CN116541295A - 一种道路动态场景仿真方法及系统 - Google Patents
一种道路动态场景仿真方法及系统 Download PDFInfo
- Publication number
- CN116541295A CN116541295A CN202310568040.5A CN202310568040A CN116541295A CN 116541295 A CN116541295 A CN 116541295A CN 202310568040 A CN202310568040 A CN 202310568040A CN 116541295 A CN116541295 A CN 116541295A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- scene
- vehicles
- lane
- 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 66
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000006399 behavior Effects 0.000 claims abstract description 48
- 238000010276 construction Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims abstract description 14
- 230000008901 benefit Effects 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 239000004973 liquid crystal related substance Substances 0.000 claims 2
- 238000012360 testing method Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶技术领域，提出一种道路动态场景仿真方法及系统，该方法包括：由多场景路网构建模块生成路网；由多源交通流生成模块在所述路网上生成交通流，其中根据所述交通流控制车辆的运动；由多车联合决策规划模块确定多个车辆的联合行为，并且对多个车辆的轨迹进行规划；以及由多维度场景分析模块记录仿真信息，并且对目标场景进行分析。本发明可以用于城市级别路网下的长时连续仿真，针对场景内多车交互，可以模拟出高效且精细的动态场景，可以很好的适用于自动驾驶能力测试和道路场景的数据生成。
Description
技术领域
本发明总的来说涉及自动驾驶技术领域。具体而言，本发明涉及一种道路动态场景仿真方法及系统。
背景技术
道路动态场景包括静态道路环境以及动态运动车辆，道路动态场景仿真需要刻画车辆对道路信息的解析和应用，建模场景中的多车运动交互，对于自动驾驶测试、道路场景数字孪生等应用非常关键。根据兰德智库报告，证明自动驾驶车辆安全性高于人，需要至少110亿英里的道路测试，然而实车路测存在成本高以及安全性难以保证的问题，因此仿真测试是重要的替代手段。然而现有的道路仿真测试通常是多针对功能性的测试，也就是说测试算法在特定场景下的性能表现，存在测试道路范围较小、测试场景单一且片段化、测试时间较短、未关注场景中自车和他车的整体表现等问题。
具体来说，以SUMO、PTV Vissim为代表的交通仿真软件虽然可以实现较大规模的交通仿真来展示路网整体的交通态势，但是对车辆行为的仿真较为简单，通常是以跟驰、换道模型来控制车辆，不具有严格的车辆运动学约束，无法真实反应车辆的微观运动过程，缺乏真实性。以百度的Apollo、51World的51Sm-One为代表的自动驾驶仿真软件对车辆的轨迹规划有更严格的运动学约束或是动力学约束，可以提供更加真实的驾驶环境，可以对自动驾驶的决策规划算法提供更加合理的测试环境，然而这类仿真软件缺乏对车辆的交互式建模，同样缺乏真实性。以SimNet、InterSim为代表的基于数据驱动和学习算法相结合仿真系统，能够从真实采集得到的数据集中隐式学习车辆耦合交互，模拟小范围的车辆交互运动，然而这类仿真十分依赖于真实采集数据，难以进行场景编辑和数据增广，存在场景片段化的问题。
发明内容
为至少部分解决现有技术中的上述问题，本发明提出一种道路动态场景仿真方法，包括下列步骤：
由多场景路网构建模块生成路网；
由多源交通流生成模块在所述路网上生成交通流，其中根据所述交通流控制车辆的运动；
由多车联合决策规划模块确定多个车辆的联合行为，并且对多个车辆的轨迹进行规划；以及
由多维度场景分析模块记录仿真信息，并且对目标场景进行分析。
在本发明一个实施例中规定，由多场景路网构建模块生成路网包括：
由路网构建单元生成路网的拓扑信息；
由车道级路径构建单元生成车道级路径；以及
由场景范围构建单元生成场景范围，其中在所述场景范围外根据交通流控制车辆的运动，在场景范围内对车辆进行精细化轨迹规划。
在本发明一个实施例中规定，由所述多源交通流生成模块在所述路网上生成交通流包括：
由基线模型生成单元根据基线模型生成交通流，其中所述基线模型包括跟驰模型、变道模型以及交叉口通行模型；
由路采数据生成单元根据路采数据生成交通流，其中所述路采数据包括路侧固定传感器采集的数据、车载传感器采集的数据以及无人机航拍方式采集的数据；以及
由自定义场景单元根据道路场景标准自定义生成交通流。
