CN115935573A - 用于自动驾驶车辆的仿真方法和控制自动驾驶车辆的方法 - Google Patents
用于自动驾驶车辆的仿真方法和控制自动驾驶车辆的方法 Download PDFInfo
- Publication number
- CN115935573A CN115935573A CN202110909544.XA CN202110909544A CN115935573A CN 115935573 A CN115935573 A CN 115935573A CN 202110909544 A CN202110909544 A CN 202110909544A CN 115935573 A CN115935573 A CN 115935573A
- Authority
- CN
- China
- Prior art keywords
- simulation
- autonomous vehicle
- information
- vehicle
- current state
- 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 358
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004590 computer program Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 15
- 230000008447 perception Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 26
- 230000002159 abnormal effect Effects 0.000 description 23
- 230000005856 abnormality Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000001960 triggered effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 4
- 230000003936 working memory Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
- G05D1/0282—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal generated in a local control room
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种用于自动驾驶车辆的仿真方法和控制自动驾驶车辆的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。用于自动驾驶车辆的仿真的方法包括:获取所述自动驾驶车辆的当前状态信息;基于所述当前状态信息进行仿真,以获取用于所述自动驾驶车辆的预测信息;以及向所述自动驾驶车辆发送所述预测信息。
Description
技术领域
本公开涉及智能交通领域,特别涉及自动驾驶的仿真和控制技术,具体涉及一种用于自动驾驶车辆的仿真方法、控制自动驾驶车辆的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
在自动驾驶领域,通过车辆的处理能力可以实现用于自动驾驶的定位模块、感知模块、决策模块、控制模块等模块的功能。可以使用数字孪生查看实时的城市交通情况、对历史交通情况进行回归测试。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
根据本公开的一个方面,提供了一种用于自动驾驶车辆的仿真的方法,包括:获取所述自动驾驶车辆的当前状态信息;基于所述当前状态信息进行仿真,以获取用于所述自动驾驶车辆的预测信息;以及向所述自动驾驶车辆发送所述预测信息。
根据本公开的另一方面,提供了一种用于控制自动驾驶车辆的方法,包括:向云端仿真系统发送所述自动驾驶车辆的当前状态信息;获取所述云端仿真系统基于所述当前状态信息进行仿真得到的预测信息;以及基于所述预测信息生成用于所述自动驾驶车辆的控制信息。
根据本公开的另一方面,提供了一种用于自动驾驶车辆的仿真的装置,包括:获取单元,配置成获取所述自动驾驶车辆的当前状态信息;仿真单元,配置成基于所述当前状态信息进行仿真,以获取用于所述自动驾驶车辆的预测信息;以及发送单元,配置成向所述自动驾驶车辆发送所述预测信息。
根据本公开的另一方面,提供了一种用于控制自动驾驶车辆的装置,包括;发送单元,配置成向云端仿真系统发送所述自动驾驶车辆的当前状态信息;获取单元,配置成获取所述云端仿真系统基于所述当前状态信息进行仿真得到的预测信息;以及控制单元,配置成基于所述预测信息生成用于所述自动驾驶车辆的控制信息。
根据本公开的另一方面,提供了一种车辆,包括如前所述用于控制自动驾驶车辆的装置。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有指令,该指令当被至少一个处理器执行时使至少一个处理器执行本公开所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现本公开所述的方法。
根据本公开的一个或多个实施例,通过获取车辆的实时状态,可以基于车辆实时状态进行仿真并向车辆提供用于未来一段时间的超实时仿真的预测结果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出根据示例性实施例的应用场景100的示意图;
图2示出了根据本公开的实施例的用于自动驾驶车辆的仿真的方法的流程图;
图3示出了根据本公开的实施例的用于控制自动驾驶车辆的方法的流程图;
图4示出了根据本公开的实施例的应用场景示例性的场景图;
图5示出了根据本公开的实施例的自动驾驶车辆执行的操作的示例性的过程;
图6示出了根据本公开的实施例的由部署在云端服务器的云端仿真系统执行的操作的示例性的过程;
图7A示出了根据本公开的实施例的示例性的自动驾驶过程;
图7B示出了根据本公开的实施例的另一种示例性的自动驾驶过程;
图8示出了根据本公开的实施例的用于自动驾驶车辆的仿真的装置的示例性框图;
图9示出了根据本公开的实施例的用于控制自动驾驶车辆的装置的示例性框图;以及
图10是示出能够应用于示例性实施例的示例性计算设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在自动驾驶领域,为了提升自动驾驶系统的性能,可以通过提升单个车辆的处理能力,用更高的算力去提升定位模块、感知模块、决策模块、控制模块等模块的性能。然而,单个车辆的算力资源的提升始终是很有限的,这些有限的资源都要用于提供当前环境下车辆运行的计算,而没有多余的算力同时用于实时仿真、超实时仿真,因此就无法预测自动驾驶过程中未来一段时间(如几秒)后可能出现问题。
在城市交通领域可以数字孪生技术能够用来查看实时的城市交通情况、对历史交通情况进行回归测试等,但也不能针对单个智能车辆预测未来一段时间内的环境变化会出现什么样的问题。
