CN116680186B - 一种车路协同自动驾驶仿真测试方法、设备及存储介质 - Google Patents
一种车路协同自动驾驶仿真测试方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116680186B CN116680186B CN202310700384.7A CN202310700384A CN116680186B CN 116680186 B CN116680186 B CN 116680186B CN 202310700384 A CN202310700384 A CN 202310700384A CN 116680186 B CN116680186 B CN 116680186B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle
- radar
- map
- automatic driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 30
- 238000010998 test method Methods 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000010485 coping Effects 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000533950 Leucojum Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009897 systematic 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
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车路协同自动驾驶仿真测试方法、设备及存储介质，涉及自动驾驶仿真测试技术领域，其包括搭建虚拟环境；生成三维点云模型；根据自动驾驶系统的功能和性能要求，设计测试用例；将自动驾驶车辆置入虚拟环境中，执行不同的测试用例进行仿真测试；进行测试和数据分析。本发明所述方法通过设计多种测试用例，涵盖多种复杂的驾驶环境和情况，可以对自动驾驶系统进行全面的测试，包括对环境感知能力、决策能力、稳定性、应对异常情况能力等方面的测试；在激光雷达的模型中引入信号衰减因子，可以提高自动驾驶系统对环境的感知能力，进而提高测试的准确性。
Description
技术领域
本发明涉及自动驾驶仿真测试技术领域，特别是一种车路协同自动驾驶仿真测试方法、设备及存储介质。
背景技术
智能交通系统是缓解交通拥堵和保证交通安全的重要技术手段。随着人工智能、移动互联、大数据等新一代信息技术的迅速发展，以自动驾驶为主要特征的新一代智能交通系统将逐渐成为解决交通问题的突破口。车路协同系统作为近年来智能交通系统的重要研究方向和关键技术之一，已经成为当前解决交通安全，通行效率等多种交通问题的重要技术手段。车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车与车、车与路、车与人之间动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成安全、高效和环保的道路交通系统。
智能网联汽车要在道路上行驶，需要对它的安全性进行验证，在目前的自动驾驶测试方法中，主要是在特定道路测试，车路协同测试所需要的道路条件很高，如果在高速公路实车测试危险性较大，对智能网联测试车辆的智能性测试局限性较大，并且车路协同自动驾驶测试有较高的路况要求和相关的交通配套设施要求，需要较为完善的路网系统和车路通信硬件系统，构建成本巨大，一些危险场景和边界场景在实车测试时并不能遇到，同时天气和光照系统等也会对测试形成巨大的影响。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的自动驾驶测试方法中存在的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供一种车路协同自动驾驶仿真测试方法。
为解决上述技术问题，本发明提供如下技术方案：一种车路协同自动驾驶仿真测试方法，其包括，搭建虚拟环境；生成三维点云模型；根据自动驾驶系统的功能和性能要求，设计测试用例；将自动驾驶车辆置入虚拟环境中，执行不同的测试用例进行仿真测试；进行测试和数据分析。
作为本发明所述车路协同自动驾驶仿真测试方法的一种优选方案，其中：所述搭建虚拟环境包括设计不同的仿真场景和路况，以及在道路基础设施模型中加入激光雷达传感器模型。