在本发明一个实施例中规定，由所述多车联合决策规划模块确定多个车辆的联合行为，并且对多个车辆的轨迹进行规划包括：
由轨迹预测单元根据车辆的历史时刻和当前时刻的轨迹预测车辆的未来时刻的轨迹；
由多车联合行为决策单元对多个车辆进行车流分组、组内联合行为决策以及决策行为收益评估；以及
由轨迹规划单元对多个车辆进行并行轨迹规划，其中轨迹规划包括目标点采样、可选轨迹生成、轨迹收益评估以及最佳轨迹生成；和\或
由多维度场景分析模块记录仿真信息，并且对目标场景进行分析包括：
由仿真记录单元记录仿真信息，所述仿真信息包括路网信息以及车辆信息；
由车辆状态分析单元分析车辆状态；以及
由场景分析单元对目标场景进行分析。
在本发明一个实施例中规定，由路网构建单元生成路网的拓扑信息包括：
根据传感器的采集信息生成离散点集，所述离散点集；
根据所述离散点集生成道路标线，所述道路标线包括车道分界线、道路边界线、停止线以及转向标志；以及
确定道路的上下游承接关系及道路汇合区域，生成路网的拓扑信息；和\或
由所述车道级路径构建单元生成车道级路径包括：
根据车辆的起点和终点信息在路网上确定路径；
将路径拆分为多个互相连接的路径组件，所述路径组件包括路段或者路段及其下游交叉口，所述路段上包括多个车道；以及
在所述路径组件上确定可行车道；和\或
所述场景范围包括：
第一场景范围，其包括以目标车辆为圆心、以特定距离为半径的圆圈内的区域；
第二场景范围，其包括目标车辆所在的路径组件；
第三场景范围，其包括距离目标车辆最近的多个周围车辆所围成的区域。
在本发明一个实施例中规定，由车道级路径构建单元在所述路径组件上确定可行车道包括：
在第一阶段将所述路径组件上的所有车道确定为可行车道，其中车辆处于第一阶段的条件表示为下式：
其中，Dlook_forward表示车辆对前方的感知范围，Sremain表示路段的剩余长度，Llane表示路段总长度；
在第二阶段根据路径的转向信息确定所述路径组件上的可行车道，其中车辆处于第二阶段的条件表示为下式：
在第三阶段使车辆沿所在车道行驶，其中车辆处于第三阶段的条件表示为下式：
Sremain＜Dno_change
其中Dno_change表示车辆换道所需的最短距离；以及
在第四阶段使车辆沿所在车道行驶，其中车辆在交叉口内部时处于第四阶段。
在本发明一个实施例中规定，对多个车辆进行车流分组包括：
根据车辆的当前速度、相对距离、最大加减速度、最小安全距离确定连续交通流中的任意两个相邻车辆是否存在潜在冲突；
当两车之间存在潜在冲突时，确定两车会发生交互；以及
通过上述交互判定将连续交通流中的多个车辆进行车流分组以使得分组内的任意两车都存在直接交互或者间接交互；和\或
进行组内联合决策包括：
使用蒙特卡洛搜索树，结合车辆位置和高精度路网信息，确定每个车辆的可选行为，进而生成包括多车非冲突的联合行为的元节点；以及
根据多个决策时间步生成由多个元节点构成的多车联合行为决策树；和\或
进行决策行为收益评估包括：
使每个车辆根据自身决策目标的完成程度以及行为关联的安全、舒适、效率指标对自身行为的收益进行评估；
使每个车辆权衡自车和他车的收益以获得加权收益；以及
确定组内所有车辆加权收益的总和以获得分组收益，并且根据分组收益确定分组多车联合行为。
本发明还提出一种道路动态场景仿真系统，包括：
多场景路网构建模块，其被配置为生成路网；
多源交通流生成模块，其被配置为在所述路网上生成交通流，其中根据所述交通流控制车辆的运动；
多车联合决策规划模块，其被配置为确定多个车辆的联合行为，并且对多个车辆的轨迹进行规划；以及
多维度场景分析模块，其被配置为记录仿真信息，并且对目标场景进行分析。
本发明还提出一种计算机系统，包括：
处理器，其被配置为执行机器可读指令；以及
存储器，其被存储有机器可读指令，所述机器可读指令在被处理器执行时执行根据所述方法的步骤。
本发明还提出一种计算机可读存储介质，其上存储有机器可读指令，所述机器可读指令在被处理器执行时执行根据所述方法的步骤。
本发明至少具有如下有益效果：本发明提出一种道路动态场景仿真方法及系统，其可以用于城市级别路网下的长时连续仿真，针对场景内多车交互，可以模拟出高效且精细的动态场景，可以很好的适用于自动驾驶能力测试和道路场景的数据生成。
附图说明
为进一步阐明本发明的各实施例中具有的及其它的优点和特征，将参考附图来呈现本发明的各实施例的更具体的描述。可以理解，这些附图只描绘本发明的典型实施例，因此将不被认为是对其范围的限制。在附图中，为了清楚明了，相同或相应的部件将用相同或类似的标记表示。
图1示出了实现根据本发明的方法和\或系统的计算机系统。
图2示出了本发明一个实施例中一个道路动态场景仿真系统的示意图。
图3示出了本发明一个实施例中一个根据道路几何信息和拓扑信息构建高精度路网的示意图。
图4示出了本发明一个实施例中不同道路类型的路网示意图。
图5示出了本发明一个实施例中一个车道级路径信息构建的示意图。
图6示出了本发明一个实施例中可行车道的示意图。
图7示出了本发明一个实施例中一个场景范围的示意图。
图8示出了本发明一个实施例中一个多车联合行为决策单元的工作流程图。
图9示出了本发明一个实施例中一个仿真记录单元结构的示意图。
图10示出了本发明一个实施例中一个道路动态场景仿真方法的示意图。
具体实施方式
应当指出，各附图中的各组件可能为了图解说明而被夸大地示出，而不一定是比例正确的。在各附图中，给相同或功能相同的组件配备了相同的附图标记。
在本发明中，除非特别指出，“布置在…上”、“布置在…上方”以及“布置在…之上”并未排除二者之间存在中间物的情况。此外，“布置在…上或上方”仅仅表示两个部件之间的相对位置关系，而在一定情况下、如在颠倒产品方向后，也可以转换为“布置在…下或下方”，反之亦然。
