CN115186585A - 基于自动驾驶测试的交通参与物行为模型构建方法及系统 - Google Patents
基于自动驾驶测试的交通参与物行为模型构建方法及系统 Download PDFInfo
- Publication number
- CN115186585A CN115186585A CN202210810429.1A CN202210810429A CN115186585A CN 115186585 A CN115186585 A CN 115186585A CN 202210810429 A CN202210810429 A CN 202210810429A CN 115186585 A CN115186585 A CN 115186585A
- Authority
- CN
- China
- Prior art keywords
- model
- behavior model
- pedestrian
- motor vehicle
- traffic
- 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.)
- Withdrawn
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 35
- 238000010276 construction Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 206
- 230000003993 interaction Effects 0.000 claims description 40
- 230000008450 motivation Effects 0.000 claims description 23
- 230000033001 locomotion Effects 0.000 claims description 22
- 230000035484 reaction time Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 230000005465 channeling Effects 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 6
- 230000000638 stimulation Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 241000283070 Equus zebra Species 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于自动驾驶测试的交通参与物行为模型构建方法与系统,其中该方法包括:分别对机动车要素、非机动车要素和行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型;根据机动车行为模型、非机动车行为模型和行人行为模型确定交通参与物行为模型。本发明通过对机动车要素、非机动车要素和行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型,并基于此构建交通参与物行为模型,可以使自动驾驶算法在测试时拥有真实道路场景以及各种复杂交通流场景等,大大提升了自动驾驶仿真的测试效率。
Description
技术领域
本发明涉及交通场景建模技术领域,特别是涉及一种基于自动驾驶测试的交通参与物模型构建方法及系统。
背景技术
随着自动驾驶技术的不断发展,自动驾驶计算机仿真系统是自动驾驶车辆测试和试验的基础关键技术,也是未来行业定义自动驾驶车辆相关开发流程与技术准入标准的基础工具。
自动驾驶仿真测试可以在一定程度上替代实际道路测试,提升测试效率。其中交通参与物模型的建立是自动驾驶仿真必不可少的一部分,交通参与物模型的建立可以使自动驾驶算法测试时拥有真实道路场景以及各种复杂交通流场景等。
现有的仿真平台上交通参与物模型建立方法仅仅考虑了车辆要素和行人要素的位置和运动参数,而对于各个要素的行为并未进行研究和考量,造成了交通参与物模型针对性差,对于行人和车辆的模拟效果不佳。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种基于自动驾驶测试的交通参与物行为模型构建方法及系统。
为实现上述目的,本发明提供了如下方案:
一种基于自动驾驶测试的交通参与物行为模型构建方法,包括:
获取复杂交通场景的动态要素;所述动态要素包括机动车要素、非机动车要素和行人要素;
分别对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型;其中,所述行人行为模型的参数包括行人基本动力学参数和集群行人模式下模型的参数;所述集群行人模式包括瓶颈流模式、渠化现象模式、走停波模式和快即是慢模式;
根据所述机动车行为模型、所述非机动车行为模型和所述行人行为模型确定交通参与物行为模型。
优选的,所述机动车行为模型的构建方法,包括:
构建纵向跟驰策略的跟驰模型,横向策略的换道模型以及多目标、多方向间交互策略的交叉口交互模型;
基于所述跟驰模型、所述换道模型和所述交叉口交互模型,根据预设通行策略构建出在符合真实道路环境中的不同类型交通参与物的行驶策略;
根据所述行驶策略构建高层决策模型;所述高层决策模型用于描述自动驾驶车辆在交通系统的决策及运动行为;
构建车辆物理模型,并结合所述高层决策模型确定所述机动车行为模型;所述车辆物理模型包括车辆的几何尺寸、速度、加速度和转弯半径。
优选的,所述非机动车行为模型的构建方法,包括:
根据预设的驾驶人特性、车辆特性和人车系统感知周围环境的交通特性,确定非机动车驾驶人的自身驾驶特性;所述驾驶人特性包括年龄、性别、心理和生理;所述车辆特性包括尺寸、制动性能和加减速性能;所述交通特性包括感知交通环境信息、估计环境变化、信息决策、反应时间和行为;
针对周边交通环境信息的刺激确定自身驾驶动机;
根据所述自身驾驶特性和所述自身驾驶动机确定所述非机动车行为模型。
优选的,所述行人行为模型的构建方法,包括:
获取影响行人运动的具体因素;所述具体因素包括行人之间的相互作用、周围环境以及行人的目的地;
根据预设行人行为和所述具体因素构建所述行人行为模型;所述行人基本动力学参数包括行人物理特征和行人心理特征;所述行人物理特征包括尺寸、质量和极限速度;所述行人心理特征包括反应时间;所述集群行人模式下模型的参数包括转向角度和感知范围半径。
优选的,所述根据所述机动车行为模型、所述非机动车行为模型和所述行人行为模型确定交通参与物行为模型,包括:
感知各个交通参与物的周围环境压力,产生行为动机;
基于所述行为动机,引入注意力机制学习复杂的道路多交通参与物交互场景中;所述道路多交通参与物交互场景包括机动车、非机动车、行人三者间的可交互区域;
基于待决策的交通参与物计算分配对周边邻近障碍物的注意力;所述注意力的分布对应最终决策动作对各个障碍物的响应分布;
利用注意力模块接受不同数目的车辆状态编码,保持输出给解码器的数据维度为恒定值,同时学习主车对不同交通参与物的注意力权重分布;
基于所述注意力权重分布确定决策结果,并根据所述决策结果、所述机动车行为模型、所述非机动车行为模型和所述行人行为模型构建所述交通参与物行为模型。
本发明还提供了一种基于自动驾驶测试的交通参与物行为模型构建系统,包括:
要素获取模块,用于获取复杂交通场景的动态要素;所述动态要素包括机动车要素、非机动车要素和行人要素;
子模型建立模块,用于分别对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型;其中,所述行人行为模型的参数包括行人基本动力学参数和集群行人模式下模型的参数;所述集群行人模式包括瓶颈流模式、渠化现象模式、走停波模式和快即是慢模式;
交通参与物行为模型建立模块,用于根据所述机动车行为模型、所述非机动车行为模型和所述行人行为模型确定交通参与物行为模型。
优选的,所述子模型建立模块具体包括:
策略模型建立单元,用于构建纵向跟驰策略的跟驰模型,横向策略的换道模型以及多目标、多方向间交互策略的交叉口交互模型;
策略建立单元,用于基于所述跟驰模型、所述换道模型和所述交叉口交互模型,根据预设通行策略构建出在符合真实道路环境中的不同类型交通参与物的行驶策略;
决策模型建立单元,用于根据所述行驶策略构建高层决策模型;所述高层决策模型用于描述自动驾驶车辆在交通系统的决策及运动行为;
机动车行为模型确定单元,用于构建车辆物理模型,并结合所述高层决策模型确定所述机动车行为模型;所述车辆物理模型包括车辆的几何尺寸、速度、加速度和转弯半径。
优选的,所述子模型建立模块具体包括:
特性获取单元,用于根据预设的驾驶人特性、车辆特性和人车系统感知周围环境的交通特性,确定非机动车驾驶人的自身驾驶特性;所述驾驶人特性包括年龄、性别、心理和生理;所述车辆特性包括尺寸、制动性能和加减速性能;所述交通特性包括感知交通环境信息、估计环境变化、信息决策、反应时间和行为;
动机获取单元,用于针对周边交通环境信息的刺激确定自身驾驶动机;
非机动车行为模型确定单元,用于根据所述自身驾驶特性和所述自身驾驶动机确定所述非机动车行为模型。
优选的,所述子模型建立模块具体包括:
因素获取单元,用于获取影响行人运动的具体因素;所述具体因素包括行人之间的相互作用、周围环境以及行人的目的地;
行人行为模型确定单元,用于根据预设行人行为和所述具体因素构建所述行人行为模型;所述行人基本动力学参数包括行人物理特征和行人心理特征;所述行人物理特征包括尺寸、质量和极限速度;所述行人心理特征包括反应时间;所述集群行人模式下模型的参数包括转向角度和感知范围半径。
优选的,所述交通参与物行为模型建立模块具体包括:
动机产生单元,用于感知各个交通参与物的周围环境压力,产生行为动机;
注意力引入单元,用于基于所述行为动机,引入注意力机制学习复杂的道路多交通参与物交互场景中;所述道路多交通参与物交互场景包括机动车、非机动车、行人三者间的可交互区域;
注意力分配单元,用于基于待决策的交通参与物计算分配对周边邻近障碍物的注意力;所述注意力的分布对应最终决策动作对各个障碍物的响应分布;