作为本发明所述车路协同自动驾驶仿真测试方法的一种优选方案，其中：所述仿真场景包括城市道路、高速公路和山区道路，所述路况包括交叉口、人行横道、隧道和恶劣天气。
作为本发明所述车路协同自动驾驶仿真测试方法的一种优选方案，其中：生成三维点云模型包括如下步骤，根据车辆位置信息，初始化三维点云地图，并设置地图分辨率和范围；收集激光雷达的点云数据以及雷达返回信号强度数据；利用车辆位置和姿态信息，将激光雷达点云数据转换到车辆坐标系下，转换公式为：
式中，分别为车辆在三维点云地图中的位置，/>分别为点云数据在雷达坐标系下的位置，/>分别为点云数据在车辆坐标系下的位置向量；
将点云数据转换到地图坐标系下，转换公式为：
式中，为点云数据在地图中的位置向量，/>为4x4的变换矩阵，R代表旋转矩阵，T代表平移向量；
将点云数据在地图中的位置向量转换为地图坐标系下的离散坐标，转换公式为：
式中，为三维点云地图的最小坐标值，/>为地图的分辨率；
根据雷达返回信号强度和点云数据在地图坐标系下的离散坐标，更新三维点云地图；根据地图的更新情况和车辆的行驶状态，定期进行重采样操作，去除噪声和冗余的点云数据，保持地图的稀疏性。
作为本发明所述车路协同自动驾驶仿真测试方法的一种优选方案，其中：雷达返回信号强度通过如下公式进行计算，
式中，是未考虑信号衰减因子的雷达返回的信号强度，/>是雷达发射的功率，是考虑信号衰减因子的雷达返回的信号强度，G是雷达的增益，/>是雷达工作的波长，/>是目标的雷达截面积，ρ是目标的反射率，R是雷达和目标之间的距离，L是系统损失， />是天气条件的衰减因子，η是雷达工作条件的参数，f是雷达工作频率，/>是雷达的波束宽度，/>是雷达的脉冲宽度，/>是信号衰减系数。
作为本发明所述车路协同自动驾驶仿真测试方法的一种优选方案，其中：更新三维点云地图包括如下步骤，根据雷达数据，获取点云数据在三维点云地图中的离散坐标D，以及对应的雷达返回信号强度Pr；从地图中获取相应网格单元的现有数据，包括点云数据Dold和相应的雷达返回信号强度Prold；根据雷达返回信号强度Pr和Prold，计算新数据的权重wnew和旧数据的权重wold，并计算新的点云数据Dnew，计算公式如下，
更新地图中相应网格单元的点云数据和雷达返回信号强度，通过如下公式进行，
。
作为本发明所述车路协同自动驾驶仿真测试方法的一种优选方案，其中：在进行数据分析时，分析结果包括车辆行驶稳定性、车辆环境感知能力、车辆决策能力、车辆应对异常情况的能力，以及车辆与道路协同能力。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明有益效果为：通过设计多种测试用例，涵盖多种复杂的驾驶环境和情况，可以对自动驾驶系统进行全面的测试，包括对环境感知能力、决策能力、稳定性、应对异常情况能力等方面的测试；在激光雷达的模型中引入信号衰减因子，可以提高自动驾驶系统对环境的感知能力，进而提高测试的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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它的附图。其中：
图1为实施例1中车路协同自动驾驶仿真测试方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1，为本发明第一个实施例，该实施例提供了一种车路协同自动驾驶仿真测试方法，车路协同自动驾驶仿真测试方法包括如下步骤：
S1、搭建虚拟环境。
具体的，所述搭建虚拟环境包括设计不同的仿真场景和路况，以及在道路基础设施模型中加入激光雷达传感器模型。其中仿真场景包括城市道路、高速公路和山区道路，所述路况包括交叉口、人行横道、隧道和恶劣天气。
S2、生成三维点云模型，其包括如下步骤，
S21根据车辆位置信息，初始化三维点云地图，并设置地图分辨率和范围；
S22收集激光雷达的点云数据以及雷达返回信号强度数据；
S23利用车辆位置和姿态信息，将激光雷达点云数据转换到车辆坐标系下，转换公式为：
式中，分别为车辆在三维点云地图中的位置，/>分别为点云数据在雷达坐标系下的位置，/>分别为点云数据在车辆坐标系下的位置向量；
S24将点云数据转换到地图坐标系下，转换公式为：
式中，为点云数据在地图中的位置向量，/>为4x4的变换矩阵，R代表旋转矩阵，T代表平移向量；
S25将点云数据在地图中的位置向量转换为地图坐标系下的离散坐标，转换公式为：
式中，为三维点云地图的最小坐标值，/>为地图的分辨率；
S26根据雷达返回信号强度和点云数据在地图坐标系下的离散坐标，更新三维点云地图；
