车场信息预先都下载到泊车控制器内部，由于内存、处理器等软硬件限制因素影响，这种方案显然是不现实的。
发明内容
有鉴于此，为解决上述问题，本申请提供一种代客泊车仿真方法及装置，技术方案如下：
本申请一方面提供一种代客泊车仿真方法，所述方法包括：
获取仿真开放停车场地图；
对所述仿真开放停车场地图进行逆向转化，得到能够被泊车控制器所识别的目标特征；其中，所述仿真开放车场地图为自定义搭建的仿真开放停车场地图，所述目标特征包括道路特征和车道特征；
基于目标模拟车辆的定位位置，将所述目标模拟车辆所在区域内的目标特征播发至所述泊车控制器并在所述目标模拟车辆所在区域内对播发的所述目标特征实时绘制重构，得到所述目标模拟车辆所在区域内的通用开放停车场地图，将所述通用开放停车场地图下载更新至所述泊车控制器。
可选的，所述对所述仿真开放停车场地图进行逆向转化，包括：
解析所述仿真开放停车场地图；
从所述仿真开放停车场地图的解析结果中提取所述目标模拟车辆所在区域内的所述目标特征；
基于ADASIS协议确定所述目标模拟车辆所在区域内的所述目标特征中映射到所述仿真开放停车场地图的不可用特征；
对所述不可用特征进行转化。
可选的，所述对所述不可用特征进行转化，包括：
对所述不可用特征进行数据缺失转化/数据差异转化。
可选的，所述对所述仿真开放停车场地图进行逆向转化，还包括：
从所述目标特征中筛选开放停车场的特有特征。
可选的，所述特有特征包括：
车位特征、车位线特征和车位线角点特征。
本申请另一方面提供一种代客泊车仿真装置，所述装置包括：
仿真地图获取模块，用于获取仿真开放停车场地图；
通用地图转化模块，用于对所述仿真开放停车场地图进行逆向转化，得到能够被泊车控制器所识别的目标特征；其中，所述仿真开放车场地图为自定义搭建的仿真开放停车场地图，所述目标特征包括道路特征和车道特征；
播发下载模块，用于基于目标模拟车辆的定位位置，将所述目标模拟车辆所在区域内的目标特征播发至所述泊车控制器并在所述目标模拟车辆所在区域内对播发的所述目标特征实时绘制重构，得到所述目标模拟车辆所在区域内的通用开放停车场地图，将所述通用开放停车场地图下载更新至所述泊车控制器。
可选的，所述通用地图转化模块，具体用于：
解析所述仿真开放停车场地图；从所述仿真开放停车场地图的解析结果中提取所述目标模拟车辆所在区域内的所述目标特征；基于ADASIS协议确定所述目标模拟车辆所在区域内的所述目标特征中映射到所述仿真开放停车场地图的不可用特征；对所述不可用特征进行转化。
可选的，用于对所述不可用特征进行转化的所述通用地图转化模块，具体用于：
对所述不可用特征进行数据缺失转化/数据差异转化。
可选的，所述通用地图转化模块，还用于：
从所述目标特征中筛选开放停车场的特有特征。
可选的，所述特有特征包括：
车位特征、车位线特征和车位线角点特征。
相较于现有技术，本申请实现的有益效果为：
本申请提供一种代客泊车仿真方法及装置，通过将仿真开放停车场地图实时地逆向转化为泊车控制器可识别的目标特征，进而基于目标模拟车辆的定位位置将其所在区域内的目标特征播发至泊车控制器并在该区域内对播发的目标特征实时绘制重构，以此获得目标模拟车辆在其所在区域内的通用开发停车场地图，将该通用开发停车场地图下载更新至泊车控制器，以供泊车控制器路径规划使用。这就可以解决L4级代客泊车系统如何在仿真系统中进行算法验证的问题，为L4级代客泊车系统的算法验证提供可靠的保障。
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为本申请实施例提供的代客泊车仿真方法的方法流程图；
图2为本申请实施例提供的代客泊车仿真方法的部分方法流程图；
图3为本申请实施例提供的代客泊车仿真装置的结构示意图。
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。
为使本申请的上述目的、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申请作进一步详细的说明。
随着L4级智能驾驶汽车在各大整车厂陆续投入研发，单一的实车测试已经难以满足各种工况的验证，对于代客泊车算法的测试验证，不再是只局限于监控车辆周边区域，在当前基础设施不完备的情况下，依靠V2X和云端技术让车辆获取到更远地方的信息都是不现实的，所以以地图为基础，提供车辆对远方信息的感知能力，是比较明智的选择。