为了解决上述问题,本公开的实施例提供了一种新的用于自动驾驶车辆的仿真的方法以及控制自动驾驶车辆的方法。下文中将结合附图描述本公开的原理。
图1示出根据示例性实施例的应用场景100的示意图。如图1所示,该应用场景100可以包括车辆110(如图1中示出的车辆)、网络120、服务器130以及数据库140。其中,车辆110可以搭载有用于自动驾驶的电子系统。
车辆110可以耦接到各种传感器,如卫星定位传感器(例如GPS、北斗系统等)、速度传感器、惯性传感器(如加速度传感器和/或陀螺仪)、方向传感器、激光传感器、图像传感器、雷达等。利用安装在车辆上的传感器获取的感测数据,可以获取指示车辆当前状态信息,例如车辆状态信息、环境信息、运行状态信息等。
车辆110还可以包括通信单元,并可以将指示车辆当前状态信息的信息经由网络120发送至服务器130,并由服务器130执行本申请提供的用于自动驾驶车辆的仿真的方法。
在一些实现方式中,服务器130可以利用服务器内置的应用程序执行本申请提供的用于自动驾驶车辆的仿真的方法。在另一些实现方式中,服务器130可以通过调用服务器外部存储的应用程序执行本申请提供的用于自动驾驶车辆的仿真的方法。
网络120可以是单个网络,或至少两个不同网络的组合。例如,网络120可以包括但不限于局域网、广域网、公用网络、专用网络等中的一种或几种的组合。
服务器130可以是一个单独的服务器,或一个服务器群组,群组内的各个服务器通过有线的或无线的网络进行连接。一个服务器群组可以是集中式的,例如数据中心,也可以是分布式的。服务器130可以是本地的或远程的。
数据库140可以泛指具有存储功能的设备。数据库140主要用于存储从车辆110和服务器130工作中所利用、产生和输出的各种数据。数据库140可以是本地的,或远程的。数据库140可以包括各种存储器、例如随机存取存储器(Random Access Memory(RAM))、只读存储器(Read Only Memory(ROM))等。以上提及的存储设备只是列举了一些例子,该系统可以使用的存储设备并不局限于此。
数据库140可以经由网络120与服务器130或其一部分相互连接或通信,或直接与服务器130相互连接或通信,或是上述两种方式的结合。
在一些实施例中,数据库140可以是独立的设备。在另一些实施例中,数据库140也可以集成在车辆110和服务器130中的至少一个中。例如,数据库140可以设置在车辆110上,也可以设置在服务器130上。又例如,数据库140也可以是分布式的,其一部分设置在车辆110上,另一部分设置在服务器130上。
图2示出了根据本公开的实施例的用于自动驾驶车辆的仿真的方法的流程图。可以利用图1中示出的服务器130执行图2中示出的方法200。其中服务器130可以被实现为云端服务器。在服务器130上可以部署根据本公开的实施例的云端仿真系统。
如图2所示,在步骤S202中,可以获取自动驾驶车辆的当前状态信息。
在一些实施例中,车辆的当前状态信息可以包括车辆状态信息、环境信息、模块运行状态信息。
在一些实现方式中,车辆状态信息可以包括车辆位姿信息、车辆速度信息、车辆控制系统信息等。例如,车辆位姿信息可以包括但不限于车头矢量方向、挂箱夹角、地理位置(如GPS位置等)。又例如,车辆速度信息可以包括但不限于车辆速度矢量、车辆加速度矢量、车辆油门/刹车大小等。又例如,车辆控制系统信息可以包括但不限于车辆发动机转速、车辆发动机档位、变速箱状态、离合器状态等。
在一些实现方式中,环境信息可以包括自动驾驶车辆周围的车道线信息、道路信息(如道路是高速路、低速路、弯道、上下坡等)、交通牌的位置、交通牌的类型、信号灯的位置、信号灯(如红绿灯)的颜色、自动驾驶车辆周围其他车辆的大小、位置和速度、自动驾驶车辆周围的行人的位置和速度、天气等。可以通过自动驾驶车辆上安装的传感器(如雷达、激光雷达、照相机等)获取感测信息并对所获取的感测信息进行融合来得到上述环境信息。可以理解的是,本领域技术人员可以利用任何现有的方法对感测信息进行融合来得到自动驾驶车辆周围的环境信息。
在一些实现方式中,模块运行状态信息可以包括自动驾驶系统的各个算法模块的运行状态,例如定位模块、感知模块、决策模块、控制模块等各算法模块的运行状态。在一些示例中,模块运行状态信息可以包括指示各个模块的运行结果是正常的信息、指示各个模块的运行结果是异常的信息、各个模块的运行帧率、各个模块的警告日志等等。
在一些实现方式中,执行方法200的服务器可以允许多个自动驾驶车辆的连接并获取多个自动驾驶车辆的当前状态信息。
在一些示例中,可以通过车辆队列来存储各个自动驾驶车辆的当前状态信息。其中,车辆队列中的每个节点对应于一个自动驾驶车辆。每个车辆的车辆节点中可以保存该车辆的编号以及车辆状态队列。其中,每个车辆的车辆状态队列中可以包括预定数量(如300个)的多个车辆状态节点。
当自动驾驶车辆第一次连接服务器时,用于执行仿真过程的服务器可以为自动驾驶车辆分配一套独立的仿真环境,并将自动驾驶车辆第一次连接时的当前状态信息保存在用于该车辆的车辆节点中的第一个车辆状态节点中,并告知车辆初始化完毕。然后,每次该车辆连接到服务器时,可以将最新的当前状态信息存入车辆状态队列中。当车辆状态队列被写满后,每次写入最新的当前状态信息时,可以删除最旧的车辆状态节点。
在一些实现方式中,自动驾驶车辆可以周期性地(例如以每秒为周期)将自身的当前状态信息发送给服务器的仿真系统。
可以理解的是,本领域技术人员可以根据实际情况设置车辆队列中车辆节点的数量。在一些情况下,可以利用十进制整数来表示车辆队列中各个车辆节点的车辆编号。在以10位的十进制整数表示车辆队列中的车辆编号的情况下,服务器可以同时容纳百亿级别的车辆的信息。
在步骤S204中,可以基于当前状态信息进行仿真,以获取用于自动驾驶车辆的预测信息。在一些实施例中,可以基于车辆的当前状态信息和当前时刻之前一定时间段内的车辆驾驶状态进行仿真。该仿真可以具体可包括实时仿真和/或超实时仿真。
超实时仿真指的是仿真系统内的时间过程快于真实系统内的事件过程的仿真研究。也就是说,利用超实时仿真可以对真实系统内从当前时刻开始未来一段时间内的状态进行仿真并获取用于上述未来一段时间内的预测信息。超实时仿真的定义是系统仿真模型的时间过程快于实际系统的时间过程的仿真研究,也就是对未来预定时段内的状态进行仿真,本领域技术人员可以根据需要自行设置预定时段的时长,如3s、5s、20s等,当然不限于此。
在一些实施例中,步骤S204可以包括:响应于接收到自动驾驶车辆发送的仿真请求,在至少映射有当前状态信息的仿真环境中执行仿真,以预测自动驾驶车辆的优化参数或所述自动驾驶车辆在未来预定时段的驾驶状态。
在一些实现方式中,仿真请求是从要为其执行仿真的自动驾驶车辆周期性接收的。在一些示例中,仿真请求可以与车辆的当前状态信息一起发送到服务器。
在一些示例中,在自动驾驶车辆完成初始化,即在服务器中为自动驾驶车辆分配车辆节点和仿真环境后,自动驾驶车辆可以以预定的请求周期向服务器的仿真系统发送仿真请求。在预警仿真可以实现针对未来的预定时间段(T)内的驾驶状态的预测的情况下,自动驾驶车辆可以以T为周期向服务器发送仿真请求。例如,以T等于20秒为例,自动驾驶车辆可以每隔20秒向服务器发送一次仿真请求。在另一些示例中,自动驾驶车辆可以在初始化后的第0秒发送第一次仿真请求,在初始化后的第T/2秒发送第二次仿真请求,从第二次仿真请求开始,可以以T的周期向服务器发送仿真请求。即,可以在第1.5T秒发送第三次仿真请求,在第2.5T秒发送第四次仿真请求,以此类推。利用这种方式,可以保证自动驾驶车辆的未来至少T/2时间段内的驾驶状态是经过预警仿真验证的。
在另一些示例中,当自动驾驶车辆检测到驾驶状态可能存在异常时,可以向服务器发送额外的仿真请求。概括来说,仿真请求包括以下至少一种:自动驾驶车辆周期性发送的仿真请求;所述自动驾驶车辆处于特定驾驶状态时所主动发送的仿真请求。例如,自动驾驶车辆根据其当前状态信息判定当前状态信息不佳(如某个状态量出现明显异常)或者可能出现危险时,会主动发送仿真请求。
可以理解的是,在不脱离本公开原理的情况下,本领域技术人员可以根据实际情况对自动驾驶车辆的周期性地仿真请求进行设置。例如,也可以设置自动驾驶车辆以T/2的周期发送仿真请求,等等。
自动驾驶车辆发送的仿真请求可以包括仿真类型参数,其中仿真类型参数可以指示要执行的仿真是预警仿真和参数优化仿真中的至少一者。在仿真类型参数指示要执行的仿真是参数优化仿真的情况下,仿真请求还可以包括指示参数优化仿真所针对的优化类型。例如,仿真请求可以包括指示参数优化仿真针对的优化类型是用于自动驾驶车辆的定位(location)模块的参数、用于自动驾驶车辆的感知(perception)模块的参数、用于自动驾驶车辆的规划(planning)模块的参数、以及用于自动驾驶车辆的控制(control)模块的参数。在一些示例中,仿真类型参数也可以指示要执行包括预警仿真和参数优化仿真两者的仿真类型参数。在这种情况下,当预警仿真的预测信息指示未来的一段时间段内自动驾驶车辆的预测驾驶状态无异常的情况下,可以在预警仿真执行完毕后自动执行参数优化仿真。
其中,预测仿真得到的预测信息可以包括用于自动驾驶车辆未来的预定时间段内的预测驾驶状态,参数优化仿真得到的预测信息可以包括用于自动驾驶车辆的优化参数。
当仿真请求包括指示仿真是预警仿真的仿真类型参数时(即仿真是预警仿真时),可以利用各种已知的自动驾驶仿真技术对自动驾驶车辆的当前状态信息和/或当前时刻之前一段时间内的驾驶状态进行仿真,来得到当前时刻之后一段时间内的车辆的预测驾驶状态。
当仿真请求包括指示仿真是参数优化仿真的仿真类型参数时(仿真是参数优化仿真时),可以通过以下方式执行仿真:并行地运行多个至少映射有自动驾驶车辆的当前状态信息的仿真环境,其中每个仿真环境使用不同的仿真参数;以及基于各个仿真环境得到的仿真结果,确定优化参数。其中,优化参数可以是以下各项中的至少一项:用于自动驾驶车辆的定位模块的参数、用于自动驾驶车辆的感知模块的参数、用于自动驾驶车辆的规划模块的参数、以及用于自动驾驶车辆的控制模块的参数。用于自动驾驶车辆的感知模块的参数可以包括车辆的最大识别距离、最小识别精度等参数。用于自动驾驶车辆的规划模块的参数可以包括期望跟车距离和速度、最大偏离车道距离等参数。用于自动驾驶车辆的控制模块的参数可以包括摩擦系数、发动机力矩等参数。
也就是说,在单个车辆算力不足的情况下,可以通过服务器获取车辆的实时状态并进行仿真,来获得用于车辆运行的最佳结果。
可以利用不同的数字表示不同的仿真类型。数字0可以指示根据默认规则来决定执行预警仿真或参数优化仿真。数字1可以指示执行预警仿真。数字2可以指示执行参数优化仿真。可以理解的是,以上仅是本公开的一种示例性的说明。在不脱离本公开原理的情况下,本领域技术人员可以利用任何其他可能的方式表示仿真类型参数来指示不同的仿真类型。
当仿真参数类型指示根据默认规则来执行仿真的情况下,可以基于预先设置的仿真周期和自动驾驶车辆的当前状态信息中的至少一者来执行预警仿真。
在一些实现方式中,默认规则可以包括至少基于自动驾驶车辆的当前状态信息来确定是否需要执行预警仿真。
当当前状态信息中的车辆指示车辆驾驶情况和环境情况无异常的情况下,可以以预定的仿真周期周期性地执行预警仿真。本领域技术人员可以根据实际情况设置仿真周期的大小。仿真周期可以是预先设置的固定周期,也可以是基于车辆驾驶状态而调整的变化周期。例如,在某次预警仿真的结果指示车辆的驾驶状态可能出现异常或车辆发送的当前状态信息指示车辆可能存在危险的情况下,可以缩短仿真周期。反之,在没有任何异常或危险的情况下,可以延长仿真周期。
当当前状态信息中的车辆指示车辆可能存在危险的情况下,可以在周期性地预警仿真之外立即执行额外的预警仿真。例如,当当前状态信息中的环境信息指示车辆前方道路正在施工、车辆周围存在异物、天气状况为雨雪等异常情况、或当前状态信息中的车辆状态信息和模块运行状态信息指示车辆自身的驾驶状态存在异常时,可以执行预警仿真,以提前预测未来一段时间内车辆的驾驶状态是否正常。
当仿真参数类型指示请求预警仿真或参数优化仿真的情况下,可以响应于仿真请求执行相应类型的仿真。例如,当自动驾驶车辆检测到可能出现异常时,自动驾驶车辆可以通过将仿真参数类型设置为指示预警仿真或参数优化仿真来主动请求服务器的仿真系统执行周期性仿真以外的额外仿真。例如,当车辆检测到前方弯道正在修路时,可以发送仿真参数类型指示预警仿真和/或参数优化仿真的仿真请求。
由于每一次仿真需要一定的仿真时间,可能出现在上一次仿真尚未执行完毕的情况下响应于车辆的仿真请求或基于仿真周期触发新的仿真的情况。在这种情况下,可以基于尚未完成的仿真和/或新触发的仿真的类型确定是否立刻开始执行新的仿真。其中,响应于车辆的主动请求而触发的仿真具有更高的优先级。
例如,当尚未完成的仿真是响应于车辆的主动请求的预警仿真时,可以忽略或推迟新触发的仿真而将上一次仿真执行完毕。又例如,当尚未完成的仿真是基于预定的仿真周期触发的仿真,而新触发的仿真是响应于车辆的主动请求而触发时,可以中断尚未执行完毕的上一次仿真过程而立即开始新的仿真。
在步骤S206中,可以向自动驾驶车辆发送预测信息,其中预测信息是通过仿真得到的结果。
其中,预警仿真得到的预测信息可以包括用于自动驾驶车辆未来的预定时间段内的预测驾驶状态,以及参数优化仿真得到的预测信息包括用于自动驾驶车辆的优化参数。预测驾驶状态包括正常、可控异常、不可控异常中的至少一种。
基于通过预警仿真得到的预测信息,自动驾驶车辆可以判断未来预定时间段内车辆的驾驶状态是否有异常。在基于预测信息确定未来预定时间段内车辆将出现不可控的异常状态时,自动驾驶车辆可以发出提示用户接管车辆并退出自动驾驶状态或停车的通知。在基于预测信息确定未来预定时间段内车辆将出现可控的异常状态时,可以记录异常状态用于后续的优化处理。基于预测信息确定未来预定时间段内车辆无异常时,可以继续自动驾驶过程。
通过基于参数优化仿真得到的预测信息,自动驾驶车辆可以借助于服务器的算力来获取用于自动驾驶过程的最优参数。例如,针对用于自动驾驶车辆的感知模块的参数,最优参数的标准可以是基于识别准确率和漏检率等标准确定的。针对用于自动驾驶车辆的规划模块的参数,最优参数的标准可以是基于车辆的舒适度、与其他车辆的最近距离等标准确定的。针对用于自动驾驶车辆的控制模块的参数,最优参数的标准可以是基于时长、油耗、车辆平稳度等。
利用本公开提供的实施例,配置在云端服务器的仿真系统可以获取自动驾驶车辆的驾驶状态,并执行针对车辆的仿真以获得用于车辆的预测信息。在单个车辆的算力有限的情况下,通过位于云端的影子仿真系统实时地获取车辆信息并根据车辆的驾驶状态进行超实时仿真,可以预测正在自动驾驶过程中的车辆未来一段时间的行驶状态,由此可以优化车辆的自动驾驶过程。
图3示出了根据本公开的实施例的用于控制自动驾驶车辆的方法的流程图。可以利用图1中示出的车辆110执行图3中示出的方法300。
如图3所示,在步骤S302中,可以向云端仿真系统发送自动驾驶车辆的当前状态信息。其中,云端仿真系统可以部署在图1中示出的服务器130上。
在一些实施例中,车辆的当前状态信息可以包括车辆状态信息、环境信息、模块运行状态信息。
在一些实现方式中,车辆状态信息可以包括车辆位姿信息、车辆速度信息、车辆控制系统信息等。例如,车辆位姿信息可以包括但不限于车头矢量方向、挂箱夹角、地理位置(如GPS位置等)。又例如,车辆速度信息可以包括但不限于车辆速度矢量、车辆加速度矢量、车辆油门/刹车大小等。又例如,车辆控制系统信息可以包括但不限于车辆发动机转速、车辆发动机档位、变速箱状态、离合器状态等。车辆状态信息还包括传感器状态信息,该传感器状态信息包括传感器运行的各项基本参数。此外,传感器状态信息还可以包括车辆系统自行判定的传感器状态标记,如传感器正常、传感器可控异常、传感器不可控异常等。
在一些实现方式中,环境信息可以包括自动驾驶车辆周围的车道线信息、道路信息(如道路是高速路、低速路、弯道、上下坡等)、交通牌的位置、交通牌的类型、信号灯的位置、信号灯(如红绿灯)的颜色、自动驾驶车辆周围其他车辆的大小、位置和速度、自动驾驶车辆周围的行人的位置和速度、天气等。可以通过自动驾驶车辆上安装的传感器(如雷达、激光雷达、照相机等)获取感测信息并对所获取的感测信息进行融合来得到上述环境信息。可以理解的是,本领域技术人员可以利用任何现有的方法对感测信息进行融合来得到自动驾驶车辆周围的环境信息。
在一些实现方式中,模块运行状态信息主要是软件模块层面的运行状态信息,可以包括自动驾驶系统的各个算法模块的运行状态,例如定位模块、感知模块、决策模块、控制模块的运行状态。在一些示例中,模块运行状态信息可以包括指示各个模块的运行结果是正常的信息、指示各个模块的运行结果是异常的信息、各个模块的运行帧率、各个模块的警告日志等等。
在步骤S304中,可以获取云端仿真系统基于车辆的当前状态信息进行仿真得到的预测信息。
在一些实施例中,可以周期性地或基于当前状态信息向云端仿真系统发送仿真请求,并接收云端仿真系统响应于仿真请求在至少映射有当前状态信息的仿真环境中执行超仿真而得到的预测信息。该仿真可以为实时仿真,也可以为周期性仿真。
在一些示例中,在自动驾驶车辆完成初始化,即在服务器中为自动驾驶车辆分配车辆节点和仿真环境后,自动驾驶车辆可以以预定的请求周期向服务器的仿真系统发送仿真请求。在另一些示例中,当自动驾驶车辆检测到驾驶状态可能存在异常时,可以向服务器发送额外的仿真请求。
自动驾驶车辆发送的仿真请求可以包括仿真类型参数,其中仿真类型参数可以指示要执行的仿真是预警仿真和参数优化仿真中的一者。在仿真类型参数指示要执行的仿真是参数优化仿真的情况下,仿真请求还可以包括指示参数优化仿真所针对的优化类型。例如,仿真请求可以包括指示参数优化仿真针对的优化类型是用于自动驾驶车辆的定位(location)模块的参数、用于自动驾驶车辆的感知(perception)模块的参数、用于自动驾驶车辆的规划(planning)模块的参数、以及用于自动驾驶车辆的控制(control)模块的参数。在一些示例中,仿真类型参数也可以指示要执行包括预警仿真和参数优化仿真两者的仿真类型参数。在这种情况下,当预警仿真的预测信息指示未来的一段时间段内自动驾驶车辆的预测驾驶状态无异常的情况下,可以在预警仿真执行完毕后自动执行参数优化仿真。
其中,预测仿真得到的预测信息可以包括用于自动驾驶车辆未来的预定时间段内的预测驾驶状态,参数优化仿真得到的预测信息可以包括用于自动驾驶车辆的优化参数。
当仿真请求包括指示仿真是预警仿真的仿真类型参数时,可以利用各种已知的自动驾驶仿真技术对自动驾驶车辆的当前状态信息和/或当前时刻之前一段时间内的驾驶状态进行仿真,来得到当前时刻之后一段时间内的车辆的预测驾驶状态。
当仿真请求包括指示仿真是参数优化仿真的仿真类型参数时,可以通过以下方式执行仿真:并行地运行多个至少映射有自动驾驶车辆的当前状态信息的仿真环境,其中每个仿真环境使用不同的仿真参数;以及基于各个仿真环境得到的仿真结果,确定优化参数。其中,优化参数可以是以下各项中的至少一项:用于自动驾驶车辆的定位模块的参数、用于自动驾驶车辆的感知模块的参数、用于自动驾驶车辆的规划模块的参数、以及用于自动驾驶车辆的控制模块的参数。
可以利用不同的数字表示不同的仿真类型。数字0可以指示根据默认规则来决定执行预警仿真或参数优化仿真。数字1可以指示执行预警仿真。数字2可以指示执行参数优化仿真。可以理解的是,以上仅是本公开的一种示例性的说明。在不脱离本公开原理的情况下,本领域技术人员可以利用任何其他可能的方式表示仿真类型参数来指示不同的仿真类型。
在步骤S306中,可以基于预测信息生成用于自动驾驶车辆的控制信息。
在一些实施例中,响应于确定预测信息包括自动驾驶车辆未来的预定时间段内的预测驾驶状态:响应于预测驾驶状态包括可控异常,生成指示记录可控异常的控制信息;以及响应于预测驾驶状态包括不可控异常,生成用于终止自动驾驶车辆的自动驾驶状态的控制信息。在另一些实施例中,响应于确定预测信息包括用于自动驾驶车辆的优化参数:生成用于利用优化参数更新自动驾驶车辆的当前参数的控制信息。
自动驾驶车辆接收到来自云端仿真系统的预测信息后,可以会根据不同类型的预测信息进行不同的操作。
针对参数优化仿真的预测信息提供的优化参数的结果,车辆可以评估当前状态是否适合切换参数。如果当前车辆系统资源占用正常、无系统异常状况(如CPU占用100%等),并且周围环境无突发情况需要立即处理,则可以利用接收到的优化参数更新参数。如果评估结果指示当前状态不适合切换参数,则可以将接收到的优化参数进行存储,等待合适的时机再更新。
针对预警仿真的预测信息提供的预测驾驶状态,可以评估预测驾驶状态是否出现异常并且判断异常结果的严重等级。
如果预测驾驶状态指示未来一段时间内车辆的驾驶状态无异常,则车辆正常行驶,不受任何影响。
如果预测驾驶状态指示未来一段时间内车辆的驾驶状态出现可控异常,车辆可以将该异常信息发送到自动驾驶的监测模块。例如,当预测驾驶状态指示感测模块会有一帧没有输出,该异常可以自行恢复并不会对自动驾驶过程造成影响,此时可以认为属于可控异常。监测模块接收到可控异常的信息后,可以生成相应的异常通知并输出该异常通知。例如,可以语音播报或者在屏幕上显示可控异常的预警信息来通知车上乘客或者远程运营人员。此外,还可以生成指示记录所述可控异常的控制信息以将该可控异常记录在日志中。
如果预测驾驶状态指示未来一段时间内车辆的驾驶状态出现不可控异常,车辆可以生成用于终止所述自动驾驶车辆的自动驾驶状态的控制信息,以提示用户接管车辆或停车。例如,当预测驾驶状态指示控制模块将输出错误的方向盘数据而导致车辆突然失控,这样的异常状态将造成严重后果并且车辆无法应对,此时可以认为属于不可控异常。这时候车辆的自动驾驶系统可以判断该异常无法处理并将该异常设置为高等级故障。可以通过通知运营人员接管并进入紧急停车模式的方式终止车辆的自动驾驶状态,并在终止车辆的自动驾驶状态的同时可以上报异常信息并通知运营人员接管,同时进入紧急停车模式。
利用本公开的实施例提供的上述方法,自动驾驶车辆可以从云端仿真系统获取对于未来时刻的预测信息,并可以基于预测信息调整自动驾驶过程,从而使得车辆能够提前感知并规避危险,减少了车辆失控导致的异常结果。在这个过程中,针对未来信息的预测的计算可以不收到单个车辆的算力限制,使得车辆能够根据实际情况采用车辆自身的计算资源执行更紧迫的计算任务,而利用云端服务器的计算资源执行需要大规模计算的任务,从而能够平衡自动驾驶车辆的安全性和经济性。
图4示出了根据本公开的实施例的应用场景示例性的场景图。如图4所示,在场景400中可以包括云端仿真系统410、自动驾驶车辆401-1、401-2以及环境车辆402。云端仿真系统410可以经由无线网络从多个自动驾驶车辆401-1、401-2接收指示车辆驾驶状态的数据,并基于各个车辆的驾驶状态执行仿真以对车辆未来一段时间的驾驶状态进行预测。然后,自动驾驶车辆401-1、401-2可以分别从云端仿真系统410获取各自的预测信息,并基于预测信息生成用于车辆的控制信息。
图4中示出的云端仿真系统410可以被配置为执行结合图2描述的方法200。自动驾驶车辆401-1、401-2可以被配置为执行结合图3描述的方法300,在此不再加以赘述。
图5示出了根据本公开的实施例的自动驾驶车辆执行的操作的示例性的过程。可以利用图1中示出的车辆100或图4中示出的自动驾驶车辆401-1、401-2执行图5中示出的方法500。
在步骤S501中,车辆可以启动自动驾驶状态,并基于自动驾驶系统中各个模块的运行结果对车辆的进行控制。
在步骤S502中,可以向云端仿真系统发送当前状态信息。其中,车辆的当前状态信息可以包括如前所述的车辆状态信息、环境信息、模块运行状态信息。
在步骤S503中,可以从云端仿真系统接收基于车辆的当前状态信息获得的仿真的仿真结果。
在步骤S504中,可以确定仿真结果的类型。如前所述,预警仿真得到的仿真结果中的预测信息包括自动驾驶车辆未来的预定时间段内的预测驾驶状态,而参数优化仿真得到的仿真结果中的预测信息包括用于自动驾驶车辆的优化参数。
响应于确定仿真结果是参数优化仿真的结果,在步骤S505中,可以评估当前车辆是否可以适合切换参数。在适合切换参数的情况下,可以利用参数优化仿真结果中提供的优化参数更新自动驾驶系统的相应模块中使用的参数。
响应于确定仿真结果是预警仿真的结果,在步骤S506中,可以确定仿真结果的异常等级。
响应于确定仿真结果的异常等级是无异常,在步骤S507中,自动驾驶系统继续正常工作,并返回到步骤S502,在接下来的工作过程中继续不断地向云端仿真系统发送自己当前的驾驶状态。
响应于确定仿真结果的异常等级是可控异常,在步骤S508中,自动驾驶系统可以将异常信息分发给相应的处理单元,对异常信息进行提示和记录,然后返回步骤S502继续正常工作。
响应于确定仿真结果的异常等级是不可控异常,在步骤S509中,自动驾驶系统将进入紧急状态并生成终止自动驾驶状态的控制指令,提示用户对车辆进行接管并启动紧急停车。之后,自动驾驶过程被终止。
图6示出了根据本公开的实施例的由部署在云端服务器的云端仿真系统执行的操作的示例性的过程。可以利用图1中示出的服务器130或图4中示出的云端仿真系统410执行图6中示出的方法600。
在步骤S601中,可以初始化仿真系统并为各个车辆建立相应的仿真环境。
在步骤S602中,可以接收各个车辆的驾驶状态,并基于各个车辆的驾驶状态确定各个车辆的仿真类型,以基于不同的仿真类型将从车辆接收的驾驶状态分发的对应的仿真程序。如前所述,可以基于不同的触发条件执行预警仿真和参数优化仿真中的至少一者。
在步骤S603中,响应于确定仿真类型是预警仿真,可以获取用于车辆的预测驾驶状态的仿真结果。
在步骤S604中,响应于确定仿真类型是参数优化仿真,可以获取用于车辆的优化参数的仿真结果。
在步骤S605中,可以将在步骤S603和/或步骤S604中获得的仿真结果返回给相应的车辆。
图7A示出了根据本公开的实施例的示例性的自动驾驶过程。图7A示出的场景中包括自动驾驶车辆701和云端仿真系统710。图7A中示出的云端仿真系统710可以被配置为执行结合图2描述的方法200。自动驾驶车辆701可以被配置为执行结合图3描述的方法300,在此不再加以赘述。
如图7A所示,自动驾驶车辆701可以与云端仿真系统710之间进行数据通信。自动驾驶车辆701可以将驾驶状态发送给云端仿真系统710,并从云端仿真系统710接收用于自动驾驶车辆701的仿真结果。
图如7A所示,自动驾驶车辆701的前方出现一个弯道。在路面没有障碍物的情况下,自动驾驶车辆701应当沿着路线703通过弯道。然而,由于道路上存在多个障碍物702,自动驾驶车辆必须在弯道处做一个避让动作,沿着路线704通过弯道。
可以看出,路线704相对于路线703来说具有更大的转弯角度,由此可能会超出自动驾驶车辆的控制能力导致车辆失控。然而,利用本公开提供的超实时仿真方法,可以提前预测到车辆未来一段时间内可能出现的失控行为,从而能够在发生失控之前提前对车辆进行控制,具体过程如下:
自动驾驶车辆701自身车速30m/s,在距离弯道1000m处探测出前方弯道处放置的障碍物路锥,判断出道路在进行临时施工,提前进行了减速。
自动驾驶车辆在距离弯道200m时车速已经降低到了15m/s,此时将车辆信息与前方道路处放置的路锥的信息一起发送给云端仿真系统,请求进行预警仿真。
云端仿真系统接收到该仿真请求后,立即进行了未来20s的故障预防超实时仿真。
云端仿真系统花费2秒钟时间对车辆20s后的状态做了预测,发现车辆在第13s的时候控制模块将出现无法重启的异常,导致车辆失去控制并撞上弯道外的护栏。
云端仿真系统将包括该异常信息的仿真结果返回给了自动驾驶车辆。
自动驾驶车辆接收到仿真结果后,判断该异常信息超出了自动驾驶系统的能力范围,会造成严重事故。
车辆的自动驾驶系统计算出当前车辆距离事故发生时间还有10s。于是立即通过语音、文字等方式播报了仿真结果中的异常信息,以对用户(车辆上的乘客或远程的运营人员)进行告警。同时,自动驾驶系统还采取了紧急停车的安全指令,在3s内将车辆停住,避免了车辆失控事故。
图7B示出了根据本公开的实施例的另一种示例性的自动驾驶过程。图7B示出的场景中包括自动驾驶车辆705和云端仿真系统720。图7B中示出的云端仿真系统720可以被配置为执行结合图2描述的方法200。自动驾驶车辆705可以被配置为执行结合图3描述的方法300,在此不再加以赘述。
如图7B所示,自动驾驶车辆705可以与云端仿真系统720之间进行数据通信。自动驾驶车辆705可以将驾驶状态发送给云端仿真系统720,并从云端仿真系统720接收用于自动驾驶车辆705的仿真结果。
在图7B示出的场景中,车辆需要在大雪天气经过一个很大的上坡和下坡(路线706)。此时控制算法需要动态调整控制参数,以适应当前路况。由于自动驾驶车辆705的算力有限,控制算法只能在极短的时间内选出一组较为优化的参数去通过有积雪的上下坡,但车辆系统计算得到的参数不一定是最安全和省油的方案。
而云端仿真系统720以同时用几百个仿真环境去测试不同的参数,在较短的时间内选出一组更好的参数来更安全、省油地通过积雪路段,具体过程如下:
自动驾驶车辆705在距离上坡200m的位置将包括自身的车辆状态以及环境信息的当前状态信息发送到云端仿真系统720,请求进行用于所述自动驾驶车辆的控制模块的参数优化仿真。
云端仿真系统720根据该车辆705的请求,生成了100种参数组合并克隆出100套环境分别来对每一种参数组合进行仿真。
根据预定的针对控制模块的参数的评价规则,云端仿真系统720可以选出表现最好的一组参数返回给自动驾驶车辆705。
自动驾驶车辆702在距离上坡30m处接收到了云端仿真系统720发送的仿真结果中包括的优化参数并对当前车辆情况进行评估并判断出可以立即更新参数。
自动驾驶车辆702利用仿真结果提供的优化参数对用于控制模块的参数进行更新后继续前进,安全省油地通过了积雪上下坡。
图8示出了根据本公开的实施例的用于自动驾驶车辆的仿真的装置的示例性框图。
如图8所示,装置800可以包括获取单元810、仿真单元820以及发送单元830。其中,获取单元810可以配置成获取自动驾驶车辆的当前状态信息。仿真单元820可以配置成基于当前状态信息进行仿真,以获取用于自动驾驶车辆的预测信息。发送单元830可以配置成向自动驾驶车辆发送预测信息。
这里,用于自动驾驶车辆的仿真的装置800的上述各单元810~830的操作分别与前面描述的步骤S202~S206的操作类似,在此不再赘述。
图9示出了根据本公开的实施例的用于控制自动驾驶车辆的装置的示例性框图。
如图9所示,装置900可以包括发送单元910、获取单元920以及控制单元930。其中,发送单元910可以配置成向云端仿真系统发送自动驾驶车辆的当前状态信息。获取单元920可以配置成获取云端仿真系统基于当前状态信息进行仿真得到的预测信息。控制单元930可以配置成基于预测信息生成用于自动驾驶车辆的控制信息。
这里,用于控制自动驾驶车辆的装置900的上述各单元910~930的操作分别与前面描述的步骤S302~S306的操作类似,在此不再赘述。
根据本公开的实施例,还提供了一种车辆,包括前述的用于控制自动驾驶车辆的装置900。
根据本公开的实施例,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有指令,所述指令当被所述至少一个处理器执行时使所述至少一个处理器执行本公开所述的方法。
根据本公开的实施例,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开所述的方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现本公开所述的方法。
参照图10,现将描述计算设备1000,其是可以应用于本公开的各方面的硬件设备的示例。计算设备1000可以是被配置为执行处理和/或计算的任何机器,可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理、智能电话、车载计算机或其任何组合。上述交通数据可视化装置可以全部或至少部分地由计算设备1000或类似设备或系统实现。
计算设备1000可以包括(可能经由一个或多个接口)与总线1002连接或与总线1002通信的元件。例如,计算设备1000可以包括总线1002、一个或多个处理器1004、一个或多个输入设备1006以及一个或多个输出设备1008。一个或多个处理器1004可以是任何类型的处理器,并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如特殊处理芯片)。输入设备1006可以是能向计算设备1000输入信息的任何类型的设备,并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备1008可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备1000还可以包括非暂时性存储设备1010或者与非暂时性存储设备1010连接,非暂时性存储设备可以是非暂时性的并且可以实现数据存储的任何存储设备,并且可以包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁介质,光盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何其他存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非暂时性存储设备1010可以从接口拆卸。非暂时性存储设备1010可以具有用于实现上述方法和步骤的数据/程序(包括指令)/代码。计算设备1000还可以包括通信设备1012。通信设备1012可以是使得能够与外部设备和/或与网络通信的任何类型的设备或系统,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算设备1000还可以包括工作存储器1014,其可以是可以存储对处理器1004的工作有用的程序(包括指令)和/或数据的任何类型的工作存储器,并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件要素(程序)可以位于工作存储器1014中,包括但不限于操作系统1016、一个或多个应用程序1018、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以被包括在一个或多个应用程序1018中,并且上述交通数据可视化装置可以通过由处理器1004读取和执行一个或多个应用程序1018的指令来实现。软件要素(程序)的指令的可执行代码或源代码可以存储在非暂时性计算机可读存储介质(例如上述存储设备1010)中,并且在执行时可以被存入工作存储器1014中(可能被编译和/或安装)。软件要素(程序)的指令的可执行代码或源代码也可以从远程位置下载。
还应该理解,可以根据具体要求而进行各种变型。例如,也可以使用定制硬件,和/或可以用硬件、软件、固件、中间件、微代码,硬件描述语言或其任何组合来实现特定元件。例如,所公开的方法和设备中的一些或全部可以通过使用根据本公开的逻辑和算法,用汇编语言或硬件编程语言(诸如VERILOG,VHDL,C++)对硬件(例如,包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)进行编程来实现。
还应该理解,前述方法可以通过服务器-客户端模式来实现。例如,客户端可以接收用户输入的数据并将所述数据发送到服务器。客户端也可以接收用户输入的数据,进行前述方法中的一部分处理,并将处理所得到的数据发送到服务器。服务器可以接收来自客户端的数据,并且执行前述方法或前述方法中的另一部分,并将执行结果返回给客户端。客户端可以从服务器接收到方法的执行结果,并例如可以通过输出设备呈现给用户。
还应该理解,计算设备1000的组件可以分布在网络上。例如,可以使用一个处理器执行一些处理,而同时可以由远离该一个处理器的另一个处理器执行其他处理。计算系统1000的其他组件也可以类似地分布。这样,计算设备1000可以被解释为在多个位置执行处理的分布式计算系统。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (20)
1.一种用于自动驾驶车辆的仿真的方法,包括:
获取所述自动驾驶车辆的当前状态信息;
基于所述当前状态信息进行仿真,以获取用于所述自动驾驶车辆的预测信息;以及
向所述自动驾驶车辆发送所述预测信息。
2.如权利要求1所述的方法,其中,所述当前状态信息包括以下至少一种:车辆状态信息、环境信息、模块运行状态信息。
3.如权利要求1或2所述的方法,其中,基于所述当前状态信息进行仿真包括:
响应于接收到所述自动驾驶车辆发送的仿真请求,在至少映射有所述当前状态信息的仿真环境中执行所述仿真,以预测所述自动驾驶车辆的优化参数或所述自动驾驶车辆在未来预定时段的驾驶状态。
4.如权利要求3所述的方法,其中,所述仿真请求包括以下至少一种:
所述自动驾驶车辆周期性发送的仿真请求;
所述自动驾驶车辆处于特定驾驶状态时所主动发送的仿真请求。
5.如权利要求3所述的方法,其中,所述仿真请求包括仿真类型参数,所述仿真类型参数指示所述仿真是预警仿真和参数优化仿真中的至少一者。
6.如权利要求5所述的方法,其中,所述预警仿真得到的预测信息包括所述自动驾驶车辆未来的预定时间段内的预测驾驶状态,以及
所述参数优化仿真得到的预测信息包括用于所述自动驾驶车辆的优化参数。
7.如权利要求6所述的方法,其中,所述仿真请求包括指示所述仿真是参数优化仿真的仿真类型参数,执行所述仿真包括:
并行地运行多个至少映射有所述当前状态信息的仿真环境,其中每个仿真环境使用不同的仿真参数;以及
基于各个仿真环境得到的仿真结果,确定所述优化参数。
8.如权利要求7所述的方法,其中,所述优化参数包括以下各项中的至少一项:用于所述自动驾驶车辆的感知模块的参数、用于所述自动驾驶车辆的规划模块的参数、以及用于所述自动驾驶车辆的控制模块的参数。
9.一种用于控制自动驾驶车辆的方法,包括:
向云端仿真系统发送所述自动驾驶车辆的当前状态信息;
获取所述云端仿真系统基于所述当前状态信息进行仿真得到的预测信息;以及
基于所述预测信息生成用于所述自动驾驶车辆的控制信息。
10.如权利要求9所述的方法,其中,所述当前状态信息包括车辆状态信息、环境信息、模块运行状态信息。
11.如权利要求9所述的方法,其中,获取所述云端仿真系统基于所述当前状态信息进行仿真得到的预测信息包括:
周期性地或基于所述当前状态信息向所述云端仿真系统发送仿真请求;以及
接收所述云端仿真系统响应于所述仿真请求在至少映射有所述当前状态信息的仿真环境中执行所述仿真而得到的预测信息。
12.如权利要求11所述的方法,其中,所述仿真请求包括仿真类型参数,所述仿真类型参数指示所述仿真是预警仿真和参数优化仿真中的至少一者。
13.如权利要求12所述的方法,其中,所述预警仿真得到的预测信息包括所述自动驾驶车辆未来的预定时间段内的预测驾驶状态,所述参数优化仿真得到的预测信息包括用于所述自动驾驶车辆的优化参数。
14.如权利要求13所述的方法,其中,基于所述预测信息生成用于所述自动驾驶车辆的控制信息包括:
响应于确定所述预测信息包括所述自动驾驶车辆未来的预定时间段内的预测驾驶状态:
响应于所述预测驾驶状态包括可控异常,生成指示记录所述可控异常的控制信息;以及
响应于所述预测驾驶状态包括不可控异常,生成用于终止所述自动驾驶车辆的自动驾驶状态的控制信息;
响应于确定所述预测信息包括用于所述自动驾驶车辆的优化参数:
生成用于利用所述优化参数更新所述自动驾驶车辆的当前参数的控制信息。
15.一种用于自动驾驶车辆的仿真的装置,包括:
获取单元,配置成获取所述自动驾驶车辆的当前状态信息;
仿真单元,配置成基于所述当前状态信息进行仿真,以获取用于所述自动驾驶车辆的预测信息;以及
发送单元,配置成向所述自动驾驶车辆发送所述预测信息。
16.一种用于控制自动驾驶车辆的装置,包括;
发送单元,配置成向云端仿真系统发送所述自动驾驶车辆的当前状态信息;
获取单元,配置成获取所述云端仿真系统基于所述当前状态信息进行仿真得到的预测信息;以及
控制单元,配置成基于所述预测信息生成用于所述自动驾驶车辆的控制信息。
17.一种车辆,包括如权利要求16所述的装置。
18.一种电子设备,包括:
至少一个处理器;以及
至少一个存储器,所述存储器存储有指令,所述指令当被所述至少一个处理器执行时使所述至少一个处理器执行权利要求1-14中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-14中任一项所述的方法。
20.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-14中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110909544.XA CN115935573A (zh) | 2021-08-09 | 2021-08-09 | 用于自动驾驶车辆的仿真方法和控制自动驾驶车辆的方法 |
EP22187222.9A EP4148526A1 (en) | 2021-08-09 | 2022-07-27 | Simulation method for autonomous vehicle and method for controlling autonomous vehicle |
AU2022209302A AU2022209302A1 (en) | 2021-08-09 | 2022-07-28 | Simulation method for autonomous vehicle and method for controlling autonomous vehicle |
JP2022125319A JP2023024956A (ja) | 2021-08-09 | 2022-08-05 | 自動運転車両に用いられるシミュレーション方法及び自動運転車両を制御する方法 |
US17/818,338 US20230040713A1 (en) | 2021-08-09 | 2022-08-08 | Simulation method for autonomous vehicle and method for controlling autonomous vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110909544.XA CN115935573A (zh) | 2021-08-09 | 2021-08-09 | 用于自动驾驶车辆的仿真方法和控制自动驾驶车辆的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115935573A true CN115935573A (zh) | 2023-04-07 |
Family
ID=83228653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110909544.XA Pending CN115935573A (zh) | 2021-08-09 | 2021-08-09 | 用于自动驾驶车辆的仿真方法和控制自动驾驶车辆的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230040713A1 (zh) |
EP (1) | EP4148526A1 (zh) |
JP (1) | JP2023024956A (zh) |
CN (1) | CN115935573A (zh) |
AU (1) | AU2022209302A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089313A (zh) * | 2023-03-07 | 2023-05-09 | 北京路凯智行科技有限公司 | 车云交互功能测试系统、方法及存储介质 |
CN115952692B (zh) * | 2023-03-10 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 道路交通的仿真方法和装置、存储介质及电子设备 |
CN115993797B (zh) * | 2023-03-23 | 2023-05-30 | 禾多科技(北京)有限公司 | 虚拟环境下的自动驾驶车辆模拟方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107850895B (zh) * | 2015-05-13 | 2020-03-31 | 优步技术公司 | 通过引导协助操作的自动驾驶车辆 |
CN108428357B (zh) * | 2018-03-22 | 2020-08-18 | 青岛慧拓智能机器有限公司 | 一种用于智能网联车的平行遥控驾驶系统 |
JP7155043B2 (ja) * | 2019-02-28 | 2022-10-18 | 株式会社日立製作所 | サーバ、車両制御システム |
-
2021
- 2021-08-09 CN CN202110909544.XA patent/CN115935573A/zh active Pending
-
2022
- 2022-07-27 EP EP22187222.9A patent/EP4148526A1/en active Pending
- 2022-07-28 AU AU2022209302A patent/AU2022209302A1/en active Pending
- 2022-08-05 JP JP2022125319A patent/JP2023024956A/ja active Pending
- 2022-08-08 US US17/818,338 patent/US20230040713A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230040713A1 (en) | 2023-02-09 |
EP4148526A1 (en) | 2023-03-15 |
AU2022209302A1 (en) | 2023-02-23 |
JP2023024956A (ja) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11702067B2 (en) | Multi-model switching on a collision mitigation system | |
EP3724606B1 (en) | Using prediction models for scene difficulty in vehicle routing | |
US11724708B2 (en) | Fail-safe handling system for autonomous driving vehicle | |
CN112540592B (zh) | 用于确保安全的具有双自主驾驶系统的自主驾驶车辆 | |
US11144054B2 (en) | Safety controls for network connected autonomous vehicle | |
US20230159062A1 (en) | Method and apparatus for controlling vehicle driving mode switching | |
CN115935573A (zh) | 用于自动驾驶车辆的仿真方法和控制自动驾驶车辆的方法 | |
US20210191394A1 (en) | Systems and methods for presenting curated autonomy-system information of a vehicle | |
US11585669B2 (en) | Vehicle routing using connected data analytics platform | |
US20200409362A1 (en) | Autonomous driving handoff systems and methods | |
CN110998469A (zh) | 对具有自主驾驶能力的车辆的操作进行干预 | |
JPWO2019017253A1 (ja) | 制御装置、制御方法、およびプログラム | |
US11803186B2 (en) | Road quality based routing | |
US11897503B2 (en) | Method and apparatus for detecting unexpected control state in autonomous driving system | |
CN115092130A (zh) | 车辆碰撞预测方法、装置、电子设备、介质和车辆 | |
US11580789B2 (en) | System load based safety operator warning system | |
EP4074562A1 (en) | Control system and control method for intelligent connected vehicle | |
WO2023223907A1 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
TWI855018B (zh) | 用於管理不同自主水平的車輛之間的互動的方法和系統 | |
TWI855017B (zh) | 用於與具有不同自主水平的車輛建立協調式駕駛參與的方法和系統 | |
WO2023228781A1 (ja) | 処理システム及び情報提示装置 | |
CN117419735A (zh) | 为车辆分配资源的系统、方法及计算装置 | |
CN117953609A (zh) | 自动驾驶车辆的事故数据处理方法、装置、设备和介质 | |
CN115171392A (zh) | 用于向车辆提供预警信息的方法和车载终端 |
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 |