编码解码单元,用于利用注意力模块接受不同数目的车辆状态编码,保持输出给解码器的数据维度为恒定值,同时学习主车对不同交通参与物的注意力权重分布;
耦合单元,用于基于所述注意力权重分布确定决策结果,并根据所述决策结果、所述机动车行为模型、所述非机动车行为模型和所述行人行为模型构建所述交通参与物行为模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型,并基于此构建交通参与物行为模型,可以使自动驾驶算法在测试时拥有真实道路场景以及各种复杂交通流场景等,大大提升了自动驾驶仿真的测试效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的一种基于自动驾驶测试的交通参与物行为模型构建方法流程图;
图2为本发明提供的实施例中的一种基于自动驾驶测试的交通参与物行为模型构建系统原理图。
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种基于自动驾驶测试的交通参与物行为模型构建方法,包括:
步骤1:获取复杂交通场景的动态要素;所述动态要素包括机动车要素、非机动车要素和行人要素;
步骤2:分别对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型;其中,所述行人行为模型的参数包括行人基本动力学参数和集群行人模式下模型的参数;所述集群行人模式包括瓶颈流模式、渠化现象模式、走停波模式和快即是慢模式;
需要说明的是,瓶颈流模式是行人流所表现的诸多现象中最基本的一种现象,指的是当路径突然变窄时,行人出现聚集;行人流渠化现象是指在集群运动过程中,群体会自发形成多列的现象,渠化现象的出现可以在行人流集群运动过程中的减小群体内部彼此间摩擦,避免相互碰撞;走停波模式是指行人个体处在集群密度过大的区域时,由于行人彼此间的距离很小,缓慢移动的行人会暂时停止前进,大量行人同时选择这种方式运动时,人群就会发生“走停波”;快即是慢是一种由于集群内部彼此间竞争所产生的信息不对称现象。
进一步的,本发明的机动车行为模型的构建方法,包括:
构建纵向跟驰策略的跟驰模型,横向策略的换道模型以及多目标、多方向间交互策略的交叉口交互模型;
基于所述跟驰模型、所述换道模型和所述交叉口交互模型,根据预设通行策略构建出在符合真实道路环境中的不同类型交通参与物的行驶策略;
根据所述行驶策略构建高层决策模型;所述高层决策模型用于描述自动驾驶车辆在交通系统的决策及运动行为;
构建车辆物理模型,并结合所述高层决策模型确定所述机动车行为模型;所述车辆物理模型包括车辆的几何尺寸、速度、加速度和转弯半径。
在本发明实施例中,非机动车行为模型的构建方法,包括:
根据预设的驾驶人特性、车辆特性和人车系统感知周围环境的交通特性,确定非机动车驾驶人的自身驾驶特性;所述驾驶人特性包括年龄、性别、心理和生理;所述车辆特性包括尺寸、制动性能和加减速性能;所述交通特性包括感知交通环境信息、估计环境变化、信息决策、反应时间和行为;
针对周边交通环境信息的刺激确定自身驾驶动机;自身驾驶动机一般指的是,驾驶人为了避免与邻近车辆发生碰撞、达到期望速度、躲避障碍物或满足转向需求而发生的相互跟随和变换车道行为。
根据所述自身驾驶特性和所述自身驾驶动机确定所述非机动车行为模型。
需要说明的是,非机动车驾驶行为模型包括跟车行为模型和车道变换行为模型。跟车行为模型是指在虚拟行车道内,非机动车在无法变换车道情况下,后车跟随前车行驶的一种行为,表现在后车要与前车保持一定的距离,并随着运行状态的变化而改变自身驾驶行为以适用前车的变化。车道变换行为模型是指非机动车驾驶人根据自身驾驶特性,针对周围非机动车车速、车间空档、道路状况等周边交通环境信息的刺激,调整并完成自身驾驶目标策略的包括信息判断和操作执行的综合行为过程。
具体的,本发明构建的跟车行为模型为:
其中,H(t+T)min表示最小安全车头间距,t表示当前时刻,T表示仿真步长,Ll表示前导车的长度,Lr表示跟驰车辆在反应时间内行驶距离,Lr=Vf·Δt,Δt表示反应时间,Vf表示跟驰车辆在仿真步长终点时刻的行驶速度,Vl表示前导车在仿真步长终点时刻的行驶速度,dlmax表示跟驰车辆的最大减速度, dfmax表示前导车的最大减速度,Ls表示安全停车间距。
本发明构建的车道变换行为模型为:
其中,CL表示左车道的舒适度,CR表示右车道的舒适度,DL表示左车道前车与目标车的距离差,DR表示右车道前车与目标车的距离差,VL表示左车道前车与目标车的速度差,VR表示右车道前车与目标车的速度差,λL、λR表示车道偏爱系数,一般取1-1.3之间。
在本发明实施例中,行人行为模型的构建方法,包括:
获取影响行人运动的具体因素;所述具体因素包括行人之间的相互作用、周围环境以及行人的目的地;
根据预设行人行为和所述具体因素构建所述行人行为模型;所述行人基本动力学参数包括行人物理特征和行人心理特征;所述行人物理特征包括尺寸、质量和极限速度;所述行人心理特征包括反应时间;所述集群行人模式下模型的参数包括转向角度和感知范围半径。
