CN114638103A - 自动驾驶联合仿真方法、装置、计算机设备及存储介质 - Google Patents
自动驾驶联合仿真方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114638103A CN114638103A CN202210257324.8A CN202210257324A CN114638103A CN 114638103 A CN114638103 A CN 114638103A CN 202210257324 A CN202210257324 A CN 202210257324A CN 114638103 A CN114638103 A CN 114638103A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- simulation
- simulated
- model
- determining
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种自动驾驶联合仿真方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。采用本方法能够提高自动驾驶车辆的开发效率。
Description
技术领域
本申请涉及自动驾驶仿真技术领域,特别是涉及一种自动驾驶联合仿真方法、装置、计算机设备及存储介质。
背景技术
随着自动驾驶技术的发展,市场对自动驾驶技术的需求也在不断增加,相应地,自动驾驶仿真技术也得到了极大地发展。在相关技术中,多平台的自动驾驶联合仿真技术采用多个专业仿真软件交互仿真,可以达到较为精准的仿真效果,从而减少上车联调的时间,并且测试范围广,进而可以缩短开发时间。因此,多平台的自动驾驶联合仿真技术的应用频率也在提高。然而,由于该技术框架的局限性,导致其不适用于非结构化道路的行车场景,且不能很好的适用于软、硬件联合仿真,因此目前急需一种自动驾驶联合仿真方法。
发明内容
基于此,有必要针对上述技术问题,提供一种自动驾驶联合仿真方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种自动驾驶联合仿真方法。所述方法包括:
确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
在其中一个实施例中,确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,包括:
获取仿真车辆的底盘实测参数、转向系控制策略、传动系控制策略、非结构化道路场景以及整车电子电气架构;
根据底盘实测参数、转向系控制策略以及传动系控制策略,确定车辆运动学模型;
根据底盘实测参数,确定车辆动力学模型;
根据非结构化道路场景,确定仿真测试场景模型;
根据整车电子电气架构,配置核心控制器硬件。
在其中一个实施例中,在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,包括:
获取当前周期的周期起始时刻对应的仿真车辆的车身位姿信息,作为第二位姿信息;
根据第二位姿信息、仿真测试场景模型以及车辆动力学模型,获取障碍物信息;
根据行驶路线、第二位姿信息、障碍物信息、车辆决策规划算法以及车辆轨迹跟踪算法,确定控制信号;
根据控制信号、车辆动力学模型以及车辆运动学模型,对仿真车辆进行仿真控制。
在其中一个实施例中,车辆决策规划算法包括行为决策算法及局部规划算法;相应地,根据行驶路线、第二位姿信息、障碍物信息、车辆决策规划算法以及车辆轨迹跟踪算法,确定控制信号,包括:
根据局部规划算法以及行驶路线,确定局部行驶路线;
根据局部行驶路线、行为决策算法、第二位姿信息、障碍物信息以及车辆轨迹跟踪算法,确定控制信号。
在其中一个实施例中,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,包括:
根据车辆动力学模型,获取仿真车辆的动力学响应量;
根据动力学响应量,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息。
在其中一个实施例中,第一位姿信息包括仿真车辆的位置信息与航向角;相应地,根据第一位姿信息判断仿真车辆是否到达目标点,包括:
根据位置信息,确定仿真车辆的坐标点;
若仿真车辆的坐标点与目标点之间的距离小于第一阈值,且航向角与标准航向角之间的误差小于第二阈值,则确定仿真车辆到达目标点,否则,仿真车辆未到达目标点。
第二方面,本申请还提供了一种自动驾驶联合仿真装置。所述装置包括:
确定模块,用于确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
