CN115221774A - 自主车辆交通模拟和道路网络建模 - Google Patents
自主车辆交通模拟和道路网络建模 Download PDFInfo
- Publication number
- CN115221774A CN115221774A CN202210060307.5A CN202210060307A CN115221774A CN 115221774 A CN115221774 A CN 115221774A CN 202210060307 A CN202210060307 A CN 202210060307A CN 115221774 A CN115221774 A CN 115221774A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- graph
- processor
- graph node
- nodes
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 23
- 230000009471 action Effects 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 230000006399 behavior Effects 0.000 claims description 48
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000001413 cellular effect Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 7
- 241000725585 Chicken anemia virus Species 0.000 description 79
- 239000003795 chemical substances by application Substances 0.000 description 34
- 238000004891 communication Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005094 computer simulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本公开提供了“自主车辆交通模拟和道路网络建模”。一种用于提高车辆建模处理器的计算速度的方法,包括通过生成与第一基础设施特征和第一区域相关联的第一图节点并且生成与第二基础设施特征和第二区域相关联的第二图节点将连续空间道路地图离散化。系统确定与第一图节点相关联的第一图节点区域,确定与第二图节点相关联的第二图节点区域,并且确定将第一图节点连接到第二图节点的连接链路类型,并且计算被多个车辆智能体中的车辆智能体占用的节点的一组概率。系统生成模拟,该模拟基于一组驾驶动作概率对车辆智能体驾驶动作进行建模。通过使用元胞自动机规则省略对未被占用的节点的计算,提高了建模计算机的处理性能。
Description
相关专利申请的交叉引用
本申请要求2021年1月19日提交的美国临时申请号63/139,276的权益,所述申请的公开内容以引用方式整体并入本文。
技术领域
本公开被配置和/或编程为使用元胞自动机(CA)逻辑规则结合真实世界交通数据来实现离散交通模拟建模方法,以创建如本文所述的自动校准的交通模拟。
背景技术
期望以灵活、快速、准确、可扩展且网络安全的方式在车辆和系统层面模拟联网和自动化车辆(CAV)交通流量。当前技术经由车辆彼此的交互来模拟各个车辆移动,从而允许在早期研究CAV性能并评估它们的运输影响。随着CAV在一般交通中与人类驾驶车辆融合,当前有各种工具可用于模拟车辆行为。然而,现有工具存在大量限制,这些限制使现有工具无法有效地模拟CAV。这些工具(i)是针对驾驶员行为的高度详细的参数化模型;(ii)善于表示传统车辆和当前交通;以及(iii)不善于模拟CAV或其他未知模式,通常使用粗略估计(内源但不准确)或需要协同模拟(外源)。
模拟CAV交通流量具有若干独特的挑战。例如,CAV不是单一类型的车辆,并且许多因素将影响其性能。CAV将与人类驾驶车辆的行为不同,其中用于实现校准的真实世界数据有限。甚至可能难以进行定向发现,诸如生成确定自主车辆(AV)与人类驾驶车辆交通的融合将增加还是减少道路拥堵的可靠预测。当对诸如车道关闭、道路坡度变化和可能改变交通模式的天气状况的环境条件进行建模时,常规工具还可能缺乏模拟和建模效率。
关于这些和其他考虑因素,提出了本文的公开内容。
发明内容
本文中公开的系统和方法被配置和/或编程为使用元胞自动机(CA)逻辑规则结合真实世界交通数据来实现离散交通模拟建模方法,以创建如本文所述的自动校准的交通模拟。
在一些实施例中,所述系统创建灵活的晶格网络以将真实世界道路的区域地图离散化,以在同样考虑到人类驾驶的交通的各种交通情况下在联网的自主车辆(CAV)在各种类型的道路上操作时对CAV进行建模。本公开的各方面描述了可提高CA交通模拟计算机的保真度和计算效率的系统,因为所述系统评估、建模并生成测量真实世界道路网络上的CAV和其他车辆交通的关键性能指标(KPI)数据。示例KPI可包括交通吞吐量(每个车道每小时的车辆数)、行驶速度、燃料消耗、十字路口处的延迟、队列长度或交通流量的其他指标。
一种系统和方法包括使用双深度神经网络来创建准确的CA模型,其中缺乏用于自主驾驶车辆的数据。
一种系统和方法包括创建基于CA的环境以同时模拟多个车辆类型。在一些方面,车辆类型可包括自主车辆(AV)、人类驾驶车辆、无线连接的车辆以及如在以下实施例中描述的其他车辆类型。
在一些方面,联网的自主车辆(CAV)微尺度建模系统(下文称为“CAV建模系统”)可应用元胞自动机(CA)技术来导入传统的连续空间地图(例如,诸如道路和基础设施地图)并将其转换为离散化有向图。在一些方面,道路和基础设施地图可包括街道、十字路口、交通信号灯、转弯车道、道路方向信息以及与真实世界基础设施相关联的其他特性的地图表示。CAV建模系统可生成离散化成连接的节点的灵活图。所公开的系统以允许容易使用的灵活性并且用改进执行模型的计算机处理装置的性能的技术来输出CAV和人类驾驶车辆交通的灵活且可扩展的交通模拟。
在一些实施例中,CAV建模系统应用简化的CA规则集以准确地表示人类行为的复杂现象,同时提供极大的灵活性且容易修改。CAV建模系统被配置和/或编程为接收真实世界驾驶员数据并且通过校准和训练基础CA驾驶员模型来更新系统。CA驾驶员模型可包括微尺度分层概率行为规则。
在另一个实施例中,本公开提供了在虚拟环境中对CAV驾驶行为的内源建模。例如,所述系统和方法可使用具有自学习能力的双深度神经网络将AV逻辑转换为具有可容易地调谐的参数的简单CA规则。在一些方面,CAV建模系统可使用贪婪算法迭代地训练AV驾驶员模型。在其他方面,CAV建模系统可包括用户界面,所述用户界面提供优雅的控制环境,所述控制环境允许用户为不同的车辆类型/行为添加新参数,所述用户界面具有控制特征来分配用于规则实现的参数。
在另一个示例实施例中,CAV建模系统生成可执行指令集以将联网的车辆建模为了解其他联网车辆的动作和运动学的“知情AV”,从而从在其检测范围内的其他联网车辆或基础设施节点接收该数据。所述系统被配置和/或编程为单独地或结合自动化来考虑建模的联网车辆,所述联网车辆具有由可与建模的环境的离散化特性相关联的用户可选择的单元维度限定的可调整检测范围。
在本文中更详细地提供了本公开的这些和其他优点。
附图说明
参考附图阐述具体实施方式。使用相同的附图标记可指示类似或相同的项。各种实施例可利用除了附图中示出的那些之外的元件和/或部件,并且一些元件和/或部件可不存在于各种实施例中。附图中的元件和/或部件不一定按比例绘制。贯穿本公开,取决于背景,可能可互换地使用单数和复数术语。
图1描绘了其中可实现用于提供本文所公开的系统和方法的技术和结构的示例计算环境。
图2A示出了示出根据本公开的使用元胞自动机(CA)的车辆交通和冲击波传播的交通模拟。
图2B描绘了根据本公开的CA模型中的多个图节点。
图3A示出了根据本公开的所公开的CA建模系统的示例用户界面。
图3B至图3D描绘了根据本公开的实施例的示例道路网络模型。
图4描绘了根据本公开的用于提高车辆建模处理器的计算速度的示例方法的流程图。
图5是根据本公开的用于控制联网的自主车辆的示例编程逻辑。
图6示出了根据本公开的实施例的将连续道路地图转换为离散化图节点模式。
图7描绘了根据本公开的实施例的奖励函数属性的图。
具体实施方式
下文将参考附图更全面地描述本公开,附图中示出了本公开的示例实施例,并且所述实施例不意图是限制性的。
模拟CAV交通流量具有若干独特的挑战。例如,CAV不是单一类型的车辆,而是可采用各种形式,具有不同的导航和操作能力。许多因素可能会影响其性能。一旦被一般公众广泛采用,CAV将与人类驾驶车辆的行为不同,其中用于实现其操作处理的校准的真实世界数据有限。甚至可能难以进行定向发现,诸如生成确定AV与人类驾驶车辆交通的融合将增加还是减少道路拥堵的可靠预测。
因此,元胞自动机(CA)方法并且特别是本文描述的方法非常适合于可解决这些问题的未知情形和紧急现象。当对诸如车道关闭、道路坡度变化和可能改变交通模式的天气状况的环境条件进行建模时,常规工具还可能缺乏模拟和建模效率。此外,常规的CAV交通建模系统可能无法为人类驾驶车辆交通提供交通建模,并且它们也被用于对CAV交通进行建模。因此,可能有利的是提供一种可对复杂的CAV和人类驾驶的交通场景进行建模而不会对用于运行模型的处理器提供过量计算要求的系统。换句话说,由于许多原因,被配置和/或编程为对CAV和人类驾驶车辆交通进行建模的系统是有利的,该系统改进计算平台的功能。
图1描绘了可包括车辆105的示例计算环境100,该车辆可以是使用所公开的系统对其操作进行建模的车辆的示例。车辆105可包括汽车计算机145和车辆控制单元(VCU)165,该车辆控制单元可包括被设置为与汽车计算机145进行通信的多个电子控制单元(ECU)117。
车辆105还可接收全球定位系统(GPS)175和/或与其进行通信。GPS 175可以是卫星系统(如图1所描绘),诸如全球导航卫星系统(GLNSS)、伽利略、或导航或其他类似系统。在其他方面,GPS 175可以是基于地球的导航网络。在一些实施例中,车辆105可响应于确定未识别阈值数量的卫星而利用GPS和航迹推算的组合。
汽车计算机145可以是或包括具有一个或多个处理器150和存储器155的电子车辆控制器。在一些示例实施例中,汽车计算机145可被设置为与一个或多个服务器170进行通信。服务器170可以是基于云的计算基础设施的一部分,并且可与远程信息处理服务递送网络(SDN)相关联和/或包括SDN,所述SDN向车辆105和可能是车辆车队的一部分的其他车辆(图1中未示出)提供数字数据服务。如本文所使用,车辆车队可指代通过彼此无线地共享信息而在道路上操作的相关或不相关车辆,所述信息有助于道路上的交通流量和相应车辆的操作。
尽管被示出为运动型多用途车,但车辆105可采取另一种乘用或商用汽车的形式,例如诸如汽车、卡车、跨界车辆、厢式货车、小型货车、出租车、公交车等,并且可被配置和/或编程为包括各种类型的汽车驱动系统。示例驱动系统可包括各种类型的内燃发动机(ICE)动力传动系统,所述各种类型的内燃发动机动力传动系统具有汽油、柴油或天然气动力的燃烧发动机与常规的驱动部件,诸如变速器、驱动轴、差速器等。
在另一种配置中,车辆105可被配置为电动车辆(EV)。更具体地,车辆105可包括电池EV(BEV)驱动系统,或者被配置为具有独立车载动力装置的混合动力EV(HEV)、包括可连接到外部电源的HEV动力传动系统的插电式HEV(PHEV)和/或包括具有燃烧发动机动力装置和一个或多个EV驱动系统的并联或串联混合动力传动系统。HEV还可包括用于蓄电的电池和/或超级电容器组、飞轮蓄电系统或其他发电和蓄电基础设施。车辆105还可被配置为燃料电池车辆(FCV),所述燃料电池车辆使用燃料电池(例如,氢燃料电池车辆(HFCV)动力传动系统等)和/或这些驱动系统和部件的任何组合将液体或固体燃料转换为可用动力。
此外,车辆105可以是手动驾驶的车辆,和/或被配置和/或编程为在完全自主(例如,无人驾驶)模式(例如,5级自主)下或在可包括驾驶员辅助技术的一种或多种部分自主模式下操作。部分自主(或驾驶员辅助)模式的示例在本领域中被广泛理解为1级至4级自主。
具有0级自主自动化的车辆可能不包括自主驾驶特征。具有1级自主的车辆可包括单个自动化驾驶员辅助特征,诸如转向或加速辅助。自适应巡航控制是1级自主系统的一个此类示例,其包括加速和转向两个方面。车辆中的2级自主可提供驾驶员辅助技术,诸如转向和加速功能的部分自动化,其中自动化系统由执行非自动化操作(诸如制动和其他控制)的人类驾驶员监督。在一些方面,在2级和更高级别的自主特征情况下,主用户140可在用户在车辆内部时控制车辆,或者在一些示例实施例中,在车辆处于远程操作时,从远离车辆但在从车辆延伸长达几米的控制区内的位置控制车辆。车辆中的3级自主可提供对驾驶特征的条件自动化和控制。例如,3级车辆自主可包括“环境检测”能力,其中自主车辆(AV)可独立于当前的驾驶员而做出明智的决策,诸如加速驶过缓慢移动的车辆,而如果系统无法执行任务,则当前的驾驶员仍准备好重新取得对车辆的控制。4级AV可独立于人类驾驶员操作,但仍可包括用于超驰操作的人类控制。4级自主还可使自驾驶模式能够响应于预定义的条件触发(诸如道路危险或系统事件)进行干预。5级AV可包括无需人类输入进行操作的全自主车辆系统,并且可能不包括人类操作的驾驶控制。因此,当车辆被配置为AV时,CAV建模控制系统107可以向车辆105提供控制一些控制方面的指令集。
图1中将无线连接130描绘为经由一个或多个网络125和经由一个或多个无线连接进行通信,所述无线连接可以是车辆105与其他移动装置之间的直接连接。无线连接130可包括各种低功耗协议,包括例如低功耗UWB、近场通信(NFC)、或其他协议。CAV或联网但由人类驾驶的车辆也可直接共享信息而无需中间服务器或分布式计算系统。
网络125示出了本公开的各种实施例中讨论的联网装置可在其中进行通信的示例通信基础设施。网络125可以是和/或包括互联网、专用网络、公共网络或使用任一种或多种已知的通信协议操作的其他配置,所述已知的通信协议是例如诸如传输控制协议/互联网协议(TCP/IP)、基于电气和电子工程师协会(IEEE)标准802.11的Wi-Fi、UWB,以及蜂窝技术,诸如时分多址(TDMA)、码分多址(CDMA)、高速分组接入(HSPDA)、长期演进(LTE)、全球移动通信系统(GSM)和第五代(5G),仅举几个示例。
根据本公开,汽车计算机145可安装在车辆105的发动机舱中(或车辆105中的其他地方)并且可作为CAV建模系统107的功能部分操作。汽车计算机145可包括一个或多个处理器150和计算机可读存储器155。
一个或多个处理器150可被设置为与被设置为与相应的计算系统进行通信的一个或多个存储器装置(例如,存储器155和/或一个或多个外部数据库169)进行通信。处理器150可利用存储器155来以代码存储程序和/或存储数据以执行根据本公开的各方面。存储器155可以是存储CAV程序代码的非暂时性计算机可读存储器。CAV程序代码可以是或包括来自CAV建模系统107的输出,其中所述系统创建并改进功能性自主车辆指令集。存储器155可包括易失性存储器元件(例如,动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)等)中的任一者或组合,并且可包括任何一个或多个非易失性存储器元件(例如,可擦除可编程只读存储器(EPROM)、快闪存储器、电子可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)等。
VCU 165可与汽车计算机145共享电力总线178,并且可被配置和/或编程为协调车辆105系统、联网的服务器(例如,服务器170)和作为车辆车队的一部分操作的其他车辆(图1中未示出)之间的数据。VCU 165可包括ECU 117的任何组合或与其通信,所述ECU是例如诸如车身控制模块(BCM)193、发动机控制模块(ECM)185、变速器控制模块(TCM)190、TCU 160、驾驶员辅助技术(DAT)控制器199等。VCU 165还可包括车辆感知系统(VPS)181和/或与其通信,所述车辆感知系统与一个或多个车辆传感系统182连接和/或控制所述一个或多个车辆传感系统。在一些方面,VCU 165可从存储在汽车计算机145的计算机可读存储器155中的一个或多个指令集控制车辆105的操作方面,所述指令集包括由CAV建模系统107生成的指令。
TCU 160可被配置和/或编程为向车辆105上和外的无线计算系统提供车辆连接性,并且可包括用于接收和处理来自GPS 175的GPS信号的导航(NAV)接收器188、模块(BLEM)195、Wi-Fi收发器、UWB收发器和/或可配置用于车辆105与其他系统、计算机和模块之间的无线通信的其他无线收发器(图1中未示出)。TCU 160可被设置为通过总线180与ECU 117进行通信。在一些方面,TCU 160可检索数据并作为CAN总线中的节点发送数据。
BLEM 195可通过广播和/或收听小广告包的广播并且与根据本文所描述的实施例配置的响应装置建立连接来使用和通信协议建立无线通信。例如,BLEM195可包括针对响应于或发起通用属性配置文件(GATT)命令和请求的客户端装置的GATT装置连接性。
总线180可被配置为以多主控串行总线标准组织的控制器局域网(CAN)总线,以用于使用基于消息的协议来连接作为节点的ECU 117中的两者或更多者,所述基于消息的协议可被配置和/或编程为允许ECU 117彼此通信。总线180可以是或包括高速CAN(其可在CAN上具有高达1Mb/s的位速度、在CAN灵活数据速率(CAN FD)上具有高达5Mb/s的位速度),并且可包括低速或容错CAN(高达125Kbps),在一些配置中,其可使用线性总线配置。在一些方面,ECU 117可与主机计算机(例如,汽车计算机145和/或可在服务器170上操作和/或包括该服务器的CAV建模系统107等)进行通信,并且还可彼此通信而不必需要主机计算机。
VCU 165可经由总线180通信来直接控制各种负载或者可结合BCM 193来实现这种控制。关于VCU 165所描述的ECU 117仅出于示例目的而提供,并且不意图是限制性的或排他性的。用图1中未示出的其他控制模块进行的控制和/或通信是可能的,并且设想了这种控制。
在示例性实施例中,ECU 117可使用来自人类驾驶员的输入、来自自主车辆控制器的输入、CAV建模系统107和/或经由通过无线连接130从其他联网的装置接收的无线信号输入来控制车辆操作和通信的各方面。当被配置为总线180中的节点时,ECU 117可各自包括中央处理单元(CPU)、CAN控制器和/或收发器(图1中未示出)。
BCM 193通常包括传感器、车辆性能指示器以及与车辆系统相关联的可变电抗器的集成,并且可包括基于处理器的配电电路,所述配电电路可控制与车身(诸如灯、窗、安全装置、门锁和访问控制)相关联的功能以及各种舒适性控制。BCM 193还可作为总线和网络接口的网关操作,以与远程ECU(图1中未示出)进行交互。
BCM 193可协调各种车辆功能性中的任一种或多种功能,包括能量管理系统、警报、车辆防盗器、驾驶员和乘坐者进入授权系统、驾驶员辅助系统、AV控制系统、电动窗、门、致动器以及其他功能性等。BCM 193可被配置用于车辆能量管理、外部照明控制、雨刮器功能性、电动窗和门功能性、暖通空调系统以及驾驶员集成系统。在其他方面,BCM 193可控制辅助设备功能性和/或负责此类功能性的集成。
DAT控制器199可提供1级至3级自动驾驶和驾驶员辅助功能,其可包括例如主动驻车辅助、挂车倒退辅助、自适应巡航控制、车道保持和/或驾驶员状态监测等特征。DAT控制器199还可提供可用于用户认证的用户和环境输入的各方面。认证特征可包括例如生物特征认证和辨识。
DAT控制器199可经由传感系统182获得输入信息,所述传感系统可包括设置在车辆内部和/或外部的传感器(图1中未示出的传感器)。DAT控制器199可接收与驾驶员功能、车辆功能和环境输入相关联的传感器信息以及其他信息。DAT控制器199可表征传感器信息,以用于识别存储在车辆105上的和/或经由服务器170的安全生物特征数据保管库(图1中未示出)中的生物特征标记。
在其他方面,当车辆105包括1级或2级自主车辆驾驶特征时,DAT控制器199还可被配置和/或编程为控制1级和/或2级驾驶员辅助。DAT控制器199可连接和/或包括车辆感知系统(VPS)181,所述车辆感知系统可包括内部和外部传感系统(统称为传感系统182)。
AV控制器(AVC)196可执行对象检测、导航,并且提供用于车辆自主操作的导航交互式控制特征。根据本文所描述的实施例,AVC 196可被设置为与CAV建模系统107通信和/或包括所述CAV建模系统。例如,AVC 196(AVC 196)可接收用于联网的自主车辆的一个或多个车辆指令集,所述指令集可致使AVC在与模拟相关联的一个或多个预定交通场景中控制车辆105,所述模拟在该特定场景中对车辆105性能进行建模和改进。在其他方面,AVC可收集历史操作数据并将数据反馈到CAV建模系统107,以改进如在一个或多个实施例中描述的那样操作的机器学习算法。
存储器155可包括实现AVC 196的基本功能性的可执行指令和地理区域中的位置数据库。
当车辆105被配置为5级自主车辆时,VPS 181可向自主车辆控制器(AVC)196提供情景感知以进行自主导航。例如,VPS 181可包括一个或多个接近传感器,可包括被配置用于使用无线电波检测和定位对象的一个或多个无线电检测和测距(RADAR或“雷达”)传感器、光探测和测距(LiDAR或“激光雷达”)传感器、具有轨迹、障碍物检测、对象分类、增强现实和/或其他能力的视觉传感器系统等。
VPS 181的接近传感器可向AVC 196警告感测到的障碍物的存在,并且提供轨迹信息,其中轨迹信息指示可与车辆105交互的移动对象或人。轨迹信息可包括相对距离、轨迹、速度、大小近似值、重量近似值和/或可指示物理对象或人的物理特性的其他信息中的一者或多者。在其他方面,VPS 181可向与车辆105无线连接并与该车辆共享信息的其他车辆提供传感信息。这种场景是如在自主车辆控制的领域理解的联网的自主车辆的“联网”部分。
AVC 196可被配置和/或编程为汇总来自NAV 188的信息,诸如当前位置和速度,以及来自VPS 181的接近传感器的感测到的障碍物,并且解译所汇总的信息以计算通往目的地的高效路径,使得车辆105可避免碰撞。感测到的障碍物可包括其他车辆、行人、动物、结构、路沿和其他随机对象。在一些实现方式中,接近传感器可被配置和/或编程为确定车辆105正在其上行驶的路径的横向尺寸,例如确定距人行道或路沿的边的相对距离,以辅助车辆导航和控制在特定路径上维持精确导航。
在一些方面,联网的自主车辆(CAV)微尺度建模系统(下文称为“CAV建模系统”)可应用元胞自动机(CA)技术来导入传统的连续空间地图(例如,诸如道路和基础设施地图)并将其转换为离散化有向图。在一些方面,道路和基础设施地图可包括街道、十字路口、交通信号灯、转弯车道、道路方向信息以及与真实世界基础设施相关联的其他特性的地图表示。CAV建模系统可生成离散化成连接的节点的灵活图。所公开的系统以允许容易使用的灵活性并且用改进执行模型的计算机处理装置的性能的技术来输出CAV和人类驾驶车辆交通的灵活且可扩展的交通模拟。
并非固定大小的晶格,灵活图可处理形态空间特征,诸如真实世界道路、车道变换和道路弯曲。例如,沿着高速公路和道路,各个道路节点之间的间隔可基于实际交通速度自适应地改变。在一些方面,CAV建模系统107可适应于特定道路部分的交通流量状况以主动地改变单元(节点)大小来适应各种大小的车辆。例如,半挂车交通可能需要比摩托车或紧凑型车辆交通显著更大的网格大小模型。
在其他方面,有利的是基于车辆速度来进一步缩放图节点的大小,其中较高速度行驶可受益于节点之间的较大距离。
在一些实施例中,CAV建模系统107可应用准确地表示人类和自主车辆行为的复杂现象的简化CA规则集。CAV建模系统107可被编程和/或配置为从联网的车辆系统(例如,AVC196)接收真实世界驾驶员数据并且通过校准和训练CA驾驶员模型来更新CAV建模系统107,所述CA驾驶员模型在本文中也被称为车辆智能体。车辆智能体可包括微尺度分层概率行为规则作为其相应的指令集的一部分,使得车辆智能体在其模拟真实世界交通场景时应用行为规则。这些场景可设想交通流量的可能产生冲击波传播的各方面并进行建模,其中一个或多个车辆执行逐渐减慢总体交通流量的动作。这通常是交通拥堵的来源。
图2A示出了示出根据本公开的使用元胞自动机(CA)的车辆交通和冲击波传播的交通模拟。该图示出了通过连接链路210接合的节点205的图。交通模拟示出了离散化连续空间道路地图的一部分,其中表示车辆智能体215的较大圆圈中的每一者对在道路上操作的自主车辆和人类驾驶车辆进行建模。连接链路210可分别包括向建模系统通知车辆智能体(表示交通中的实际车辆)在给定的各种交通场景中可如何表现的属性。如图2A所示,车辆智能体215在交通场景中以可从无速度变化到最大速度的行驶速度操作。图2所示的场景示出了在现实生活中可能形成多严重的拥堵,并且可使用在虚拟交通环境(VTE)中操作的车辆智能体对此类交通进行建模。
现在更详细地考虑CA的各方面,图2B描绘了根据本公开的CA模型220中的多个图节点200。例如,CAV建模系统107可接收连续的道路地图数据并生成被表示为多个图节点225的路段。多个图节点与一个或多个基础设施特征相关联,诸如辅路、高速公路、转弯车道、十字路口等。
CAV建模系统107可使用离散交通模拟建模技术来开发微观虚拟交通环境(VTE),所述虚拟交通环境模拟CAV行为并支持CAV开发和虚拟测试。图2B所示的VTE部分包括划分为与连续道路的区段相关联的单元或图节点230的路段的虚拟表示。更具体地,图节点225表示具有用户可选择的长度和宽度尺寸的道路的相应区段,使得节点的图可以是密集的(道路的每个区段具有相应较小的尺寸)或较不密集的(道路的每个区段具有相应较大的尺寸)。尽管形状为圆形,但是每个节点(例如,230)表示大致矩形形状(例如,具有宽度和长度)的离散化道路区段。
图节点230可表示基础设施特征,诸如街道区段、十字路口、交通信号灯、转弯车道区段、高速公路车道区段等。特定驾驶动作可使用对在相应节点上操作的车辆的驾驶动作建模的行为规则集来与相应的节点相关联。示例驾驶动作可包括汇入、激进性汇入、向左移动、激进性向左移动、向右移动、激进性向右移动、超车、激进性超车、追赶并超车、激进性追赶并超车、向右漂移、向左漂移、巡航、向左巡航和向右巡航以及其他行为。例如,如果节点与直道上的中间高速公路车道区段相关联,则该区段典型的可能驾驶动作行为可包括超车、激进性超车、向右或向左漂移、巡航等。
驾驶动作中的每一者可根据它们在每个相应的节点中发生的可能性来分析地表示。例如,在高速公路车道示例的直道区段中,与停止或其他动作相比,激进性超车的概率可能相对更高。在一方面,CAV建模系统107可提供用于设置每个相应行为的概率的界面元件。
图节点230可与定义或表征车辆在该道路部分上将如何行驶的一组可选择的独立规则相关联。使用CA技术对交通进行建模不同于不将路段划分为离散部分或单元来作为分析基础的常规方法。相反,常规建模系统可能会生成在整个建模系统中运行的规则集,这在更大更复杂的模型中可能会占用相当大的计算资源。本系统可提供灵活且可容易定制的分析工具,所述分析工具遵循仅在单元或节点(例如,215)中的一者或多者被车辆占用时应用的预定义规则。图2B示出了被车辆占用的图节点230,其中其他节点未被占用。当图节点230中的车辆智能体操作时,车辆可进行的可能的移动包括向左前方、向前直行和向右前方。
因此,并且基于与图节点230相关联的行为规则集,CAV建模系统107可计算车辆智能体驾驶动作的一组概率。然而,CAV建模系统107可省略计算多个图节点的其中没有车辆操作的其余部分的车辆智能体驾驶动作的一组概率。在这方面,该系统通过仅针对被占用的节点执行计算车辆智能体驾驶动作的概率来改进计算系统的功能性。
图3A示出了根据本公开的所公开的CA建模系统的示例用户界面300。CAV建模系统107可生成用户界面300来提供简单且易于使用的控制机制,以使用转换为CA规则的微尺度分层概率行为规则对车辆动力学进行建模。CAV建模系统107可用模拟现实的普遍交通状况的真实世界车辆轨迹来校准驾驶员模型。
用户界面300可包括用于保存用户界面300中的设置的控件302。用户可基于定义车辆在各种状况下应如何表现的简单视觉提示来使用该工具。
在一个示例实施例中,CAV建模系统107可包括用于输入唯一车辆类型的控件306,以及用于保存新车辆类型的控件304。示例车辆类型可包括汽车、卡车、厢式货车、半卡车等。该系统还可包括用于删除车辆类型的控件308,以及用于描述道路状况(例如,诸如若干车道、自由车流速度、汇入车道指示器等)的控件。
在添加/重命名/删除规则部分312中,CAV建模系统107可输出用于设置与规则316中所示的驾驶行为相关联的规则属性的控件。描绘了节点的视觉表示,所述视觉表示示出了多个节点338的车辆行驶方向340。例如,车辆可从特定节点向前行驶、向左行驶、向右行驶或成角度地向前行驶。其他方向是可能的并且可由用户指示。
CAV建模系统107可输出允许用户(图3A中未示出)使用节点占用控件318或概率控件323来选择空节点332或被占用节点334并且设置一组规则342中的每个相应规则的节点占用规则328或概率规则330的控件。CAV建模系统107可提供用于使用向上和向下控件来应用规则316的相对顺序或优先级。
例如,系统可呈现可选择行为规则,所述可选择行为规则可根据道路类型(例如,针对所有高速公路、小巷等)应用于系统中的一个或多个单元336。在另一个示例中,系统可呈现可选择行为规则,所述可选择行为规则可应用于在任何给定的节点内操作的车辆类型,或者基于诸如道路行进方向等的其他属性应用。
在其他方面,CAV建模系统107可基于被表示为道路网络模型的道路配置来应用规则和相应的概率,所述道路网络模型表示常见的道路配置和基础设施特征。图3B至图3D描绘了根据本公开的实施例的示例道路网络模型。
图3B描绘了包括十字路口的多个基础设施特征。例如,基础设施特征344至350示出了以汇入垂直交通的四个配置取向的双车道立交桥。可在道路配置346、348和350中选择交通方向。四车道立交桥352示出了具有可选择交通方向354、356和358的第二组基础设施特征。
图3C示出了具有四叶式立体交叉道和不同交通流量的点360的另一个可选择的道路网络模型。不同交通流量的点可包括可包含与车辆类型、速度或基于车辆交通而改变的其他特性相关联的属性的节点。
图3D示出了具有节点365的网格的另一高速公路配置,所述节点可以是可选择的以包括如图3A中所解释的唯一行为规则。
图4是根据本公开的用于提高车辆建模处理器的计算速度的示例方法400的流程图。可继续参考包括图1至图3D的先前附图来描述图4。以下过程是示例性的,并且不限于下文描述的步骤。此外,替代实施例可包括本文示出或描述的更多或更少的步骤,并且可以与以下示例实施例中描述的顺序不同的顺序包括这些步骤。
首先参考图4,在步骤405处,方法400可从将连续空间道路图离散化开始,这可包括生成与第一基础设施特征和第一区域相关联的第一图节点。连续空间道路地图可以是或包括公开可用的数字或模拟道路地图。CAV建模系统107可将道路地图离散化为第一多个图节点和第二多个图节点,所述第一图节点具有在第一多个图节点中的每个节点的限定边界内操作的至少一个车辆智能体,所述第二图节点不具有在第二多个图节点中的任何节点的限定边界内操作的车辆智能体。图形点可以是例如关于图2B所示的图节点230。
在步骤410处,方法400还可包括生成与第二基础设施特征和第二区域相关联的第二图节点。该步骤可包括确定节点的相对大小以将连续道路地图离散化并靠近第一节点构建第二节点。第一节点和第二节点表示离散化地图的连续区段,并且可使用连接链路(例如,表示两个节点之间的相对关联的线)来连接。
在步骤415处,方法400还可包括经由处理器来确定与第一图节点相关联的第一图节点区域。
在步骤420处,方法400还可包括经由处理器基于相应的连续地图部分的地理区域来确定与第二图节点相关联的第二图节点区域。该步骤可包括评估靠近第一节点的相对区域,以及基于用户输入来确定限定节点大小的区域或边界尺寸。
在步骤425处,方法400还可包括确定将第一图节点连接到第二图节点的连接链路类型。该步骤可包括识别第一节点和第二节点并且确定它们彼此的相对接近度。
在步骤430处,方法400还可包括经由处理器计算被多个车辆智能体中的车辆智能体占用的节点的一组概率。概率可指代车辆执行与车辆行为一致的操作的相应概率,所述车辆行为诸如超越另一个车辆、向左汇入、向右汇入、减速以及追赶并超越另一个车辆或其他选择。
该步骤可包括:经由处理器来接收用户选择,所述用户选择指示行为规则列表上的可选择行为规则;经由处理器来接收用户输入,所述用户输入包括与可选择行为规则相关联的概率指示符;基于概率指示符和可选择行为规则来生成车辆智能体驾驶动作的模型;以及使用模型来输出与车辆智能体驾驶动作相关联的KPI。
在步骤435处,方法400还可包括经由处理器来生成模拟,所述模拟基于车辆智能体驾驶动作的一组概率对车辆智能体驾驶动作进行建模。该步骤可包括针对第一多个图节点来计算车辆智能体驾驶动作的一组概率,以及针对第二多个图节点省略计算车辆智能体驾驶动作的一组概率。在一些方面,对车辆智能体驾驶动作进行建模可包括经由处理器基于链路类型并且进一步基于行为规则集中的规则来确定行为规则;以及经由处理器并基于规则来分配与车辆智能体驾驶动作相关联的关键性能指标(KPI)。在一些方面,行为规则集是用户可选择的以包括与一组驾驶动作中的驾驶动作相关联的加权建模规则,所述驾驶动作包括汇入、激进性汇入、向左移动、激进性向左移动、向右移动、激进性向右移动、超车、激进性超车、追赶并超车、激进性追赶并超车、向右漂移、向左漂移、向左巡航以及向右巡航。车辆智能体执行模拟联网的自主车辆的驾驶行为的驾驶模型指令集。
图5是根据本公开的用于控制联网的自主车辆的示例编程逻辑。根据一个示例实施例,CAV建模系统107可通过生成模拟的道路网络环境来对联网的车辆行为进行建模,如在先前图中所示。在一些方面,CAV建模系统107可将连续道路网络地图转换为图节点网络。例如,如框505中所示,系统可确定要建模的地理区域并且从地图提供方(在框510处)接收连续道路地图。CAV建模系统107可将连续道路网络地图转换成表示街道、十字路口、交通信号灯和其他基础设施元素的离散化有向图的图节点网络,成为灵活且可扩展的道路节点图。图可以是灵活且可扩展的,因为相应节点的相应大小、尺寸和关联可容易由建模系统用户改变。
因此,系统可识别图节点网络的第三图节点,识别图节点网络的第四图节点,确定第三图节点和第四图节点中的一者在距第一图节点或第二图节点的阈值距离内,创建从第三图节点到第四图节点的第二连接链路;并且创建从第一节点和第二节点中的一者到第三图节点和第四图节点中的一者的第三连接链路。系统可基于用户可选择的节点大小和节点之间的距离来接合缺失的连接。
例如,CAV建模系统107可识别与第一基础设施特征和第一区域相关联的第一图节点,识别与第二基础设施特征和第二区域相关联的第二图节点,并且接合相应节点之间的缺失的连接,如框515中所示。在一些方面,CAV建模系统107可创建将第一图节点连接到第二图节点的第一连接链路;向第一连接链路分配第一链路类型,所述第一链路类型指示在与第一图节点和第二图节点相关联的道路部分上的车辆移动;并且生成具有第一链路和第二链路的模拟道路网络环境,其中车辆智能体可执行以基于第一链路类型对驾驶行为进行建模。
处理器还可被编程为通过从可包括单向行驶、双向行驶、高速公路行驶和辅路行驶的一组链路类型中进行选择来创建第一链路类型。在其他方面,CAV建模系统107可通过将一组链路属性从第一连接链路复制到第三连接链路来提高生成模型的计算处理器的处理速度,其中第一连接链路和第二连接链路包括相同的链路属性。
CAV建模系统107可通过执行指令以基于第一链路类型并且进一步基于行为规则集中的规则来确定行为规则并且基于规则来分配与车辆智能体驾驶动作相关联的关键性能指标(KPI)来对车辆智能体进行建模。在一些方面,行为规则集可以是用户可选择的以包括与一组驾驶动作中的驾驶动作相关联的加权建模规则,如图3A所示。
CAV建模系统107可通过接收车辆轨迹历史数据525、基于车辆轨迹历史数据525生成元胞自动机(CA)参数并且在步骤545处提供CA参数来校准CA参数,如框520所示。交通环境和流量状况535可包括实际或预测的交通信息540以及指示驾驶员或AV在给定的特定道路状况下执行操纵的相对概率的观察到的或预测的驾驶员行为550。AV行为数据570可用于更新一个或多个CAV行为数据库560,所述一个或多个CAV行为数据库可用于针对并非所有AV都可能遇到的新交通流量状况来训练AV。换句话说,一些AV的经验可由CAV建模系统107用于基于特定且独特的交通状况的成功导航来训练规则。CAV建模系统107可在步骤555处确定是否针对该特定交通状况训练了AV,并且如果AV从未相对成功地遇到该状况或被训练来导航该交通状况,响应于确定其已经成功地导航该交通状况,CAV建模系统107可更新CAV行为数据库560或将修改后的规则集转发到AV(步骤565)。
图6示出了根据本公开的实施例的将连续道路地图转换为离散化图节点模式。因此,CAV建模系统107可基于连续空间道路地图来生成虚拟交通环境。该过程可包括经由处理器对在虚拟交通环境中操作的第一车辆智能体进行建模,以及经由处理器来设置可调整的检测范围,所述可调整的检测范围指示车辆智能体向在虚拟交通环境中操作的第二车辆智能体发送交通信息和从其接收交通信息的通信距离。在一些方面,第一车辆智能体和第二车辆智能可以是用户可选择的以对联网的自主车辆或人类驾驶车辆的驾驶行为进行建模。在图3A中示出了可用于此目的的一个界面的示例。系统可基于虚拟交通环境并且进一步基于可调整的检测范围来生成与交通流量相关联的一组关键性能指标。如先前图中所示,离散化网格网络包括多个节点,所述多个节点具有增大或减小图节点大小的可选择的图节点网格密度。系统是灵活的,因为其可提供用于基于交通密度来改变图节点网格距离的机制。这可提供具有可选择的图节点大小或基于车辆速度或车辆类型的多个节点。图节点大小可进一步基于道路类型。
例如,如图6所示,描绘了连续地图605,其中连续道路的真实世界地图被离散化为具有单元的CA图610。610中的网格网络的相对空间可包括与在汇入匝道615处观察到的交通相关联的第一网格密度620,以及与更靠近主干道的道路区段相关联的第二网格密度625,其中车辆可能趋向于增加速度。
图7描绘了根据本公开的实施例的奖励函数属性的图。在一些方面,CAV建模系统107可利用基于落后距离、期望方向、距前车的期望距离、期望速度和车道变换计数以及其他可能标准的奖励函数以使用机器学习技术来训练计算机模型。
例如,再次参考图5,CAV建模系统107可被配置和/或编程为执行指令以对虚拟交通环境进行建模(模拟设置530),并且基于CA图节点交通建模系统来生成对车辆智能体驾驶动作进行建模的模拟。CAV建模系统107可基于模拟来生成联网的自主车辆的车辆指令集,如在框565处所示(针对新交通流量训练AV),并且确定联网的自主车辆已经遇到与模拟相关联的预定交通场景。CAV建模系统107可向联网的自主车辆传输车辆指令集,其中接收AV可受益于导航独特交通情况的改进的功能性。
在一些方面,CAV建模系统107可使用深度神经网络来生成模拟,并且使用深度神经网络来确定一个或多个模型参数。因此,系统可将奖励函数参数化以识别与在预定交通场景中导航车辆智能体驾驶动作相关联的一个或多个车辆操纵,并且使用奖励函数来生成车辆指令集。
在以上公开中,已经参考了形成以上公开的一部分的附图,附图示出了其中可实践本公开的具体实现方式。应理解,在不脱离本公开的范围的情况下,可利用其他实现方式,并且可进行结构改变。本说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指示所描述的实施例可包括特定特征、结构或特性,但每个实施例可能不一定包括所述特定特征、结构或特性。此外,这样的短语不一定指相同的实施例。此外,当结合实施例描述特征、结构或特性时,无论是否明确描述,本领域技术人员都将认识到结合其他实施例的此类特征、结构或特性。
此外,在适当的情况下,本文中描述的功能可在以下项中的一者或多者中执行:硬件、软件、固件、数字部件或模拟部件。例如,一个或多个专用集成电路(ASIC)可被编程为执行本文所描述的系统和程序中的一者或多者。贯穿说明书和权利要求使用某些术语来指代特定系统部件。如本领域技术人员将理解,部件可通过不同的名称来指代。文件不意图区分名称不同但功能相同的部件。
还应当理解,如本文所使用的词语“示例”意图在本质上是非排他性的和非限制性的。更具体地,本文使用的词语“示例”指示若干示例中的一者,并且应当理解,没有对所描述的特定示例进行不适当的强调或偏好。
计算机可读介质(也称为处理器可读介质)包括参与提供可由计算机(例如,由计算机的处理器)读取的数据(例如,指令)的任何非暂时性(例如,有形)介质。此类介质可采取许多形式,包括但不限于非易失性介质和易失性介质。计算装置可包括计算机可执行指令,其中所述指令可由一个或多个计算装置(诸如以上列出的那些)执行并且存储在计算机可读介质上。
关于本文所描述的过程、系统、方法、启发法等,应理解,尽管已经将此类过程等的步骤描述为根据某个有序顺序发生,但是此类过程可以与本文所描述的次序不同的次序执行所描述的步骤来实践。还应理解,可同时执行某些步骤,可添加其他步骤,或者可省略本文描述的某些步骤。换句话说,本文中对过程的描述是出于说明各种实施例的目的而提供的,并且绝不应被解释为限制权利要求。
因此,应当理解,以上描述意图是说明性的而非限制性的。在阅读以上描述时,除所提供的示例之外的许多实施例和应用将为明显的。所述范围不应参考以上描述来确定,而是应参考所附权利要求以及享有此类权利要求的权利的等效物的整个范围来确定。预计并且意图在于本文所讨论的技术未来将有所发展,并且所公开的系统和方法将并入此类未来实施例中。总而言之,应当理解,本申请能够进行修改和改变。
除非在本文中做出明确的相反指示,否则权利要求中使用的所有术语意图被赋予其如本文中描述的技术人员所理解的普通含义。特别地,除非权利要求叙述相反的明确限制,否则使用例如“一个”、“该”、“所述”等单数冠词应被解读为叙述所指示的要素中的一者或多者。除非另有特别说明或在使用时在上下文内以其他方式理解,否则诸如尤其是“能够”、“可能”、“可以”或“可”的条件语言通常意图表达某些实施例可以包括某些特征、元件和/或步骤,而其他实施例可不包括某些特征、元件和/或步骤。因此,此类条件语言一般并不意图暗示一个或多个实施例无论如何都需要各特征、元件和/或步骤。
Claims (15)
1.一种用于提高车辆建模处理器的计算速度的方法,其包括:
将连续空间道路地图离散化,其包括:
生成与第一基础设施特征和第一区域相关联的第一图节点;以及
生成与第二基础设施特征和第二区域相关联的第二图节点;
经由所述处理器确定与所述第一图节点相关联的第一图节点区域;
经由所述处理器确定与所述第二图节点相关联的第二图节点区域;
确定将所述第一图节点连接到所述第二图节点的连接链路类型;
经由所述处理器计算被多个车辆智能体中的车辆智能体占用的节点的一组概率;以及
经由所述处理器生成模拟,所述模拟基于车辆智能体驾驶动作的一组概率对车辆智能体驾驶动作进行建模。
2.根据权利要求1所述的方法,其中所述连续空间道路地图包括:
第一多个图节点,所述第一多个图节点具有在所述第一多个图节点中的每个节点的限定边界内操作的至少一个车辆智能体;以及
第二多个图节点,所述第二多个图节点不具有在所述第二多个图节点中的任何节点的限定边界内操作的车辆智能体。
3.根据权利要求2所述的方法,其中对车辆智能体驾驶动作进行建模还包括:
针对所述第一多个图节点计算车辆智能体驾驶动作的所述一组概率,以及针对所述第二多个图节点省略计算车辆智能体驾驶动作的所述一组概率。
4.根据权利要求2所述的方法,其中对所述车辆智能体驾驶动作进行建模还包括:
经由所述处理器基于链路类型并且进一步基于行为规则集中的规则来确定行为规则;以及
经由所述处理器并基于所述规则来分配与所述车辆智能体驾驶动作相关联的关键性能指标(KPI)。
5.根据权利要求4所述的方法,其中所述行为规则集是用户可选择的以包括与一组驾驶动作中的驾驶动作相关联的加权建模规则,所述驾驶动作包括:
汇入;
激进性汇入;
向左移动;
激进性向左移动;
向右移动;
激进性向右移动;
超车;
激进性超车;
追赶并超车;
激进性追赶并超车;
向右漂移;
向左漂移;
巡航;
向左巡航;以及
向右巡航。
6.根据权利要求5所述的方法,其中将所述连续空间道路地图离散化还包括:
经由所述处理器接收用户选择,所述用户选择指示行为规则列表上的可选择行为规则;
经由所述处理器接收用户输入,所述用户输入包括与所述可选择行为规则相关联的概率指示符;
基于所述概率指示符和所述可选择行为规则生成所述车辆智能体驾驶动作的模型;以及
使用所述模型输出与所述车辆智能体驾驶动作相关联的所述KPI。
7.根据权利要求1所述的方法,其中所述车辆智能体执行模拟联网的自主车辆(CAV)的驾驶行为的驾驶模型指令集。
8.根据权利要求1所述的方法,其中所述第一基础设施特征和所述第二基础设施特征包括以下各项中的一者:
道路行进方向;
高速公路;
辅路;
收费道路;
十字路口;以及
多个转弯车道。
9.一种系统,所述系统包括:
处理器;以及
用于存储可执行指令的存储器,所述处理器被编程为执行所述可执行指令以:
将连续空间道路地图离散化,其包括:
生成与第一基础设施特征和第一区域相关联的第一图节点;以及
生成与第二基础设施特征和第二区域相关联的第二图节点;
经由所述处理器确定与所述第一图节点相关联的第一图节点区域;
经由所述处理器确定与所述第二图节点相关联的第二图节点区域;
确定将所述第一图节点连接到所述第二图节点的连接链路类型;以及
经由所述处理器计算被多个车辆智能体中的车辆智能体占用的节点的一组概率;以及
经由所述处理器生成模拟,所述模拟基于车辆智能体驾驶动作的一组概率对车辆智能体驾驶动作进行建模。
10.根据权利要求9所述的系统,其中所述连续空间道路地图包括:
第一多个图节点,所述第一多个图节点具有在所述第一多个图节点中的每个节点的限定边界内操作的至少一个车辆智能体;以及
第二多个图节点,所述第二多个图节点不具有在所述第二多个图节点中的任何节点的限定边界内操作的车辆智能体。
11.根据权利要求10所述的系统,其中所述处理器还被编程为通过执行所述指令以进行以下操作来对所述车辆智能体驾驶动作进行建模:
针对所述第一多个图节点计算所述车辆智能体驾驶动作的一组概率;以及
针对所述第二多个图节点省略计算所述车辆智能体驾驶动作的所述一组概率。
12.根据权利要求10所述的系统,其中所述处理器还被编程为通过执行所述可执行指令以进行以下操作来对所述车辆智能体进行建模:
基于链路类型并且进一步基于行为规则集中的规则来确定行为规则;以及
基于所述规则来分配与所述车辆智能体驾驶动作相关联的关键性能指标(KPI)。
13.根据权利要求12所述的系统,其中所述行为规则集是用户可选择的以包括与一组驾驶动作中的驾驶动作相关联的加权建模规则,所述驾驶动作包括:
汇入;
激进性汇入;
向左移动;
激进性向左移动;
向右移动;
激进性向右移动;
超车;
激进性超车;
追赶并超车;
激进性追赶并超车;
向右漂移;
向左漂移;
巡航;
向左巡航;以及
向右巡航。
14.根据权利要求13所述的系统,其中所述处理器还被编程为通过执行所述可执行指令以进行以下操作来将所述连续空间道路地图离散化:
接收用户选择,所述用户选择指示行为规则列表上的可选择行为规则;
接收用户输入,所述用户输入包括与所述可选择行为规则相关联的概率指示符;
基于所述概率指示符和所述可选择行为规则生成所述车辆智能体驾驶动作的模型;以及
使用所述模型输出与所述车辆智能体驾驶动作相关联的所述KPI。
15.根据权利要求9所述的系统,其中所述多个车辆智能体执行模拟联网的自主车辆(CAV)的驾驶行为的驾驶模型指令集。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163139276P | 2021-01-19 | 2021-01-19 | |
US63/139,276 | 2021-01-19 | ||
US17/574,240 US20220229954A1 (en) | 2021-01-19 | 2022-01-12 | Autonomous vehicle traffic simulation and road network modeling |
US17/574,240 | 2022-01-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221774A true CN115221774A (zh) | 2022-10-21 |
Family
ID=82217841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060307.5A Pending CN115221774A (zh) | 2021-01-19 | 2022-01-19 | 自主车辆交通模拟和道路网络建模 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220229954A1 (zh) |
CN (1) | CN115221774A (zh) |
DE (1) | DE102022101233A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11760368B2 (en) * | 2021-10-19 | 2023-09-19 | Cyngn, Inc. | System and method of same-loop adaptive simulation for autonomous driving |
CN116702389B (zh) * | 2023-04-27 | 2024-04-19 | 北京交通大学 | 一种针对混合交通流的嵌套流量计算方法 |
CN116884225B (zh) * | 2023-09-05 | 2023-12-26 | 天津大学 | 评估自动驾驶车辆比例对交通效率影响的方法及装置 |
-
2022
- 2022-01-12 US US17/574,240 patent/US20220229954A1/en active Pending
- 2022-01-19 DE DE102022101233.6A patent/DE102022101233A1/de active Pending
- 2022-01-19 CN CN202210060307.5A patent/CN115221774A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220229954A1 (en) | 2022-07-21 |
DE102022101233A1 (de) | 2022-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11835950B2 (en) | Autonomous vehicle safe stop | |
CN112368662B (zh) | 用于自主运载工具操作管理的定向调整动作 | |
US10838423B2 (en) | Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits | |
CN110861650B (zh) | 车辆的路径规划方法、装置,车载设备和存储介质 | |
CN112204633B (zh) | 概率性对象跟踪和预测框架 | |
US10802492B2 (en) | Vehicle path identification | |
US20190286151A1 (en) | Automated driving systems and control logic for cloud-based scenario planning of autonomous vehicles | |
US20220229954A1 (en) | Autonomous vehicle traffic simulation and road network modeling | |
US20190079526A1 (en) | Orientation Determination in Object Detection and Tracking for Autonomous Vehicles | |
US20170192437A1 (en) | System and method for autonomous vehicle fleet routing | |
US8949028B1 (en) | Multi-modal route planning | |
CN109690657B (zh) | 用于在车辆中操作智能教程的方法和装置 | |
CN113460042B (zh) | 车辆驾驶行为的识别方法以及识别装置 | |
US11520338B2 (en) | Systems and methods for vehicle spatial path sampling | |
US11794774B2 (en) | Real-time dynamic traffic speed control | |
US11797019B2 (en) | Rugged terrain vehicle design and route optimization | |
JP2022041923A (ja) | 接続されたデータ分析プラットフォームを用いた車両経路指定 | |
CN111599166B (zh) | 用于解释交通信号和协商信号化的交叉路口的方法和系统 | |
CN110426215B (zh) | 一种用于车辆平顺性测试的模型建立方法及智能驾驶系统 | |
CN117315970A (zh) | 涉及交叉路口处交通拥堵的自主车辆的车道改变 | |
CN113799794B (zh) | 车辆纵向运动参数的规划方法和装置 | |
WO2022212433A1 (en) | Multi-dimensional extended trajectory planning with changing dimensionality based on horizon steps | |
US20240140486A1 (en) | Methods and apparatuses for closed-loop evaluation for autonomous vehicles | |
US11932280B2 (en) | Situation handling and learning for an autonomous vehicle control system | |
US20220317697A1 (en) | Multi-dimensional extended trajectory planning with changing dimensionality based on horizon steps |
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 |