CN117348440A - 一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质 - Google Patents
一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117348440A CN117348440A CN202311289599.0A CN202311289599A CN117348440A CN 117348440 A CN117348440 A CN 117348440A CN 202311289599 A CN202311289599 A CN 202311289599A CN 117348440 A CN117348440 A CN 117348440A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic vehicle
- traffic
- collision
- simulation
- 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 160
- 238000010998 test method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 206010039203 Road traffic accident Diseases 0.000 claims description 5
- 238000005065 mining Methods 0.000 abstract description 5
- 230000005284 excitation Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000031427 Foetal heart rate deceleration Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质，其中，方法包括：开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；根据所述接管所述交通车的命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。本发明在适当时机控制仿真环境中的交通车，可以避免交通车主动撞击自车，既兼顾了仿真场景与路采数据的一致性，又提高了交通车与自车的交互性。
Description
技术领域
本发明涉及智能驾驶仿真技术领域，具体涉及一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质。
背景技术
当前智能驾驶仿真场景主要分为经验场景、法规场景、自然驾驶场景和危险场景，其中自然驾驶场景因其具有多样性、真实性而对仿真测试更为重要，也是当前主流的场景来源。构建自然驾驶场景的方式，业界一般是将智能驾驶车辆在实际道路采集的交通环境数据，通过智能算法批量的将其提取、转换成仿真场景。这些仿真场景就可用于对开发阶段智能驾驶算法进行仿真测试，通过不断暴露算法逻辑问题，促进智能驾驶算法迭代更新，这种仿真模式也称为Logsim模式。
自然驾驶场景虽然满足场景真实性的要求，但仿真时交通车与主车交互性差，同时还存在仿真失效的可能性。这是因为自然驾驶场景是对当时(采集时刻)真实道路交通环境的复现，在仿真测试过程中体现为交通车沿着固定的轨迹行驶，并不能感知其轨迹线上有主车，存在主动撞击主车的风险，即交通车与主车没有交互性，该风险若发生将导致本次仿真失效。
现有仿真技术方案是通过强行停止交通车运动来避免交通车主动撞击主车，而在真实道路遇到这种情况时，交通车会有提前减速、变道或放弃超车等多样的驾驶行为，而不是急停在原地不动。趋近真实的交通车驾驶行为才能影响到主车行为，从而充分验证被测算法的功能。
现有的技术方案过强行停止交通车运动的时机是固定的，不可根据测试用例来设置，会影响仿真场景的多样性。采集和制作场景是需要时间成本和人工成本的，如果切换时间可变，将泛化出多个场景，间接地降低了场景生成的成本。
发明内容
本发明实施例所要解决的技术问题在于，提供一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质，以使仿真测试更高效、更可靠。
为解决上述技术问题，本发明提供一种智能驾驶的仿真测试方法，包括：
开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
根据所述接管所述交通车的命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
通过上述步骤可知，在适当时机控制仿真环境中的交通车，既兼顾了仿真场景与路采数据的一致性，又提高了交通车与自车的交互性、仿真场景的有效性，使得仿真测试更高效、更可靠。同时，在判定交通车对碰撞事故承担责任时接管交通车，实现接管时机的自定义配置，提高了仿真场景的多样性。