目前代客泊车(Automated Valet Parking，AVP)区别于自动泊车(AutoParkingAssist，APA)的核心也就在于加入地图信息，因此代客泊车仿真验证的核心，就是地图信息的仿真。但目前的仿真验证方案大都停留在L3+级，大多需要在泊车控制器内预先下载真实的封闭停车场地图，然后在仿真停车场地图场景中复现出一模一样的封闭停车场地图进行代客泊车地图信息的仿真。真实的封闭停车场地图和仿真的封闭停车场地图实现统一的方式主要是如下两种：
第一种是正向地图信息转换，即将泊车控制器内下载的真实的封闭停车场地图正向转换为仿真场景可用格式，加载到仿真场景中生成虚拟的封闭停车场地图。第二种方法是在仿真场景中手动搭建复现真实的封闭停车场地图。
上述第一种方式，由于正向转换只能预先获得真实的封闭停车场地图，场景单一、且特殊场景不易获取，并且转换需要地图图商的服务支持，图商会按转换次数和转换数量收费，定制化较高不具备通用性，实际操作困难。上述第二种方式，工作量大，复现度底，难以保证手动搭建的和真实的封闭停车场地图完全一致且耗时太长，难以保证开发进度。
发明人分析，以上两种地图仿真方案最大的问题是：都需要在泊车控制器中预先选择下载真实的封闭停车场地图，让泊车控制器在仿真前即预知了停车场的所有信息。但现实的应用场景常有封闭停车场地图暂未绘制无法下载的情况，或者是所在区域没有可供代客泊车使用的封闭停车场，代客泊车功能就无法使用。
这种预先将封闭停车场地图下载到泊车控制器的方式，泊车控制器想获取地图信息需要占用资源解析，因此只能预先下载几个有限大小的封闭停车场地图。但真实的应用场景大多数还是在城市开放停车场中泊车，城市开放停车场数量庞大，如果把这些庞大的停车场信息，预先都下载到泊车控制器内部，由于内存、处理器等软硬件限制因素影响，这种方案显然是不现实的。
由此，如果能实时的让泊车控制器预知指定公里内的开放停车场地图信息，实时的进行路径规划，就能从根本上解决这些问题，达到验证L4级代客泊车算法验证的效果，而目前的两种仿真方案对于L4级开放停车场算法的验证都是无法完成的。
基于以上对L4级代客泊车系统仿真需求的分析，本申请提出了两点关键的解决方案：
一是不再用真实停车场地图场景转变为仿真停车场地图场景的正转方案，改为用仿真停车场地图场景逆向转化为泊车控制器可以识别的真实停车场地图场景的逆转方案。这就可以解决正转方案场景单一算法验证局限的问题，让停车场地图场景根据用户需求随意搭建而变得更加灵活丰富。
二是将自定义搭建的仿真开放停车场地图，在指定公里范围内实时的转化为泊车控制器可识别的通用开放停车场地图，在CAN/以太网上进行播发，并在指定公里范围内对播发的开放停车场地图实时绘制重构，重构出车辆附近指定公里内的停车场地图，供泊车控制器在指定公里内路径规划使用。这就可以解决L4级代客泊车系统如何在仿真系统中进行算法验证的问题，为L4级代客泊车系统的算法验证提供可靠的保障。以下对本申请的实施背景进行详细说明。
本申请提供的代客泊车仿真方法可以通过场景逆转程序的运行来实现。该场景逆转程序依托硬件在环系统的软硬件平台所运行。场景逆转程序运行时将仿真开放停车场地图逆向转化为泊车控制器可识别的通用开放停车场地图，在CAN/以太网上进行播发，并重构指定公里范围内的停车场地图，供装载有代客泊车算法的泊车控制器使用。
需要说明的是，本申请中仿真开放停车场地图可以通过OpenDRIVE的场景编辑器来搭建。OpenDRIVE是一种高精地图格式，已在无人驾驶或地图定位行业普遍应用。
硬件在环系统以装载泊车控制器为实物，实现仿真整车模型的实时运行：仿真泊车控制器验证相关的所有输入信号、采集泊车控制器验证相关的所有输出信号和必要的输入信号、运行整车模型(包括车辆动力学模型，发动机模型，变速箱模型等)、模拟车辆的运动姿态和对控制指令的响应、运行场景软件(如VTD,VIRES Virtual Test Drive)模拟车辆的各种运行工况。算法验证人员也可以通过搭建OpenDRIVE仿真场景的方式不断丰富自己的仿真场景库。
泊车控制器内装载有需要验证测试的代客泊车算法，其具备CAN、以太网、IO、LVDS等接口。与整个系统信息(包括场景逆转程序重构的停车场地图、以及硬件在环系统仿真的整车模型实时运行时输入给泊车控制器的输入信号)交互，实现感知融合，避障，车辆定位，路径规划，任务调度，轨迹跟踪，横纵向运动控制，影像显示，车身安全舒适控制等算法的功能。
硬件在环系统包括实时多处理器平台。实时多处理平台中的实时仿真机和图形工作站采用主从机联合仿真的方式运行：实时仿真机作为主机，主要用于运行车辆动力学模型、道路交通场景模型、IO模型等；一台图形工作站作为从机一，运行试验管理(如TCS,TestBase Control Software)和测试软件(如TAE,Testcase Automation Executor)；另一台图形工作站作为从机二，用于仿真360环视使用的四路摄像头传感器的计算和输出。
