CN114968782A - 一种基于Carla模拟器实现智能驾驶的方法 - Google Patents
一种基于Carla模拟器实现智能驾驶的方法 Download PDFInfo
- Publication number
- CN114968782A CN114968782A CN202210576595.XA CN202210576595A CN114968782A CN 114968782 A CN114968782 A CN 114968782A CN 202210576595 A CN202210576595 A CN 202210576595A CN 114968782 A CN114968782 A CN 114968782A
- Authority
- CN
- China
- Prior art keywords
- simulator
- carla
- model
- vehicle model
- intelligent driving
- 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 20
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3664—Environments for testing or debugging software
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/362—Software debugging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3696—Methods or tools to render software testable
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种基于Carla模拟器实现智能驾驶的方法，包括如下步骤：步骤1：基于Carla模拟器，构建地图模型以及自车模型，通过多个节点模块订阅Carla客户端发送的信息，并发布对自车模型的控制信号，实现对自车模型的控制；步骤2：将驾驶策略导入Carla模拟器，根据驾驶策略依次启动多个模块，使自车模型能够按照驾驶策略在地图模型中行驶。本发明以Carla模拟器为基础，不仅能够将仿真系统与智能驾驶系统隔离开，使二者能够各自独立地进行开发和调试，还能通过ros节点进行实时通信；对于智能驾驶系统而言，其各模块相互有信号的依赖，但同样可以独立运行在不同的命令窗口，这无疑提高了系统整体的灵活度以及调试程序、定位问题的效率。
Description
技术领域
本发明涉及智能驾驶技术领域，具体涉及一种基于Carla模拟器实现智能驾驶的方法。
背景技术
自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。 要打造真正意义上的自动驾驶车辆，目前技术的研发之路依然很长。当一项新技术或算法被提出时，对其进行仿真测试确认其可行性是必要的。另一方面，安全驾驶不仅限于车辆的操控，还包括理解复杂的社交互动并预判人类的行为，还要解决已发现的诸多疑难杂症。在硬件层面，绝大多数的自动驾驶系统依赖于高速摄像头和传感器。除了实车测试车辆性能，仿真测试的必要性和重要程度不言而喻。而现有技术搭建的仿真环境仍然有限，并且完善程度也较为有限，这些不仅仅对计算机的计算速度有一定要求，同样对仿真系统内部的信号传输效率有一定要求。
发明内容
针对现有技术存在的上述不足，本发明的目的在于提供一种基于Carla模拟器实现智能驾驶的方法，以解决现有技术搭建的仿真环境以及其完善度都较为有限、对运行设备要求较高、实时性不足的问题。
为了解决上述技术问题，本发明采用如下技术方案：
一种基于Carla模拟器实现智能驾驶的方法，包括如下步骤：
步骤1：基于Carla模拟器，构建地图模型以及自车模型，通过多个节点模块订阅Carla客户端发送的信息，并发布对自车模型的控制信号，实现对自车模型的控制；
步骤2：将驾驶策略导入Carla模拟器，根据驾驶策略依次启动多个模块，使自车模型能够按照驾驶策略在地图模型中行驶。
与现有技术相比，本发明具有如下有益效果：
本发明以Carla模拟器为基础，不仅能够将仿真系统与智能驾驶系统隔离开，使二者能够各自独立地进行开发和调试，还能通过ros节点进行实时通信；对于智能驾驶系统而言，其各模块相互有信号的依赖，但同样可以独立运行在不同的命令窗口，这无疑提高了系统整体的灵活度以及调试程序、定位问题的效率。
附图说明
图1为本发明的路流程示意图。
具体实施方式
为了使本发明的实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。
本发明提供一种基于Carla模拟器实现智能驾驶的方法，如图1所示，包括如下步骤：
步骤1：基于Carla模拟器，构建地图模型以及自车模型，通过多个节点模块订阅Carla客户端发送的信息，并发布对自车模型的控制信号，实现对自车模型的控制。其中，通过Carla客户端将地图模型和自车模型分别导入Carla模拟器中，并通过python代码调整自车模型和地图模型的初始位置和朝向，还能利用python代码通过Carla客户端对地图模型或自车模型进行编辑，用于生成其他车辆、行人环境物品等。Carla模拟器提供了多种地图和车辆模型，地图中自带整个仿真场景，但没有初始车辆，可通过客户端进行设置。在Carla模拟器的函数接口库中能够直接获取当前地图的拓扑结构。对于每一条车道而言，能够获得其道路id、中心参考线、左右边界线、以及道路类型等等。基于地图信息，获取自车模型当前坐标以及目标点坐标，通过AI算法计算出全局最短路径，并能够在当前地图中绘制自车模型从当前位置到目标位置的车道中心线轨迹，可通过颜色切换代表道路id发生变化。
步骤2：将驾驶策略导入Carla模拟器，根据驾驶策略依次启动多个模块，使自车模型能够按照驾驶策略在地图模型中行驶。在实际运行时，按照顺序依次启动ros模块节点，Carla服务端，Carla客户端，便能启动整个智能驾驶仿真系统，其中ros节点的发布和订阅频率为50Hz。自车在收到相应控制信号后会从初始位置向预设目标点行驶，然后停止。在Carla模拟器中有若干ros节点同时订阅Carla客户端发送的消息，但只有横向控制和纵向控制产生最终的控车信号并进行发布。其中，利用VehicleControl对自车模型下一帧的行驶状态进行控制。利用VehicleControl对自车模型下一帧的中各个控制部件的信号控制，此类控制部件包括油门、转向、刹车、手刹、挡位等车辆控制部件的信号。其中，转向由横向控制模块提供输入，油门和刹车信号由纵向模块提供输入。在本发明中，包含了多种车载传感器，在自车模型中设置GNSS传感器和IMU传感器，用于获取车辆的经纬度信息和速度/加速度信息。同时，所述驾驶策略包括神经网络模型或者收集到的行车数据，这就使得本发明所述方法不仅能够用于对已经构建好的智能驾驶神经网络模型进行测试，判断其运行状况，并根据测试结果对神经网络模型进行及时调整；还能够用于根据收集到的行车数据形成多个虚拟样本数据，供神经网络模型进行训练使用，从而扩大了Carla模拟器的应用。
如上所述，本发明的提醒系统不限于所述配置，其他可以实现本发明的实施例的系统均可落入本发明所保护的范围内。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于Carla模拟器实现智能驾驶的方法，其特征在于，包括如下步骤：
步骤1：基于Carla模拟器，构建地图模型以及自车模型，通过多个节点模块订阅Carla客户端发送的信息，并发布对自车模型的控制信号，实现对自车模型的控制；
步骤2：将驾驶策略导入Carla模拟器，根据驾驶策略依次启动多个模块，使自车模型能够按照驾驶策略在地图模型中行驶。
2.根据权利要求1所述基于Carla模拟器实现智能驾驶的方法，其特征在于，在步骤1中，通过Carla客户端将地图模型和自车模型分别导入Carla模拟器中，并通过python代码调整自车模型和地图模型的初始位置和朝向。
3.根据权利要求2所述基于Carla模拟器实现智能驾驶的方法，其特征在于，在步骤1中，利用python代码通过Carla客户端对地图模型或自车模型进行编辑。
4.根据权利要求1所述基于Carla模拟器实现智能驾驶的方法，其特征在于，在步骤2中，利用VehicleControl对自车模型下一帧的行驶状态进行控制。
5.根据权利要求4所述基于Carla模拟器实现智能驾驶的方法，其特征在于，利用VehicleControl对自车模型下一帧的中各个控制部件的信号控制。
6.根据权利要求1所述基于Carla模拟器实现智能驾驶的方法，其特征在于，在步骤2中，通过横向控制和纵向控制产生最终的控车信号并进行发布。
7.根据权利要求1所述基于Carla模拟器实现智能驾驶的方法，其特征在于，在步骤2中，所述驾驶策略包括神经网络模型或者收集到的行车数据。
8.根据权利要求1所述基于Carla模拟器实现智能驾驶的方法，其特征在于，在Carla模拟器的函数接口库中能够直接获取当前地图的拓扑结构。
9.根据权利要求8所述基于Carla模拟器实现智能驾驶的方法，其特征在于，基于地图信息，获取自车模型当前坐标以及目标点坐标，通过AI算法计算出全局最短路径，并能够在当前地图中绘制自车模型从当前位置到目标位置的车道中心线轨迹。
10.根据权利要求1所述基于Carla模拟器实现智能驾驶的方法，其特征在于，所述节点发布和订阅的频率为50Hz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210576595.XA CN114968782A (zh) | 2022-05-25 | 2022-05-25 | 一种基于Carla模拟器实现智能驾驶的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210576595.XA CN114968782A (zh) | 2022-05-25 | 2022-05-25 | 一种基于Carla模拟器实现智能驾驶的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114968782A true CN114968782A (zh) | 2022-08-30 |
Family
ID=82956376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210576595.XA Pending CN114968782A (zh) | 2022-05-25 | 2022-05-25 | 一种基于Carla模拟器实现智能驾驶的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114968782A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306029A (zh) * | 2023-05-16 | 2023-06-23 | 南京航空航天大学 | 基于Carla与ROS的自动驾驶仿真测试方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153606A (zh) * | 2019-06-28 | 2020-12-29 | 英特尔公司 | 信息中心网络紧急数据收集 |
| CN114527676A (zh) * | 2022-01-13 | 2022-05-24 | 浙江大学 | 一种基于数字孪生的自动驾驶网联多车测试方法和系统 |
-
2022
- 2022-05-25 CN CN202210576595.XA patent/CN114968782A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153606A (zh) * | 2019-06-28 | 2020-12-29 | 英特尔公司 | 信息中心网络紧急数据收集 |
| CN114527676A (zh) * | 2022-01-13 | 2022-05-24 | 浙江大学 | 一种基于数字孪生的自动驾驶网联多车测试方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| VERONICA1312: "使用CARLA模拟器实现DQN自动驾驶（三）导航系统", pages 1 - 4, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_44169614/article/details/120259664> * |
| 白渠梁: "carla-ros-bridge的安装", pages 1 - 3, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/422744756> * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306029A (zh) * | 2023-05-16 | 2023-06-23 | 南京航空航天大学 | 基于Carla与ROS的自动驾驶仿真测试方法 |
| CN116306029B (zh) * | 2023-05-16 | 2023-10-27 | 南京航空航天大学 | 基于Carla与ROS的自动驾驶仿真测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Autonomous vehicle testing and validation platform: Integrated simulation system with hardware in the loop | |
| Chen et al. | A novel integrated simulation and testing platform for self-driving cars with hardware in the loop | |
| Naranjo et al. | Using fuzzy logic in automated vehicle control | |
| CN109656148B (zh) | 自动驾驶的动态交通流场景的仿真方法 | |
| US20200349057A1 (en) | Using divergence to conduct log-based simulations | |
| CN110264586A (zh) | L3级自动驾驶系统道路驾驶数据采集、分析及上传方法 | |
| CN110647056A (zh) | 一种基于整车硬件在环的智能网联汽车环境模拟仿真系统 | |
| Guvenc et al. | Connected and autonomous vehicles | |
| CN112698645A (zh) | 具有基于学习的定位校正系统的动态模型 | |
| 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 | |
| CN110576808B (zh) | 车辆、车机设备及其基于人工智能的场景信息推送方法 | |
| CN110824912B (zh) | 训练用于生成自动驾驶策略的控制策略模型的方法和装置 | |
| CN112784867A (zh) | 利用合成图像训练深度神经网络 | |
| CN110930811B (zh) | 一种适用于无人驾驶决策学习和训练的系统 | |
| CN113892088A (zh) | 一种测试方法和系统 | |
| CN114968782A (zh) | 一种基于Carla模拟器实现智能驾驶的方法 | |
| CN113298250A (zh) | 用于定位和对象检测的神经网络 | |
| US20210049243A1 (en) | Hardware In Loop Testing and Generation of Latency Profiles for Use in Simulation | |
| Pechinger et al. | Benefit of smart infrastructure on urban automated driving-using an av testing framework | |
| Zhou et al. | A survey on autonomous driving system simulators | |
| CN112446466A (zh) | 在深度神经网络中测量置信度 | |
| CN112462383A (zh) | 定位移动对象 | |
| CN116403174A (zh) | 一种端到端自动驾驶方法、系统、仿真系统及存储介质 | |
| Gelbal et al. | Smartshuttle: Model based design and evaluation of automated on-demand shuttles for solving the first-mile and last-mile problem in a smart city | |
| CN114970805A (zh) | 用于操作机动车辆的方法 |
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 |