S27根据地图的更新情况和车辆的行驶状态，定期进行重采样操作，去除噪声和冗余的点云数据，保持地图的稀疏性。
其中，在步骤S26中，雷达返回信号强度通过如下公式进行计算，
式中，是未考虑信号衰减因子的雷达返回的信号强度，/>是雷达发射的功率，是考虑信号衰减因子的雷达返回的信号强度，G是雷达的增益，λ是雷达工作的波长，/>是目标的雷达截面积，/>是目标的反射率，R是雷达和目标之间的距离，L是系统损失，/>是天气条件的衰减因子，η是雷达工作条件的参数，/>是雷达工作频率，/>是雷达的波束宽度，/>是雷达的脉冲宽度，/>是信号衰减系数。
天气条件的衰减因子也称作大气衰减因子，主要是考虑大气对雷达波的散射和吸收等影响，它会根据大气的特性和雷达波的频率变化。在本实施例中，选择的激光雷达频段为8-12 GHz，降雨对雷达的衰减可以在0.01-15dB/km之间，这个值取决于降雨的强度，雾霾对雷达的衰减更加复杂，它取决于雾霾的粒子大小、数量和复杂度等因素。在一般情况下，雾霾对雷达的衰减可以在0.01-3dB/km之间，在下雪天气，由于雪花的形状和大小变化很大，所以衰减也有很大的变化。大致的范围可能在0.01-0.5dB/km之间。
更新三维点云地图包括如下步骤：
根据雷达数据，获取点云数据在三维点云地图中的离散坐标D，以及对应的雷达返回信号强度Pr；
从地图中获取相应网格单元的现有数据，包括点云数据Dold和相应的雷达返回信号强度Prold；
根据雷达返回信号强度Pr和Prold，计算新数据的权重wnew和旧数据的权重wold，并计算新的点云数据Dnew，计算公式如下，
更新地图中相应网格单元的点云数据和雷达返回信号强度，通过如下公式进行，
。
S3、根据自动驾驶系统的功能和性能要求，设计测试用例。
根据自动驾驶系统的功能和性能要求，确定测试范围，包括功能测试，性能测试，以及对特定场景或者特定条件下的测试。例如，可能需要设计测试用例来验证自动驾驶系统是否能够正确地在雨雪天气下行驶，或者是否能够在高速公路上稳定运行。确定了测试范围之后，就可以开始设计具体的测试用例了。每个测试用例都应该包括测试条件和预期的输出。例如，一个测试用例可能是“在雨雪天气下，通过激光雷达感知到前方100米有一个行人，预期的输出是自动驾驶系统应该降低速度并避让”。然后根据设计的测试用例，编写对应的测试脚本和场景，使用仿真软件来模拟真实的道路和交通状况。
S4、将自动驾驶车辆置入虚拟环境中，执行不同的测试用例进行仿真测试。
S5、进行测试和数据分析。
在进行数据分析时，分析结果包括车辆行驶稳定性、车辆环境感知能力、车辆决策能力、车辆应对异常情况的能力，以及车辆与道路协同能力。
行驶稳定性是指车辆在道路上的稳定行驶能力，包括在不同道路条件（如湿滑、颠簸、陡坡等）和不同行驶速度下，能否保持稳定的行驶轨迹，不发生侧滑、翻滚等情况。对于自动驾驶车辆来说，行驶稳定性还包括能否精确遵循导航或路径规划指示的轨迹。例如，车辆是否能够平稳地在行驶道中心行驶，是否会频繁变道或者转弯时偏离预定轨迹，以及在遇到突发情况时是否能够稳定地做出反应。
车辆环境感知能力是指车辆能够感知和理解周围环境的能力，包括对道路、交通标志、其他车辆、行人、障碍物等的感知。在自动驾驶车辆中，环境感知能力主要通过各种传感器（如雷达、激光雷达、摄像头等）和相关的算法实现。例如，车辆是否能够准确地感知到前方的车辆、行人、自行车等物体，以及它们的距离和速度。此外，我们也可以检查车辆是否能够正确地感知到路况，如道路的形状、坡度、表面条件等。
车辆决策能力是指车辆能够根据环境感知的信息，做出正确的行驶决策（如加速、减速、转向、换道、停车等）的能力。这需要车辆的控制系统能够正确理解环境信息，并在复杂的道路和交通状况中，做出满足安全和效率需求的决策。例如，车辆是否能够根据感知到的环境信息做出正确的决策，如变道、转弯、停车等，以及车辆在面临复杂情况时，如交叉路口、突发情况等，是否能够做出正确的决策。
车辆应对异常情况的能力是指车辆在面临意外或异常情况（如道路障碍、突然出现的行人、故障的交通信号等）时，能够正确识别并妥善应对的能力。对于自动驾驶车辆来说，这需要高度的环境感知能力和决策能力，以及足够的测试和验证来确保系统能够应对各种可能的异常情况。例如，车辆在面临临时的道路封闭、突然出现的行人或者车辆等情况时，是否能够快速安全地应对。
车辆与道路协同能力是指车辆能够与道路基础设施（如交通信号、道路传感器等）以及其他车辆进行通信和协同的能力，以实现更高效、更安全的行驶。这通常需要车辆支持车辆到一切（V2X）通信技术，并能够处理和利用通过通信接收到的信息。例如，车辆是否能够有效地利用车路协同信息，如交通信号灯的预测信息、车辆优先权等，以优化自己的行驶行为。