硬件在环系统还包括各类IO板卡等组件，IO板卡插在实时仿真机和外扩机箱中，主要用于提供通用模拟数字IO信号的模拟和采集、CAN/LIN/车载以太网等总线通信模拟和采集等仿真等功能。
主机中布置有车辆动力学模型软件(如Modelbase)，用于模拟车辆的动力学行为，例如加速、制动、转向等过程。主机中还包括布置有仿真软件VTD(VIRES Virtual TestDrive)，用于模拟代客泊车算法验证所需要的虚拟停车场内的所有场景元素。通过以上设计，硬件在环系统实现车辆仿真控制(由车辆动力学模型软件Modelbase、IO模型、IO板卡、仿真的360环视使用的四路摄像头传感器等提供)并提供场景仿真环境VTD(VIRES VirtualTest Drive)。车辆仿真控制是仿真的虚拟车辆与虚拟EPS(Electric Power Steering)、ESP(Electronic Stability Program)、TCU(Transmission Control Unit)等虚拟车控部件信息交互，模拟车辆的相关功能、信号及握手逻辑，其中虚拟ESP(Electronic StabilityProgram)实现对虚拟HCU(Hybrid Control unit)、TCU(Transmission Control Unit)的控制，通过接收泊车控制器发出的报文信息完成对车辆的纵向控制。虚拟EPS(ElectricPower Steering)完成转向系统在泊车功能下的握手逻辑、转向控制及报文发送，将泊车控制器闭环，完成对仿真车辆相关功能的闭环控制。本申请的场景逆转程序则布置在主机的linux实时系统中，其运行时可以实现本申请所提供的代客泊车仿真方法，以下对代客泊车仿真方法进行说明。
本申请实施例提供一种代客泊车仿真方法，该方法的方法流程图如图1所示，包括如下步骤：
S10，获取仿真开放停车场地图。
如上，本申请实施例中仿真开放停车场地图可以通过OpenDRIVE的场景编辑器来自定义搭建。使用OpenDRIVE场景编辑器，根据测试需求搭建足够大的开放停车场仿真场景，将仿真开放停车场地图导入场景仿真软件，例如VTD(VIRES Virtual Test Drive)，场景逆转程序与VTD软件交互数据。
S20，对仿真开放停车场地图进行逆向转化，得到能够被泊车控制器所识别的目标特征；其中，仿真开放车场地图为自定义搭建的仿真开放停车场地图，目标特征包括道路特征和车道特征。
由于泊车控制器需要访问和使用开放停车场地图、车辆位置、速度和其他数据，以完成代客泊车。但是停车场地图数据库对导航系统之外的应用程序是不可访问的，并且以车载多媒体导航系统的专有格式存储，对此本申请提供解决方案，对仿真开放停车场地图进行分解并重组，从而将其转化为泊车控制器可识别的通用开放停车场地图。本发明实施例中目标特征包括道路特征(比如坡度、曲率)和车道特征(比如车道数量、车道线类型、线条几何形状、地标、道路边界)等信息。
具体实现过程中，步骤S20中“对仿真开放停车场地图进行逆向转化”可以采用如下步骤，方法流程图如图2所示：
S201，解析仿真开放停车场地图。
本申请实施例中，解析时对仿真开放停车场地图进行加偏，即完成地图数据从84坐标系到02坐标系的转换。需要说明的是，加偏是为防止外部攻击对地图采用一定算法的偏转，相关实现为现有技术，在此不再赘述。
仿真开放停车场地图使用OpenDRIVE场景编辑器搭建，OpenDRIVE是一种高精地图格式，已在无人驾驶或地图定位行业普遍应用。解析仿真开放停车场地图所采用的解析算法基于ADASIS(Advanced Driver Assistance Systems interface Specification)协议，ADASIS协议定义的地图数据和ADAS系统之间的接口规范标准是统一的，它使用一种形式化语言(Franca IDL)，定义了相关数据结构。
S202，从仿真开放停车场地图的解析结果中提取目标模拟车辆所在区域内的目标特征。
本申请实施例中，从仿真开放停车场地图的解析结果初步提取目标模拟车辆(即被指定的模拟车辆)前方仿真停车场场景中的目标特征，包括道路特征(比如坡度、曲率)和车道特征(比如车道数量、车道线类型、线条几何形状、地标、道路边界)等信息。
