CN114296424A - 仿真测试系统和方法 - Google Patents
仿真测试系统和方法 Download PDFInfo
- Publication number
- CN114296424A CN114296424A CN202111478635.9A CN202111478635A CN114296424A CN 114296424 A CN114296424 A CN 114296424A CN 202111478635 A CN202111478635 A CN 202111478635A CN 114296424 A CN114296424 A CN 114296424A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- camera data
- model
- simulation
- scene
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 127
- 238000012360 testing method Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 26
- 239000000725 suspension Substances 0.000 claims description 21
- 238000005094 computer simulation Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 8
- 238000010998 test method Methods 0.000 claims description 6
- 239000003638 chemical reducing agent Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供了一种仿真测试系统和方法,驾驶模拟器控制虚拟车辆行驶,并将虚拟车辆的控制信号发送给仿真机;车辆动力学模型根据控制信号对虚拟车辆建模,并将建模后得到的车辆信息发送给场景仿真模块;场景仿真模块根据控制信号和车辆信息构建虚拟车辆的自动驾驶场景,同时将记录的虚拟车辆在自动驾驶场景中行驶时的方向盘转角和摄像头数据发送给深度学习工具,以使深度学习工具根据接收的数据训练初始模型,得到测试模型。该方式可实现对虚拟车辆的制动控制,且通过场景仿真模块提供的摄像头数据、测试模型以及车辆动力学模型能够实现虚拟车辆的自动转向功能。另外,该方式通过联合仿真能够实现场景、动力学模型和测试模型的闭环仿真测试。
Description
技术领域
本发明涉及自动驾驶测试技术领域,尤其是涉及一种仿真测试系统和方法。
背景技术
用于自动驾驶功能测试的实车场地难以覆盖各种工况,尤其是复杂特殊工况和危险工况。而且,实车测试场地存在测试时间长、场景要素单一、资源有限的问题。这些问题无疑限制了技术研发和迭代。虚拟仿真测试技术作为实车测试场景的重要补充内容,虚拟仿真测试系统也成为了自动驾驶研究的必经之路。
目前,自动驾驶的虚拟仿真测试技术主要面向的是感知-规划-控制序列式的技术架构,这种架构主要包括高精地图、定位与感知、决策规划和自车车辆控制等众多模块,主要任务是将感知融合信息转换成量化的语义信息,然后基于知识库或规则进行车辆的决策和路径规划。近些年来,自动驾驶端到端技术空前火热,它主要优势是通过卷积神经网络将感知信息与控制量进行直接关联。因此,搭建能够测试端到端算法的仿真系统有迫切的需求。
相关技术中提供的众多的自动驾驶虚拟仿真系统,主要面向的是序列式架构技术的验证,无法与端到端技术进行集成,难以进行仿真端的数据训练和模型的测试,也难以覆盖针对人工智能技术的仿真测试需求。
发明内容
本发明的目的在于提供一种仿真测试系统和方法,以实现自动驾驶端到端的测试模型的训练和测试。
第一方面,本发明提供了一种仿真测试系统,该系统包括:驾驶模拟器,以及与驾驶模拟器通信连接的仿真机;其中,该仿真机中运行有场景仿真模块、车辆动力学模型和深度学习工具;驾驶模拟器用于控制虚拟车辆进行车辆行驶,并将虚拟车辆的控制信号发送给仿真机;其中,控制信号包括转向信号、驱动信号和制动信号;车辆动力学模型用于根据接收的控制信号,对虚拟车辆进行建模,并将建模后得到的车辆信息发送给场景仿真模块;场景仿真模块用于根据控制信号和车辆信息,构建虚拟车辆的自动驾驶场景;场景仿真模块还用于记录虚拟车辆在自动驾驶场景中行驶时的方向盘转角和摄像头数据,并将方向盘转角和摄像头数据发送给深度学习工具;深度学习工具用于根据接收的方向盘转角和摄像头数据,训练初始模型,得到用于自动驾驶仿真测试的测试模型。
在可选的实施方式中,上述摄像头数据包括正前向摄像头数据;得到测试模型后,场景仿真模块还用于将正前向摄像头数据发送给测试模型;测试模型根据输入的正前向摄像头数据输出方向盘转角数据,并将方向盘转角数据发送给车辆动力学模型;车辆动力学模型根据方向盘转角数据,得到虚拟车辆的位置信息和姿态信息,并将位置信息和姿态信息发送给场景仿真模块;场景仿真模块根据位置信息和姿态信息得到虚拟车辆的正前向摄像头数据。
在可选的实施方式中,上述车辆动力学模型包括虚拟车辆的轮胎单元、动力传动单元、悬架单元、转向单元、制动单元、载荷单元、阻力单元和整车单元;其中,轮胎单元包括轮胎尺寸大小、稳态的力学特性、瞬态的响应特性及迟滞损失;动力传动单元包括发动机的外特性曲线描述、离合器参数、变速器参数和减速器参数;悬架单元包括独立悬架、非独立悬架、简化独立悬架和简化非独立悬架;转向单元包括转向轴和转向轴的非线性特性描述;制动单元包括液压、气压制动和有无制动防抱死系统;载荷单元包括配重模块;阻力单元包括空气阻力和轮胎阻力;整车单元包括车辆位置坐标、尺寸、质量及转动惯量。
在可选的实施方式中,上述场景仿真模块还用于进行自车车辆仿真建模、静态要素仿真建模、动态道路要素仿真建模、交通参与者仿真建模以及动态气象和光影的仿真建模。
在可选的实施方式中,上述仿真机还包括车辆总线类通讯板卡,该仿真机通过该板卡与驾驶模拟器连接;该板卡包括CAN总线通讯板卡、LIN总线通讯板卡、标准以太网通讯板卡、标准以太网通讯板卡和FlexRay通讯板卡中的一种或者多种。
在可选的实施方式中,上述深度学习工具包括Caffe、Caffe2、Tensorflow、MXNet、PyTorch和PaddlePaddle中的一种或多种。
在可选的实施方式中,上述驾驶模拟器包括车辆驾驶舱、座椅、仪表、中控屏、方向盘、油门、制动踏板和离合器。
第二方面,本发明提供了一种仿真测试方法,该方法应用于上述仿真测试系统;该方法包括:通过驾驶模拟器控制虚拟车辆进行车辆行驶,并将虚拟车辆的控制信号发送给仿真机;其中,控制信号包括转向信号、驱动信号和制动信号;仿真机中运行有场景仿真模块、车辆动力学模型和深度学习工具;车辆动力学模型根据接收的控制信号,对虚拟车辆进行建模,并将建模后得到的车辆信息发送给场景仿真模块;场景仿真模块根据控制信号和车辆信息,构建虚拟车辆的自动驾驶场景,并记录虚拟车辆在自动驾驶场景中行驶时的方向盘转角和摄像头数据,将记录的方向盘转角和摄像头数据发送给深度学习工具;深度学习工具根据接收的方向盘转角和摄像头数据,训练初始模型,得到用于自动驾驶仿真测试的测试模型。
在可选的实施方式中,上述测试模型通过下述方式训练得到:将记录的方向盘转角和摄像头数据作为训练集,以使深度学习工具基于该训练集对初始模型进行训练,得到测试模型;其中,摄像头数据包括虚拟车辆的正前向摄像头数据、左侧摄像头数据和右侧摄像头数据。
在可选的实施方式中,上述得到用于自动驾驶仿真测试的测试模型后,上述方法还包括:场景仿真模块将正前向摄像头数据发送给测试模型;测试模型根据输入的正前向摄像头数据输出方向盘转角数据,并将方向盘转角数据发送给车辆动力学模型;车辆动力学模型根据方向盘转角数据,得到虚拟车辆的位置信息和姿态信息,并将位置信息和姿态信息发送给场景仿真模块;场景仿真模块根据位置信息和姿态信息得到虚拟车辆的正前向摄像头数据。
本发明实施例带来了以下有益效果:
本发明提供的一种仿真测试系统和方法,首先驾驶模拟器控制虚拟车辆进行车辆行驶,并将虚拟车辆的控制信号发送给仿真机;进而车辆动力学模型根据接收的控制信号,对虚拟车辆进行建模,并将建模后得到的车辆信息发送给场景仿真模块;场景仿真模块根据控制信号和车辆信息,构建虚拟车辆的自动驾驶场景,同时记录虚拟车辆在自动驾驶场景中行驶时的方向盘转角和摄像头数据,并将方向盘转角和摄像头数据发送给深度学习工具;深度学习工具根据接收的方向盘转角和摄像头数据训练初始模型,得到用于自动驾驶仿真测试的测试模型。该方式可以实现对虚拟车辆的制动控制,同时能够记录方向盘转角和虚拟车辆的摄像头数据;同时通过场景仿真模块提供的摄像头数据、测试模型以及车辆动力学模型能够实现虚拟车辆的自动转向功能。
另外,该方式通过联合仿真的方法,可以实现场景、动力学模型和测试模型的闭环测试的仿真系统,适用于自动驾驶端到端模型的测试。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种仿真测试系统的结构示意图;
图2为本发明实施例提供的另一种仿真测试系统的结构示意图;
图3为本发明实施例提供的一种仿真测试方法的流程图;
图4为本发明实施例提供的一种测试模型的训练流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
相关技术中提供的众多自动驾驶虚拟仿真系统,主要面向的是序列式架构技术的验证,无法与端到端技术进行集成,难以进行仿真端的数据训练和模型的测试,也难以覆盖针对人工智能技术的仿真测试需求。
基于上述问题,本发明实施例提供了一种仿真测试系统和方法,该技术可以应用于自动驾驶仿真测试模型的训练和测试场景中。为便于对本实施例进行理解,首先对本发明实施例所公开的一种仿真测试系统进行详细介绍,如图1所示,该系统包括:驾驶模拟器10,以及与该驾驶模拟器10通信连接的仿真机11;其中,该仿真机中运行有场景仿真模块110、车辆动力学模型111和深度学习工具112。该仿真机可以采用强实时仿真机或者其他仿真机。
上述驾驶模拟器10用于控制虚拟车辆进行车辆行驶,并将虚拟车辆的控制信号发送给仿真机11;其中,该控制信号包括转向信号、驱动信号和制动信号。具体地,该驾驶模拟器10包括车辆驾驶舱、座椅、仪表、中控屏、方向盘、油门、制动踏板和离合器;其中,车辆驾驶舱室从真实车辆中拆离的。在实际应用中,根据用户在驾驶模拟器10中的操作,可以输出车辆的转向信号、驱动信号和制动信号,并通过驾驶模拟器10中的通信接口将这些信号传输至仿真机11中的车辆动力学模型111和场景仿真模块110。将驾驶模拟器10输出的转向信号、驱动信号和制动信号注入至虚拟车辆中,能够实现虚拟车辆的控制。
上述车辆动力学模型111用于根据接收的控制信号,对虚拟车辆进行建模,并将建模后得到的车辆信息发送给场景仿真模块110;场景仿真模块110用于根据控制信号和车辆信息,构建虚拟车辆的自动驾驶场景;场景仿真模块110还用于记录虚拟车辆在自动驾驶场景中行驶时的方向盘转角和摄像头数据,并将方向盘转角和摄像头数据发送给深度学习工具112;该深度学习工具112用于根据接收的方向盘转角和摄像头数据,训练初始模型,得到用于自动驾驶仿真测试的测试模型。
在具体实现时,上述车辆信息可以包括车辆的位置信息和速度信息等。在上述场景仿真模块110中配置有虚拟车辆的正前向摄像头、左侧摄像头和右侧摄像头,在构建完成的自动驾驶场景中通过驾驶模拟器10控制虚拟车辆进行车辆行驶,同时在场景仿真模块110中同步记录方向盘转角和摄像头数据;其中,上述摄像头数据包括正前向摄像头数据、左侧摄像头数据和右侧摄像头数据。
上述初始模型可以是神经网络模型或者深度学习模型,具体地,通过深度学习工具112搭建初始模型,将记录的方向盘转角和正前向摄像头数据、左侧摄像头数据和右侧摄像头数据作为训练集,生成训练模型(相当于上述测试模型)。也可以理解为,通过深度学习工具,可以实现对测试模型的搭建、训练和测试。
在具体实现时,得到测试模型后,场景仿真模块还用于将正前向摄像头数据发送给测试模型;测试模型根据输入的正前向摄像头数据输出方向盘转角数据,并将方向盘转角数据发送给车辆动力学模型;车辆动力学模型根据方向盘转角数据,得到虚拟车辆的位置信息和姿态信息,并将位置信息和姿态信息发送给场景仿真模块;场景仿真模块根据位置信息和姿态信息得到虚拟车辆的正前向摄像头数据,从而可以实现对测试模型的闭环测试。本发明通过驾驶模拟器、仿真机、场景仿真模块、车辆动力学模型和深度学习工具构建闭环的自动驾驶端到端模型训练和测试的仿真系统。
本发明提供的一种仿真测试系统,首先驾驶模拟器控制虚拟车辆进行车辆行驶,并将虚拟车辆的控制信号发送给仿真机;进而车辆动力学模型根据接收的控制信号,对虚拟车辆进行建模,并将建模后得到的车辆信息发送给场景仿真模块;场景仿真模块根据控制信号和车辆信息,构建虚拟车辆的自动驾驶场景,同时记录虚拟车辆在自动驾驶场景中行驶时的方向盘转角和摄像头数据,并将方向盘转角和摄像头数据发送给深度学习工具;深度学习工具根据接收的方向盘转角和摄像头数据训练初始模型,得到用于自动驾驶仿真测试的测试模型。该方式可以实现对虚拟车辆的制动控制,同时能够记录方向盘转角和虚拟车辆的摄像头数据;同时通过场景仿真模块提供的摄像头数据、测试模型以及车辆动力学模型能够实现虚拟车辆的自动转向功能。另外,该方式通过联合仿真的方法,可以实现场景、动力学模型和测试模型的闭环测试的仿真系统,适用于自动驾驶端到端模型的测试。
本发明实施例还提供了另一种仿真测试系统,该系统在上述实施例的基础上实现;如图3所示,该系统包括驾驶模拟器10,以及与该驾驶模拟器10通信连接的仿真机11;其中,仿真机11中运行有场景仿真模块110、车辆动力学模型111和深度学习工具112。
具体地,上述车辆动力学模型111包括虚拟车辆的轮胎单元、动力传动单元、悬架单元、转向单元、制动单元、载荷单元、阻力单元和整车单元;其中,所述轮胎单元包括轮胎尺寸大小、稳态的力学特性、瞬态的响应特性及迟滞损失;动力传动单元包括发动机的外特性曲线描述、离合器参数、变速器参数和减速器参数;该离合器参数包括离合器能传递的最大扭矩和离合器控制信号之间的关系曲线、离合器结合和分开的延时时间、输入轴的转动惯量、输出轴的转动惯量等。减速器参数包括减速比和减速方向等。变速器参数包括变速箱的内部传输模型、档速比、转动惯量、传动效率、换挡持续时间、换挡策略、锁止离合器能承受的最大扭矩的离合器控制策略等。
上述悬架单元包括独立悬架、非独立悬架、简化独立悬架和简化非独立悬架;其中,悬架单元还包含有独立悬架的K参数和非独立悬架的K参数,K参数包括簧下质量、转动惯量、轮距、车轮静载半径、静载状态车轮外倾角、静载状态车轮前束角、静载时轮跳参考值、车桥重心高度等等。
上述转向单元包括转向轴和该转向轴的非线性特性描述;制动单元包括液压、气压制动和有无制动防抱死系统;载荷单元包括配重模块,该配重模块包含的参数可以是箱体尺寸、箱体位置、箱体质、是否显示箱体以及箱体的颜色。阻力单元包括空气阻力和轮胎阻力;整车单元包括车辆位置坐标、尺寸、质量及转动惯量。
进一步地,上述场景仿真模块110还用于进行自车车辆仿真建模、静态要素仿真建模、动态道路要素仿真建模、交通参与者仿真建模以及动态气象和光影的仿真建模。也即是场景仿真模块110用于实现车辆运行的仿真场景建模。
在具体实现时,上述自车车辆仿真建模包括自车位置信息和姿态信息;静态要素仿真建模包括标志牌、交通灯、建筑物、林木和地形的位置信息和样式;上述动态道路要素仿真建模包括道路封闭情况、道路抢修情况、道路拥挤情况等;上述交通参与者仿真建模包括行人、目标车辆和其他参与者的起始位置和路径规划,以及固定区域内的交通动作触发;上述动态气象和光影的仿真建模包括雨、雪、雾等天气要素以及早上、中午、夜晚等光线要素的仿真。
进一步地,上述仿真机11还包括车辆总线类通讯板卡20,该仿真机11通过板卡20与驾驶模拟器10连接;该板卡包括CAN(Controller Area Network,控制器局域网络)总线通讯板卡、LIN(Local Interconnect Network,局域互联网)总线通讯板卡、标准以太网通讯板卡、标准以太网通讯板卡和FlexRay通讯板卡中的一种或者多种。
上述深度学习工具112,主要用于实现测试模型的训练,该深度学习工具12包括Caffe、Caffe2、Tensorflow、MXNet、PyTorch和PaddlePaddle中的一种或多种。
上述Caffe和Caffe2均是一个清晰、高效的深度学习框架,Caffe2通常也是轻量级、模块化和可扩展的框架。上述Tensorflow通常是一个基于数据流编程的符号数学系统,被广泛应用于各类机器学习算法的编程实现,该Tensorflow拥有多层级结构。上述MXNet也是一中深度学习框架,它具有灵活的编程模型、从云端到客户端可移植、支持多语言、支持本地分布式训练和云端友好等特性。上述PyTorch是深度学习框架。上述PaddlePaddle通常是集深度学习核心框架、工具组件和服务平台为一体的技术领先、功能完备的开源深度学习平台,有全面的官方支持的工业级应用模型,涵盖自然语言处理、计算机视觉、推荐引擎等多个领域,并开放多个预训练中文模型。
上述仿真系统,通过驾驶模拟器、仿真机、场景仿真模块、车辆动力学模型和深度学习工具构建了闭环的自动驾驶端到端模型训练和测试的仿真系统;而且通过驾汽车驶模拟器、仿真机和场景仿真模块,可以实现对虚拟车辆的制动和控制,同时,能记录方向盘转角和虚拟车辆的正前向摄像头数据、左侧摄像头数据和右侧摄像头数据;另外,本发明通过联合仿真的方法,可以实现场景、动力学模型和测试模型的闭环测试的仿真系统,适用于自动驾驶端到端模型的测试。
针对于上述用于仿真测试系统的实施例,本发明实施例提供了一种仿真测试方法,该方法应用于上述用于仿真测试系统;如图3所示,该方法包括如下具体步骤:
步骤S302,通过驾驶模拟器控制虚拟车辆进行车辆行驶,并将虚拟车辆的控制信号发送给仿真机;其中,控制信号包括转向信号、驱动信号和制动信号;仿真机中运行有场景仿真模块、车辆动力学模型和深度学习工具。
步骤S304,车辆动力学模型根据接收的控制信号,对虚拟车辆进行建模,并将建模后得到的车辆信息发送给场景仿真模块。
步骤S306,场景仿真模块根据控制信号和车辆信息,构建虚拟车辆的自动驾驶场景,并记录虚拟车辆在自动驾驶场景中行驶时的方向盘转角和摄像头数据,将记录的方向盘转角和摄像头数据发送给深度学习工具。
步骤S308,深度学习工具根据接收的方向盘转角和摄像头数据,训练初始模型,得到用于自动驾驶仿真测试的测试模型。
具体地,上述测试模型通过下述方式训练得到:将记录的方向盘转角和摄像头数据作为训练集,以使深度学习工具基于训练集对初始模型进行训练,得到测试模型(相当于图4中的神经网络模型);其中,摄像头数据包括虚拟车辆的正前向摄像头数据、左侧摄像头数据和右侧摄像头数据。如图4所示为一种测试模型的训练流程图,深度学习工具可以根据输入的虚拟车辆的正前向摄像头数据、左侧摄像头数据、右侧摄像头数据和方向盘转角,调整神经网络模型的权重,当权重趋于稳定或者保持不变时,停止训练,即可得到训练完成的神经网络模型(相当于测试模型)。
在具体实现时,得到用于自动驾驶仿真测试的测试模型后,场景仿真模块还会将正前向摄像头数据发送给测试模型;测试模型根据输入的正前向摄像头数据输出方向盘转角数据,并将方向盘转角数据发送给车辆动力学模型;车辆动力学模型根据方向盘转角数据,得到虚拟车辆的位置信息和姿态信息,并将位置信息和姿态信息发送场景仿真模块;场景仿真模块根据位置信息和姿态信息得到虚拟车辆的正前向摄像头数据。该方式可以实现测试模型的闭环验证测试,以使系统适用于自动驾驶端到端模型的测试。
上述仿真测试方法可以实现对虚拟车辆的制动控制,同时能够记录方向盘转角和虚拟车辆的摄像头数据;同时通过场景仿真模块提供的摄像头数据、测试模型以及车辆动力学模型能够实现虚拟车辆的自动转向功能。另外,该方式通过联合仿真的方法,可以实现场景、动力学模型和测试模型的闭环测试的仿真系统,适用于自动驾驶端到端模型的测试。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种仿真测试系统,其特征在于,所述系统包括:驾驶模拟器,以及与所述驾驶模拟器通信连接的仿真机;其中,所述仿真机中运行有场景仿真模块、车辆动力学模型和深度学习工具;
所述驾驶模拟器用于控制虚拟车辆进行车辆行驶,并将所述虚拟车辆的控制信号发送给所述仿真机;其中,所述控制信号包括转向信号、驱动信号和制动信号;
所述车辆动力学模型用于根据接收的所述控制信号,对所述虚拟车辆进行建模,并将建模后得到的车辆信息发送给所述场景仿真模块;
所述场景仿真模块用于根据所述控制信号和所述车辆信息,构建所述虚拟车辆的自动驾驶场景;所述场景仿真模块还用于记录所述虚拟车辆在所述自动驾驶场景中行驶时的方向盘转角和摄像头数据,并将所述方向盘转角和所述摄像头数据发送给所述深度学习工具;
所述深度学习工具用于根据接收的所述方向盘转角和所述摄像头数据,训练初始模型,得到用于自动驾驶仿真测试的测试模型。
2.根据权利要求1所述的系统,其特征在于,所述摄像头数据包括正前向摄像头数据;
得到所述测试模型后,所述场景仿真模块还用于将所述正前向摄像头数据发送给所述测试模型;所述测试模型根据输入的所述正前向摄像头数据输出方向盘转角数据,并将所述方向盘转角数据发送给所述车辆动力学模型;所述车辆动力学模型根据所述方向盘转角数据,得到所述虚拟车辆的位置信息和姿态信息,并将所述位置信息和所述姿态信息发送给所述场景仿真模块;所述场景仿真模块根据所述位置信息和所述姿态信息得到所述虚拟车辆的正前向摄像头数据。
3.根据权利要求1所述的系统,其特征在于,所述车辆动力学模型包括虚拟车辆的轮胎单元、动力传动单元、悬架单元、转向单元、制动单元、载荷单元、阻力单元和整车单元;
其中,所述轮胎单元包括轮胎尺寸大小、稳态的力学特性、瞬态的响应特性及迟滞损失;所述动力传动单元包括发动机的外特性曲线描述、离合器参数、变速器参数和减速器参数;所述悬架单元包括独立悬架、非独立悬架、简化独立悬架和简化非独立悬架;所述转向单元包括转向轴和所述转向轴的非线性特性描述;所述制动单元包括液压、气压制动和有无制动防抱死系统;所述载荷单元包括配重模块;所述阻力单元包括空气阻力和轮胎阻力;所述整车单元包括车辆位置坐标、尺寸、质量及转动惯量。
4.根据权利要求1所述的系统,其特征在于,所述场景仿真模块还用于进行自车车辆仿真建模、静态要素仿真建模、动态道路要素仿真建模、交通参与者仿真建模以及动态气象和光影的仿真建模。
5.根据权利要求1所述的系统,其特征在于,所述仿真机还包括车辆总线类通讯板卡,所述仿真机通过所述板卡与所述驾驶模拟器连接;
所述板卡包括CAN总线通讯板卡、LIN总线通讯板卡、标准以太网通讯板卡、标准以太网通讯板卡和FlexRay通讯板卡中的一种或者多种。
6.根据权利要求1所述的系统,其特征在于,所述深度学习工具包括Caffe、Caffe2、Tensorflow、MXNet、PyTorch和PaddlePaddle中的一种或多种。
7.根据权利要求1-6任一项所述的系统,其特征在于,所述驾驶模拟器包括车辆驾驶舱、座椅、仪表、中控屏、方向盘、油门、制动踏板和离合器。
8.一种仿真测试方法,其特征在于,所述方法应用于权利要求1-7任一项所述的仿真测试系统;所述方法包括:
通过驾驶模拟器控制虚拟车辆进行车辆行驶,并将所述虚拟车辆的控制信号发送给所述仿真机;其中,所述控制信号包括转向信号、驱动信号和制动信号;所述仿真机中运行有场景仿真模块、车辆动力学模型和深度学习工具;
所述车辆动力学模型根据接收的所述控制信号,对所述虚拟车辆进行建模,并将建模后得到的车辆信息发送给所述场景仿真模块;
所述场景仿真模块根据所述控制信号和所述车辆信息,构建所述虚拟车辆的自动驾驶场景,并记录所述虚拟车辆在所述自动驾驶场景中行驶时的方向盘转角和摄像头数据,将记录的所述方向盘转角和所述摄像头数据发送给所述深度学习工具;
所述深度学习工具根据接收的所述方向盘转角和所述摄像头数据,训练初始模型,得到用于自动驾驶仿真测试的测试模型。
9.根据权利要求8所述的方法,其特征在于,所述测试模型通过下述方式训练得到:
将记录的所述方向盘转角和所述摄像头数据作为训练集,以使所述深度学习工具基于所述训练集对所述初始模型进行训练,得到所述测试模型;其中,所述摄像头数据包括所述虚拟车辆的正前向摄像头数据、左侧摄像头数据和右侧摄像头数据。
10.根据权利要求9所述的方法,其特征在于,得到用于自动驾驶仿真测试的测试模型后,所述方法还包括:
所述场景仿真模块将所述正前向摄像头数据发送给所述测试模型;
所述测试模型根据输入的所述正前向摄像头数据输出方向盘转角数据,并将所述方向盘转角数据发送给所述车辆动力学模型;
所述车辆动力学模型根据所述方向盘转角数据,得到所述虚拟车辆的位置信息和姿态信息,并将所述位置信息和所述姿态信息发送给所述场景仿真模块;
所述场景仿真模块根据所述位置信息和所述姿态信息得到所述虚拟车辆的正前向摄像头数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111478635.9A CN114296424B (zh) | 2021-12-06 | 2021-12-06 | 仿真测试系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111478635.9A CN114296424B (zh) | 2021-12-06 | 2021-12-06 | 仿真测试系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114296424A true CN114296424A (zh) | 2022-04-08 |
CN114296424B CN114296424B (zh) | 2024-05-28 |
Family
ID=80965761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111478635.9A Active CN114296424B (zh) | 2021-12-06 | 2021-12-06 | 仿真测试系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114296424B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116225024A (zh) * | 2023-04-11 | 2023-06-06 | 酷黑科技(北京)有限公司 | 数据处理方法、装置及自动驾驶台架 |
CN116467859A (zh) * | 2023-03-30 | 2023-07-21 | 昆易电子科技(上海)有限公司 | 数据处理方法、系统、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801534A (zh) * | 2019-02-19 | 2019-05-24 | 上海思致汽车工程技术有限公司 | 基于自动驾驶模拟器的驾驶行为硬件在环仿真测试系统 |
CN112000027A (zh) * | 2020-09-25 | 2020-11-27 | 苏州智行众维智能科技有限公司 | 一种车辆动力学模型与实时场景联合仿真系统及方法 |
CN112987703A (zh) * | 2021-05-19 | 2021-06-18 | 北京博科测试系统股份有限公司 | 一种实验室内整车在环自动驾驶开发测试系统及方法 |
WO2021146905A1 (zh) * | 2020-01-21 | 2021-07-29 | 深圳元戎启行科技有限公司 | 基于深度学习的场景模拟器构建方法、装置和计算机设备 |
-
2021
- 2021-12-06 CN CN202111478635.9A patent/CN114296424B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801534A (zh) * | 2019-02-19 | 2019-05-24 | 上海思致汽车工程技术有限公司 | 基于自动驾驶模拟器的驾驶行为硬件在环仿真测试系统 |
WO2021146905A1 (zh) * | 2020-01-21 | 2021-07-29 | 深圳元戎启行科技有限公司 | 基于深度学习的场景模拟器构建方法、装置和计算机设备 |
CN112000027A (zh) * | 2020-09-25 | 2020-11-27 | 苏州智行众维智能科技有限公司 | 一种车辆动力学模型与实时场景联合仿真系统及方法 |
CN112987703A (zh) * | 2021-05-19 | 2021-06-18 | 北京博科测试系统股份有限公司 | 一种实验室内整车在环自动驾驶开发测试系统及方法 |
Non-Patent Citations (1)
Title |
---|
马志成;王立;李志斌;: "自动驾驶整车在环仿真平台研究及模拟实现", 汽车实用技术, no. 03, 15 February 2020 (2020-02-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116467859A (zh) * | 2023-03-30 | 2023-07-21 | 昆易电子科技(上海)有限公司 | 数据处理方法、系统、设备和存储介质 |
CN116467859B (zh) * | 2023-03-30 | 2024-05-10 | 昆易电子科技(上海)有限公司 | 数据处理方法、系统、设备和计算机可读存储介质 |
CN116225024A (zh) * | 2023-04-11 | 2023-06-06 | 酷黑科技(北京)有限公司 | 数据处理方法、装置及自动驾驶台架 |
Also Published As
Publication number | Publication date |
---|---|
CN114296424B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A novel integrated simulation and testing platform for self-driving cars with hardware in the loop | |
CN110160804B (zh) | 一种自动驾驶车辆的测试方法、装置及系统 | |
WO2021169588A1 (zh) | 自动驾驶仿真方法和装置、电子设备及存储介质 | |
CN110427682B (zh) | 一种基于虚拟现实的交通场景模拟实验平台和方法 | |
CN108319249B (zh) | 基于驾驶模拟器的无人驾驶算法综合测评系统及方法 | |
CN109801534A (zh) | 基于自动驾驶模拟器的驾驶行为硬件在环仿真测试系统 | |
CN108681264A (zh) | 一种智能车辆数字化仿真测试装置 | |
CN114296424A (zh) | 仿真测试系统和方法 | |
CN108334055A (zh) | 车辆自动驾驶算法的检验方法、装置、设备及存储介质 | |
CN113219955B (zh) | 一种多驾驶员在环驾驶试验平台 | |
US20220198107A1 (en) | Simulations for evaluating driving behaviors of autonomous vehicles | |
CN109461342B (zh) | 一种用于无人驾驶机动车的教学系统及其教学方法 | |
CN110687828A (zh) | 一种基于整车硬件在环的智能网联汽车仿真测试系统 | |
CN112015164A (zh) | 基于数字孪生的智能网联汽车复杂测试场景实现系统 | |
CN110210058B (zh) | 符合车辆动力学的参考线生成方法、系统、终端和介质 | |
CN114200849A (zh) | 用于自动驾驶的虚拟仿真测试系统和方法 | |
WO2023028858A1 (zh) | 一种测试方法和系统 | |
Pariota et al. | Integrating tools for an effective testing of connected and automated vehicles technologies | |
CN110930811B (zh) | 一种适用于无人驾驶决策学习和训练的系统 | |
CN116403174A (zh) | 一种端到端自动驾驶方法、系统、仿真系统及存储介质 | |
Aoki et al. | Co-simulation platform for developing inforich energy-efficient connected and automated vehicles | |
CN117496790A (zh) | 虚拟消防车辆训练系统、方法、电子设备及存储介质 | |
CN110186470B (zh) | 符合车辆动力学的参考线生成系统、终端和使用方法 | |
Zhao et al. | Virtual traffic simulator for connected and automated vehicles | |
Zhou et al. | A survey on autonomous driving system simulators |
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 |