通过本发明所述方法，可以对自动驾驶系统进行全面的测试，包括对环境感知能力、决策能力、稳定性、应对异常情况能力等方面的测试；在激光雷达的模型中引入信号衰减因子，可以提高自动驾驶系统对环境的感知能力，进而提高测试的准确性。
实施例2
本发明第二个实施例，该实施例基于上一个实施例。
本实施例中提供了一种计算机设备，该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种高可靠性配网优化转供策略生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
搭建虚拟环境；
生成三维点云模型；
根据自动驾驶系统的功能和性能要求，设计测试用例；
将自动驾驶车辆置入虚拟环境中，执行不同的测试用例进行仿真测试；
进行测试和数据分析。
实施例3
本发明第三个实施例，在本实施例中，提供了一种车路协同自动驾驶仿真测试方法的验证测试，对本方法中采用的技术方案加以验证说明，测试结果如表1所示。
表1 测试结果
其中，测试A是指在实际道路上进行无人驾驶测试，测试B是采用现有的虚拟仿真测试方法进行测试，测试C是指采用本发明所述方法进行测试。表格中道路覆盖率是指测试能够覆盖的道路类型和特定道路条件的比例。不同天气条件覆盖率是指测试能够模拟的天气条件的比例。不同交通状况覆盖率是指测试能够模拟的交通状况（如交通拥堵、交通事故等）的比例。系统误差识别率是指测试能够准确识别和定位系统错误的能力。误差识别及时性是指在出现系统错误时，测试能够多快地识别出这个错误。整体测试时间是完成一轮完整测试所需要的时间。
从表1中可以看出，本发明所述方法在各项指标上都优于其他两种方法。这验证了本发明所述方法在提高测试效率和效果方面的优越性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种车路协同自动驾驶仿真测试方法，其特征在于：包括，
搭建虚拟环境；
生成三维点云模型；
根据自动驾驶系统的功能和性能要求，设计测试用例；
将自动驾驶车辆置入虚拟环境中，执行不同的测试用例进行仿真测试；
进行测试和数据分析；
所述搭建虚拟环境包括设计不同的仿真场景和路况，以及在道路基础设施模型中加入激光雷达传感器模型；
所述仿真场景包括城市道路、高速公路和山区道路，所述路况包括交叉口、人行横道、隧道和恶劣天气；
生成三维点云模型包括如下步骤，
根据车辆位置信息，初始化三维点云地图，并设置地图分辨率和范围；
收集激光雷达的点云数据以及雷达返回信号强度数据；
利用车辆位置和姿态信息，将激光雷达点云数据转换到车辆坐标系下，转换公式为：
式中，、/>、/>分别为车辆在三维点云地图中的位置，/>、/>、/>分别为点云数据在雷达坐标系下的位置，/>、/>、/>分别为点云数据在车辆坐标系下的位置向量；
将点云数据转换到地图坐标系下，转换公式为：
式中，为点云数据在地图中的位置向量，/>为4x4的变换矩阵，R代表旋转矩阵，T代表平移向量；
将点云数据在地图中的位置向量转换为地图坐标系下的离散坐标，转换公式为：
式中，、/>、/>为三维点云地图的最小坐标值，/>为地图的分辨率；
根据雷达返回信号强度和点云数据在地图坐标系下的离散坐标，更新三维点云地图；
根据地图的更新情况和车辆的行驶状态，定期进行重采样操作，去除噪声和冗余的点云数据，保持地图的稀疏性；
雷达返回信号强度通过如下公式进行计算，
式中，是未考虑信号衰减因子的雷达返回的信号强度，Pt是雷达发射的功率，/>是考虑信号衰减因子的雷达返回的信号强度，G是雷达的增益，λ是雷达工作的波长，σ是目标的雷达截面积，ρ是目标的反射率，R是雷达和目标之间的距离，L是系统损失，/>是天气条件的衰减因子，η是雷达工作条件的参数，f是雷达工作频率，/>是雷达的波束宽度，/>是雷达的脉冲宽度，/>是信号衰减系数；
更新三维点云地图包括如下步骤，
根据雷达数据，获取点云数据在三维点云地图中的离散坐标D，以及对应的雷达返回信号强度Pr；
从地图中获取相应网格单元的现有数据，包括点云数据Dold和相应的雷达返回信号强度Prold；
根据雷达返回信号强度Pr和Prold，计算新数据的权重wnew和旧数据的权重wold，并计算新的点云数据Dnew，计算公式如下，
更新地图中相应网格单元的点云数据和雷达返回信号强度，通过如下公式进行，
。
2.如权利要求1所述的车路协同自动驾驶仿真测试方法，其特征在于：在进行数据分析时，分析结果包括车辆行驶稳定性、车辆环境感知能力、车辆决策能力、车辆应对异常情况的能力，以及车辆与道路协同能力。