ADASIS协议侧重于自动驾驶功能，如HWP(High Way Pilot)、TJP(Traffic JamPilot)，单一基于此协议不能很好的为代客泊车功能使用，基于此协议解析仿真开放停车场地图的道路特征，为了保证目标特征的全面性，还需要采用一些其他算法从仿真开放停车场地图中解析出车道特征。对于上述目标特征还需要应用优化算法完成两部分工作(即后续优化算法核心一与优化算法核心二)，使其适用于代客泊车功能系统。
本申请实施例中，优化算法核心一是在已建立仿真开发停车场地图与ADASIS协议播发数据的完整映射关系后，解决数据映射过程中遇到的仿真开放停车场地图数据与ADASIS协议定义数据不一致的问题。即根据ADASIS协议需要播发的地图数据，而映射到OpenDRIVE仿真地图中发现属性缺失，或者表达数据形式不可用时，就需要进行处理转换。仿真开放停车场地图主要包含道路参考线(reference line)、车道(Lanes)和道路设施(Features)三个特性，优化算法提取其中代客泊车功能关注的特征(即元素)包括道路中心线、航向描述、道路高度起伏、道路横坡、车道连接关系和道路连接关系、道路类型定义方式、车道变宽分流及车道变窄合流描述、隧道的object表达方式、道路曲线的描述和信号灯表达等。
S203，基于ADASIS协议确定目标模拟车辆所在区域内的目标特征中映射到仿真开放停车场地图的不可用特征。
本申请实施例中，基于ADASIS协议映射到仿真开放停车场地图中由于数据缺失或表达数据形式有差异导致不可用的特征(即不可用特征)，主要包括但不限于：护栏属性、道路边界表达方式、隔离带、曲率描述方式、交通灯、斑马线、道路参考线等的数据格式差异性。
举例来说，ADASIS协议播发的地图数据表达横纵坡度数据需通过车道线绝对高度计算，但仿真开放停车场地图只能表达路面高度及车道线与路面相对高度，因此车道线绝对高度数据就需要进行转换。
S204，对不可用特征进行转化。
本申请实施例中，不罗列所有差异的转换方法，全部的差异所采取的转化技术，依据类型不同转化方法会有不同，仅举本文已经提出的数据缺失和数据差异来说明转化方法。具体的：
本申请实施例中通过对仿真开放停车场地图添加道路标识完成数据缺失转化。仿真开放停车场地图的车道合流和分流采用三次多项式方式表达，但有车道数变化、道路类型有变化或有道路路口时，就需打断Road，再映射到ADSIS播发的地图数据中，使之具有唯一的lane ID(即道路标识)，并且为0、-1、-2、-3……，不可错序、乱序、重复，从而补充转化过程中数据的缺失。
再者，本申请实施例中通过道路几何分解完成数据差异转化。道路参考线中LaneCurvature、Lane Slope等属性定义方式的转化，OpenDRIVE中采用数学公式(将OpenDRIVE的道路参考线的道路几何分解为直线、螺旋线、弧线、三次多项式和三次多项式参数方程)给出一段路的定义，但与根据ADASIS协议播发的地图数据定义的道路中心线上各个点的位置、曲率等数据不是依照同一坐标系，为完成映射关系，优化算法首先定义仿真停车场地图场景中的仿真初始位置为起点，建立统一的坐标系，进而将仿真开放停车场地图的道路几何分解为直线、弧线、三次多项式，得到各个点的属性及坐标，映射得到播发地图道路中心线上各个点的位置、曲率等数据，解决二者数据不一致的问题。
在此基础上，为进一步丰富目标特征，步骤S20中“对仿真开放停车场地图进行逆向转化”还包括如下步骤：
从目标特征中筛选开放停车场的特有特征。
本申请实施例中，优化算法核心二是通过大量真实开放停车场地图材料，筛选获取开放停车场特有的特征，特有特征包括但不限于：
1)车位(Parking)特征。具体的，车位位置信息、车位类型(水平、垂直、斜位)、水平车位长度、垂直车位宽度、斜列车位宽度。
2)车位线特征。具体的，泊车车位线规格(车位线自身宽度、从线边缘到内侧距离、从线边缘到车位线中心点距离、车位线磨损率)、车位线宽度(两条线中心点之间的距离)、车位线角度(车位线长边与车辆侧边缘夹角)。
3)车位线角点特征。具体的，车位线角点类型(如T型角点、L型角点、T型和L型混合角点)。
将上述特有特征作为ADASIS协议地图数据的补充汇总得到通用开放停车场地图，包括但不限于可能的路线、车辆位置、备选路线和路线轨迹(道路几何、最大速度、交叉口)等信息，详细的路线可以精确的传送到各个车道、路面标识及车位位置类型等信息。由此，即可获得泊车控制器完成代客泊车需要的开放停车场地图数据。
