CN114488852A - 面向越野环境的无人驾驶车辆虚拟仿真系统及方法 - Google Patents
面向越野环境的无人驾驶车辆虚拟仿真系统及方法 Download PDFInfo
- Publication number
- CN114488852A CN114488852A CN202210085876.5A CN202210085876A CN114488852A CN 114488852 A CN114488852 A CN 114488852A CN 202210085876 A CN202210085876 A CN 202210085876A CN 114488852 A CN114488852 A CN 114488852A
- Authority
- CN
- China
- Prior art keywords
- information
- virtual
- obstacle
- unmanned vehicle
- positive
- 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 21
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了面向越野环境的无人驾驶车辆虚拟仿真系统及方法,系统包括:三维场景模块,用于生成虚拟越野环境,其场景数据包括虚拟无人驾驶车辆会遇到的正障碍和/或负障碍对应的正障碍信息和/或负障碍信息;车辆动力学模块,用于生成虚拟无人驾驶车辆;虚拟传感器模块,用于获取场景数据;路径规划模块,用于根据正障碍信息和/或负障碍信息,确定虚拟无人驾驶车辆每次遇到正障碍和/或负障碍时的全局路径和/或通过Q‑learning算法确定更优的局部路径,从而完成一次准确的避障,生成每次的全局路径信息和/或局部路径信息;运动控制模块,用于根据每次的全局路径信息和/或局部路径信息,确定虚拟无人驾驶车辆的行进,生成每次的运动控制数据。
Description
技术领域
本发明涉及无人驾驶技术领域。尤其涉及面向越野环境的无人驾驶车辆虚拟仿真系统及方法。
背景技术
随着无人驾驶技术的发展,在越野环境下,如农田、矿区、森林等,无人驾驶车辆开始广泛应用。目前大部分虚拟仿真系统只能进行无人驾驶车辆在结构化场景下的仿真。由于越野环境的特殊性,这些虚拟仿真系统已经不能满足无人驾驶车辆在越野环境下的仿真需要。也有部分研究机构开发了一些面向越野环境的虚拟仿真系统,但这些虚拟仿真系统存在不少问题,如缺乏大规模越野场景模型,实时性较差、交互性不能满足要求,车辆动力学模型精度不高等。
总之,目前缺少一种面向越野环境的、高保真度的虚拟仿真系统。
发明内容
由于现有方法存在上述问题,本申请提出面向越野环境的无人驾驶车辆虚拟仿真系统及方法。
第一方面,本申请提出面向越野环境的无人驾驶车辆虚拟仿真系统,包括:
三维场景模块,用于模拟真实越野环境,生成虚拟越野环境,所述虚拟越野环境的场景数据包括所述虚拟无人驾驶车辆在所述虚拟越野环境中会遇到的正障碍和/或负障碍对应的正障碍信息和/或负障碍信息;
车辆动力学模块,用于模拟真实无人驾驶车辆,生成虚拟无人驾驶车辆;
虚拟传感器模块,用于获取所述虚拟越野环境的场景数据;
路径规划模块,用于根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息;
运动控制模块,用于根据所述每次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆的行进,生成每次的运动控制数据。
在一种可能的实现中,所述路径规划模块,具体用于根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或根据所述正障碍信息和/或所述负障碍信息,使用Q-learning算法确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的局部路径,生成每次的全局路径信息和/或局部路径信息。
在一种可能的实现中,所述虚拟传感器模块,具体用于识别正障碍和/或负障碍以及所述虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍,获得正障碍信息和/或负障碍信息以及第一信息,所述第一信息为所述虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍的信息,所述正障碍信息和/或负障碍信息以及所述第一信息作为训练样本训练深度学习神经网络。
在一种可能的实现中,所述路径规划模块包括所述深度学习神经网络;
所述路径规划模块,还用于根据上一次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆下一次遇到所述正障碍和/或所述负障碍时的全局路径和/或局部路径。
在一种可能的实现中,所述系统还包括:
数据存储模块,用于存储所述场景数据、所述每次的运动控制数据、所述每次的全局路径信息和/或所述局部路径信息。
第二方面,本申请提出面向越野环境的无人驾驶车辆虚拟仿真方法,包括:
获取虚拟越野环境,所述虚拟越野环境的场景数据包括所述虚拟无人驾驶车辆在所述虚拟越野环境中会遇到的正障碍和/或负障碍对应的正障碍信息和/或负障碍信息;