控制模块,用于在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,其中,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,其中,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
上述自动驾驶联合仿真方法、装置、计算机设备、存储介质和计算机程序产品,通过确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,其中,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。直接将核心控制器硬件与软件进行联调,可以提高核心控制器硬件测试效率;而且,引入了非结构化道路的场景,提高了仿真车辆的仿真测试场景模型的真实性,从而可以提高自动驾驶仿真的测试范围,进而缩短自动驾驶车辆的开发时间,提高自动驾驶车辆的开发效率。
附图说明
图1为一个实施例中自动驾驶联合仿真方法的流程示意图;
图2为一个实施例中自动驾驶联合仿真装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
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。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种专业名词,但除非特别说明,这些专业名词不受这些术语限制。这些术语仅用于将一个专业名词与另一个专业名词区分。举例来说,在不脱离本申请的范围的情况下,第三预设阈值与第四预设阈值可以相同可以不同。
目前,车辆可行驶区域的非结构化道路场景的多样性,对自动驾驶车辆的控制技术提出了更高的要求。在对自动驾驶车辆进行仿真测试时,将自动驾驶车辆的核心控制器硬件与非结构化道路场景联合调试,可以提高自动驾驶车辆的开发效率,然而,在相关技术中,主要是通过软件对自动驾驶车辆进行仿真测试,从而使得开发效率低。因此,目前急需一种自动驾驶联合仿真方法。
针对上述相关技术中存在的问题,本发明实施例提供了一种自动驾驶联合仿真方法,如图1所示,提供了一种自动驾驶联合仿真方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
101、确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
102、在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
在上述步骤101中,仿真车辆对应的是实际中待开发或调试的自动驾驶车辆,通过对自动驾驶车辆采集数据,并根据采集到的数据构建相应的仿真车辆各个模块的模型。
车辆运动学模型是通过Simulink软件搭建的,其用于体现仿真车辆的在一段时间内状态变化量的积累,通过车辆运动学模型可以计算仿真车辆最新的笛卡尔坐标系下的位置以及航向角等。
车辆动力学模型是通过Trucksim软件搭建的,其用于体现仿真车辆的动力学的相关特性,比如轮胎侧偏刚度;而且,其还用于体现仿真车辆的状态,比如速度、加速度等。此外,车辆动力学模型还用于体现仿真车辆的状态转移相关约束。
仿真测试场景模型是通过TruckMaker软件搭建的,其用于体现实际中,车辆在行驶过程中可能遇到的各种道路情况。
核心控制器硬件指的是自动驾驶车辆上安装的智能控制器,在本申请中,将直接使用自动驾驶车辆上的智能控制器作为自动驾驶联合仿真系统的核心控制器硬件,核心控制器硬件由多个硬件模块组成。在本申请中,核心控制器硬件主要通过车辆决策规划算法及车辆轨迹跟踪算法对仿真车辆进行控制。
此外,本申请中的Trucksim软件与TruckMaker软件安装在同一windows平台上,Simulink软件安装在另外的windows平台上,两个windows平台之间通过以太网连接,两个windows平台之间的通信协议采用的是udp协议。
核心控制器硬件分别直接与TruckMaker软件、Trucksim软件以及Simulink软件连接,获取TruckMaker软件、Trucksim软件以及Simulink软件中模型的数据,并对TruckMaker软件、Trucksim软件以及Simulink软件中的模型进行控制。对于核心控制器硬件与TruckMaker软件、Trucksim软件以及Simulink软件连接之间的连接方式,本发明实施例对其不做具体限定,包括但不限于:CAN总线通信连接以及Rs232通信连接。
仿真车辆的目标点可以是在仿真测试场景模型中随机选取的一个目标点,一个目标点对应一个坐标点。
其中,车辆决策规划算法包括全局规划算法;相应地,根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线,包括:
核心控制器硬件根据仿真车辆的目标点、仿真测试场景模型以及全局规划算法,计算得到仿真车辆的一条全局的行驶路线。
值得一提的是,在车辆动力学模型中,包括根据自动驾驶车辆的传感器布置方案以及传感器参数配置的仿真传感器。对于自动驾驶车辆的传感器,本发明实施例对其不做具体限定,包括但不限于:激光雷达、视觉传感器、毫米波雷达以及车用无线通信(Vehicleto X,V2X)设备,该设备包含车载单元以及路测单元。
具体地,由于仿真测试场景模型中的场景的不同,在相同周期内,仿真车辆行驶的距离可能相同也可能不同。对仿真车辆进行仿真控制时,仿真传感器按照预设采样时长对仿真测试场景模型进行数据采样,并将采集到的数据传输给核心控制器硬件。由于仿真传感器采集到的数据量比较多,核心控制器硬件一般会对获取到的数据进行筛选、压缩等优化处理。
本发明实施例提供的方法,将核心控制器硬件与自动驾驶车辆的仿真模型进行联调,可以提高核心控制器硬件的测试效率。而且,引入了非结构化道路的场景,提高了仿真车辆的仿真测试场景模型的真实性,从而可以提高自动驾驶仿真的测试范围,进而缩短自动驾驶车辆的开发时间,提高自动驾驶车辆的开发效率。
结合上述实施例的内容,在一个实施例中,确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,包括:
201、获取仿真车辆的底盘实测参数、转向系控制策略、传动系控制策略、非结构化道路场景以及整车电子电气架构;
202、根据底盘实测参数、转向系控制策略以及传动系控制策略,确定车辆运动学模型;
203、根据底盘实测参数,确定车辆动力学模型;
204、根据非结构化道路场景,确定仿真测试场景模型;
205、根据整车电子电气架构,配置核心控制器硬件。
在上述步骤204中,非结构化道路场景包括红路灯路口、无保护路口、标线不清、黄昏及夜间行车、雨雪雾天行车等典型场景。
在上述步骤205中,整车电子电气架构指的是集合整车的电子电器系统、ECU、各类传感器、线束、连接器涉及、电子电气分配系统等设计为一体的整车电子电气结构。核心控制器硬件在自动驾驶联合仿真系统中的功能为:监测和保护系统,同时也承担着发送和接收各个指令。
具体地,通过对仿真车辆的底盘实测参数、转向系控制策略以及传动系控制策略进行变换计算,在Simulink软件中搭建对应的车辆运动学模型。通过对仿真车辆的底盘实测参数进行变换计算,在Trucksim软件中搭建对应的车辆动力学模型。通过对非结构化道路场景的变换计算,在TruckMaker软件中搭建对应的仿真测试场景模型。
本发明实施例提供的方法,通过获取仿真车辆各个模块的参数,并进行变换计算,可以在软件中搭建对应的仿真模型,从而提高仿真效果的精确性。
结合上述实施例的内容,在一个实施例中,在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,包括:
301、获取当前周期的周期起始时刻对应的仿真车辆的车身位姿信息,作为第二位姿信息;
302、根据第二位姿信息、仿真测试场景模型以及车辆动力学模型,获取障碍物信息;
303、根据行驶路线、第二位姿信息、障碍物信息、车辆决策规划算法以及车辆轨迹跟踪算法,确定控制信号;
304、根据控制信号、车辆动力学模型以及车辆运动学模型,对仿真车辆进行仿真控制。
在上述步骤301中,第二位姿信息中包括仿真车辆在当前周期的周期起始时刻时在行驶路线中的具体位置。
在上述步骤302中,车辆动力学模型中的仿真传感器将获取仿真测试场景模型中仿真车辆所处的具体位置出的障碍物信息,并将障碍物信息传输给核心控制器硬件。
在上述步骤303中,控制信号包括仿真车辆的加速度以及方向盘转角。
具体地,在当前周期的周期起始时刻,核心控制器硬件根据障碍物信息、行驶路线、第二位姿信息、车辆轨迹跟踪算法以及车辆决策规划算法进行计算,得到控制信号,并将控制信号传输给车辆动力学模型,车辆动力学模型根据控制信号进行计算,得到当前周期仿真车辆对应的状态变化量,然后将该状态变化量传输至车辆运动学模型,使仿真车辆在当前周期的时长内按照该状态变化量进行仿真。
本发明实施例提供的方法,通过第二位姿信息、仿真测试场景模型以及车辆动力学模型,可以得到障碍物信息,从而得到障碍物信息,进而得到控制信号,实现对仿真车辆的仿真控制。
结合上述实施例的内容,在一个实施例中,车辆决策规划算法包括行为决策算法及局部规划算法;相应地,根据行驶路线、第二位姿信息、障碍物信息、车辆决策规划算法以及车辆轨迹跟踪算法,确定控制信号,包括:
401、根据局部规划算法以及行驶路线,确定局部行驶路线;
402、根据局部行驶路线、行为决策算法、第二位姿信息、障碍物信息以及车辆轨迹跟踪算法,确定控制信号。
在上述步骤401中,局部行驶路线指的是仿真车辆在每一周期内的局部行驶路线。