S30，基于目标模拟车辆的定位位置，将目标模拟车辆所在区域内的目标特征播发至泊车控制器并在目标模拟车辆所在区域内对播发的目标特征实时绘制重构，得到目标模拟车辆所在区域内的通用开放停车场地图，将通用开放停车场地图下载更新至泊车控制器。
本申请实施例中，将目标模拟车辆所在区域内的目标特征、以及目标模拟车辆的定位位置，通过车辆总线以ADASIS协议格式在以太网/CAN上进行播发传输。此外，还对目标模拟车辆所在区域内的目标特征进行实时绘制重构得到相应的通用开放停车场地图，以此预先为泊车控制器提供基于本车位置前方的开放停车场地图和车位特征(如道路/车道几何形状、坡度、车道标记、车位信息等)，供泊车控制器路径规划使用。
本申请实施例中，采用传感器融合定位的方式来获取目标模拟车辆的定位位置，即对多种仿真传感器输出信息进行融合定位。具体的：感知定位系统布置于主机的linux实时系统中，其仿真的传感器都使用模型搭建，传感器仿真硬件依托于主机的实时系统、软件依托于VTD的传感器模型进行参数化，具体仿真方式可参见现有技术，主要包括仿真360全景摄像头、前视摄像头、仿真的毫米波雷达、仿真的超声波雷达和仿真的激光雷达；然后基于仿真停车场地图数据，融合车辆仿真视觉模块(360全景摄像头和前视系统)对特征点的识别结果、车辆仿真GNSS(Global Navigation Satellite System)模块、车辆仿真陀螺仪模块传感器，结合轮速等车辆状态信息，提供泊车控制器需要的多种仿真传感器输出信息，进行多种传感器融合定位后获得本车(即目标模拟车辆)在开放停车场地图的定位位置，为开放停车场地图指定公里范围内播发提供基础，同时辅助泊车控制器完成检测车位，避障，路径重规划等功能。
由此，在获得目标模拟车辆的定位位置后，即可以将通用开放停车场地图中以该定位位置为中心、指定公里范围的区域作为目标模拟车辆所在区域。需要说明的是，获取本车(即目标模拟车辆)在通用开放停车场地图内的定位位置所采用的GNSS信号来自仿真的TBOX(仿真的TBOX布置在主机的linux实时系统中，使用模型搭建，具体仿真方式可参见现有技术)，定位所需的GNSS信息直接采用车载以太网(SOMEIP)总线模拟的方式，通过场景仿真系软件(VTD，VIRES Virtual Test Drive)仿真场景输出GNSS仿真值，并通过车载以太网仿真板卡将GNSS以太网信号发送给仿真中央网关(仿真中央网关布置在主机linux实时系统中，使用模型搭建，具体仿真方式可参见现有技术)。本申请中场景逆转程序接收仿真中央网关的转发，泊车控制器收取仿真的TBOX发来的GNSS信号和场景逆转程序通过车载以太网和总线网关发出的仿真车辆陀螺仪信号，并获取坐标系内一定公里范围内的开放停车场地图。
还需要说明的是，目标模拟车辆所在区域内的目标特征主要包括但不限于：
1)位置(Position)特征：路径编号、偏移量、速度、与道路的相对方向、当前所在车道、置信度及相对于上一个GPS(Global Positioning System)信息的时间。
2)道路(Segment)特征：路径编号、公路等级、类型(大路、转盘、停车场)、道路组成(高速、单双车道)、限速、车道数目、方向、(隧道、桥梁、分岔路、紧急车道、计算路径、服务区及复杂交叉路口标志)。
3)STUB(类似Segment之间的角点)特征：路径编号、子路径的编号、转角(与下一路段的夹角)、是交叉路口的概率、道路类型及组成、正反向的车道数目、转弯点(转弯到另外一条路上)、是否复杂交叉路口。
4)道路形状(Profile)特征：路径编号、轮廓类型、轮廓序列点、曲率。元数据：国家代码、区域代码、驾驶位、速度单位等信息。
5)车位(Parking)特征：车位位置信息，车位类型(水平、垂直、斜位)，水平车位长度、垂直车位宽度、斜列车位宽度。
6)车位线特征：泊车车位线规格(车位线自身宽度、从线边缘到内侧距离、从线边缘到车位线中心点距离、车位线磨损率)、车位线宽度(两条线中心点之间的距离)、车位线角度(车位线长边与车辆侧边缘夹角)。
7)车位线角点特征：如T型角点、L型角点、T型和L型混合角点。
进一步，本申请实施例中，开放停车场地图场景重构的目的是基于场景仿真软件(例如VTD)搭建的OpenDRIVE仿真停车场地图场景，本车(即目标模拟车辆)被定位后通过播发的目标模拟车辆所在区域内的目标特征实时绘制重构出指定公里范围内开放停车场地图(即通用开放停车场地图)，达到通用开放停车场地图与仿真开放停车场场景中的数据一致。因此，绘制重构算法的核心是，将播发的指定公里内地图场景特征重组为以下几类数据：路口、车道线、线近端几何参数、线远端几何参数、交通标志、交通灯、路型(ProfileType)、车位信息(Parking)、其他信息。
在实际应用中，进而通过上位机软件/手机软件(软件实现方式可参见已有技术)中图形化展示，用户通过可以通过在重构地图的图形化界面中进行监控，点击设置目标停车位、指定接驾点等操作；或者，完全由泊车控制器通过以太网接收到的播发地图数据和地图重构后的路径规划信息以及停车场中车位信息，结合360全景摄像头和超声波雷达等传感器对车位及已停车辆的实时扫描，完成最优路径规划和最近车位选择。
由此泊车控制器不需预先下载停车场地图，就可以完成在停车场地图预先未知的开放停车中，实时重构指定公里范围内的开放停车场地图，同时，泊车控制器接收融合定位输出的多种传感器信息，经过融合和决策，最终确定出最近的最优停车位完成路径规划，发出控制指令控制仿真车辆运动，实现在开放停车场中无人驾驶的自主泊入泊出，实现低速L4级代客泊车过程。
综上，本申请一方面通过车载以太网(SOMEIP)协议播发地图数据解析获得的ADASIS协议数据，同时加入目标特征中筛选的开放停车场特有特征，通过播发和重构的方式给到泊车控制器，同时也接收基于硬件在环系统实现的传感器融合定位所获得的定位位置，读取已记录的仿真的GNSS和仿真的仿真车辆陀螺仪数据，进行融合定位，获得播发的指定公里内开放停车场地图数据，包括地图道路之间的连接信息、具体某条道路某一段的车道属性、车道线、车位信息、属性点、以及每个点的经纬度、坡度、曲率等数据，车位信息数据，重构出指定公里范围内停车场地图，根据这些信息在上位机软件/手机软件中绘制出重构后的停车场地图并可视化展示，供代客泊车控制器路径规划使用。
由此，本申请提供的基于开放停车场的代客泊车仿真方法，采用仿真开放停车场地图作为地图数据来源，车辆定位后，在指定公里范围内，完成目标特征在CAN/以太网上数据播发，并重构出指定公里范围内的通用开放停车场地图，解决了基于真实停车场地图场景进行仿真场景单一的问题，同时也解决了大多数L3+代客泊车仿真系统需要在泊车控制器中预先下载封闭停车场地图、无法完成在停车场地图未知的开放停车场中进行代客泊车仿真的局限性，为L4级代客泊车系统在开放停车场中进行代客泊车算法的仿真验证提供解决方案。
基于上述实施例提供的代客泊车仿真方法，本申请实施例则对应提供执行上述代客泊车仿真方法的装置，该装置的结构示意图如图3所示，包括：
仿真地图获取模块10，用于获取仿真开放停车场地图；
通用地图转化模块20，用于对仿真开放停车场地图进行逆向转化，得到能够被泊车控制器所识别的目标特征；其中，仿真开放车场地图为自定义搭建的仿真开放停车场地图，目标特征包括道路特征和车道特征；
播发下载模块30，用于基于目标模拟车辆的定位位置，将目标模拟车辆所在区域内的目标特征播发至泊车控制器并在目标模拟车辆所在区域内对播发的目标特征实时绘制重构，得到目标模拟车辆所在区域内的通用开放停车场地图，将通用开放停车场地图下载更新至泊车控制器。
可选的，通用地图转化模块20，具体用于：
解析仿真开放停车场地图；从仿真开放停车场地图的解析结果中提取目标模拟车辆所在区域内的目标特征；基于ADASIS协议确定目标模拟车辆所在区域内的目标特征中映射到仿真开放停车场地图的不可用特征；对不可用特征进行转化。
可选的，用于对不可用特征进行转化的通用地图转化模块20，具体用于：
对不可用特征进行数据缺失转化/数据差异转化。
可选的，通用地图转化模块20，还用于：
从目标特征中筛选开放停车场的特有特征。
可选的，特有特征包括：
车位特征、车位线特征和车位线角点特征。
需要说明的是，本申请实施例中各功能模块的细化功能可以参见上述方法实施例对应公开部分，在此不再赘述。
以上对本申请所提供的一种代客泊车仿真方法及装置进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。
需要说明的是，本说明书中的各个实施例均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的部分互相参见即可。对于实施例公开的装置而言，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。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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)
1.一种代客泊车仿真方法，其特征在于，所述方法包括：
获取仿真开放停车场地图；
对所述仿真开放停车场地图进行逆向转化，得到能够被泊车控制器所识别的目标特征；其中，所述仿真开放车场地图为自定义搭建的仿真开放停车场地图，所述目标特征包括道路特征和车道特征；
基于目标模拟车辆的定位位置，将所述目标模拟车辆所在区域内的目标特征播发至所述泊车控制器并在所述目标模拟车辆所在区域内对播发的所述目标特征实时绘制重构，得到所述目标模拟车辆所在区域内的通用开放停车场地图，将所述通用开放停车场地图下载更新至所述泊车控制器。
2.根据权利要求1所述的方法，其特征在于，所述对所述仿真开放停车场地图进行逆向转化，包括：
解析所述仿真开放停车场地图；
从所述仿真开放停车场地图的解析结果中提取所述目标模拟车辆所在区域内的所述目标特征；
基于ADASIS协议确定所述目标模拟车辆所在区域内的所述目标特征中映射到所述仿真开放停车场地图的不可用特征；
对所述不可用特征进行转化。
3.根据权利要求2所述的方法，其特征在于，所述对所述不可用特征进行转化，包括：
对所述不可用特征进行数据缺失转化/数据差异转化。
4.根据权利要求2所述的方法，其特征在于，所述对所述仿真开放停车场地图进行逆向转化，还包括：
从所述目标特征中筛选开放停车场的特有特征。
5.根据权利要求4所述的方法，其特征在于，所述特有特征包括：
车位特征、车位线特征和车位线角点特征。
6.一种代客泊车仿真装置，其特征在于，所述装置包括：
仿真地图获取模块，用于获取仿真开放停车场地图；
通用地图转化模块，用于对所述仿真开放停车场地图进行逆向转化，得到能够被泊车控制器所识别的目标特征；其中，所述仿真开放车场地图为自定义搭建的仿真开放停车场地图，所述目标特征包括道路特征和车道特征；
播发下载模块，用于基于目标模拟车辆的定位位置，将所述目标模拟车辆所在区域内的目标特征播发至所述泊车控制器并在所述目标模拟车辆所在区域内对播发的所述目标特征实时绘制重构，得到所述目标模拟车辆所在区域内的通用开放停车场地图，将所述通用开放停车场地图下载更新至所述泊车控制器。
7.根据权利要求6所述的装置，其特征在于，所述通用地图转化模块，具体用于：
解析所述仿真开放停车场地图；从所述仿真开放停车场地图的解析结果中提取所述目标模拟车辆所在区域内的所述目标特征；基于ADASIS协议确定所述目标模拟车辆所在区域内的所述目标特征中映射到所述仿真开放停车场地图的不可用特征；对所述不可用特征进行转化。
8.根据权利要求7所述的装置，其特征在于，用于对所述不可用特征进行转化的所述通用地图转化模块，具体用于：
对所述不可用特征进行数据缺失转化/数据差异转化。
9.根据权利要求7所述的装置，其特征还在于，所述通用地图转化模块，还用于：
从所述目标特征中筛选开放停车场的特有特征。
10.根据权利要求9所述的装置，其特征在于，所述特有特征包括：
车位特征、车位线特征和车位线角点特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111202343.2A CN113946956A (zh) | 2021-10-15 | 2021-10-15 | 一种代客泊车仿真方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111202343.2A CN113946956A (zh) | 2021-10-15 | 2021-10-15 | 一种代客泊车仿真方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113946956A true CN113946956A (zh) | 2022-01-18 |
Family
ID=79330190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111202343.2A Pending CN113946956A (zh) | 2021-10-15 | 2021-10-15 | 一种代客泊车仿真方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113946956A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048013A (zh) * | 2022-07-29 | 2022-09-13 | 浙江吉利控股集团有限公司 | 一种确定地图的方法、装置及电子设备 |
-
2021