在本发明中，各实施例仅仅旨在说明本发明的方案，而不应被理解为限制性的。
在本发明中，除非特别指出，量词“一个”、“一”并未排除多个元素的场景。
在此还应当指出，在本发明的实施例中，为清楚、简单起见，可能示出了仅仅一部分部件或组件，但是本领域的普通技术人员能够理解，在本发明的教导下，可根据具体场景需要添加所需的部件或组件。另外，除非另行说明，本发明的不同实施例中的特征可以相互组合。例如，可以用第二实施例中的某特征替换第一实施例中相对应或功能相同或相似的特征，所得到的实施例同样落入本申请的公开范围或记载范围。
在此还应当指出，在本发明的范围内，“相同”、“相等”、“等于”等措辞并不意味着二者数值绝对相等，而是允许一定的合理误差，也就是说，所述措辞也涵盖了“基本上相同”、“基本上相等”、“基本上等于”。以此类推，在本发明中，表方向的术语“垂直于”、“平行于”等等同样涵盖了“基本上垂直于”、“基本上平行于”的含义。
另外，本发明的各方法的步骤的编号并未限定所述方法步骤的执行顺序。除非特别指出，各方法步骤可以以不同顺序执行。
下面结合具体实施方式参考附图进一步阐述本发明。
图1示出了实现根据本发明方法和\或的系统的计算机系统100。如非特殊说明，根据本发明的方法和\或系统可以在图1所示的计算机系统100中执行以实现本发明目的，或者本发明可以在多个根据本发明的计算机系统100中通过网络、如局域网或因特网分布式地实现。本发明的计算机系统100可以包括各种类型的计算机系统、例如手持式设备、膝上型计算机、个人数字助理(PDA)、多处理器系统、基于微处理器或可编程消费者电子设备、网络PC、小型机、大型机、网络服务器、平板计算机等等。
如图1所示，计算机系统100包括处理器111、系统总线101、系统存储器102、视频适配器105、音频适配器107、硬盘驱动器接口109、光驱接口113、网络接口114、通用串行总线(USB)接口112。系统总线101可以是若干种总线结构类型的任一种，例如存储器总线或存储器控制器、外围总线以及使用各类总线体系结构的局部总线。系统总线101用于各个总线设备之间的通信。除了图1中所示的总线设备或接口以外，其它的总线设备或接口也是可设想的。系统存储器102包括只读存储器(ROM)103和随机存取存储器(RAM)104，其中ROM 103例如可以存储用于在启动时实现信息传输的基本例程的基本输入/输出系统(BIOS)数据，而RAM 104用于为系统提供存取速度较快的运行内存。计算机系统100还包括用于对硬盘110进行读写的硬盘驱动器109、用于对诸如CD-ROM之类的光介质进行读写光驱接口113等等。硬盘110例如可以存储有操作系统和应用程序。驱动器及其相关联的计算机可读介质为计算机系统100提供了计算机可读指令、数据结构、程序模块和其它数据的非易失性存储。计算机系统100还可以包括用于图像处理和/或图像输出的视频适配器105，其用于连接显示器106等输出设备。计算机系统100还可以包括用于音频处理和/或音频输出的音频适配器107，其用于连接扬声器108等输出设备。此外，计算机系统100还可以包括用于网络连接的网络接口114，其中网络接口114可以通过诸如路由器115之类的网络装置连接到因特网116，其中所述连接可以是有线或无线的。另外，此外，计算机系统100还可以包括用于连接外围设备的通用串行总线接口(USB)112，其中所述外围设备例如包括键盘117、鼠标118以及其它外围设备、例如麦克风、摄像头等。
当本发明在图1所述的计算机系统100上实现时，可以用于城市级别路网下的长时连续仿真，针对场景内多车交互，可以模拟出高效且精细的动态场景，可以很好的适用于自动驾驶能力测试和道路场景的数据生成。
此外，可以把各实施例提供为可包括其上存储有机器可执行指令的一个或多个机器可读介质的计算机程序产品，这些指令在由诸如计算机、计算机网络或其他电子设备等的一个或多个机器执行时，可以引起一个或多个机器执行根据本发明的各实施例的操作。机器可读介质可以包括但不限于软盘、光盘、CD-ROM(紧致盘只读存储器)和磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁或光卡、闪速存储器或适用于存储机器可执行指令的其他类型的介质/机器可读介质。
此外，可以作为计算机程序产品下载各实施例，其中可以经由通信链路(例如，调制解调器和/或网络连接)由载波或其他传播介质实现和/或调制的一种或多种数据信号把程序从远程计算机(例如，服务器)传输给请求计算机(例如，客户机)。因此，在此所使用的机器可读介质可以包括这样的载波，但这不是必需的。
在本发明中，根据本发明的系统的各模块可以使用软件、硬件、固件或其组合来实现。当模块使用软件来实现时，可以通过计算机程序流程来实现模块的功能，例如模块可以通过存储在存储设备(如硬盘、内存等)中的代码段(如C、C++等语言的代码段)来实现，其中当所述代码段被处理器执行时能够实现模块的相应功能。当模块使用硬件来实现时，可以通过设置相应硬件结构来实现模块的功能，例如通过对现场可编程逻辑门阵列(FPGA)等可编程器件进行硬件编程来实现模块的功能，或者通过设计包括多个晶体管、电阻和电容等电子器件的专用集成电路(ASIC)来实现模块的功能。当模块使用固件来实现时，可以将模块的功能以程序代码形式写入设备的诸如EPROM或EEPROM之类的只读存储器中，并且当所述程序代码被处理器执行时能够实现模块的相应功能。另外，模块的某些功能可能需要由单独的硬件来实现或者通过与所述硬件协作来实现，例如检测功能通过相应传感器(如接近传感器、加速度传感器、陀螺仪等)来实现，信号发射功能通过相应通信设备(如蓝牙设备、红外通信设备、基带通信设备、Wi-Fi通信设备等)来实现，输出功能通过相应输出设备(如显示器、扬声器等)来实现，以此类推。