具体地,核心控制器硬件根据局部规划算法以及仿真车辆的在当前周期的周期初始时刻对应的车身位姿信息,可以计算出当前周期的周期时长内对应的局部行驶路线。然后,核心控制器硬件再根据局部行驶路线、行为决策算法、第二位姿信息、障碍物信息以及车辆轨迹跟踪算法对仿真车辆进行轨迹规划,计算得到当前周期内仿真车辆每一时刻的加速度与方向盘转角,并将每一时刻的加速度与方向盘转角传输至车辆动力学模型。
本发明实施例提供的方法,通过局部规划算法以及行驶路线,可以确定仿真车辆的局部行驶路线,通过将全局的行驶路线进行分段,可以提高核心控制器硬件计算得到的每一周期的控制信号的控制精度,从而提高自动驾驶联合仿真系统仿真的准确性。
结合上述实施例的内容,在一个实施例中,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,包括:
501、根据车辆动力学模型,获取仿真车辆的动力学响应量;
502、根据动力学响应量,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息。
上述步骤501中,动力学响应量包括仿真车辆油门信号与制动信号的比值以及根据方向盘转角信号计算得到的车辆转角信号。
具体地,在当前周期内,车辆动力学模型基于接收到的每一时刻的加速度与方向盘转角,计算得到仿真车辆每一时刻的油门信号与制动信号的比值以及车辆转角信号,并基于每一时刻的油门信号与制动信号的比值以及车辆转角信号计算得到仿真车辆的状态变化量。并将状态变化量传输至车辆运动学模型,车辆运动学模型基于状态变化量改变仿真车辆的车身位姿信息。
需要说明的是,当前周期的周期结束时刻对应的车身位姿信息将作为下一周期的周期起始时刻对应的车身位姿信息。在对仿真车辆进行仿真控制时,TruckMaker软件会间隔预设时长获取仿真车辆的车身位姿信息,并将获取的车身位姿信息显示在仿真GUI的场景内,使得仿真车辆的车身位姿信息可以更新显示。
本发明实施例提供的方法,通过车辆动力学模型,可以计算得到当前周期内仿真车辆的状态变化量,从而使车辆运动学模型根据状态变化量计算得到仿真车辆的位姿信息,实现核心控制器硬件对仿真车辆的仿真控制。
结合上述实施例的内容,在一个实施例中,第一位姿信息包括仿真车辆的位置信息与航向角;相应地,根据第一位姿信息判断仿真车辆是否到达目标点,包括:
601、根据位置信息,确定仿真车辆的坐标点;
602、若坐标点与目标点之间的距离小于第一阈值,且航向角与标准航向角之间的误差小于第二阈值,则确定仿真车辆到达目标点,否则,仿真车辆未到达目标点。
上述步骤602中,航向角指的是仿真车辆的车头朝向以及车头的转向角度。
具体地,若仿真车辆的坐标点与目标点之间的距离小于第一阈值时,此时还不能确定仿真车辆是否到达目标点。比如,仿真车辆在仿真测试场景模型中行驶的车道为双向车道,分别为左车道与右车道,两条车道在仿真测试场景模型中同一位置的坐标点相同,但行驶方向不同,若仿真车辆行驶的目标点为左车道的坐标点,此时则还需要根据仿真车辆的车头朝向以及判断转向角度与标准航向角中的标准转向角之间的误差是否小于第二阈值,才能确认仿真车辆是否到达目标点。
本发明实施例提供的方法,通过确定仿真车辆的位置信息以及航向角,可以减少仿真车辆被误判到达目标点的概率,从而提高系统仿真的准确率。
结合上述实施例的内容,在一个实施例中,在对仿真车辆进行仿真控制期间,采用Matlab Data Inspector工具通过udp协议检测仿真过程中的关键数据,并对关键数据进行整理分析,确定关键数据的中的变量变化数据。对于关键数据,本实施例对其不做具体限定,包括但不限于:控制信号、动力学响应量以及车身位姿信息等。
根据变量变化数据,分析行驶路径的偏差,规划速度的合理性、安全性以及可执行度等指标,并根据各个指标对车辆决策规划算法及车辆轨迹跟踪算法进行改进以及对核心控制器硬件中的参数进行调整。
本发明实施例提供的方法,通过对仿真过程中的关键数据进行采集分析,可以对核心控制器硬件中的算法进行改进,并调整核心控制器硬件中的参数,从而实现对自动驾驶联合仿真系统的优化。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的自动驾驶联合仿真方法的自动驾驶联合仿真装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个自动驾驶联合仿真装置实施例中的具体限定可以参见上文中对于自动驾驶联合仿真方法的限定,在此不再赘述。
在一个实施例中,如图2所示,提供了一种自动驾驶联合仿真装置,包括:确定模块201和控制模块202,其中:
确定模块,用于确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,其中,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
控制模块,用于在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
在一个实施例中,确定模块201,包括:
第一获取子模块,用于获取仿真车辆的底盘实测参数、转向系控制策略、传动系控制策略、非结构化道路场景以及整车电子电气架构;
第一确定子模块,用于根据底盘实测参数、转向系控制策略以及传动系控制策略,确定车辆运动学模型;
第二确定子模块,用于根据底盘实测参数,确定车辆动力学模型;
第三确定子模块,用于根据非结构化道路场景,确定仿真测试场景模型;
配置子模块,用于根据整车电子电气架构,配置核心控制器硬件。
在一个实施例中,控制模块202,包括:
第二获取子模块,用于获取当前周期的周期起始时刻对应的仿真车辆的车身位姿信息,作为第二位姿信息;
第三获取子模块,用于根据第二位姿信息、仿真测试场景模型以及车辆动力学模型,获取障碍物信息;
第四确定子模块,用于根据行驶路线、第二位姿信息、障碍物信息、车辆决策规划算法以及车辆轨迹跟踪算法,确定控制信号;
控制子模块,用于根据控制信号、车辆动力学模型以及车辆运动学模型,对仿真车辆进行仿真控制。
在一个实施例中,第四确定子模块,包括:
第一确定单元,用于根据局部规划算法以及行驶路线,确定局部行驶路线;
第二确定单元,用于根据局部行驶路线、行为决策算法、第二位姿信息、障碍物信息以及车辆轨迹跟踪算法,确定控制信号。
在一个实施例中,控制模块202,还包括:
第四获取子模块,用于根据车辆动力学模型,获取仿真车辆的动力学响应量;
第五获取子模块,用于根据动力学响应量,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息。
在一个实施例中,控制模块202,还包括:
第五确定子模块,用于根据位置信息,确定仿真车辆的坐标点;
第六确定子模块,用于若仿真车辆的坐标点与目标点之间的距离小于第一阈值,且航向角与标准航向角之间的误差小于第二阈值,则确定仿真车辆到达目标点,否则,仿真车辆未到达目标点。
上述自动驾驶联合仿真装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种自动驾驶联合仿真方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取仿真车辆的底盘实测参数、转向系控制策略、传动系控制策略、非结构化道路场景以及整车电子电气架构;
根据底盘实测参数、转向系控制策略以及传动系控制策略,确定车辆运动学模型;
根据底盘实测参数,确定车辆动力学模型;
根据非结构化道路场景,确定仿真测试场景模型;
根据整车电子电气架构,配置核心控制器硬件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取当前周期的周期起始时刻对应的仿真车辆的车身位姿信息,作为第二位姿信息;
根据第二位姿信息、仿真测试场景模型以及车辆动力学模型,获取障碍物信息;
根据行驶路线、第二位姿信息、障碍物信息、车辆决策规划算法以及车辆轨迹跟踪算法,确定控制信号;
根据控制信号、车辆动力学模型以及车辆运动学模型,对仿真车辆进行仿真控制。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据局部规划算法以及行驶路线,确定局部行驶路线;
根据局部行驶路线、行为决策算法、第二位姿信息、障碍物信息以及车辆轨迹跟踪算法,确定控制信号。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据车辆动力学模型,获取仿真车辆的动力学响应量;
根据动力学响应量,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据位置信息,确定仿真车辆的坐标点;
若仿真车辆的坐标点与目标点之间的距离小于第一阈值,且航向角与标准航向角之间的误差小于第二阈值,则确定仿真车辆到达目标点,否则,仿真车辆未到达目标点。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取仿真车辆的底盘实测参数、转向系控制策略、传动系控制策略、非结构化道路场景以及整车电子电气架构;
根据底盘实测参数、转向系控制策略以及传动系控制策略,确定车辆运动学模型;
根据底盘实测参数,确定车辆动力学模型;
根据非结构化道路场景,确定仿真测试场景模型;
根据整车电子电气架构,配置核心控制器硬件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取当前周期的周期起始时刻对应的仿真车辆的车身位姿信息,作为第二位姿信息;
根据第二位姿信息、仿真测试场景模型以及车辆动力学模型,获取障碍物信息;
根据行驶路线、第二位姿信息、障碍物信息、车辆决策规划算法以及车辆轨迹跟踪算法,确定控制信号;
根据控制信号、车辆动力学模型以及车辆运动学模型,对仿真车辆进行仿真控制。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据局部规划算法以及行驶路线,确定局部行驶路线;
根据局部行驶路线、行为决策算法、第二位姿信息、障碍物信息以及车辆轨迹跟踪算法,确定控制信号。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据车辆动力学模型,获取仿真车辆的动力学响应量;
根据动力学响应量,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据位置信息,确定仿真车辆的坐标点;
若仿真车辆的坐标点与目标点之间的距离小于第一阈值,且航向角与标准航向角之间的误差小于第二阈值,则确定仿真车辆到达目标点,否则,仿真车辆未到达目标点。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置仿真车辆的核心控制器硬件,核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定仿真车辆的目标点,并根据目标点、仿真测试场景模型以及车辆决策规划算法,确定仿真车辆的行驶路线;
在当前周期内,基于行驶路线、车辆决策规划算法、车辆轨迹跟踪算法、车辆运动学模型、车辆动力学模型以及仿真测试场景模型,对仿真车辆进行仿真控制,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息,作为第一位姿信息,并根据第一位姿信息判断仿真车辆是否到达目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至仿真车辆到达目标点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取仿真车辆的底盘实测参数、转向系控制策略、传动系控制策略、非结构化道路场景以及整车电子电气架构;
根据底盘实测参数、转向系控制策略以及传动系控制策略,确定车辆运动学模型;
根据底盘实测参数,确定车辆动力学模型;
根据非结构化道路场景,确定仿真测试场景模型;
根据整车电子电气架构,配置核心控制器硬件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取当前周期的周期起始时刻对应的仿真车辆的车身位姿信息,作为第二位姿信息;
根据第二位姿信息、仿真测试场景模型以及车辆动力学模型,获取障碍物信息;
根据行驶路线、第二位姿信息、障碍物信息、车辆决策规划算法以及车辆轨迹跟踪算法,确定控制信号;
根据控制信号、车辆动力学模型以及车辆运动学模型,对仿真车辆进行仿真控制。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据局部规划算法以及行驶路线,确定局部行驶路线;
根据局部行驶路线、行为决策算法、第二位姿信息、障碍物信息以及车辆轨迹跟踪算法,确定控制信号。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据车辆动力学模型,获取仿真车辆的动力学响应量;
根据动力学响应量,获取当前周期的周期结束时刻对应的仿真车辆的车身位姿信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据位置信息,确定仿真车辆的坐标点;
若仿真车辆的坐标点与目标点之间的距离小于第一阈值,且航向角与标准航向角之间的误差小于第二阈值,则确定仿真车辆到达目标点,否则,仿真车辆未到达目标点。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种自动驾驶联合仿真方法,其特征在于,所述方法包括:
确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置所述仿真车辆的核心控制器硬件,所述核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定所述仿真车辆的目标点,并根据所述目标点、所述仿真测试场景模型以及所述车辆决策规划算法,确定所述仿真车辆的行驶路线;
在当前周期内,基于所述行驶路线、所述车辆决策规划算法、所述车辆轨迹跟踪算法、所述车辆运动学模型、所述车辆动力学模型以及所述仿真测试场景模型,对所述仿真车辆进行仿真控制,获取所述当前周期的周期结束时刻对应的所述仿真车辆的车身位姿信息,作为第一位姿信息,并根据所述第一位姿信息判断所述仿真车辆是否到达所述目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至所述仿真车辆到达所述目标点。
2.根据权利要求1所述的方法,其特征在于,所述确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置所述仿真车辆的核心控制器硬件,包括:
获取所述仿真车辆的底盘实测参数、转向系控制策略、传动系控制策略、非结构化道路场景以及整车电子电气架构;
根据所述底盘实测参数、转向系控制策略以及传动系控制策略,确定所述车辆运动学模型;
根据所述底盘实测参数,确定所述车辆动力学模型;
根据所述非结构化道路场景,确定所述仿真测试场景模型;
根据所述整车电子电气架构,配置所述核心控制器硬件。
3.根据权利要求1所述的方法,其特征在于,所述在当前周期内,基于所述行驶路线、所述车辆决策规划算法、所述车辆轨迹跟踪算法、所述车辆运动学模型、所述车辆动力学模型以及所述仿真测试场景模型,对所述仿真车辆进行仿真控制,包括:
获取所述当前周期的周期起始时刻对应的所述仿真车辆的车身位姿信息,作为第二位姿信息;
根据所述第二位姿信息、所述仿真测试场景模型以及所述车辆动力学模型,获取障碍物信息;
根据所述行驶路线、所述第二位姿信息、所述障碍物信息、所述车辆决策规划算法以及所述车辆轨迹跟踪算法,确定控制信号;
根据所述控制信号、所述车辆动力学模型以及所述车辆运动学模型,对所述仿真车辆进行仿真控制。
4.根据权利要求3所述的方法,其特征在于,所述车辆决策规划算法包括行为决策算法及局部规划算法;相应地,所述根据所述行驶路线、所述第二位姿信息、所述障碍物信息、所述车辆决策规划算法以及所述车辆轨迹跟踪算法,确定控制信号,包括:
根据所述局部规划算法以及所述行驶路线,确定局部行驶路线;
根据所述局部行驶路线、所述行为决策算法、所述第二位姿信息、所述障碍物信息以及所述车辆轨迹跟踪算法,确定所述控制信号。
5.根据权利要求1所述的方法,其特征在于,所述获取所述当前周期的周期结束时刻对应的所述仿真车辆的车身位姿信息,包括:
根据所述车辆动力学模型,获取所述仿真车辆的动力学响应量;
根据所述动力学响应量,获取所述当前周期的周期结束时刻对应的所述仿真车辆的车身位姿信息。
6.根据权利要求1所述的方法,其特征在于,所述第一位姿信息包括所述仿真车辆的位置信息与航向角;相应地,所述根据所述第一位姿信息判断所述仿真车辆是否到达所述目标点,包括:
根据所述位置信息,确定所述仿真车辆的坐标点;
若所述仿真车辆的坐标点与所述目标点之间的距离小于第一阈值,且所述航向角与标准航向角之间的误差小于第二阈值,则确定所述仿真车辆到达所述目标点,否则,所述仿真车辆未到达所述目标点。
7.一种自动驾驶联合仿真系统,其特征在于,所述系统包括:
确定模块,用于确定仿真车辆的车辆运动学模型、车辆动力学模型以及仿真测试场景模型,并配置所述仿真车辆的核心控制器硬件,所述核心控制器硬件包括车辆决策规划算法及车辆轨迹跟踪算法;确定所述仿真车辆的目标点,并根据所述目标点、所述仿真测试场景模型以及所述车辆决策规划算法,确定所述仿真车辆的行驶路线;
控制模块,用于在当前周期内,基于所述行驶路线、所述车辆决策规划算法、所述车辆轨迹跟踪算法、所述车辆运动学模型、所述车辆动力学模型以及所述仿真测试场景模型,对所述仿真车辆进行仿真控制,获取所述当前周期的周期结束时刻对应的所述仿真车辆的车身位姿信息,作为第一位姿信息,并根据所述第一位姿信息判断所述仿真车辆是否到达所述目标点,若未到达,则跳转至下一周期,并重复执行上述仿真控制、获取及判断的过程,直至所述仿真车辆到达所述目标点。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210257324.8A CN114638103A (zh) | 2022-03-16 | 2022-03-16 | 自动驾驶联合仿真方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210257324.8A CN114638103A (zh) | 2022-03-16 | 2022-03-16 | 自动驾驶联合仿真方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638103A true CN114638103A (zh) | 2022-06-17 |
Family
ID=81950785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210257324.8A Pending CN114638103A (zh) | 2022-03-16 | 2022-03-16 | 自动驾驶联合仿真方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638103A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115016324A (zh) * | 2022-06-24 | 2022-09-06 | 中国第一汽车股份有限公司 | 仿真测试方法、仿真测试装置与计算机可读存储介质 |