优选地，根据所述接管所述交通车的命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为具体包括：
通过一训练好的AI驾驶员模型，根据所述接管所述交通车的命令接管所述交通车；并根据预设的驾驶员风格，输出控制参数来控制交通车的驾驶行为，所述控制参数包括交通车油门开度、交通车制动压力和交通车方向盘转角。
优选地，所述AI驾驶员模型的训练过程包括：
分别将交通车的轨迹数据和自车的运动状态数据作为源数据输入至Actor网络模型；将车辆驾驶特征作为源数据输入至Critic网络模型；
Actor网络模型通过对输入的源数据进行若干次全连接计算，输出车辆驾驶特征至Critic网络模型；
Critic网络模型根据作为源数据输入的车辆驾驶特征和Actor网络模型输出的车辆驾驶特征，利用一次全连接计算，获得动作-状态价值函数值；
重复上述步骤并求解出最优的动作-状态价值函数值，并基于最优的动作-状态价值函数值将模型参数赋给Actor网络模型，得到训练好的AI驾驶员模型。
优选地，所述驾驶员风格具体是驾驶激进度系数，所述驾驶激进度系数用于体现交通车的接管时机、跟车距离、切入时距、是否遵守交通规则、急加减速频率与程度。
优选地，所述根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据，具体包括：
从交通车和自车的轨迹数据中加载一帧数据；
依次提取每个时间戳对应的交通车运行轨迹和自车规划轨迹上的坐标点，并以该坐标点为几何中心分别绘制两车的2D边界框；
判断两车的2D边界框是否有交叉：若有交叉，则进一步计算两车当前位置的坐标点直线连线上的碰撞时间TTC；若没有交叉，则本帧计算结束，直接加载下一帧数据；
计算出两车的碰撞时间TTC后，进一步判断TTC是否小于预设阈值，若是，则判定两车会发生碰撞事故，发送碰撞预测数据；若否，则终止本帧的碰撞预分析，加载下一帧数据。
优选地，所述根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令，具体包括：
将收到的碰撞预测数据导入根据现行的道路交通事故判定规则预建立的数学模型进行分析判断，如果判定交通车对碰撞事故承担责任，则发出接管所述交通车的命令，其中，所述碰撞预测数据包括碰撞时刻两车位姿和运动状态参数。
本发明还提供一种智能驾驶的仿真测试装置，包括：
获取模块，用于在开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
碰撞预分析模块，用于根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
责任判定模块，用于根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
AI驾驶员模块，用于根据所述命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
本发明还提供一种智能驾驶的仿真测试装置，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序被配置用于执行所述的智能驾驶的仿真测试方法。
本发明还提供一种智能驾驶的仿真测试系统，包括：仿真平台和仿真测试装置，所述仿真平台用于利用所述仿真测试装置对接入的被测智能驾驶算法进行仿真测试；
所述仿真测试装置具体包括：
获取模块，用于在开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
碰撞预分析模块，用于根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
责任判定模块，用于根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
AI驾驶员模块，用于根据所述命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行所述的智能驾驶的仿真测试方法。
实施本发明具有如下有益效果：在适当时机控制仿真环境中的交通车，可以避免交通车主动撞击自车，既兼顾了仿真场景与路采数据的一致性，又提高了交通车与自车的交互性、仿真场景的有效性，使得仿真测试更高效、更可靠。同时，在判定交通车对碰撞事故承担责任时接管交通车，实现接管时机的自定义配置，提高了仿真场景的多样性。本发明还增加了仿真场景的真实性，从而提高仿真测试的置信度；本发明增加了仿真场景的多样性，从而可减少仿真场景搭建数量、降低场景搭建成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一一种智能驾驶的仿真测试方法的流程示意图。
图2是本发明实施例中碰撞预测的流程示意图。
图3是本发明实施例中AI驾驶员模型的训练流程示意图。
图4是本发明实施例一一种智能驾驶的仿真测试方法的实施架构示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
请参照图1所示，本发明实施例一提供一种智能驾驶的仿真测试方法，包括：
开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
根据所述命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
通过上述步骤可知，在适当时机控制仿真环境中的交通车，既兼顾了仿真场景与路采数据的一致性，又提高了交通车与自车的交互性、仿真场景的有效性，使得仿真测试更高效、更可靠。同时，在判定交通车对碰撞事故承担责任时接管交通车，实现接管时机的自定义配置，提高了仿真场景的多样性。
具体地，本发明实施例在仿真进行之前，将通过驾驶员风格配置模块预先设置驾驶员风格，以便在根据命令接管交通车时，可以根据预设的驾驶员风格控制交通车的驾驶行为。针对批量仿真测试，也可以分别对各个仿真场景的交通车设置不同的驾驶员风格。且同一仿真场景里的各交通车的驾驶员风格也可以单独配置，从而提高了仿真场景的真实性。
需要设置的驾驶员风格具体是驾驶员风格评定指标——驾驶激进度系数。驾驶激进度系数的范围是从0至1，越接近0，表明驾驶风格越保守；越接近1，表明驾驶风格越激进。通过驾驶激进度系数可以控制被接管交通车的驾驶行为风格，具体体现在交通车的接管时机、跟车距离、切入时距、是否遵守交通规则、急加减速频率与程度等车辆行为表现。交通车的接管时机也就是从自动驾驶系统或者其他驾驶辅助系统的控制下，切换到被接管状态的时机。不同的驾驶风格可能会影响这个接管时机：例如，一个更加保守的驾驶风格可能会提前接管交通车，以避免任何可能的风险；而一个更加激进的驾驶风格可能会延迟接管交通车，因为它可能会认为那些风险是可以接受的。
可以理解的是，如果不根据具体的仿真场景来分别预设交通车的驾驶员风格，则默认交通车的驾驶激进度系数为0.5。
将需要进行仿真测试的被测智能驾驶算法接入仿真平台，选择自然驾驶场景库，开启Logsim仿真测试模式。本实施例中，仿真平台包括仿真场景管理模块、仿真引擎、仿真评测模块以及车辆动力学模块。仿真场景管理模块在仿真开始运行时，将正在运行的仿真场景名称下发至驾驶员风格配置模块。
在检测到仿真平台运行起来时，将实时订阅和接收仿真引擎发送的仿真场景中自车和交通车的轨迹数据，并将接收的轨迹数据发送给下一个环节——碰撞预测。如果超过预设时间段(例如2s)没有收到仿真引擎发送的轨迹数据，则上报轨迹获取错误，此次仿真失败。
请参照图2所示，在碰撞预测环节，根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据。碰撞预测数据包括碰撞时刻的自车和交通车的位姿、运动状态参数，以供后续步骤进行事故定责；若不会发生碰撞，则不发任何数据。碰撞预测的控制参数是碰撞时间(Time ToCollision，TTC)，控制条件为2D-Bounding Box(即2D边界框)是否有交叉和两车是否发送碰撞。碰撞时间TTC是预测未来某一时刻两车是否发生碰撞的一个参数。通常情况下，如果计算出的TTC低于某个阈值(比如2s)，则认为有较高的风险发生碰撞，因为驾驶员或自动驾驶系统在这么短的时间内可能无法采取有效的避障措施。2D-Bounding Box用于在图像或点云数据中快速、简单地将目标对象标识出来。它是一个平面的几何形状，是车辆在水平面上的简化表示(不考虑车辆的高度)。如果两车的2D-Bounding Box存在交叉，说明它们在同一位置上或者非常接近，因此存在碰撞风险。具体进行碰撞预测时，首先，从交通车和自车的轨迹数据中加载一帧数据。然后，依次提取每个时间戳对应的交通车运行轨迹和自车规划轨迹上的坐标点，并以该坐标点为几何中心分别绘制两车的2D-Bounding Box。接着，判断两车的2D-Bounding Box是否有交叉：若有交叉，则进一步计算两车当前位置的坐标点直线连线上的碰撞时间TTC；若没有交叉，则本帧计算结束，直接加载下一帧数据，不进行TTC计算。计算出两车的碰撞时间TTC后，进一步判断TTC是否小于预设阈值(该预设阈值可以动态调整，以便调控AI驾驶员模型的接管时机)，若是，则判定两车会发生碰撞事故，向下游发送碰撞预测数据；若否，则终止本帧的碰撞预分析，同样加载下一帧数据，继续上述流程。当仿真场景有多个交通车时，每个交通车分别按照上述步骤进行碰撞预分析。由此可知，本实施例中，首先使用2D-Bounding Box进行“快速筛查”，只有当两个Box有交叉时，才进一步进行TTC的精确计算。这样做的好处是，如果两车的2D-Bounding Box都没有交叉，那么两车很有可能是在不同的车道或者相距很远，因此不必进行更精细的TTC计算，从而提高系统的效率。在确认了两车的2D-Bounding Box有交叉之后，使用TTC进行更精确的碰撞风险评估。这样，即使两车的Box交叉，如果TTC的值大于预设阈值，也不会误判为有碰撞风险。
可以理解的是，仿真过程中，若自车主动撞击交通车则属于被测智能驾驶算法的功能缺陷，而交通车主动撞击自车则属于仿真系统的问题，需要规避。本实施例将现行的道路交通事故判定规则建成数学模型，对碰撞预测数据(碰撞时刻两车位姿、运动状态参数)进行综合分析，只要交通车对碰撞事故承担责任，不管责任占比多少，均将发出接管所述交通车的命令。
本发明实施例通过一训练好的AI驾驶员模型来根据接管交通车的命令接管承担事故责任的交通车。该AI驾驶员模型根据接收到接管命令(含有被接管交通车的ID)后，根据预设的驾驶员风格，通过交通车控制接口模块去精准地控制仿真环境里对应ID的交通车。控制参数包括交通车油门开度、交通车制动压力和交通车方向盘转角。如前所述，预先设置的驾驶员风格——具体体现为驾驶激进度系数，可以控制被接管交通车的驾驶行为风格，包括交通车的接管时机、跟车距离、切入时距、是否遵守交通规则、急加减速频率与程度等车辆行为表现。
以下再对本发明实施例中的AI驾驶员模型的训练过程进行说明。本发明基于强化学习方法训练得到AI驾驶员模型。如图3所示，第一步：将训练所需的源数据输入网络模型。其中，Actor网络模型的输入是交通车的轨迹数据和自车的运动状态数据(这两部分数据从通过在一定数量社会车辆上安装智能感知设备和惯导系统采集而来的真实交通场景数据中提取)；Critic网络模型输入的是各交通车的驾驶特征数据(即油门开度、制动压力、方向盘转角数据)。其中，交通车轨迹数据、自车运动状态数据和各交通车的驾驶特征数据在输入模型训练之前需做好时间同步处理。第二步：Actor网络模型通过对输入的数据进行若干次全连接计算，输出车辆油门开度、制动压力和方向盘转角数据，该Actor网络模型主要由1个输入层，若干全连接层和1个输出层组成。第三步：Critic网络模型基于Actor网络模型输入的车辆驾驶特征和源数据输入的车辆驾驶特征，利用1次全连接计算出动作-状态价值函数(即Q值)，该Critic网络模型主要由1个输入层，1个全连接层和1个输出层组成。通过输入大量的数据，不断重复前面三个步骤并求解出最优Q值，基于最优Q值将模型参数赋给Actor网络模型即可得到AI驾驶员模型。本发明基于深度强化学习方法，利用大量的真实交通环境数据来训练AI驾驶员模型，可保障AI驾驶员行为更加贴近人类驾驶员的驾驶行为。
再如图4所示，为本发明实施例一一种智能驾驶的仿真测试方法的实施架构。实施本发明的智能驾驶的仿真测试方法所涉及的架构包括仿真平台、被测算法模块和交通车接管模块。其中，仿真平台包括仿真场景管理模块、仿真引擎、仿真评测模块以及车辆动力学模块；交通车接管模块包括碰撞预分析模块、责任判定模块、AI驾驶员模型、驾驶员风格配置模块和交通车控制接口模块。
仿真平台通过仿真引擎调度仿真场景管理模块、仿真评测模块、车辆动力学模块依次执行测试，并实时与被测算法模块和交通车接管模块进行数据交互。
碰撞预分析模块的功能是分析仿真环境中交通车和主车在未来某时刻是否会发生碰撞，若会发生碰撞将向下游责任判定模块发送碰撞时刻的两车位姿、运动状态参数供事故定责用；若不会发生碰撞，则不发任何数据。
责任判定模块先将现行的道路交通事故判定规则抽象成数学模型，在仿真运行过程中，若收到上游碰撞预分析模块发来的两车2D-Bounding Box位姿和运动状态参数时，导入数学模型进行分析求解，若交通车对碰撞事故承担责任,不管责任占比多大，均触发下游AI驾驶员模型接管该交通车。
AI驾驶员模型基于强化学习方法训练得到AI驾驶员模型，其训练过程如前所述。当AI驾驶员模块接收到接管命令、被接管车辆ID后以及对该仿真场景设置的驾驶激进度系数后，将根据仿真平台实时输入的交通车辆轨迹数据、自车运动状态数据，实时输出油门开度、制动压力和方向盘转角这三个控制量，并通过交通车控制接口模块去精准控制仿真场景里对应ID的交通车。
交通车控制接口模块包括两部分，一部分连接AI驾驶员模型，一部分连接仿真平台的车辆动力学模块，采用多节点并发的方式可以使AI驾驶员模型同时接管多个交通车。
相应于前述本发明实施例一所述的智能驾驶的仿真测试方法，本发明实施例二提供一种一种智能驾驶的仿真测试装置，包括：
获取模块，用于在开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
碰撞预分析模块，用于根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
责任判定模块，用于根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
AI驾驶员模块，用于根据所述命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
优选地，所述AI驾驶员模块具体用于：根据所述接管所述交通车的命令接管所述交通车；并根据预设的驾驶员风格，输出控制参数来控制交通车的驾驶行为，所述控制参数包括交通车油门开度、交通车制动压力和交通车方向盘转角。
优选地，所述AI驾驶员模块的训练方式是：
分别将交通车的轨迹数据和自车的运动状态数据作为源数据输入至Actor网络模型；将车辆驾驶特征作为源数据输入至Critic网络模型；
Actor网络模型通过对输入的源数据进行若干次全连接计算，输出车辆驾驶特征至Critic网络模型；
Critic网络模型根据作为源数据输入的车辆驾驶特征和Actor网络模型输出的车辆驾驶特征，利用一次全连接计算，获得动作-状态价值函数值；
重复上述步骤并求解出最优的动作-状态价值函数值，并基于最优的动作-状态价值函数值将模型参数赋给Actor网络模型，得到训练好的AI驾驶员模型。
优选地，所述驾驶员风格具体是驾驶激进度系数，所述驾驶激进度系数用于体现交通车的接管时机、跟车距离、切入时距、是否遵守交通规则、急加减速频率与程度。
优选地，所述碰撞预分析模块具体用于：
从交通车和自车的轨迹数据中加载一帧数据；
依次提取每个时间戳对应的交通车运行轨迹和自车规划轨迹上的坐标点，并以该坐标点为几何中心分别绘制两车的2D边界框；
判断两车的2D边界框是否有交叉：若有交叉，则进一步计算两车当前位置的坐标点直线连线上的碰撞时间TTC；若没有交叉，则本帧计算结束，直接加载下一帧数据；
计算出两车的碰撞时间TTC后，进一步判断TTC是否小于预设阈值，若是，则判定两车会发生碰撞事故，发送碰撞预测数据；若否，则终止本帧的碰撞预分析，加载下一帧数据。
优选地，所述责任判定模块具体用于：将收到的碰撞预测数据导入根据现行的道路交通事故判定规则预建立的数学模型进行分析判断，如果判定交通车对碰撞事故承担责任，则发出接管所述交通车的命令，其中，所述碰撞预测数据包括碰撞时刻两车位姿和运动状态参数。
相应于前述本发明实施例一所述的智能驾驶的仿真测试方法，本发明实施例三还提供一种智能驾驶的仿真测试装置，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序被配置用于执行本发明实施例一所述的智能驾驶的仿真测试方法。
相应于前述本发明实施例一所述的智能驾驶的仿真测试方法，本发明实施例四提供一种一种智能驾驶的仿真测试系统，包括：仿真平台和仿真测试装置，所述仿真平台用于利用所述仿真测试装置对接入的被测智能驾驶算法进行仿真测试；
所述仿真测试装置具体包括：
获取模块，用于在开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
碰撞预分析模块，用于根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
责任判定模块，用于根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
AI驾驶员模块，用于根据所述命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
相应于前述本发明实施例一所述的智能驾驶的仿真测试方法，本发明实施例五提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如本发明实施例一所述的智能驾驶的仿真测试方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述装置中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述装置的控制中心，利用各种接口和线路连接所述装置的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述装置可包括但不仅限于处理器、存储器，本领域技术人员可以理解。
有关上述实施例的工作原理和过程，参见前述本发明实施例一的说明，此处不再赘述。
通过上述说明可知，与现有技术相比，本发明的有益效果在于：在适当时机控制仿真环境中的交通车，可以避免交通车主动撞击自车，既兼顾了仿真场景与路采数据的一致性，又提高了交通车与自车的交互性、仿真场景的有效性，使得仿真测试更高效、更可靠。同时，在判定交通车对碰撞事故承担责任时接管交通车，实现接管时机的自定义配置，提高了仿真场景的多样性。本发明还增加了仿真场景的真实性，从而提高仿真测试的置信度；本发明增加了仿真场景的多样性，从而可减少仿真场景搭建数量、降低场景搭建成本。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明的权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种智能驾驶的仿真测试方法，其特征在于，包括：
开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
根据所述接管所述交通车的命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
2.根据权利要求1所述的方法，其特征在于，根据所述接管所述交通车的命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为具体包括：
通过一训练好的AI驾驶员模型，根据所述接管所述交通车的命令接管所述交通车；并根据预设的驾驶员风格，输出控制参数来控制交通车的驾驶行为，所述控制参数包括交通车油门开度、交通车制动压力和交通车方向盘转角。
3.根据权利要求2所述的方法，其特征在于，所述AI驾驶员模型的训练过程包括：
分别将交通车的轨迹数据和自车的运动状态数据作为源数据输入至Actor网络模型；将车辆驾驶特征作为源数据输入至Critic网络模型；
Actor网络模型通过对输入的源数据进行若干次全连接计算，输出车辆驾驶特征至Critic网络模型；
Critic网络模型根据作为源数据输入的车辆驾驶特征和Actor网络模型输出的车辆驾驶特征，利用一次全连接计算，获得动作-状态价值函数值；
重复上述步骤并求解出最优的动作-状态价值函数值，并基于最优的动作-状态价值函数值将模型参数赋给Actor网络模型，得到训练好的AI驾驶员模型。
4.根据权利要求1所述的方法，其特征在于，所述驾驶员风格具体是驾驶激进度系数，所述驾驶激进度系数用于体现交通车的接管时机、跟车距离、切入时距、是否遵守交通规则、急加减速频率与程度。
5.根据权利要求1所述的方法，其特征在于，所述根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据，具体包括：
从交通车和自车的轨迹数据中加载一帧数据；
依次提取每个时间戳对应的交通车运行轨迹和自车规划轨迹上的坐标点，并以该坐标点为几何中心分别绘制两车的2D边界框；
判断两车的2D边界框是否有交叉：若有交叉，则进一步计算两车当前位置的坐标点直线连线上的碰撞时间TTC；若没有交叉，则本帧计算结束，直接加载下一帧数据；
计算出两车的碰撞时间TTC后，进一步判断TTC是否小于预设阈值，若是，则判定两车会发生碰撞事故，发送碰撞预测数据；若否，则终止本帧的碰撞预分析，加载下一帧数据。
6.根据权利要求1所述的方法，其特征在于，所述根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令，具体包括：
将收到的碰撞预测数据导入根据现行的道路交通事故判定规则预建立的数学模型进行分析判断，如果判定交通车对碰撞事故承担责任，则发出接管所述交通车的命令，其中，所述碰撞预测数据包括碰撞时刻两车位姿和运动状态参数。
7.一种智能驾驶的仿真测试装置，其特征在于，包括：
获取模块，用于在开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
碰撞预分析模块，用于根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
责任判定模块，用于根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
AI驾驶员模块，用于根据所述命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
8.一种智能驾驶的仿真测试装置，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序被配置用于执行如权利要求1～6任一项所述的智能驾驶的仿真测试方法。
9.一种智能驾驶的仿真测试系统，其特征在于，包括：仿真平台和仿真测试装置，所述仿真平台用于利用所述仿真测试装置对接入的被测智能驾驶算法进行仿真测试；
所述仿真测试装置具体包括：
获取模块，用于在开启仿真模式后，实时获取仿真场景中自车和交通车的轨迹数据；
碰撞预分析模块，用于根据实时获取的自车和交通车的轨迹数据，判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故，若是则发送碰撞预测数据；
责任判定模块，用于根据收到的碰撞预测数据，判断碰撞事故责任归属，若交通车对碰撞事故承担责任，则发出接管所述交通车的命令；
AI驾驶员模块，用于根据所述命令接管所述交通车，并根据预设的驾驶员风格控制交通车的驾驶行为。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～6任一项所述的智能驾驶的仿真测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311289599.0A CN117348440A (zh) | 2023-10-08 | 2023-10-08 | 一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311289599.0A CN117348440A (zh) | 2023-10-08 | 2023-10-08 | 一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117348440A true CN117348440A (zh) | 2024-01-05 |
Family
ID=89366065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311289599.0A Pending CN117348440A (zh) | 2023-10-08 | 2023-10-08 | 一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117348440A (zh) |
-
2023
- 2023-10-08 CN CN202311289599.0A patent/CN117348440A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111006879B (zh) | 一种面向港口环境的人机混驾自动驾驶的测试方法及其测试平台 | |
| EP3309721A1 (en) | Autonomous system validation | |
| CN111795832B (zh) | 一种智能驾驶车辆测试方法、装置及设备 | |
| JP2019528518A (ja) | 自動運転車両の操縦システム | |
| CN109739230B (zh) | 驾驶轨迹生成方法、装置及存储介质 | |
| CN114511999B (zh) | 一种行人行为预测方法及装置 | |
| CN114764392A (zh) | 用于确定交通场景相似度值的计算机实现方法和测试单元 | |
| CN112671487B (zh) | 一种车辆测试的方法、服务器以及测试车辆 | |
| US20230394896A1 (en) | Method and a system for testing a driver assistance system for a vehicle | |
| CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| CN114537441A (zh) | 一种车辆行驶意图预测方法、装置、系统及车辆 | |
| WO2023145490A1 (ja) | 運転システムの設計方法及び運転システム | |
| WO2023145491A1 (ja) | 運転システムの評価方法及び記憶媒体 | |
| CN113212429A (zh) | 一种自动驾驶车辆安全控制方法及装置 | |
| EP4238844A1 (en) | Method and system for evaluating performance of autonomous driving algorithm | |
| CN117348440A (zh) | 一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质 | |
| CN115358415A (zh) | 自动驾驶学习模型的分布式训练方法及自动驾驶方法 | |
| CN115129027A (zh) | 一种用于智能驾驶的自动化评估方法及装置 | |
| CN111951552B (zh) | 一种自动驾驶中风险管理的方法以及相关装置 | |
| US20220204003A1 (en) | Formal Verification for the Development and Real-Time Application of Autonomous Systems | |
| CN113029155A (zh) | 机器人自动导航方法及装置、电子设备、存储介质 | |
| Reimann et al. | Temporal Logic Formalisation of ISO 34502 Critical Scenarios: Modular Construction with the RSS Safety Distance | |
| US20240067216A1 (en) | Verification of vehicle prediction function | |
| CN116279450B (zh) | 车辆控制方法、装置及电子设备、存储介质 | |
| WO2023228722A1 (ja) | 画像認識システム |
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 |