下面结合具体的实施例对本发明中行人行为模型的构建方法做进一步的说明:
在构建行人行为模型前,本发明需要对行人个体的集群运动进行假设:
1、存在性假设
当行人感知到环境中存在斑马线时,行人会产生主动集群跟随意识,环境中行人整体分布存在一定有序跟随性,这种集群跟随意识的过程依赖于行人对环境的识别能力,通过行人对自身所处运动状态进行分类认知,从而产生集群运动。
2、随意性假设
行人的集群跟随通常发生在有交通规则约束情况下,行人个体与跟随目标存在相似动机时产生最小跟随距离;在无交通规则约束情况下,与自动驾驶测试车辆垂直或平行交互产生冲突下,行人的集群运动通常随意性更大。但系统中一般不存在循环跟随的现象,则系统中存在队首和队尾。
在基于上述原则假设后,本发明将不同交通场景下的行人集群运动过程分为四个阶段:进入系统、自由行走--4、交叉路口斑马线处集群运动--3、非有序等待--2、通过路口--1、离开系统--0。
1)初始状态设置
设置行人的初始默认状态Stateinitial:行人在进入系统后,其自身默认的状态为自由行走,即Stateinitial=4,以斑马线一端起点为目标向端点处运动。
2)行人状态转移的选择更新方式
若行人i处于自由行走状态,即Statej=4;
在其感知范围d∈[0,Rcog_free]内,搜索处于交叉路口斑马线处一端集群的行人,构建感知行人集合,A4:{j|Statej=2,dij<Rcog-free}。
若行人i处于交叉路口斑马线处选择集群运动,即Statej=3;
在其感知范围d∈[0,Rcog_free]内,转向角度α∈[0,180°],搜索处于交叉路口斑马线处一端集群的行人,构建感知行人集合,A3:{j|Statej=2,dij<Rcog_free}。
若行人i处于非有序等待状态,即Statej=2;
处于非有序等待状态的行人存在一种特殊状态,位置处于斑马线一端停止点上的行人是不受力的,且处于停止点上的行人有可能改变自身状态为通过路口,因此应先判断当前行人i是否位于停止点上。通过感知周围环境信息,产生相应的行为动机并做出决策,等待执行决策结果。
若行人i处于通过路口状态,即Statej=1;
判断行人i处于通过路口的时间,最大值为交通规则约束下的通行时间,即默认以此时间结束表示当前状态已经结束,则行人离开系统。根据决策结果,行人个体进行相应的动作,构建维持自身速度集群跟随模型、绕开前方交通参与物集群运动模型。
3)行人离开系统
步骤3:根据所述机动车行为模型、所述非机动车行为模型和所述行人行为模型确定交通参与物行为模型。
进一步的,步骤3包括:
感知各个交通参与物的周围环境压力,产生行为动机;
基于所述行为动机,引入注意力机制学习复杂的道路多交通参与物交互场景中;所述道路多交通参与物交互场景包括机动车、非机动车、行人三者间的可交互区域;
基于待决策的交通参与物计算分配对周边邻近障碍物的注意力;所述注意力的分布对应最终决策动作对各个障碍物的响应分布;
利用注意力模块接受不同数目的车辆状态编码,保持输出给解码器的数据维度为恒定值,同时学习主车对不同交通参与物的注意力权重分布;
基于所述注意力权重分布确定决策结果,并根据所述决策结果、所述机动车行为模型、所述非机动车行为模型和所述行人行为模型构建所述交通参与物行为模型。
下面结合具体的实施例对本发明的交通参与物行为模型做进一步的说明:
本发明引入了注意力机制的编码器-解码器结构来构建交通参与物行为模型。其中,编码器由机动车、非机动车和行人交通参与物的行为特征编码模块构成,解码器由基于注意力的自适应分配权重模块和基于神经网络的偏向模块构成。
1)基于交通参与物的行为特征编码模块
首先根据构建的机动车行为模型、非机动车行为模型和行人行为模型提取相关的交通参与物图像和文本特征,其次为了将多种交通参与物统一起来,将交通参与物的图像和文本特征投影到潜在空间,进一步转换成图像和文本向量表示,使模型更好地学习不同交通参与物间、交通参与物与自动驾驶测试车辆之间的语义关系。
为了将多种交通参与物统一起来,本发明需要将交通参与物投影到潜在的特征空间,使用多层感知机来对不同交通参与物之间的语义关系进行建模,从而更深入地学习隐藏的图像和文本语义关系。
本发明以交通参与物pi的文本编码隐射为例对其建模过程做说明。
假设K个隐藏层组成结构,定义如下:
其中,表示交通参与物pi的第k层参数,下标t和i分别表示交通参与物pi的文本编码和交通参与物,σ(·)表示Sigmoid激活函数,是文本表示,本发明将第k层的输出当作交通参与物pi的文本向量表示即以相似的方法,可以得到交通参与物的图像向量表示和邻近交互交通参与物的图像和文本向量表示,相应公式如下:
2)基于注意力的自适应权重分配模块
特征的匹配程度对于待决策的交通参与物计算分配对周边邻近障碍物的注意力时的贡献不同,该模块能自适应学习不同参与者之间的差异,首先定义待决策交通参与物与周边邻近障碍物(pi,pj)间的第l对文本特征的贡献程度如下:
其中,⊙表示两个向量的元素乘积,ft l∈Rd表示第l对特征的独热向量表示,其中第l个元素为1,其他元素为0。w∈Rn,bt∈Rd,c∈R是注意力网络的参数,n表示注意力网络的隐藏单元数,φ(·)代表激活函数,使用ReLU 函数,然后对第l对文本特征的贡献程度进行归一化,公式如下:
对第l对图像特征的匹配程度进行归一化,公式如下:
3)基于神经网络的偏向模块
该模块首先将待决策交通参与物与周边邻近障碍物的特征为向量表示,其次通过注意力机制学习特征之间的贡献程度进行权重的分配,让解码器在每一时间步对编码的信息分配不同的注意力。
为了对特征序列进行有效解码,引入隐藏层存储过去的信息和当前的输入,从而可以确定当前输出,隐藏层的变换为:
ht=f(St,ht-1)
其中St是对图像特征进行归一化处理后的输入特征向量,ht-1是先前隐藏状态,存储到时间步t-1的序列信息,通过函数f计算当前隐藏状态ht,f可根据需求进行选用。在输出序列的时间步t,解码器将上一时间步的输出yt-1以及基于注意力机制的上下文变量ct作为输入,结合上一时间步的隐藏状态ht-1,变换为当前时间步的隐藏状态ht。用函数g表达解码器隐藏层的变换:
ht=g(yt-1,ct,ht-1)
编码器的输出序列为E,E在时间步i的元素为ei,总时间步数为L,引入注意力机制后,解码器在时间步t的上下文变量ct是注意力集中的输出,即ei的加权和:
其中,注意力权重(yt-1,ht-1,ei)∈R,α是注意力评分函数s(yt-1,ht-1,ei)经过Softmax运算得到的:
因为α是概率分布,所以ei的加权和本质上是的ei加权平均值。
注意力评分函数设计成一个多层感知机,感知机包含一个隐藏层:
s(yt-1,ht-1,ei)=Wv Ttanh(f(yt-1,ht-1)+Weei+Wppt-1)
其中,Wv、Wg、We、Wp都是感知机的权重参数,pt-1为时间步t-1前所以的注意力权重的卷积和。
其中,f为卷积函数,ak为编码器的输出序列为E的注意力权重向量:
ak=[α(yk,hk,e1),α(yk,hk,e2),…,α(yk,hk,eL)]。
通过注意力权重向量得到不同交通参与物的注意力权重分布,确定决策结果并执行相应动作。如复杂交叉路口工况下自动驾驶车辆主体与非机动车、行人存在交互区域时,通过不同交通参与物的注意力权重大小可以得出主体车辆优先需要与权重高的交互物进行何种交互动作,如缓行、刹车避让等。
本发明通过对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型,并基于此构建交通参与物行为模型,可以使自动驾驶算法在测试时拥有真实道路场景以及各种复杂交通流场景等,大大提升了自动驾驶仿真的测试效率。
本发明还提供了一种基于自动驾驶测试的交通参与物行为模型构建系统,包括:
要素获取模块,用于获取复杂交通场景的动态要素;所述动态要素包括机动车要素、非机动车要素和行人要素;
子模型建立模块,用于分别对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型;其中,所述行人行为模型的参数包括行人基本动力学参数和集群行人模式下模型的参数;所述集群行人模式包括瓶颈流模式、渠化现象模式、走停波模式和快即是慢模式;
交通参与物行为模型建立模块,用于根据所述机动车行为模型、所述非机动车行为模型和所述行人行为模型确定交通参与物行为模型。
优选的,所述子模型建立模块具体包括:
策略模型建立单元,用于构建纵向跟驰策略的跟驰模型,横向策略的换道模型以及多目标、多方向间交互策略的交叉口交互模型;
策略建立单元,用于基于所述跟驰模型、所述换道模型和所述交叉口交互模型,根据预设通行策略构建出在符合真实道路环境中的不同类型交通参与物的行驶策略;
决策模型建立单元,用于根据所述行驶策略构建高层决策模型;所述高层决策模型用于描述自动驾驶车辆在交通系统的决策及运动行为;
机动车行为模型确定单元,用于构建车辆物理模型,并结合所述高层决策模型确定所述机动车行为模型;所述车辆物理模型包括车辆的几何尺寸、速度、加速度和转弯半径。
优选的,所述子模型建立模块具体包括:
特性获取单元,用于根据预设的驾驶人特性、车辆特性和人车系统感知周围环境的交通特性,确定非机动车驾驶人的自身驾驶特性;所述驾驶人特性包括年龄、性别、心理和生理;所述车辆特性包括尺寸、制动性能和加减速性能;所述交通特性包括感知交通环境信息、估计环境变化、信息决策、反应时间和行为;
动机获取单元,用于针对周边交通环境信息的刺激确定自身驾驶动机;
非机动车行为模型确定单元,用于根据所述自身驾驶特性和所述自身驾驶动机确定所述非机动车行为模型。
优选的,所述子模型建立模块具体包括:
因素获取单元,用于获取影响行人运动的具体因素;所述具体因素包括行人之间的相互作用、周围环境以及行人的目的地;
行人行为模型确定单元,用于根据预设行人行为和所述具体因素构建所述行人行为模型;所述行人基本动力学参数包括行人物理特征和行人心理特征;所述行人物理特征包括尺寸、质量和极限速度;所述行人心理特征包括反应时间;所述集群行人模式下模型的参数包括转向角度和感知范围半径。
优选的,所述交通参与物行为模型建立模块具体包括:
动机产生单元,用于感知各个交通参与物的周围环境压力,产生行为动机;
注意力引入单元,用于基于所述行为动机,引入注意力机制学习复杂的道路多交通参与物交互场景中;所述道路多交通参与物交互场景包括机动车、非机动车、行人三者间的可交互区域;
注意力分配单元,用于基于待决策的交通参与物计算分配对周边邻近障碍物的注意力;所述注意力的分布对应最终决策动作对各个障碍物的响应分布;
编码解码单元,用于利用注意力模块接受不同数目的车辆状态编码,保持输出给解码器的数据维度为恒定值,同时学习主车对不同交通参与物的注意力权重分布;
耦合单元,用于基于所述注意力权重分布确定决策结果,并根据所述决策结果、所述机动车行为模型、所述非机动车行为模型和所述行人行为模型构建所述交通参与物行为模型。
本发明通过对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型,并基于此构建交通参与物行为模型,可以使自动驾驶算法在测试时拥有真实道路场景以及各种复杂交通流场景等,大大提升了自动驾驶仿真的测试效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于自动驾驶测试的交通参与物行为模型构建方法,其特征在于,包括:
获取复杂交通场景的动态要素;所述动态要素包括机动车要素、非机动车要素和行人要素;
分别对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型;其中,所述行人行为模型的参数包括行人基本动力学参数和集群行人模式下模型的参数;所述集群行人模式包括瓶颈流模式、渠化现象模式、走停波模式和快即是慢模式;
根据所述机动车行为模型、所述非机动车行为模型和所述行人行为模型确定交通参与物行为模型。
2.根据权利要求1所述的基于自动驾驶测试的交通参与物行为模型构建方法,其特征在于,所述机动车行为模型的构建方法,包括:
构建纵向跟驰策略的跟驰模型,横向策略的换道模型以及多目标、多方向间交互策略的交叉口交互模型;
基于所述跟驰模型、所述换道模型和所述交叉口交互模型,根据预设通行策略构建出在符合真实道路环境中的不同类型交通参与物的行驶策略;
根据所述行驶策略构建高层决策模型;所述高层决策模型用于描述自动驾驶车辆在交通系统的决策及运动行为;
构建车辆物理模型,并结合所述高层决策模型确定所述机动车行为模型;所述车辆物理模型包括车辆的几何尺寸、速度、加速度和转弯半径。
3.根据权利要求1所述的基于自动驾驶测试的交通参与物行为模型构建方法,其特征在于,所述非机动车行为模型的构建方法,包括:
根据预设的驾驶人特性、车辆特性和人车系统感知周围环境的交通特性,确定非机动车驾驶人的自身驾驶特性;所述驾驶人特性包括年龄、性别、心理和生理;所述车辆特性包括尺寸、制动性能和加减速性能;所述交通特性包括感知交通环境信息、估计环境变化、信息决策、反应时间和行为;
针对周边交通环境信息的刺激确定自身驾驶动机;
根据所述自身驾驶特性和所述自身驾驶动机确定所述非机动车行为模型。
4.根据权利要求1所述的基于自动驾驶测试的交通参与物行为模型构建方法,其特征在于,所述行人行为模型的构建方法,包括:
获取影响行人运动的具体因素;所述具体因素包括行人之间的相互作用、周围环境以及行人的目的地;
根据预设行人行为和所述具体因素构建所述行人行为模型;所述行人基本动力学参数包括行人物理特征和行人心理特征;所述行人物理特征包括尺寸、质量和极限速度;所述行人心理特征包括反应时间;所述集群行人模式下模型的参数包括转向角度和感知范围半径。
5.根据权利要求1所述的基于自动驾驶测试的交通参与物行为模型构建方法,其特征在于,所述根据所述机动车行为模型、所述非机动车行为模型和所述行人行为模型确定交通参与物行为模型,包括:
感知各个交通参与物的周围环境压力,产生行为动机;
基于所述行为动机,引入注意力机制学习复杂的道路多交通参与物交互场景中;所述道路多交通参与物交互场景包括机动车、非机动车、行人三者间的可交互区域;
基于待决策的交通参与物计算分配对周边邻近障碍物的注意力;所述注意力的分布对应最终决策动作对各个障碍物的响应分布;
利用注意力模块接受不同数目的车辆状态编码,保持输出给解码器的数据维度为恒定值,同时学习主车对不同交通参与物的注意力权重分布;
基于所述注意力权重分布确定决策结果,并根据所述决策结果、所述机动车行为模型、所述非机动车行为模型和所述行人行为模型构建所述交通参与物行为模型。
6.一种基于自动驾驶测试的交通参与物行为模型构建系统,其特征在于,包括:
要素获取模块,用于获取复杂交通场景的动态要素;所述动态要素包括机动车要素、非机动车要素和行人要素;
子模型建立模块,用于分别对所述机动车要素、所述非机动车要素和所述行人要素进行建模,得到机动车行为模型、非机动车行为模型和行人行为模型;其中,所述行人行为模型的参数包括行人基本动力学参数和集群行人模式下模型的参数;所述集群行人模式包括瓶颈流模式、渠化现象模式、走停波模式和快即是慢模式;
交通参与物行为模型建立模块,用于根据所述机动车行为模型、所述非机动车行为模型和所述行人行为模型确定交通参与物行为模型。
7.根据权利要求6所述的基于自动驾驶测试的交通参与物行为模型构建系统,其特征在于,所述子模型建立模块具体包括:
策略模型建立单元,用于构建纵向跟驰策略的跟驰模型,横向策略的换道模型以及多目标、多方向间交互策略的交叉口交互模型;
策略建立单元,用于基于所述跟驰模型、所述换道模型和所述交叉口交互模型,根据预设通行策略构建出在符合真实道路环境中的不同类型交通参与物的行驶策略;
决策模型建立单元,用于根据所述行驶策略构建高层决策模型;所述高层决策模型用于描述自动驾驶车辆在交通系统的决策及运动行为;
机动车行为模型确定单元,用于构建车辆物理模型,并结合所述高层决策模型确定所述机动车行为模型;所述车辆物理模型包括车辆的几何尺寸、速度、加速度和转弯半径。
8.根据权利要求6所述的基于自动驾驶测试的交通参与物行为模型构建系统,其特征在于,所述子模型建立模块具体包括:
特性获取单元,用于根据预设的驾驶人特性、车辆特性和人车系统感知周围环境的交通特性,确定非机动车驾驶人的自身驾驶特性;所述驾驶人特性包括年龄、性别、心理和生理;所述车辆特性包括尺寸、制动性能和加减速性能;所述交通特性包括感知交通环境信息、估计环境变化、信息决策、反应时间和行为;
动机获取单元,用于针对周边交通环境信息的刺激确定自身驾驶动机;
非机动车行为模型确定单元,用于根据所述自身驾驶特性和所述自身驾驶动机确定所述非机动车行为模型。
9.根据权利要求6所述的基于自动驾驶测试的交通参与物行为模型构建系统,其特征在于,所述子模型建立模块具体包括:
因素获取单元,用于获取影响行人运动的具体因素;所述具体因素包括行人之间的相互作用、周围环境以及行人的目的地;
行人行为模型确定单元,用于根据预设行人行为和所述具体因素构建所述行人行为模型;所述行人基本动力学参数包括行人物理特征和行人心理特征;所述行人物理特征包括尺寸、质量和极限速度;所述行人心理特征包括反应时间;所述集群行人模式下模型的参数包括转向角度和感知范围半径。
10.根据权利要求6所述的基于自动驾驶测试的交通参与物行为模型构建系统,其特征在于,所述交通参与物行为模型建立模块具体包括:
动机产生单元,用于感知各个交通参与物的周围环境压力,产生行为动机;
注意力引入单元,用于基于所述行为动机,引入注意力机制学习复杂的道路多交通参与物交互场景中;所述道路多交通参与物交互场景包括机动车、非机动车、行人三者间的可交互区域;
注意力分配单元,用于基于待决策的交通参与物计算分配对周边邻近障碍物的注意力;所述注意力的分布对应最终决策动作对各个障碍物的响应分布;
编码解码单元,用于利用注意力模块接受不同数目的车辆状态编码,保持输出给解码器的数据维度为恒定值,同时学习主车对不同交通参与物的注意力权重分布;
耦合单元,用于基于所述注意力权重分布确定决策结果,并根据所述决策结果、所述机动车行为模型、所述非机动车行为模型和所述行人行为模型构建所述交通参与物行为模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210810429.1A CN115186585A (zh) | 2022-07-11 | 2022-07-11 | 基于自动驾驶测试的交通参与物行为模型构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210810429.1A CN115186585A (zh) | 2022-07-11 | 2022-07-11 | 基于自动驾驶测试的交通参与物行为模型构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186585A true CN115186585A (zh) | 2022-10-14 |
Family
ID=83518208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210810429.1A Withdrawn CN115186585A (zh) | 2022-07-11 | 2022-07-11 | 基于自动驾驶测试的交通参与物行为模型构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186585A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116223056A (zh) * | 2022-12-14 | 2023-06-06 | 清华大学 | 虚拟碰撞测试方法、装置、设备、存储介质和程序产品 |
-
2022
- 2022-07-11 CN CN202210810429.1A patent/CN115186585A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116223056A (zh) * | 2022-12-14 | 2023-06-06 | 清华大学 | 虚拟碰撞测试方法、装置、设备、存储介质和程序产品 |
CN116223056B (zh) * | 2022-12-14 | 2024-03-12 | 清华大学 | 虚拟碰撞测试方法、装置、设备、存储介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Convolution neural network-based lane change intention prediction of surrounding vehicles for ACC | |
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
Wang et al. | Driving style classification using a semisupervised support vector machine | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
Huegle et al. | Dynamic input for deep reinforcement learning in autonomous driving | |
Bai et al. | Deep reinforcement learning based high-level driving behavior decision-making model in heterogeneous traffic | |
Chen et al. | Driving behaviour modelling system based on graph construction | |
US11816901B2 (en) | Multi-agent trajectory prediction | |
CN112215337A (zh) | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 | |
CN112487954B (zh) | 一种面向平面交叉口的行人过街行为预测方法 | |
Wang et al. | End-to-end self-driving using deep neural networks with multi-auxiliary tasks | |
Liu et al. | Visualization of driving behavior using deep sparse autoencoder | |
CN113581182B (zh) | 基于强化学习的自动驾驶车辆换道轨迹规划方法及系统 | |
Sun et al. | Vehicle turning behavior modeling at conflicting areas of mixed-flow intersections based on deep learning | |
Sun et al. | DDPG-based decision-making strategy of adaptive cruising for heavy vehicles considering stability | |
Mavrogiannis et al. | B-gap: Behavior-rich simulation and navigation for autonomous driving | |
CN115186585A (zh) | 基于自动驾驶测试的交通参与物行为模型构建方法及系统 | |
CN115257819A (zh) | 城市低速环境下的大型营运车辆安全驾驶决策方法 | |
CN114030485A (zh) | 一种考虑附着系数的自动驾驶汽车类人换道决策规划方法 | |
CN113609784A (zh) | 一种交通极限场景生成方法、系统、设备和存储介质 | |
Yao et al. | Target vehicle selection algorithm for adaptive cruise control based on lane-changing intention of preceding vehicle | |
Hao et al. | Aggressive lane-change analysis closing to intersection based on UAV video and deep learning | |
CN116245183B (zh) | 基于图神经网络的交通场景泛化理解方法及装置 | |
Islam et al. | Enhancing Longitudinal Velocity Control With Attention Mechanism-Based Deep Deterministic Policy Gradient (DDPG) for Safety and Comfort | |
Chen et al. | Human-Like Control for Automated Vehicles and Avoiding “Vehicle Face-Off” in Unprotected Left Turn Scenarios |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221014 |