图10示出了本发明一个实施例中一个道路动态场景仿真方法的示意图。如图10所示，该方法可以包括下列步骤：
步骤1001、由多场景路网构建模块201生成路网。
步骤1002、由多源交通流生成模块202在所述路网上生成交通流，其中根据所述交通流控制车辆的运动。
步骤1003、由多车联合决策规划模块203确定多个车辆的联合行为，并且对多个车辆的轨迹进行规划。
步骤1004、由多维度场景分析模块204记录仿真信息，并且对目标场景进行分析。
图2示出了本发明一个实施例中一个道路动态场景仿真系统的示意图。如图2所示，所述道路动态场景仿真系统200可以包括多场景路网构建模块201、多源交通流生成模块202、多车联合决策规划模块203以及多维度场景分析模块204。
所述多场景路网构建模块201包括路网构建单元2011、车道级路径构建单元2012以及场景范围构建单元2013。其中，所述路网构建单元2011被配置为通过多类型传感器所采集到的图像、点云等数据还原出道路的几何信息，并根据轨迹数据或专家经验生成路网的拓扑信息，这些信息可以构建涵盖直道、交叉口、环岛、匝道等多类型道路场景的高精度路网。所述车道级路径构建单元2012被配置为根据车辆的起点和终点信息进行路线规划，确定车辆在路线上各个路段的可行车道，进而构建车道级路径。所述场景范围构建单元2013被配置为使得场景范围跟随目标车辆移动，以连续模拟目标车辆所在目标场景(第一类目标场景，位置可变化)；或者所述场景范围构建单元2013被配置为使得场景范围固定在路网中特定道路场景(第二类目标场景，位置不变化)，以连续模拟目标道路场景的动态变化。
所述多源交通流生成模块202包括基线模型生成单元2021、路采数据生成单元2022以及自定义场景单元2023。所述基线模型生成单元2021被配置为根据跟驰、变道、交叉口通行等基线交通模型生成交通流，所述路采数据生成单元2022被配置为根据路侧采集的真实数据生成交通流。所述自定义场景单元2023被配置为根据道路场景标准来自定义生成交通流。
所述多车联合决策规划模块203包括轨迹预测单元2031、多车联合行为决策单元2032以及轨迹规划单元2033。所述轨迹预测单元2031包括车辆轨迹预测接口以及基线模型，所述轨迹预测单元2031被配置为在仿真过程中实时预测车辆行为和轨迹。所述多车联合行为决策单元2032被配置为提供保持车道、左右变道、加减速、超车等行为的多车决策组合，其可以体现多车的社会交互和联合决策的高效性。所述轨迹规划单元2033被配置为并行提供多个车辆的轨迹规划，其可以兼顾安全、效率、舒适等衡量指标。
所述多维度场景分析模块204包括仿真记录单元2041、车辆状态分析单元2042以及场景分析单元2043。所述仿真记录单元2041被配置为实时记录仿真场景全过程的路网信息、车辆属性、车辆运动参数等信息，记录信息的文件可以场景回放以及场景仿真数据生成。所述车辆状态分析单元2042被配置为对仿真过程中目标车辆状态进行分析，其可以提供安全、舒适、能耗、轨迹质量等指标。所述场景分析单元2043被配置为在线或者离线地对仿真过程目标场景进行综合评价，其可以提供场景复杂度、危险性等指标。
下面结合附图详细介绍本发明的实施例中的各模块、单元。
所述多场景路网构建模块201包括路网构建单元2011、车道级路径构建单元2012以及场景范围构建单元2013。
城市级的路网支持是长时仿真的基础，所述路网构建单元2011被配置为通过多类型传感器所采集到的图像、点云等数据还原出道路的几何信息，并根据轨迹数据或专家经验生成路网的拓扑信息，这些信息可以构建涵盖直道、交叉口、环岛、匝道等多类型道路场景的高精度路网。
所述路网构建单元2011可以执行下列动作：基于激光雷达等传感器获得与道路标线相关的离散点集；根据所述离散点集，通过语义分割和曲线拟合方法还原出道路标线，所述道路标线包括车道分界线、道路边界线、停止线、转向标志等几何信息；根据轨迹数据或专家经验确定道路的上下游承接关系及道路汇合区域，生成路网的拓扑信息，进而确定车道中心线、交叉口、匝道等语义地图信息。
进一步地，为了满足决策规划任务需求，所述路网构建单元2011可以对路网中各个路段以及道路汇合区域构建Frenet坐标系。其中在路段上，可以基于车道线及其垂直方向来构建Frenet坐标系。在道路汇合区域，可以基于道路汇合区域的上游车道的终点和下游车道的起点来构建道路汇合区域内的车道。图3示出了本发明一个实施例中一个根据道路几何信息和拓扑信息构建高精度路网的示意图。如图3所示，其中301和302是车道L1的起点和终点，303和304是车道L2的起点和终点，可以通过曲线拟合分别得到车道线305和306，然后分别构建基于车道的Frenet坐标系。由于L1和L2是连通的两条车道，L1的下游车道是L2，选取L1的终点302和L2的起点303，通过曲线拟合可以得到道路汇合区域内的车道线307，进而构建道路汇合区域内车道的Frenet坐标系。
图4示出了本发明一个实施例中不同道路类型的路网示意图。上述在路段以及道路汇合区域构建Frenet坐标系的方式可以推广至交叉口401、环道402以及匝道403等等多种道路类型，进而可以获得城市级高精度路网，为长时仿真提供路网支持。
在城市级路网上进行仿真，需要为车辆指定行驶的路径。所述车道级路径构建单元2012可以根据车辆的起点和终点信息进行路线规划，确定车辆在路线上各个路段的可行车道，进而构建车道级路径。
图5示出了本发明一个实施例中一个车道级路径信息构建的示意图。如图5所示，在城市级路网上进行仿真，通常是定义车辆经过的路段信息，通过车辆的起点502和终点503在路网501上确定路径信息。为了使得车辆能够在各个路段上能够正确行驶，还需要确定车道级的路径信息，由此构建可行车道区域504。当车辆接近交叉口时，需要根据规划路径在交叉口的转向信息来确定合理的车道，以便于提前完成换道。
在本发明的实施例中，对车辆的路径引导可以通过提供可行车道来实现。其中长距离的路径可以拆分为多个互相连接的路径组件，所述路径组件可以包括单个路段，或者包括单个路段及其下游交叉口。在当前路径组件上，车辆从路段的起点开始行驶，进入下游交叉口，然后再离开下游交叉口，进入下个路径组件。
图6示出了本发明一个实施例中可行车道的示意图。如图6所示，在路径组件上确定的可行车道区域时，可以将车辆在路段上行驶可以分为4个阶段。在第一阶段601可行车道区域覆盖路段上所有车道，车辆处于第一阶段601的条件可以表示为下式：
其中，Dlook_forward表示车辆对前方的感知范围。Sremain表示路段的剩余长度，也就是说车辆从当前位置到达路段终点的长度。Llane表示路段总长度。也就是说，在第一阶段601车辆刚进入普通车道时，如果路段的剩余长度较长，车辆可以自由地选择车道，当前路段上的所有车道都可以作为目标车道。
当车辆在路段上行驶一段时间后，路段的剩余长度缩短，车辆需要进入满足规划路径转向要求的目标车道上，否则将无法到达下个路径组件时，车辆处于第二阶段602。在第二阶段602，可行区域是由当前路径的转向信息所确定的路段上的车道，车辆处于第二阶段602的条件可以表示为下式：
当车辆接近下游交叉口，车辆无法换道，只能沿当前所在车道行驶时，车辆处于第三阶段603，在第三阶段603，可行区域是根据路径转向信息确定的道路汇合区域内的车道，车辆处于第三阶段603的条件可以表示为下式：
Sremain＜Dno_change
其中Dno_change表示车辆换道所需的最短距离，也就是说当剩余车道长度小于Dno_change时，车辆不能进行换道。
当车辆在交叉口内部，也就是说在道路汇合区域内的车道上行驶时，车辆处于第四阶段604。在第四阶段604，为保证交叉口内的秩序，车辆在交叉口内的可行车辆区域即为当前车道，车辆不允许换道；并且为保证轨迹规划的连续性，让车辆顺利进入下一路径组件，可行车道区域还应考虑下个路径组件的路段内的所有车道。
所述场景范围构建单元2013被配置为提供场景范围，其用于界定需要精细化描述道路场景的范围。在场景范围外，所有车辆的运动由交通流生成模块控制。在场景范围内，可以所有车辆进行精细化的轨迹规划。
图7示出了本发明一个实施例中一个场景范围的示意图。如图7所示，所述场景范围可以包括第一场景范围701、第二场景范围702以及第三场景范围703。所述第一场景范围701是以目标车辆为圆心、以特定距离为半径的圆圈内的区域，所述第二场景范围702是目标车辆所在的路径组件，所述第三场景范围703是由距离目标车辆最近的不多于特定数量的周围车辆所围成的区域。
所述多源交通流生成模块202包括基线模型生成单元2021、路采数据生成单元2022以及自定义场景单元2023。
所述基线模型生成单元2021被配置为根据跟驰、变道、交叉口通行等基线交通模型生成交通流。其中跟驰模型可以包括刺激反应模型、全速度差模型、智能驾驶人模型等，跟驰模型的作用是使车辆在车道上保持合理的安全车距。变道模型可以包括MOBIL、LC2013模型等，变道模型的目的是使得车辆可以遵循规划路径进行必要的换道。交叉口通行模型包括信号交叉口通行模型以及无信号交叉口通行模型，交叉口通行模型的目的是使得车辆在道路汇合区域可以避免发生碰撞。
这些基线模型可以预先根据交通需求生成到达路网的车辆，并进行路径规划。根据基线模型生成交通流的方式可以避免对路网中所有车辆都进行精细的轨迹规划，节省计算资源。
所述路采数据生成单元2022可以根据路侧采集的真实数据生成交通流。所述路采数据包括路侧固定传感器采集的数据(NGSIM数据集等)、车载传感器采集的数据(Waymo数据集等)、无人机航拍等方式采集的数据(CitySim数据集等)。对所述路采数据进行车辆标定和轨迹提取可以获得各个车辆的时序轨迹数据，通过与路网结合可以重现真实的道路场景。
所述自定义场景单元2023可以根据道路场景标准来自定义生成交通流，其例如可以按照OpenScenario等道路场景相关标准，人工定义场景内各个车辆的路径及轨迹，所述车辆的路径及轨迹包括完整时序下的所有的车辆状态信息。
所述多车联合决策规划模块203包括轨迹预测单元2031、多车联合行为决策单元2032以及轨迹规划单元2033。
所述轨迹预测单元2031包括车辆轨迹预测接口以及基线模型，其可以在仿真过程中实时预测车辆行为和轨迹。所述轨迹预测单元2031对场景范围内的车辆进行轨迹预测，其中轨迹预测的输入是车辆的历史时刻和当前时刻的轨迹，输出是车辆的未来时刻的轨迹。轨迹预测的基线模型是基于车辆队列的跟驰模型，跟驰模型的逻辑包括：所有车辆均保持在当前车道进行行驶；当车辆为队列首车时，以当前速度匀速行驶；当车辆不是队列首车时，根据跟驰模型进行行驶，保持与前车合理的安全距离。
所述多车联合行为决策单元2032可以提供保持车道、左右变道、加减速、超车等行为的多车决策组合，其可以体现多车的社会交互和联合决策的高效性。图8示出了本发明一个实施例中一个多车联合行为决策单元的工作流程图。如图8所示，多车联合行为决策单元2032可以进行车流分组、进行组内联合决策以及进行决策行为收益评估。
其中进行车流分组包括：对于连续交通流中的任意两个相邻车辆，确定其是否存在潜在冲突，其中通过车辆的当前速度、相对距离、最大加减速度、最小安全距离等因素来判断两个相邻车辆在未来一段时间内是否可能发生冲突；当两车之间存在潜在冲突时，认为两车会发生交互；通过两两交互判定，可以将连续交通流中的多个车辆划分为包括有限个车辆的分组，使得分组内的任意两车都存在直接交互或者间接交互。同时，在车流分组过程中还需要考虑最大组内车辆数，使得每个分组内的车辆数不至于过大。
组内联合决策是长周期下的多步决策，其可以使用蒙特卡洛搜索树进行决策。结合车辆位置和高精度路网信息，确定每个车辆的可选行为，由此生成涵盖多车非冲突的联合行为的元节点。考虑多个决策时间步，生成由多个元节点构成的多车联合行为决策树。
决策行为收益评估用于确定在组内联合决策下所应选择的最佳决策行为。对于每个车辆来说，一方面，车辆会根据自身决策目标的完成程度(例如是否完成特定的换道行为)以及行为关联的安全、舒适、效率等指标对自身行为的收益进行评估；另一方面，车辆所具有的社会价值取向指示车辆在决策过程权衡自车和他车的收益，得到加权收益。对于组内所有车辆来说，需确定所有车辆加权收益的总和，得到分组收益，由此确定分组多车联合行为。对于不同分组，多车联合决策规划可以并行进行。
所述轨迹规划单元2033可以并行提供多个车辆的轨迹规划，其可以兼顾安全、效率、舒适等衡量指标。其中所述轨迹规划单元2033在行为决策的指导下，生成合适的车辆行驶轨迹，轨迹规划包括目标点采样、可选轨迹生成、轨迹收益评估、最佳轨迹确定等步骤。各个车辆之间的轨迹规划相互独立，因而可以并行进行。
所述多维度场景分析模块204包括仿真记录单元2041、车辆状态分析单元2042以及场景分析单元2043。
所述仿真记录单元2041可以实时记录仿真场景全过程的路网信息、车辆属性、车辆运动参数等信息，记录信息的文件可以场景回放以及场景仿真数据生成。图9示出了本发明一个实施例中一个仿真记录单元结构的示意图。如图9所示，所述仿真记录单元2041记录的信息可以包括路网信息以及车辆信息。
所述路网信息包括路网几何结构信息以及拓扑结构信息。路网的基本单元是车道，可以以每条车道的中心线点集来描述车道的几何结构。拓扑结构信息包括车道对于路段或交叉口的从属关系和车道上下游的连接关系。
所述车辆信息包括车辆的固定属性和实时状态信息。车辆的固定属性包括车辆的三维尺寸、最大速度、最大加速度、最大减速度、车辆的路径信息等。车辆的实时状态信息则按照时间顺序记录，其包括每一个时间步的坐标位置、速度、加速度、航向角、所在车道ID、所在车道上的相对位置、所在路径上的相对位置。
所述车辆状态分析单元2042被配置为对仿真过程中目标车辆状态进行分析，其可以提供安全、舒适、能耗、轨迹质量等指标。
可以使用碰撞剩余时间来分析目标车辆的安全性。碰撞剩余时间是指目标车辆与前方车辆均保持速度行驶的情况下自车与前车碰撞所需要的时间，当目标车辆速度小于或等于前方车辆速度时，碰撞剩余时间为无穷大，当目标车辆速度大于前方车辆速度时，碰撞剩余时间的计算方式为目标车辆车头与前方车辆车尾之间的距离除以目标车辆与前方车辆的速度之差。可以使用急动度来分析目标车辆的舒适性，其中急动度是目标车辆的加速度对时间的导数。可以使用发动机输出功率来分析目标车辆的能耗情况，其中发动机输出功率是目标车辆瞬时速度和瞬时加速度乘积的平方。可以使用航向角偏离度以及轨迹偏离度来衡量目标车辆轨迹的质量，其中航向角偏离度是目标车辆航向角与所在车道中心线切线方向之间的夹角，轨迹偏离度是目标车辆质心与所在车道中心线之间的距离。
所述场景分析单元2043被配置为在线或者离线地对仿真过程目标场景进行综合评价，其可以提供场景复杂度、危险性等指标。
可以使用交互车辆数和道路拥堵度来确定场景复杂度。在场景范围以及目标车辆所在车道信息确定的情况下，交互车辆数表示场景范围内除目标车辆以外的车辆数量，道路拥堵度表示场景范围内所有车辆的平均速度。
可以使用高危场景持续时间和高危场景时间积分来分析场景危险度。高危场景阈值是指碰撞剩余时间的特定取值，高危状况是指碰撞剩余时间低于高危场景阈值的状况。在场景范围以及高危场景阈值确定的情况下，高危场景持续时间是指场景处于高危状况下的累加时间。高危程度表示为高危场景阈值与预期碰撞时间的差值(当高危场景阈值小于或等于预期碰撞时间时，为非高危状况，高危程度取值为0)。在场景范围以及高危场景阈值确定的情况下，高危场景时间积分表示为该场景的高危程度关于时间的积分。
尽管上文描述了本发明的各实施例，但是，应该理解，它们只是作为示例来呈现的，而不作为限制。对于相关领域的技术人员显而易见的是，可以对其做出各种组合、变型和改变而不背离本发明的精神和范围。因此，此处所公开的本发明的宽度和范围不应被上述所公开的示例性实施例所限制，而应当仅根据所附权利要求书及其等同替换来定义。
Claims (10)
1.一种道路动态场景仿真方法，其特征在于，包括下列步骤：
由多场景路网构建模块生成路网；
由多源交通流生成模块在所述路网上生成交通流，其中根据所述交通流控制车辆的运动；
由多车联合决策规划模块确定多个车辆的联合行为，并且对多个车辆的轨迹进行规划；以及
由多维度场景分析模块记录仿真信息，并且对目标场景进行分析。
2.根据权利要求1所述的道路动态场景仿真方法，其特征在于，由多场景路网构建模块生成路网包括：
由路网构建单元生成路网的拓扑信息；
由车道级路径构建单元生成车道级路径；以及
由场景范围构建单元生成场景范围，其中在所述场景范围外根据交通流控制车辆的运动，在场景范围内对车辆进行精细化轨迹规划。
3.根据权利要求1所述的道路动态场景仿真方法，其特征在于，由所述多源交通流生成模块在所述路网上生成交通流包括：
由基线模型生成单元根据基线模型生成交通流，其中所述基线模型包括跟驰模型、变道模型以及交叉口通行模型；
由路采数据生成单元根据路采数据生成交通流，其中所述路采数据包括路侧固定传感器采集的数据、车载传感器采集的数据以及无人机航拍方式采集的数据；以及
由自定义场景单元根据道路场景标准自定义生成交通流。
4.根据权利要求1所述的道路动态场景仿真方法，其特征在于，由所述多车联合决策规划模块确定多个车辆的联合行为，并且对多个车辆的轨迹进行规划包括：
由轨迹预测单元根据车辆的历史时刻和当前时刻的轨迹预测车辆的未来时刻的轨迹；
由多车联合行为决策单元对多个车辆进行车流分组、组内联合行为决策以及决策行为收益评估；以及
由轨迹规划单元对多个车辆进行并行轨迹规划，其中轨迹规划包括目标点采样、可选轨迹生成、轨迹收益评估以及最佳轨迹生成；和\或
由多维度场景分析模块记录仿真信息，并且对目标场景进行分析包括：
由仿真记录单元记录仿真信息，所述仿真信息包括路网信息以及车辆信息；
由车辆状态分析单元分析车辆状态；以及
由场景分析单元对目标场景进行分析。
5.根据权利要求2所述的道路动态场景仿真方法，其特征在于，由路网构建单元生成路网的拓扑信息包括：
根据传感器的采集信息生成离散点集，所述离散点集；
根据所述离散点集生成道路标线，所述道路标线包括车道分界线、道路边界线、停止线以及转向标志；以及
确定道路的上下游承接关系及道路汇合区域，生成路网的拓扑信息；和\或
由所述车道级路径构建单元生成车道级路径包括：
根据车辆的起点和终点信息在路网上确定路径；
将路径拆分为多个互相连接的路径组件，所述路径组件包括路段或者路段及其下游交叉口，所述路段上包括多个车道；以及
在所述路径组件上确定可行车道；和\或
所述场景范围包括：
第一场景范围，其包括以目标车辆为圆心、以特定距离为半径的圆圈内的区域；
第二场景范围，其包括目标车辆所在的路径组件；
第三场景范围，其包括距离目标车辆最近的多个周围车辆所围成的区域。
6.根据权利要求5所述的道路动态场景仿真方法，其特征在于，由车道级路径构建单元在所述路径组件上确定可行车道包括：
在第一阶段将所述路径组件上的所有车道确定为可行车道，其中车辆处于第一阶段的条件表示为下式：
其中，Dlook_forward表示车辆对前方的感知范围，Sremain表示路段的剩余长度，Llane表示路段总长度；
在第二阶段根据路径的转向信息确定所述路径组件上的可行车道，其中车辆处于第二阶段的条件表示为下式：
在第三阶段使车辆沿所在车道行驶，其中车辆处于第三阶段的条件表示为下式：
Sremain＜Dno_change
其中Dno_chan.ge表示车辆换道所需的最短距离；以及
在第四阶段使车辆沿所在车道行驶，其中车辆在交叉口内部时处于第四阶段。
7.根据权利要求4所述的道路动态场景仿真方法，其特征在于，对多个车辆进行车流分组包括：
根据车辆的当前速度、相对距离、最大加减速度、最小安全距离确定连续交通流中的任意两个相邻车辆是否存在潜在冲突；
当两车之间存在潜在冲突时，确定两车会发生交互；以及
通过上述交互判定将连续交通流中的多个车辆进行车流分组以使得分组内的任意两车都存在直接交互或者间接交互；和\或
进行组内联合决策包括：
使用蒙特卡洛搜索树，结合车辆位置和高精度路网信息，确定每个车辆的可选行为，进而生成包括多车非冲突的联合行为的元节点；以及
根据多个决策时间步生成由多个元节点构成的多车联合行为决策树；和\或
进行决策行为收益评估包括：
使每个车辆根据自身决策目标的完成程度以及行为关联的安全、舒适、效率指标对自身行为的收益进行评估；
使每个车辆权衡自车和他车的收益以获得加权收益；以及
确定组内所有车辆加权收益的总和以获得分组收益，并且根据分组收益确定分组多车联合行为。
8.一种道路动态场景仿真系统，其特征在于，包括：
多场景路网构建模块，其被配置为生成路网；
多源交通流生成模块，其被配置为在所述路网上生成交通流，其中根据所述交通流控制车辆的运动；
多车联合决策规划模块，其被配置为确定多个车辆的联合行为，并且对多个车辆的轨迹进行规划；以及
多维度场景分析模块，其被配置为记录仿真信息，并且对目标场景进行分析。
9.一种计算机系统，包括：
处理器，其被配置为执行机器可读指令；以及
存储器，其被存储有机器可读指令，所述机器可读指令在被处理器执行时执行根据权利要求1-7之一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有机器可读指令，所述机器可读指令在被处理器执行时执行根据权利要求1-7之一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310568040.5A CN116541295A (zh) | 2023-05-18 | 2023-05-18 | 一种道路动态场景仿真方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310568040.5A CN116541295A (zh) | 2023-05-18 | 2023-05-18 | 一种道路动态场景仿真方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116541295A true CN116541295A (zh) | 2023-08-04 |
Family
ID=87443345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310568040.5A Pending CN116541295A (zh) | 2023-05-18 | 2023-05-18 | 一种道路动态场景仿真方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541295A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038698A (zh) * | 2023-12-13 | 2024-05-14 | 公安部道路交通安全研究中心 | 自动驾驶混合交通流安全状态的确定系统及方法 |
-
2023
- 2023-05-18 CN CN202310568040.5A patent/CN116541295A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038698A (zh) * | 2023-12-13 | 2024-05-14 | 公安部道路交通安全研究中心 | 自动驾驶混合交通流安全状态的确定系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11243532B1 (en) | Evaluating varying-sized action spaces using reinforcement learning | |
| WO2021136130A1 (zh) | 一种轨迹规划方法及装置 | |
| US20230161344A1 (en) | Discrete Decision Architecture for Motion Planning System of an Autonomous Vehicle | |
| CN109937343B (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
| CN106428009B (zh) | 车辆轨迹确定的系统和方法 | |
| Zhao et al. | Microscopic traffic modeling inside intersections: interactions between drivers | |
| US20210173402A1 (en) | Systems and methods for determining vehicle trajectories directly from data indicative of human-driving behavior | |
| CN110861650B (zh) | 车辆的路径规划方法、装置，车载设备和存储介质 | |
| Gazis et al. | Nonlinear follow-the-leader models of traffic flow | |
| CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
| CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
| CN109491376A (zh) | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 | |
| CN107310550A (zh) | 道路交通工具行驶控制方法和装置 | |
| CN113511204B (zh) | 一种车辆换道行为识别方法及相关设备 | |
| KR102589587B1 (ko) | 자율 주행 차량용 동적 모델 평가 패키지 | |
| US20220161830A1 (en) | Dynamic Scene Representation | |
| CN112577506A (zh) | 一种自动驾驶局部路径规划方法和系统 | |
| KR20210118995A (ko) | 딥러닝 기반 자율주행차량의 유턴 경로 생성 방법 및 장치 | |
| CN116541295A (zh) | 一种道路动态场景仿真方法及系统 | |
| CN116266380A (zh) | 一种环境数据重建方法、装置、系统及存储介质 | |
| Dao et al. | A strategy for optimisation of cooperative platoon formation | |
| Li et al. | Development and testing of advanced driver assistance systems through scenario-based system engineering | |
| US11436504B1 (en) | Unified scene graphs | |
| CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| KR20210077043A (ko) | 주행 차로 판단 장치 및 그의 주행 차로 판단 방법 |
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 |