获取虚拟无人驾驶车辆;
根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息;
根据所述每次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆的行进,生成每次的运动控制数据。
在一种可能的实现中,所述根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息,包括:
根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或根据所述正障碍信息和/或所述负障碍信息,使用Q-learning算法确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的局部路径,生成每次的全局路径信息和/或局部路径信息。
在一种可能的实现中,所述方法还包括:
识别正障碍和/或负障碍以及所述虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍,获得正障碍信息和/或负障碍信息以及第一信息,所述第一信息为所述虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍的信息,所述正障碍信息和/或负障碍信息以及所述第一信息作为训练样本训练深度学习神经网络。
在一种可能的实现中,所述方法还包括:
使用训练后的深度学习神经网络,根据上一次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆下一次遇到所述正障碍和/或所述负障碍时的全局路径和/或局部路径。
第三方面,本申请还提出面向越野环境的无人驾驶车辆虚拟仿真装置,包括至少一个处理器,所述处理器用于执行存储器中存储的程序,当所述程序被执行时,使得所述装置执行如第二方面及各种可能的实现中的各个步骤。
由上述技术方案可知,本申请根据所述正障碍信息和/或所述负障碍信息,使用Q-learning算法确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的更优的局部路径,从而完成一次准确的避障。
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的前提下,还可以根据这些图获得其他的附图。
图1为本申请实施例提供的面向越野环境的无人驾驶车辆虚拟仿真系统的结构示意图;
图2为本申请实施例提供的面向越野环境的无人驾驶车辆虚拟仿真方法的流程示意图;
图3为本申请实施例提供的面向越野环境的无人驾驶车辆虚拟仿真装置的结构示意图。
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描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
需要说明的是,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。在本申请实施例中,“示例性的”、“举例来说”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“举例来说”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
图1为本申请实施例提供的面向越野环境的无人驾驶车辆虚拟仿真系统的结构示意图,该结构示意图包括:三维场景模块101、车辆动力学模块102、虚拟传感器模块103、路径规划模块104和运动控制模块105。
三维场景模块101用于模拟真实越野环境,例如山地、农田、矿区、森林、草地、坑洼路面、沙石路面、软土路面等,生成虚拟越野环境,该虚拟越野环境的场景数据包括虚拟无人驾驶车辆在虚拟越野环境中会遇到的正障碍和/或负障碍对应的正障碍信息和/或负障碍信息。
在一个例子中,前述正障碍可以为沙石、树木、山峰等,负障碍可以为水坑、沼泽、软土等。本申请实施例中的正障碍和负障碍包括但不限于上述内容。
在一个例子中,根据越野环境下的无人驾驶车辆运行环境的要求,利用AutodeskMaya软件建立适用于越野环境的三维场景模型,并利用LGSVL模拟器进行渲染,生成三维场景模块101。使用该三维场景模块101模拟真实越野环境,生成虚拟越野环境。
车辆动力学模块102用于模拟真实无人驾驶车辆,生成虚拟无人驾驶车辆。
在一个例子中,根据无人驾驶车辆的动力学参数,在ODE(Open Dynamics Engine)中建立无人驾驶车辆的动力学模型,即车辆动力学模块102。
上述动力学参数可以为诸如底盘的质量和质心、车轮位置、悬架的刚度和阻尼、发动机最大转速以及齿轮箱各级齿轮转动比和总转动比等。本申请实施例中的动力学参数包括但不限于上述内容。
虚拟传感器模块103用于获取所述虚拟越野环境的场景数据。