- 2021-10-15 CN CN202111202343.2A patent/CN113946956A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048013A (zh) * | 2022-07-29 | 2022-09-13 | 浙江吉利控股集团有限公司 | 一种确定地图的方法、装置及电子设备 |
| CN115048013B (zh) * | 2022-07-29 | 2022-12-02 | 浙江吉利控股集团有限公司 | 一种确定地图的方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chao et al. | A survey on visual traffic simulation: Models, evaluations, and applications in autonomous driving | |
| US11354468B2 (en) | Generating autonomous vehicle simulation data from logged data | |
| CN111897305A (zh) | 一种基于自动驾驶的数据处理方法、装置、设备及介质 | |
| CN114879631A (zh) | 一种基于数字孪生云控平台的自动驾驶测试系统和方法 | |
| CN107063711B (zh) | 用于测试无人车的方法和装置 | |
| US20160210775A1 (en) | Virtual sensor testbed | |
| US20160210382A1 (en) | Autonomous driving refined in virtual environments | |
| US20160210383A1 (en) | Virtual autonomous response testbed | |
| US9909894B2 (en) | Componentized junction models | |
| CN107063710B (zh) | 用于测试无人车的方法和装置 | |
| CN105976606A (zh) | 一种智能城市交通管理平台 | |
| CN114072840A (zh) | 自动驾驶的深度引导视频修复 | |
| Azfar et al. | Efficient procedure of building university campus models for digital twin simulation | |
| CN111402387A (zh) | 从用于导航自主车辆的高清晰度地图的点云中移除短时点 | |
| CN112799964B (zh) | 测试场景生成方法、装置、设备和存储介质 | |
| Guvenc et al. | Simulation Environment for Safety Assessment of CEAV Deployment in Linden | |
| CN113946956A (zh) | 一种代客泊车仿真方法及装置 | |
| de la Peña et al. | AD PerDevKit: An autonomous driving perception development kit using CARLA simulator and ROS | |
| CN113665577A (zh) | 操作机动车辆的方法 | |
| Zhou et al. | A survey on autonomous driving system simulators | |
| CN115062445A (zh) | 基于自然驾驶数据的仿真场景构建方法及系统 | |
| Kanakagiri | Development of a virtual simulation environment for autonomous driving using digital twins | |
| Song et al. | Automatic Driving Joint Simulation Technology and Platform Design | |
| Meftah et al. | A survey on autonomous vehicles simulators. | |
| CN116306029B (zh) | 基于Carla与ROS的自动驾驶仿真测试方法 |
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 |