CN115167182A (zh) * | 2022-09-07 | 2022-10-11 | 禾多科技(北京)有限公司 | 自动驾驶仿真测试方法、装置、设备和计算机可读介质 |
-
2022
- 2022-03-16 CN CN202210257324.8A patent/CN114638103A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115016324A (zh) * | 2022-06-24 | 2022-09-06 | 中国第一汽车股份有限公司 | 仿真测试方法、仿真测试装置与计算机可读存储介质 |
CN115167182A (zh) * | 2022-09-07 | 2022-10-11 | 禾多科技(北京)有限公司 | 自动驾驶仿真测试方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309600B (zh) | 虚拟场景注入自动驾驶测试方法及电子设备 | |
CN112286206B (zh) | 自动驾驶的模拟方法、系统、设备、可读存储介质及平台 | |
JP7367183B2 (ja) | 占有予測ニューラルネットワーク | |
CN109213134B (zh) | 生成自动驾驶策略的方法和装置 | |
US10902165B2 (en) | Deployable development platform for autonomous vehicle (DDPAV) | |
EP3814909B1 (en) | Using divergence to conduct log-based simulations | |
CN112789619B (zh) | 一种仿真场景的构建方法、仿真方法以及设备 | |
US20190155291A1 (en) | Methods and systems for automated driving system simulation, validation, and implementation | |
CN110264721B (zh) | 一种城市交叉口周边车辆轨迹预测方法 | |
JP2022016419A (ja) | 軌跡予測方法及び装置 | |
CN109164785B (zh) | 自动驾驶车辆的仿真测试方法、装置、设备及存储介质 | |
CN114638103A (zh) | 自动驾驶联合仿真方法、装置、计算机设备及存储介质 | |
US20220198107A1 (en) | Simulations for evaluating driving behaviors of autonomous vehicles | |
CN110936959B (zh) | 车辆感知系统在线诊断和预测 | |
US20220340160A1 (en) | Systems and methods for simulation supported map quality assurance in an autonomous vehicle context | |
KR20230159308A (ko) | 첨단 운전자 보조 시스템(adas) 및/또는 자동화된 운전 시스템(ads)을 교정하고 검증하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품 | |
CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN115523934A (zh) | 一种基于深度学习的车辆轨迹预测方法及系统 | |
CN117130298A (zh) | 用于评估自动驾驶系统的方法、装置及存储介质 | |
CN112446466A (zh) | 在深度神经网络中测量置信度 | |
CN116686028A (zh) | 一种驾驶辅助的方法以及相关设备 | |
CN113483775A (zh) | 路径预测方法及装置、电子设备及计算机可读存储介质 | |
CN112519779A (zh) | 基于位置的车辆操作 | |
Duprey et al. | Simulation of the performance based standards (PBS) low-speed 90 turn test in TruckSim by jumping back in time | |
US20230399001A1 (en) | Vehicle sensor mode transitions |
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 |