在一个例子中,根据越野环境下无人驾驶车辆的传感器实际参数和安装位置等,在LGSVL模拟器中搭建相应的虚拟传感器模型,即虚拟传感器模块103。该虚拟传感器模块103可以包括摄像头、激光雷达、毫米波雷达和红外线传感器等。本申请实施例中的虚拟传感器模块103包括但不限于上述内容。前述虚拟传感器模块103可以识别虚拟无人驾驶车辆在虚拟越野环境中会遇到的正障碍和/或负障碍以及虚拟无人驾驶车辆是否安全通过正障碍和/或负障碍,从而获得正障碍信息和/或负障碍信息以及第一信息,该第一信息为虚拟无人驾驶车辆是否安全通过正障碍和/或负障碍的信息。示例性的,提前设置虚拟越野环境中的位置A为水坑,不可以安全通过、位置B为山峰,不可以安全通过。虚拟无人驾驶车辆在虚拟越野环境中行驶到位置A时,即被认为虚拟传感器模块103识别到了负障碍,即水坑,不可以安全通过,从而从三维场景模块101获取到与水坑对应的负障碍信息以及不可以安全通过水坑的第一信息,并将其发送至虚拟传感器模块103。虚拟无人驾驶车辆在虚拟越野环境中行驶到位置B时,即被认为虚拟传感器模块103识别到了正障碍,即山峰,不可以安全通过,从而从三维场景模块101获取到与山峰对应的正障碍信息以及不可以安全通过山峰的第一信息,并将其发送至虚拟传感器模块103。
路径规划模块104用于根据正障碍信息和/或所述负障碍信息,确定虚拟无人驾驶车辆每次在虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息。
在一个例子中,路径规划模块104包括训练后的深度学习神经网络。该训练后的深度学习神经网络是使用虚拟传感器模块103生成的正障碍信息和/或负障碍信息以及第一信息作为训练样本进行训练得到的。该训练后的深度学习神经网络可以判断虚拟无人驾驶车辆在遇到正障碍和/或负障碍时的可通过性。若判断出虚拟无人驾驶车辆可以安全通过正障碍和/或负障碍,例如,浅水坑、小石子、小山丘等,则直接通过。若判断出虚拟无人驾驶车辆不可以安全通过正障碍和/或负障碍,例如,森林、沼泽、山峰等,则路径规划模块104重新进行路径规划,以正障碍和/或负障碍出现的地方为起点,规划出全局路径和/或局部路径。
需要说明的是,虚拟无人驾驶车辆每次在虚拟越野环境中遇到正障碍和/或负障碍时,路径规划模块104进行局部路径规划时,采用的是Q-learning算法,使得规划出的局部路径更优,从而完成一次准确的避障。具体地,通过输入上一次遇到正障碍和/或负障碍时的全局路径信息和/或局部路径信息,预测得到下一次遇到正障碍和/或负障碍时的全局路径和/或局部路径。
运动控制模块105用于根据所述每次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆的行进,生成每次的运动控制数据。
在一个例子中,运动控制模块105用于控制虚拟无人驾驶车辆行进。特别地,在路径规划模块104根据正障碍信息和/或负障碍信息,确定虚拟无人驾驶车辆每次在虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息后,运动控制模块105可以从路径规划模块104获取到每次的全局路径信息和/或局部路径信息,确定虚拟无人驾驶车辆的行进,例如启动、刹车、行驶速度、行驶方向等,生成每次的运动控制数据。
需要说明的是,车辆动力学模块102可以从运动控制模块105获取每次的运动控制数据,控制虚拟无人驾驶车辆行进。
还需要说明的是,图1为所示的面向越野环境的无人驾驶车辆虚拟仿真系统的结构示意图还可以包括数据存储模块。该数据存储模块可以用于存储虚拟越野环境的场景数据、每次的运动控制数据、每次的全局路径信息和/或所述局部路径信息。数据存储模块可以为真实越野环境中无人驾驶车辆的研究提供数据支撑。虚拟传感器模块103、运动控制模块105、车辆动力学模块102还可以分别从数据存储模块获取虚拟越野环境的场景数据、每次的全局路径信息和/或所述局部路径信息、每次的运动控制数据。
图2为本申请实施例提供的面向越野环境的无人驾驶车辆虚拟仿真方法的流程示意图,该流程示意图包括:S201—S204,具体包括:
S201,获取虚拟越野环境。
在一个例子中,模拟真实越野环境,生成虚拟越野环境。前述虚拟越野环境的场景数据包括虚拟无人驾驶车辆在虚拟越野环境中会遇到的正障碍和/或负障碍对应的正障碍信息和/或负障碍信息。
S202,获取虚拟无人驾驶车辆。
在一个例子中,模拟真实无人驾驶车辆,生成虚拟无人驾驶车辆。
S203,根据正障碍信息和/或负障碍信息,确定虚拟无人驾驶车辆每次在虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息。
在一种可能的实现中,根据正障碍信息和/或负障碍信息,确定虚拟无人驾驶车辆每次在虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或根据正障碍信息和/或负障碍信息,使用Q-learning算法确定虚拟无人驾驶车辆每次在虚拟越野环境中遇到正障碍和/或负障碍时的局部路径,生成每次的全局路径信息和/或局部路径信息。
在一种可能的实现中,识别正障碍和/或负障碍以及虚拟无人驾驶车辆是否安全通过正障碍和/或所述负障碍,获得正障碍信息和/或负障碍信息以及第一信息,第一信息为虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍的信息,正障碍信息和/或负障碍信息以及第一信息作为训练样本训练深度学习神经网络。
S204,根据每次的全局路径信息和/或局部路径信息,确定虚拟无人驾驶车辆的行进,生成每次的运动控制数据。
在一种可能的实现中,使用训练后的深度学习神经网络,根据上一次的全局路径信息和/或局部路径信息,确定虚拟无人驾驶车辆下一次遇到正障碍和/或负障碍时的全局路径和/或局部路径。
图3为本申请实施例提供的一种5G切片产品开通装置的结构示意图300。该装置300可以为芯片系统。本申请实施例中,芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。装置300包括至少一个处理器310,用于实现本申请实施例提供的方法。装置300还可以包括通信接口320。在本申请实施例中,通信接口320可以是收发器、电路、总线、模块或其它类型的通信接口,用于通过传输介质和其它设备进行通信。
当装置300用于执行上述方法时,通信接口320用于获取虚拟越野环境,所述虚拟越野环境的场景数据包括所述虚拟无人驾驶车辆在所述虚拟越野环境中会遇到的正障碍和/或负障碍对应的正障碍信息和/或负障碍信息;获取虚拟无人驾驶车辆;处理器310用于根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息;根据所述每次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆的行进,生成每次的运动控制数据。
装置300还可以包括至少一个存储器330,用于存储程序指令和/或数据。存储器330和处理器310耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电性,机械或其它的形式,用于装置、单元或模块之间的信息交互。处理器310可能和存储器330协同操作。处理器310可能执行存储器330中存储的程序指令。在一种可能的实现中,所述至少一个存储器中的至少一个可以与处理器集成在一起。在另一种可能的实现中,存储器330位于装置300之外。
本申请实施例中不限定通信接口320、处理器310以及存储器330之间的具体连接介质。本申请实施例在图3中以存储器330、处理器310以及通信接口320之间通过总线340连接,总线在图3中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
示例性的,处理器310可以是一个或多个中央处理器(Central Processing Unit,CPU),在处理器310是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。处理器310可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
示例性的,存储器330可包括但不限于硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)等非易失性存储器,随机存储记忆体(Random Access Memory,RAM)、可擦除可编程只读存储器(Erasable Programmable ROM,EPROM)、只读存储器(Read-Only Memory,ROM)或便携式只读存储器(Compact Disc Read-Only Memory,CD-ROM)等等。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.面向越野环境的无人驾驶车辆虚拟仿真系统,其特征在于,包括:
三维场景模块,用于模拟真实越野环境,生成虚拟越野环境,所述虚拟越野环境的场景数据包括所述虚拟无人驾驶车辆在所述虚拟越野环境中会遇到的正障碍和/或负障碍对应的正障碍信息和/或负障碍信息;
车辆动力学模块,用于模拟真实无人驾驶车辆,生成虚拟无人驾驶车辆;
虚拟传感器模块,用于获取所述虚拟越野环境的场景数据;
路径规划模块,用于根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息;
运动控制模块,用于根据所述每次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆的行进,生成每次的运动控制数据。
2.根据权利要求1所述的系统,其特征在于,所述路径规划模块,具体用于根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或根据所述正障碍信息和/或所述负障碍信息,使用Q-learning算法确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的局部路径,生成每次的全局路径信息和/或局部路径信息。
3.根据权利要求1所述的系统,其特征在于,所述虚拟传感器模块,具体用于识别正障碍和/或负障碍以及所述虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍,获得正障碍信息和/或负障碍信息以及第一信息,所述第一信息为所述虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍的信息,所述正障碍信息和/或负障碍信息以及所述第一信息作为训练样本训练深度学习神经网络。
4.根据权利要求3所述的系统,其特征在于,所述路径规划模块包括所述深度学习神经网络;
所述路径规划模块,还用于根据上一次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆下一次遇到所述正障碍和/或所述负障碍时的全局路径和/或局部路径。
5.根据权利要求1-4任一项所述的系统,其特征在于,所述系统还包括:
数据存储模块,用于存储所述场景数据、所述每次的运动控制数据、所述每次的全局路径信息和/或所述局部路径信息。
6.面向越野环境的无人驾驶车辆虚拟仿真方法,其特征在于,包括:
获取虚拟越野环境,所述虚拟越野环境的场景数据包括所述虚拟无人驾驶车辆在所述虚拟越野环境中会遇到的正障碍和/或负障碍对应的正障碍信息和/或负障碍信息;
获取虚拟无人驾驶车辆;
根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息;
根据所述每次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆的行进,生成每次的运动控制数据。
7.根据权利要求6所述的方法,其特征在于,所述根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或局部路径,生成每次的全局路径信息和/或局部路径信息,包括:
根据所述正障碍信息和/或所述负障碍信息,确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的全局路径和/或根据所述正障碍信息和/或所述负障碍信息,使用Q-learning算法确定所述虚拟无人驾驶车辆每次在所述虚拟越野环境中遇到正障碍和/或负障碍时的局部路径,生成每次的全局路径信息和/或局部路径信息。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
识别正障碍和/或负障碍以及所述虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍,获得正障碍信息和/或负障碍信息以及第一信息,所述第一信息为所述虚拟无人驾驶车辆是否安全通过所述正障碍和/或所述负障碍的信息,所述正障碍信息和/或负障碍信息以及所述第一信息作为训练样本训练深度学习神经网络。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
使用训练后的深度学习神经网络,根据上一次的全局路径信息和/或局部路径信息,确定所述虚拟无人驾驶车辆下一次遇到所述正障碍和/或所述负障碍时的全局路径和/或局部路径。
10.面向越野环境的无人驾驶车辆虚拟仿真装置,其特征在于,包括至少一个处理器,所述处理器用于执行存储器中存储的程序,当所述程序被执行时,使得所述装置执行:
如权利要求6-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085876.5A CN114488852A (zh) | 2022-01-25 | 2022-01-25 | 面向越野环境的无人驾驶车辆虚拟仿真系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085876.5A CN114488852A (zh) | 2022-01-25 | 2022-01-25 | 面向越野环境的无人驾驶车辆虚拟仿真系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114488852A true CN114488852A (zh) | 2022-05-13 |
Family
ID=81474888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210085876.5A Pending CN114488852A (zh) | 2022-01-25 | 2022-01-25 | 面向越野环境的无人驾驶车辆虚拟仿真系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114488852A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190004518A1 (en) * | 2017-06-30 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and system for training unmanned aerial vehicle control model based on artificial intelligence |
CN110148329A (zh) * | 2019-04-16 | 2019-08-20 | 太原理工大学 | 一种基于微缩环境的军事机动规划仿真系统 |
CN110489828A (zh) * | 2019-07-31 | 2019-11-22 | 武汉理工大学 | 一种无人驾驶汽车虚拟测试平台 |
CN112365215A (zh) * | 2020-12-02 | 2021-02-12 | 青岛慧拓智能机器有限公司 | 基于深度虚实混合的矿区无人运输仿真测试系统及方法 |