3.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1或2所述的方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1或2所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310700384.7A CN116680186B (zh) | 2023-06-14 | 2023-06-14 | 一种车路协同自动驾驶仿真测试方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310700384.7A CN116680186B (zh) | 2023-06-14 | 2023-06-14 | 一种车路协同自动驾驶仿真测试方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116680186A CN116680186A (zh) | 2023-09-01 |
| CN116680186B true CN116680186B (zh) | 2023-11-14 |
Family
ID=87786960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310700384.7A Active CN116680186B (zh) | 2023-06-14 | 2023-06-14 | 一种车路协同自动驾驶仿真测试方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116680186B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112382079A (zh) * | 2020-09-21 | 2021-02-19 | 广州中国科学院软件应用技术研究所 | 一种面向车路协同的路侧感知模拟仿真方法和系统 |
| CN112417757A (zh) * | 2020-11-18 | 2021-02-26 | 中国汽车技术研究中心有限公司 | 车载雷达信号级仿真方法、装置、设备及可读存储介质 |
| CN112433934A (zh) * | 2020-11-03 | 2021-03-02 | 腾讯科技（深圳）有限公司 | 仿真测试方法、装置、计算机设备和存储介质 |
| CN113009506A (zh) * | 2021-02-22 | 2021-06-22 | 西安交通大学 | 一种虚实结合的实时激光雷达数据生成方法、系统及设备 |
| CN115187742A (zh) * | 2022-09-07 | 2022-10-14 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试场景生成方法、系统及相关装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11454703B2 (en) * | 2020-08-20 | 2022-09-27 | Baidu Usa Llc | Methods and systems for testing automotive radar using radar data cube emulator |
-
2023
- 2023-06-14 CN CN202310700384.7A patent/CN116680186B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112382079A (zh) * | 2020-09-21 | 2021-02-19 | 广州中国科学院软件应用技术研究所 | 一种面向车路协同的路侧感知模拟仿真方法和系统 |
| CN112433934A (zh) * | 2020-11-03 | 2021-03-02 | 腾讯科技（深圳）有限公司 | 仿真测试方法、装置、计算机设备和存储介质 |
| CN112417757A (zh) * | 2020-11-18 | 2021-02-26 | 中国汽车技术研究中心有限公司 | 车载雷达信号级仿真方法、装置、设备及可读存储介质 |
| CN113009506A (zh) * | 2021-02-22 | 2021-06-22 | 西安交通大学 | 一种虚实结合的实时激光雷达数据生成方法、系统及设备 |
| CN115187742A (zh) * | 2022-09-07 | 2022-10-14 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试场景生成方法、系统及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116680186A (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210262808A1 (en) | Obstacle avoidance method and apparatus | |
| CN111240328B (zh) | 一种车辆行驶安全监控方法、装置和无人驾驶车辆 | |
| CN113165652B (zh) | 使用基于网格的方法检验预测轨迹 | |
| WO2020238097A1 (zh) | 一种自动驾驶车辆的测试方法、装置及系统 | |
| US10896122B2 (en) | Using divergence to conduct log-based simulations | |
| US20190155291A1 (en) | Methods and systems for automated driving system simulation, validation, and implementation | |
| CN113168708B (zh) | 车道线跟踪方法和装置 | |
| US20230150529A1 (en) | Dynamic sensor data augmentation via deep learning loop | |
| WO2022105394A1 (en) | Simulation method and system, device, readable storage medium, and platform for autonomous driving | |
| Lima | Optimization-based motion planning and model predictive control for autonomous driving: With experimental evaluation on a heavy-duty construction truck | |
| US20220198107A1 (en) | Simulations for evaluating driving behaviors of autonomous vehicles | |
| CN113692373B (zh) | 自动驾驶车辆服务的滞留和范围分析 | |
| US20200255020A1 (en) | Vehicle road friction control | |
| WO2023045936A1 (zh) | 一种模型自动化迭代方法、设备及存储介质 | |
| Németh et al. | Optimised speed profile design of a vehicle platoon considering road inclinations | |
| CN115098079B (zh) | 雷达检测模型确定方法、系统、电子设备及可读存储介质 | |
| CN107395757B (zh) | 基于acp方法和社会物理信息系统的平行车联网系统 | |
| CN114255275A (zh) | 一种构建地图的方法及计算设备 | |
| CN115855531B (zh) | 自动驾驶汽车的测试场景构建方法、设备和介质 | |
| CN116680186B (zh) | 一种车路协同自动驾驶仿真测试方法、设备及存储介质 | |
| CN114813157A (zh) | 一种测试场景构建方法及装置 | |
| US11555928B2 (en) | Three-dimensional object detection with ground removal intelligence | |
| US20230256999A1 (en) | Simulation of imminent crash to minimize damage involving an autonomous vehicle | |
| US20230294736A1 (en) | Offline Tracking System for Autonomous Vehicle Control Systems | |
| CN114764980B (zh) | 一种车辆转弯路线规划方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |