CN114004080A - 一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法 - Google Patents
一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法 Download PDFInfo
- Publication number
- CN114004080A CN114004080A CN202111268803.1A CN202111268803A CN114004080A CN 114004080 A CN114004080 A CN 114004080A CN 202111268803 A CN202111268803 A CN 202111268803A CN 114004080 A CN114004080 A CN 114004080A
- Authority
- CN
- China
- Prior art keywords
- automatic driving
- road
- position point
- adaptability
- sight distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 230000035484 reaction time Effects 0.000 claims description 27
- 238000013461 design Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims description 6
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims description 6
- 230000006870 function Effects 0.000 description 18
- 230000008447 perception Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/40—
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本申请涉及一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法。该方法包括：获取自动驾驶车辆行驶工况信息；利用车辆行驶工况信息在仿真软件中构建自动驾驶车辆仿真测试场景并进行测试，得到可获取视距；基于不同自动驾驶等级的需求停车视距与可获取视距，建立自动驾驶视距失效功能函数；基于自动驾驶视距失效功能函数对目标道路的各位置点的自动驾驶视距失效概率进行分析，获得各位置点的自动驾驶视距失效概率；根据目标道路的分段结果和各位置点的自动驾驶视距失效概率进行分析，确定自动驾驶车辆沿目标道路行驶的各分段的适应性评价结果。能够高效、安全地量化评估自动驾驶车辆在目标道路上的行驶适应性。
Description
技术领域
本申请涉及道路行驶技术领域，特别是涉及一种基于虚拟仿真的自动 驾驶车辆道路行驶适应性评价方法。
背景技术
以智能化为重要特征的自动驾驶车辆正在为汽车产业带来重大变革。 自动驾驶技术被期望有助于提升道路安全、交通效率，缓解交通拥堵，降 低行车能耗与减少环境污染。以环境感知技术、智能决策技术与控制执行 技术作为主要技术架构的自动驾驶系统利用机器视觉与雷达代替驾驶员视 觉；利用车载计算单元、决策单元与控制单元代替驾驶员大脑；利用刹车、 油门、转向、变速等运动执行器代替驾驶员四肢。随着自动驾驶等级的提升，原有人-车-路闭环交通系统中的“人”也将逐渐转变为“系统”。因此，自 动驾驶系统与驾驶员感知模式间的差异是造成两种交通系统中车-路耦合关 系变化的源头。
目前，涉及量产低等级自动驾驶车辆的事故频发，而高等级自动驾驶 仍然无法完全脱离安全员在开放道路上安全可靠行驶。驾驶员盲目相信自 动驾驶感知技术在现实道路环境中的表现成为上述事故发生的主要原因之 一。然而，行业内还鲜有研究针对“自动驾驶车辆是否适应于面向有人驾 驶车辆设计建造的现役道路基础设施及路侧设施”相关问题进行讨论。因 此，如何高效、安全、有效地评价自动驾驶车辆在现役道路上的行驶适应性成为了保证自动驾驶安全行驶亟需解决的关键问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够高效、安全、有效 地评价出自动驾驶车辆在现役道路上的行驶适应性的基于虚拟仿真的自动 驾驶车辆道路行驶适应性评价方法。
一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法，所述方 法包括：
获取自动驾驶车辆行驶工况信息，所述行驶工况信息包括道路设计信 息、自动驾驶车辆信息与路中、路侧环境信息；
利用所述车辆行驶工况信息在仿真软件中构建自动驾驶车辆仿真测试 场景并进行测试，得到可获取视距；
基于不同自动驾驶等级的需求停车视距与所述可获取视距，建立自动 驾驶视距失效功能函数；
基于所述自动驾驶视距失效功能函数对目标道路的各位置点的自动驾 驶视距失效概率进行分析，获得各位置点的自动驾驶视距失效概率；
根据所述目标道路的分段结果和各所述位置点的自动驾驶视距失效概 率进行分析，确定自动驾驶车辆沿所述目标道路行驶的各分段的适应性评 价结果。
在其中一个实施例中，自动驾驶等级为L1或L2自动驾驶时，所述需 求停车视距为：
其中，SD,ADAS(s)为随行驶路径上的位置点变化的L1或L2级自动驾驶 需求停车视距(m)；V为行驶速度(km/h)；tADAS为驾驶辅助系统感知反应 时间(s)；tH为L1、L2级驾驶员接管反应时间(s)；Ad为驾驶员制动减速 度(m/s2)；iL(s)为随行驶路径上的位置点变化的道路纵坡坡度；当道路线 形上坡时取+，下坡时取-。
在其中一个实施例中，自动驾驶等级为L3自动驾驶时，所述需求停车 视距为：
其中，SD,L3(s)为随行驶路径上的位置点变化的L3级自动驾驶需求停车 视距(m)；tADS为自动驾驶系统感知-制动反应时间(s)；tT为L3级驾驶员 接管反应时间(s)；Adp为L3级自动驾驶系统预设制动减速度(m/s2)；当 道路线形上坡时取+，下坡时取-。
在其中一个实施例中，自动驾驶等级为L4或L5自动驾驶时，所述需 求停车视距为：
其中，SD,ADS(s)为随行驶路径上的位置点变化的L4或L5级自动驾驶需 求停车视距(m)；Ads为自动驾驶系统制动减速度(m/s2)；当道路线形上坡 时取+，下坡时取-。
在其中一个实施例中，所述自动驾驶视距失效功能函数ZS(s)为：
其中，SA,ADAS(s)为L1或L2级自动驾驶的可获取视距(m)；SA,L3(s) 为L3级自动驾驶可获取视距(m)；SA,ADS(s)为L4或L5级自动驾驶的可获 取视距(m)。
在其中一个实施例中，所述基于所述自动驾驶视距失效功能函数对目 标道路的各位置点的自动驾驶视距失效概率进行分析，获得各位置点的自 动驾驶视距失效概率的步骤，包括：
获取目标道路各位置点的不同自动驾驶等级的需求停车视距的变量特 征值；
根据所述变量特征值和所述可获取视距，利用求解可靠度的一次二阶 矩法对所述自动驾驶视距失效功能函数进行求解，获得各位置点的自动驾 驶视距失效概率。
在其中一个实施例中，所述根据所述目标道路的分段结果和各所述位 置点的自动驾驶视距失效概率进行分析，确定自动驾驶车辆沿所述目标道 路行驶的各分段的适应性评价结果的步骤，包括：
基于适应性指标计算公式，根据各所述位置点的自动驾驶视距失效概 率进行分析，确定各所述位置点的适应性指标；
根据预设分段方式对所述目标道路进行分段，获得所述目标道路的分 段结果；
根据所述目标道路的分段结果各分段对应的位置点的适应性指标进行 分析，获得所述目标道路各分段对应的适应性指标平均值；
根据所述目标道路各分段对应的适应性指标平均值所属的适应性等级 范围，确定自动驾驶车辆沿所述目标道路行驶的各分段的适应性评价结果。
在其中一个实施例中，所述适应性等级范围包括：
0≤适应性指标平均值<0.25时，适应性等级为差；
0.25≤适应性指标平均值<0.50时，适应性等级为较差；
0.50≤适应性指标平均值<0.75时，适应性等级为较好；
0.75≤适应性指标平均值≤1时，适应性等级为好。
在其中一个实施例中，所述适应性指标计算公式为：
β(s)＝1-pf(s)
其中，β(s)为位置点s的适应性指标，pf(s)为位置点s的自动驾驶视 距失效概率。
上述基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法，通过获 取自动驾驶车辆行驶工况信息，所述行驶工况信息包括道路设计信息、自 动驾驶车辆信息与路中、路侧环境信息；利用所述车辆行驶工况信息在仿 真软件中构建自动驾驶车辆仿真测试场景并进行测试，得到可获取视距； 基于不同自动驾驶等级的需求停车视距与所述可获取视距，建立自动驾驶 视距失效功能函数；基于所述自动驾驶视距失效功能函数对目标道路的各 位置点的自动驾驶视距失效概率进行分析，获得各位置点的自动驾驶视距 失效概率；根据所述目标道路的分段结果和各所述位置点的自动驾驶视距 失效概率进行分析，确定自动驾驶车辆沿所述目标道路行驶的各分段的适 应性评价结果。能够高效、安全地量化评估自动驾驶车辆在目标道路上的 行驶适应性，甄别自动驾驶车辆视距不足的危险路段，为自动驾驶系统预 警功能设计优化提供理论参考，也为自动驾驶系统功能测试及在既有道路 基础设施的实际运营进行安全隐患排查。
附图说明
图1为一个实施例中基于虚拟仿真的自动驾驶车辆道路行驶适应性评 价方法的流程示意图；
图2是一个实施例中自动驾驶车辆仿真测试场景要素及其与自动驾驶 车辆行驶工况信息对应关系示意图；
图3是一个实施例中自动驾驶车辆仿真测试场景俯视图，其中1为自 动驾驶车辆，2为左侧道路边界，3为感知传感器水平视场，4为右侧道路 边界，5为路侧障碍物。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及 实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施 例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于虚拟仿真的自动驾驶 车辆道路行驶适应性评价方法，包括以下步骤：
步骤S220，获取自动驾驶车辆行驶工况信息，行驶工况信息包括道路 设计信息、自动驾驶车辆信息与路中、路侧环境信息。
其中，道路设计信息包括沿道路桩号变化的道路直线、曲线及转角表、 竖曲线设计表、路基设计表、横断面设计图。其中，道路直线、曲线及转 角表信息包括交点号、交点桩号及交点坐标、交点间距、计算方位角、曲 线间直线长、转角、曲线要素表与曲线驻点位置，曲线要素表包括切线长 度、半径、缓和参数、曲线长度、曲线总长与外距；竖曲线设计表包括变 坡点序号、变坡点桩号、高程、纵坡、坡长、竖曲线要素及曲线位置与直 坡段长，竖曲线要素及曲线位置包括破差、凹形竖曲线半径、凸形竖曲线 半径、竖曲线长度、竖曲线外距、竖曲线起点桩号、竖曲线终点桩号；路 基设计表包括桩号、地面高程、设计高程、填挖高度、横断面左右各点与 设计线的距离与高差；横断面设计图包括桩号、行车道数量、行车道宽度、 路肩宽度、中央分隔带宽度、路缘带宽度、边坡长度与坡度、道路横坡度、 超高。
自动驾驶车辆信息包括自动驾驶等级、车辆车型与感知传感器布设方 案及设计参数，其中自动驾驶等级包括L1～L5；车辆类型包括小客车与货 车；感知传感器布设方案包括感知传感器类型、数量、安装高度与位置， 设计参数包括平面视场角、垂面视场角、最大视场距离、平面视场分辨率、 垂面视场分辨率。
路中、路侧环境信息包括沿道路桩号变化的绿化带、交通标志与建筑 物布设信息，其中建筑物布设信息包括位置与高度。
步骤S240，利用车辆行驶工况信息在仿真软件中构建自动驾驶车辆仿 真测试场景并进行测试，得到可获取视距。
其中，仿真软件主要以道路场景搭建、感知传感器模型与车辆动力学 模型仿真为主，用来对自动驾驶车辆行驶在道路场景中的可获取视距进行 仿真，如CarSim、TruckSim(汽车动力学模型仿真软件)、SCANeR、Prescan 等。本申请仿真软件优选Prescan，因为其具有较真实基于物理的传感器 模型，能够对不同天气环境作出障碍物识别率变化反馈。自动驾驶车辆仿 真测试场景要素及其与自动驾驶车辆行驶工况信息对应关系如图2所示。
确定自动驾驶车辆仿真测试场景要素包括道路场景、自动驾驶车辆模 型、自动驾驶车辆行驶信息与视距计算障碍车，其中道路场景包括道路线 形与路中、路侧环境，自动驾驶车辆行驶信息包括行驶速度与行驶路径。 根据车辆行驶工况信息中的道路设计信息与路中、路侧环境信息创建虚拟 仿真道路场景，使仿真环境中的道路设计信息及路内、路侧环境与真实环 境保持一致，并在仿真软件中设置天气环境；根据车辆行驶工况信息中的自动驾驶车辆信息，并在仿真软件中设置车辆动力学模型，创建虚拟自动 驾驶车辆模型，使仿真环境中的自动驾驶车辆与真实环境保持一致；在仿 真软件中设置自动驾驶车辆行驶信息；设定最小间隔，在仿真软件中沿车 辆行驶路径方向按最小间隔同向布设视距计算障碍车辆，其中最小间隔应 符合求解可获取视距精读要求，常设为2m或5m；利用仿真软件构建自动 驾驶车辆仿真测试场景俯视图示意如图3所示。
进行测试实验，根据仿真软件中获取的随行驶路径上的位置点变化的 感知传感器识别的最远视距，计算障碍车辆在行驶路径上的位置点，计算 该障碍车辆在行驶路径上的位置点与自动驾驶车辆在行驶路径上的位置 点的行驶路径差，作为随行驶路径上的位置点变化的可获取视距SA(s)， 其中s为自动驾驶车辆在行驶路径上的位置点。以在仿真软件中进行测试 时，确定T时刻的可获取视距为例：在仿真软件中设定各仿真时间的感知 传感器输出的最远视距，确定各仿真时间障碍车辆在行驶路径上的位置点， 设定各仿真时间自动驾驶车辆在行驶路径上的位置点，匹配仿真时间T时 刻的最远视距，计算障碍车辆在行驶路径上的位置点与自动驾驶车辆在行 驶路径上的位置点，通过障碍车辆在行驶路径上的位置点-自动驾驶车辆 在行驶路径上的位置点＝可获取视距SA(s)，获得T时刻的可获取视距。
步骤S260，基于不同自动驾驶等级的需求停车视距与可获取视距，建 立自动驾驶视距失效功能函数。
其中，不同自动驾驶等级的需求停车视距，按照如下公式确定。自动 驾驶等级为L1或L2自动驾驶时，需求停车视距为：
其中，SD,ADAS(s)为随行驶路径上的位置点变化的L1或L2级自动驾驶 需求停车视距(m)；V为行驶速度(km/h)；tADAS为驾驶辅助系统感知反应 时间(s)；tH为L1、L2级驾驶员接管反应时间(s)；Ad为驾驶员制动减速 度(m/s2)；iL(s)为随行驶路径上的位置点变化的道路纵坡坡度；当道路线 形上坡时取+，下坡时取-。
自动驾驶等级为L3自动驾驶时，需求停车视距为：
其中，SD,L3(s)为随行驶路径上的位置点变化的L3级自动驾驶需求停车 视距(m)；tADS为自动驾驶系统感知-制动反应时间(s)；tT为L3级驾驶员 接管反应时间(s)；Adp为L3级自动驾驶系统预设制动减速度(m/s2)；当 道路线形上坡时取+，下坡时取-。
自动驾驶等级为L4或L5自动驾驶时，需求停车视距为：
其中，SD,ADS(s)为随行驶路径上的位置点变化的L4或L5级自动驾驶需 求停车视距(m)；Ads为自动驾驶系统制动减速度(m/s2)；当道路线形上坡 时取+，下坡时取-。
基于不同自动驾驶等级的需求停车视距与可获取视距，建立的自动驾 驶视距失效功能函数ZS(s)为：
其中，SA,ADAS(s)为L1或L2级自动驾驶的可获取视距(m)；SA,L3(s) 为L3级自动驾驶可获取视距(m)；SA,ADS(s)为L4或L5级自动驾驶的可获 取视距(m)。
步骤S280，基于自动驾驶视距失效功能函数对目标道路的各位置点的 自动驾驶视距失效概率进行分析，获得各位置点的自动驾驶视距失效概率。
在一个实施例中，基于自动驾驶视距失效功能函数对目标道路的各位 置点的自动驾驶视距失效概率进行分析，获得各位置点的自动驾驶视距失 效概率的步骤，包括：获取目标道路各位置点的不同自动驾驶等级的需求 停车视距的变量特征值；根据变量特征值和可获取视距，利用求解可靠度 的一次二阶矩法对自动驾驶视距失效功能函数进行求解，获得各位置点的 自动驾驶视距失效概率。
其中，变量特征值包括行驶速度、道路纵坡坡度、L3级自动驾驶系统 预设制动减速度、驾驶员制动减速度、自动驾驶系统制动减速度，以及驾 驶辅助系统感知反应时间、L1级驾驶员接管反应时间、L2级驾驶员接管反 应时间、L3级驾驶员接管反应时间和自动驾驶系统感知-制动反应时间的分 布形式、均值与标准差；因行驶速度、道路纵坡坡度、L3级自动驾驶系统 预设制动减速度、驾驶员制动减速度、自动驾驶系统制动减速度为确定性 变量，则直接将行驶速度、道路纵坡坡度、L3级自动驾驶系统预设制动减 速度、驾驶员制动减速度、自动驾驶系统制动减速度作为变量特征值，因 驾驶辅助系统感知反应时间、L1级驾驶员接管反应时间、L2级驾驶员接管 反应时间、L3级驾驶员接管反应时间和自动驾驶系统感知-制动反应时间为 随机变量，则将驾驶辅助系统感知反应时间、L1级驾驶员接管反应时间、 L2级驾驶员接管反应时间、L3级驾驶员接管反应时间和自动驾驶系统感知 -制动反应时间的分布形式、均值与标准差作为变量特征值。
一次二阶矩法为将非线性的自动驾驶视距失效功能函数展开成Taylor 级数并取至一次项，如中心点法和设计验算点法。本申请仿真软件优选设 计验算点法，因为其能够考虑随机变量的实际分布形式。
步骤S300，根据目标道路的分段结果和各位置点的自动驾驶视距失效 概率进行分析，确定自动驾驶车辆沿目标道路行驶的各分段的适应性评价 结果。
在一个实施例中，根据目标道路的分段结果和各位置点的自动驾驶视 距失效概率进行分析，确定自动驾驶车辆沿目标道路行驶的各分段的适应 性评价结果的步骤，包括：基于适应性指标计算公式，根据各位置点的自 动驾驶视距失效概率进行分析，确定各位置点的适应性指标；根据预设分 段方式对目标道路进行分段，获得目标道路的分段结果；根据目标道路的 分段结果各分段对应的位置点的适应性指标进行分析，获得目标道路各分 段对应的适应性指标平均值；根据目标道路各分段对应的适应性指标平均 值所属的适应性等级范围，确定自动驾驶车辆沿目标道路行驶的各分段的 适应性评价结果。
其中，预设分段方式可以是等距离分段，也可以是按线形属性分段， 对目标道路进行分段采用等距离分段，如20m，50m，采用按线形属性分 段，分为直线、缓和曲线、圆曲线、平纵组合线形。当目标道路事故状况 良好时可以采用等距离分段，方便快捷；当目标道路事故较多发时可以采 用按线形属性分段，有助于针对危险路段采取应对措施预防事故风险。
在一个实施例中，适应性等级范围包括：0≤适应性指标平均值<0.25 时，适应性等级为差；0.25≤适应性指标平均值<0.50时，适应性等级为较 差；0.50≤适应性指标平均值<0.75时，适应性等级为较好；0.75≤适应性 指标平均值≤1时，适应性等级为好。适应性指标计算公式为：
β(s)＝1-pf(s)
其中，β(s)为位置点s的适应性指标，pf(s)为位置点s的自动驾驶视 距失效概率。
综上，本申请针对自动驾驶感知系统与有人驾驶车辆人类驾驶员视觉 差异，基于虚拟仿真平台构建自动驾驶车辆仿真测试场景并进行测试，得 到自动驾驶车辆在目标道路上的可获取视距，在此基础上结合需求停车视 距，利用可靠度理论建立自动驾驶视距失效功能函数，并根据试验结果计 算自动驾驶视距失效概率，最后计算得到自动驾驶车辆在目标道路行驶适 应性评价结果。利用本申请公开的方法能够高效、安全地量化评估自动驾驶车辆在目标道路上的行驶适应性，甄别自动驾驶车辆视距不足的危险路 段，为自动驾驶系统预警功能设计优化提供理论参考，也为自动驾驶系统 功能测试及在既有道路基础设施的实际运营进行安全隐患排查。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次 显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文 中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以 以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤 或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而 是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部 分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对 上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这 些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和 详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对 于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做 出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的 保护范围应以所附权利要求为准。
Claims (9)
1.一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法，其特征在于，所述方法包括：
获取自动驾驶车辆行驶工况信息，所述行驶工况信息包括道路设计信息、自动驾驶车辆信息与路中、路侧环境信息；
利用所述车辆行驶工况信息在仿真软件中构建自动驾驶车辆仿真测试场景并进行测试，得到可获取视距；
基于不同自动驾驶等级的需求停车视距与所述可获取视距，建立自动驾驶视距失效功能函数；
基于所述自动驾驶视距失效功能函数对目标道路的各位置点的自动驾驶视距失效概率进行分析，获得各位置点的自动驾驶视距失效概率；
根据所述目标道路的分段结果和各所述位置点的自动驾驶视距失效概率进行分析，确定自动驾驶车辆沿所述目标道路行驶的各分段的适应性评价结果。
2.根据权利要求1所述的方法，其特征在于，自动驾驶等级为L1或L2自动驾驶时，所述需求停车视距为：
其中，s为行驶路径上的位置点(m)；SD,ADAS(s)为随行驶路径上的位置点变化的L1或L2级自动驾驶需求停车视距(m)；V为行驶速度(km/h)；tADAS为驾驶辅助系统感知反应时间(s)；tH为L1、L2级驾驶员接管反应时间(s)；Ad为驾驶员制动减速度(m/s2)；iL(s)为随行驶路径上的位置点变化的道路纵坡坡度；当道路线形上坡时取+，下坡时取-。
3.根据权利要求1所述的方法，其特征在于，自动驾驶等级为L3自动驾驶时，所述需求停车视距为：
其中，SD,L3(s)为随行驶路径上的位置点变化的L3级自动驾驶需求停车视距(m)；tADS为自动驾驶系统感知-制动反应时间(s)；tT为L3级驾驶员接管反应时间(s)；Adp为L3级自动驾驶系统预设制动减速度(m/s2)；当道路线形上坡时取+，下坡时取-。
4.根据权利要求1所述的方法，其特征在于，自动驾驶等级为L4或L5自动驾驶时，所述需求停车视距为：
其中，SD,ADS(s)为随行驶路径上的位置点变化的L4或L5级自动驾驶需求停车视距(m)；Ads为自动驾驶系统制动减速度(m/s2)；当道路线形上坡时取+，下坡时取-。
5.根据权利要求1所述的方法，其特征在于，所述自动驾驶视距失效功能函数ZS(s)为：
其中，SA,ADAS(s)为随行驶路径上的位置点变化的L1或L2级自动驾驶的可获取视距(m)；SA,L3(s)为随行驶路径上的位置点变化的L3级自动驾驶可获取视距(m)；SA,ADS(s)为随行驶路径上的位置点变化的L4或L5级自动驾驶的可获取视距(m)。
6.根据权利要求1所述的方法，其特征在于，所述基于所述自动驾驶视距失效功能函数对目标道路的各位置点的自动驾驶视距失效概率进行分析，获得各位置点的自动驾驶视距失效概率的步骤，包括：
获取目标道路各位置点的不同自动驾驶等级的需求停车视距的变量特征值；
根据所述变量特征值和所述可获取视距，利用求解可靠度的一次二阶矩法对所述自动驾驶视距失效功能函数进行求解，获得各位置点的自动驾驶视距失效概率。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标道路的分段结果和各所述位置点的自动驾驶视距失效概率进行分析，确定自动驾驶车辆沿所述目标道路行驶的各分段的适应性评价结果的步骤，包括：
基于适应性指标计算公式，根据各所述位置点的自动驾驶视距失效概率进行分析，确定各所述位置点的适应性指标；
根据预设分段方式对所述目标道路进行分段，获得所述目标道路的分段结果；
根据所述目标道路的分段结果对各分段对应的位置点的适应性指标进行分析，获得所述目标道路各分段对应的适应性指标平均值；
根据所述目标道路各分段对应的适应性指标平均值所属的适应性等级范围，确定自动驾驶车辆沿所述目标道路行驶的各分段的适应性评价结果。
8.根据权利要求7所述的方法，其特征在于，所述适应性等级范围包括：
0≤适应性指标平均值<0.25时，适应性等级为差；
0.25≤适应性指标平均值<0.50时，适应性等级为较差；
0.50≤适应性指标平均值<0.75时，适应性等级为较好；
0.75≤适应性指标平均值≤1时，适应性等级为好。
9.根据权利要求7所述的方法，其特征在于，所述适应性指标计算公式为：
β(s)＝1-pf(s)
其中，β(s)为位置点s的适应性指标，pf(s)为位置点s的自动驾驶视距失效概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268803.1A CN114004080A (zh) | 2021-10-29 | 2021-10-29 | 一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268803.1A CN114004080A (zh) | 2021-10-29 | 2021-10-29 | 一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114004080A true CN114004080A (zh) | 2022-02-01 |
Family
ID=79924953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111268803.1A Pending CN114004080A (zh) | 2021-10-29 | 2021-10-29 | 一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004080A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116249A (zh) * | 2022-06-06 | 2022-09-27 | 苏州科技大学 | 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法 |
-
2021
- 2021-10-29 CN CN202111268803.1A patent/CN114004080A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116249A (zh) * | 2022-06-06 | 2022-09-27 | 苏州科技大学 | 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107742432B (zh) | 基于车路协同的高速公路运行车速主动预警系统及控制方法 | |
| US20120296539A1 (en) | Driver assistance system | |
| CN110155046A (zh) | 自动紧急制动分级控制方法与系统 | |
| CN109872554A (zh) | 一种高速公路雾区提升行车安全的车路预警系统 | |
| CN112885145B (zh) | 路口风险预警的方法和装置 | |
| CN106503398B (zh) | 一种基于车辆动力学仿真和事故树的公路立体线形安全评价方法 | |
| CN110675624B (zh) | 一种高风险路段的行车风险控制方法 | |
| CN103921719A (zh) | 驾驶员交互式商用车辆侧翻预警方法和系统 | |
| CN113065685B (zh) | 基于自动驾驶应用场景的高精地图交通规则模型及其实现方法 | |
| CN111932922B (zh) | 一种基于车路协同感知的罐车侧翻事前预警方法 | |
| CN114475648A (zh) | 基于周围作用因素的行为和有限的环境观察的自主车辆的控制 | |
| CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
| Aryal | Optimization of geometric road design for autonomous vehicle | |
| CN110599025A (zh) | 自动驾驶汽车驾驶行为可靠性指标评估方法 | |
| CN113963531A (zh) | 用于行驶车辆保持安全车距的检测方法及其显示方式 | |
| CN114004080A (zh) | 一种基于虚拟仿真的自动驾驶车辆道路行驶适应性评价方法 | |
| Wang et al. | Impacts of different driving automation levels on highway geometric design from the perspective of trucks | |
| CN113240901B (zh) | 一种智能车换道行为风险等级确定方法及装置 | |
| CN106097229A (zh) | 一种高速公路安全运行改良方法 | |
| Liu et al. | Determination of curve speed zones for mountainous freeways | |
| CN116740940A (zh) | 恶劣天气高影响路段风险预测和安全管理方法、装置和设备 | |
| CN116597690A (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
| CN105788248A (zh) | 一种车辆检测的方法、装置及车辆 | |
| RU2725569C1 (ru) | Способ управления движением беспилотных транспортных средств (БТС) в колонне и/или отдельных БТС и мониторинга интеллектуальной транспортной инфраструктурой (ИТИ) сети автомобильных дорог | |
| Mavromatis et al. | Passing sight distance assessment through the interaction of road—Vehicle parameters |
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 |