CN113359738A (zh) * | 2021-06-17 | 2021-09-07 | 东莞理工学院 | 基于深度学习的移动机器人路径规划方法 |
-
2022
- 2022-01-25 CN CN202210085876.5A patent/CN114488852A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190004518A1 (en) * | 2017-06-30 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and system for training unmanned aerial vehicle control model based on artificial intelligence |
CN110148329A (zh) * | 2019-04-16 | 2019-08-20 | 太原理工大学 | 一种基于微缩环境的军事机动规划仿真系统 |
CN110489828A (zh) * | 2019-07-31 | 2019-11-22 | 武汉理工大学 | 一种无人驾驶汽车虚拟测试平台 |
CN112365215A (zh) * | 2020-12-02 | 2021-02-12 | 青岛慧拓智能机器有限公司 | 基于深度虚实混合的矿区无人运输仿真测试系统及方法 |
CN113359738A (zh) * | 2021-06-17 | 2021-09-07 | 东莞理工学院 | 基于深度学习的移动机器人路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506058B (zh) | 通过信息融合来计划自动驾驶的短期路径的方法及装置 | |
KR102296507B1 (ko) | 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치 | |
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
US20200072616A1 (en) | High-precision map generation method, device and computer device | |
CN109697875B (zh) | 规划行驶轨迹的方法及装置 | |
KR102373487B1 (ko) | 최근 주행 경로에 대한 궤적 기반 행동 분석을 수행하여 차량의 모드를 수동 주행 모드에서 자율 주행 모드로 변경할 지 여부를 판단하는 학습 방법 및 학습 장치 | |
CN108253975A (zh) | 一种建立地图信息及车辆定位的方法与设备 | |
CN112651557A (zh) | 轨迹预测系统及方法、电子设备及可读存储介质 | |
JP2022003508A (ja) | 軌道計画モデルの訓練方法と装置、電子機器、コンピュータ記憶媒体及びコンピュータプログラム | |
JP2022547611A (ja) | 道路シーンにおける多様な長期将来軌道のシミュレーション | |
CN109885058B (zh) | 行车轨迹规划方法、装置、电子设备及存储介质 | |
CN109859562A (zh) | 数据生成方法、装置、服务器及存储介质 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
Czerwionka et al. | Optimized route network graph as map reference for autonomous cars operating on German autobahn | |
Wijesekara | Deep 3D dynamic object detection towards successful and safe navigation for full autonomous driving | |
CN117521389A (zh) | 一种基于车路协同感知仿真平台的车辆感知测试方法 | |
Zhou et al. | A survey on autonomous driving system simulators | |
CN114488852A (zh) | 面向越野环境的无人驾驶车辆虚拟仿真系统及方法 | |
CN116772846A (zh) | 一种无人机航迹规划方法、装置、设备及介质 | |
CN116878532A (zh) | 移动对象的路径规划方法、装置以及相关设备 | |
WO2023201952A1 (zh) | 确定车辆最优行驶轨迹方法和装置 | |
CN116403174A (zh) | 一种端到端自动驾驶方法、系统、仿真系统及存储介质 | |
Ruano Miralles | An open-source development environment for self-driving vehicles |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |