CN105808314B - 一种交通仿真的方法及装置 - Google Patents
一种交通仿真的方法及装置 Download PDFInfo
- Publication number
- CN105808314B CN105808314B CN201410844326.2A CN201410844326A CN105808314B CN 105808314 B CN105808314 B CN 105808314B CN 201410844326 A CN201410844326 A CN 201410844326A CN 105808314 B CN105808314 B CN 105808314B
- Authority
- CN
- China
- Prior art keywords
- status information
- vehicle
- car status
- decision
- driver
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通安全仿真领域,特别是涉及一种交通仿真的方法及装置,实现对威胁交通安全场景的模拟,该方法为:基于获取的海量驾驶员行为数据和周边环境数据,海量车辆动力学数据以及海量交通环境数据,建立驾驶员行为模型,车辆动力学模型以及交通环境模型;按照设定周期,基于交通环境模型仿真产生的特定的交通环境和基于车辆动力学模型仿真产生第一车辆状态信息,驾驶员行为模型仿真产生驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出,通过不断输出仿真结果调整车辆的状态信息,为提高交通安全的相关技术方案的验证提供了基础。
Description
技术领域
本发明涉及交通安全仿真领域,特别是涉及一种交通仿真的方法及装置。
背景技术
现有技术中,交通流仿真软件用于各种交通场景或事件下的交通流演化的模拟,仿真规模较为灵活,微观、中观、宏观仿真均有涉及。该类仿真软件主要定位于对各种智能交通***(Intelligent Transport System,ITS)模拟及其效果评价,例如,模拟交通信号控制策略对路网通行效率的影响。
但是,该类仿真平台受限于其应用定位,底层模型较为理想化,不会在仿真***中自发产生交通冲突,例如,跟车模型较为理想化,不会自发发生追尾等现象。此外,大部分交通流仿真软件对换道行为的描述较为简略,假定车辆在较短的时间内即可从当前车道换到周边车道,对换道行为的中间过渡过程没有进行详细刻画,不会发生侧碰等现象。
因此,该类平台将交通冲突视为***运行的异常情况,对驾驶行为刻画较为粗糙,没有考虑到交通冲突的自发产生,进而无法基于该平台实现针对危险场景的车对车的信息交换(Vehicle to Vehicle,V2X)技术方案的仿真验证。
发明内容
本发明实施例提供一种交通仿真的方法及装置,用以解决现有技术中存在的难以在模型层面引入交通冲突的自发产生,无法实现对V2X技术方案的仿真进行验证的问题。
本发明实施例提供的具体技术方案如下:
一种交通仿真的方法,包括:
基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型,基于获取的海量车辆动力学数据,建立车辆动力学模型,以及基于获取的海量交通环境数据,建立交通环境模型;
按照设定周期,基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出。
因此,采用本发明的方法实现了对威胁交通安全场景的模拟,通过不断输出仿真结果调整车辆的状态信息,节约了实际交通危险测试的成本,进而实现在仿真平台中引入交通冲突的自发产生,从而为提高交通安全的相关技术方案的验证提供了基础。
较佳的,基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型,具体包括:
基于获取的海量驾驶员行为数据及周边环境数据,结合驾驶员行为习惯参数和非正常操作参数,建立驾驶员行为模型,其中,驾驶员行为习惯参数至少包括驾驶员在行驶过程中的最大速度和最大加速度,非正常行为参数至少包括驾驶员误操作的最大速度和最大加速度。
较佳的,基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,包括:
基于驾驶员行为模型对当前环境参数进行感知,以及采用预设的环境类误差对感知结果进行修正,其中,感知结果中至少包含有基于交通环境模型产生的预定危险场景的环境参数;
基于感知结果以及第一车辆状态信息,生成对应的决策,以及采用预设的决策类误差对决策进行修正,其中,第一车辆状态信息中至少包含有基于车辆动力学模型产生的车辆速度、车辆加速度和车辆位置,决策中至少包含有基于驾驶员行为模型产生的车辆状态控制命令;
基于决策制定对应的操作行为,以及采用预设的操作类误差对操作行为进行修正,其中,操作行为中至少包含有基于驾驶员行为模型产生的用于实施决策的车辆操作参数;
将修正后的决策和操作行为作为最终的驾驶员决策操作信息。
较佳的,基于感知结果以及第一车辆状态信息,生成对应的决策,并基于决策制定对应的操作行为,包括:
若基于感知结果以及第一车辆状态信息,确定车辆当前的速度大于等于针对特定交通环境预设的第一安全速度门限时,则决策对车辆减速,并生成用于表征踩刹车的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定车辆当前的速度小于针对特定交通环境预设的第二安全速度门限时,则决策对车辆加速,并生成用于表征踩油门的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定车辆当前的运动轨迹偏离针对特定交通环境预设的安全轨迹时,则决策对车辆转向,并生成用于表征转动方向盘的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定当前的车辆速度、车辆加速度和车辆位置,均符合针对特定交通环境预设的安全标准时,则决策对车辆维持当前状态不变,并生成用于表征维持车辆当前状态的车辆操作参数。
较佳的,将第二车辆状态信息作为仿真结果输出后,进一步包括:
结合特定的交通环境,对第二车辆状态信息进行危险性评估;
若通过危险性评估,则保留当前的第二状态信息;
若未通过危险性评估,则在接收到预警信息后,基于驾驶员行为模型对第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息;或者,若未通过危险性评估,则根据获得的优化政策,对第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息。
较佳的,进一步包括:
按照设定周期,循环执行以下操作:基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出;
其中,每执行一次,将最终获得的第二车辆状态信息,作为下一次执行时,车辆动力学模型仿真产生的第一车辆状态信息的输入数据。
一种交通仿真的装置,包括:
处理单元,用于基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型,基于获取的海量车辆动力学数据,建立车辆动力学模型,以及基于获取的海量交通环境数据,建立交通环境模型;
仿真单元,用于按照设定周期,基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出。
因此,采用本发明的方法实现了对威胁交通安全场景的模拟,通过不断输出仿真结果调整车辆的状态信息,节约了实际交通危险测试的成本,进而实现在仿真平台中引入交通冲突的自发产生,从而为提高交通安全的相关技术方案的验证提供了基础。
较佳的,基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型时,处理单元具体用于:
基于获取的海量驾驶员行为数据及周边环境数据,结合驾驶员行为习惯参数和非正常操作参数,建立驾驶员行为模型,其中,驾驶员行为习惯参数至少包括驾驶员在行驶过程中的最大速度和最大加速度,非正常行为参数至少包括驾驶员误操作的最大速度和最大加速度。
较佳的,基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息时,仿真单元用于:
基于驾驶员行为模型对当前环境参数进行感知,以及采用预设的环境类误差对感知结果进行修正,其中,感知结果中至少包含有基于交通环境模型产生的预定危险场景的环境参数;
基于感知结果以及第一车辆状态信息,生成对应的决策,以及采用预设的决策类误差对决策进行修正,其中,第一车辆状态信息中至少包含有基于车辆动力学模型产生的车辆速度、车辆加速度和车辆位置,决策中至少包含有基于驾驶员行为模型产生的车辆状态控制命令;
基于决策制定对应的操作行为,以及采用预设的操作类误差对操作行为进行修正,其中,操作行为中至少包含有基于驾驶员行为模型产生的用于实施决策的车辆操作参数;
将修正后的决策和操作行为作为最终的驾驶员决策操作信息。
较佳的,基于感知结果以及第一车辆状态信息,生成对应的决策,并基于决策制定对应的操作行为时,仿真单元用于:
若基于感知结果以及第一车辆状态信息,确定车辆当前的速度大于等于针对特定交通环境预设的第一安全速度门限时,则决策对车辆减速,并生成用于表征踩刹车的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定车辆当前的速度小于针对特定交通环境预设的第二安全速度门限时,则决策对车辆加速,并生成用于表征踩油门的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定车辆当前的运动轨迹偏离针对特定交通环境预设的安全轨迹时,则决策对车辆转向,并生成用于表征转动方向盘的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定当前的车辆速度、车辆加速度和车辆位置,均符合针对特定交通环境预设的安全标准时,则决策对车辆维持当前状态不变,并生成用于表征维持车辆当前状态的车辆操作参数。
较佳的,将第二车辆状态信息作为仿真结果输出后,进一步包括:
危险性评估单元,用于结合特定的交通环境,对第二车辆状态信息进行危险性评估;
以及若通过危险性评估,则保留当前的第二状态信息;若未通过危险性评估,则在接收到预警信息后,基于驾驶员行为模型对第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息;或者,若未通过危险性评估,则根据获得的优化政策,对第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息。
较佳的,仿真单元进一步用于:
按照设定周期,循环执行以下操作:基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出;
其中,每执行一次,将最终获得的第二车辆状态信息,作为下一次执行时,车辆动力学模型仿真产生的第一车辆状态信息的输入数据。
附图说明
图1为本发明实施例中交通仿真的概述流程图;
图2为本发明实施例中交通仿真的结构流程图;
图3为本发明实施例中驾驶员行为决策及对应的操作行为的关系图;
图4A和4B为本发明实施例中的跟车模型;
图5A和5B为本发明实施例中的转向模型;
图6为本发明实施例中交通仿真装置的结构示意图。
具体实施方式
为了解决现有技术中存在的难以在模型层面引入交通冲突的自发产生,无法实现对V2X技术方案的仿真进行验证的问题,本发明提供了一种交通仿真的方法及装置,基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型,基于获取的海量车辆动力学数据,建立车辆动力学模型,以及基于获取的海量交通环境数据,建立交通环境模型;按照设定周期,基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出。
下面结合附图对本发明优选的实施方式进行详细说明。
参阅图1和图2所示,本发明实施例中,对交通仿真的过程具体如下:
步骤100:基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型,基于获取的海量车辆动力学数据,建立车辆动力学模型,以及基于获取的海量交通环境数据,建立交通环境模型。
具体的,在基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型时,还需结合驾驶员行为习惯参数和非正常操作参数,其中,驾驶员行为习惯参数至少包括驾驶员在行驶过程中的最大速度和最大加速度,非正常行为参数至少包括驾驶员误操作的最大速度和最大加速度。由于对驾驶员行为进行模型化描述是因为驾驶员对环境感知的误差、反应的不及时或者决策的错误可能导致危险的发生,所以需要基于对驾驶员行为的描述建立细颗粒度的模型,考虑驾驶员的行为习惯参数和非正常操作行为,以此更加真实地实现对危险行为的刻画,进而实现危险场景的产生。
步骤110:按照设定周期,基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出。
具体的,基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息时,在驾驶员行为模型中,可能在三个方面产生误差,因此需要对应的三个方面的误差修正,并将修正后的决策和操作行为作为最终的驾驶员决策操作信息。
其一,感知识别误差修正:基于驾驶员行为模型对当前环境参数进行感知,以及采用预设的环境类误差对感知结果进行修正,其中,感知结果中至少包含有基于交通环境模型产生的预定危险场景的环境参数。
例如,驾驶员行为模型对周围车辆位置、路面湿滑状况等环境参数进行感知,针对可能产生的环境参数误差采用预设的环境类误差对感知结果进行修正。
其二,决策制定误差修正:基于感知结果以及第一车辆状态信息,生成对应的决策,以及采用预设的决策类误差对决策进行修正,其中,第一车辆状态信息中至少包含有基于车辆动力学模型产生的车辆速度、车辆加速度和车辆位置,决策中至少包含有基于驾驶员行为模型产生的车辆状态控制命令。
例如,驾驶员行为模型针对驾驶员可能产生的判断决策误差进行相应的预设决策类误差修正。
其三,操作实施误差修正:基于决策制定对应的操作行为,以及采用预设的操作类误差对操作行为进行修正,其中,操作行为中至少包含有基于驾驶员行为模型产生的用于实施决策的车辆操作参数。
例如,驾驶员行为模型考虑针对驾驶员误操作产生的误差,并采用预设的操作类误差对操作行为进行修正。
参阅图3所示,基于感知结果以及第一车辆状态信息,生成对应的决策,并基于决策制定对应的操作行为,至少包括但不限于以下四种情况:
1、若基于感知结果以及第一车辆状态信息,确定车辆当前的速度大于等于针对特定交通环境预设的第一安全速度门限时,则决策对车辆减速,并生成用于表征踩刹车的车辆操作参数;
2、若基于感知结果以及第一车辆状态信息,确定车辆当前的速度小于针对特定交通环境预设的第二安全速度门限时,则决策对车辆加速,并生成用于表征踩油门的车辆操作参数;
3、若基于感知结果以及第一车辆状态信息,确定车辆当前的运动轨迹偏离针对特定交通环境预设的安全轨迹时,则决策对车辆转向,并生成用于表征转动方向盘的车辆操作参数;
4、若基于感知结果以及第一车辆状态信息,确定当前的车辆速度、车辆加速度和车辆位置,均符合针对特定交通环境预设的安全标准时,则决策对车辆维持当前状态不变,并生成用于表征维持车辆当前状态的车辆操作参数。
此外,在第二车辆状态信息作为仿真结果输出后,还需结合特定的交通环境,对第二车辆状态信息进行危险性评估:
若通过危险性评估,则保留当前的第二状态信息;
若未通过危险性评估,则在接收到预警信息后,基于驾驶员行为模型对第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息;
或者,若未通过危险性评估,则根据获得的优化政策,对第二车辆状态信息进行调整,这里是对驾驶员车辆的直接控制,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息。
由此可知,按照设定周期,循环执行以下操作:基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出;
其中,每执行一次,将最终获得的第二车辆状态信息,作为下一次执行时,车辆动力学模型仿真产生的第一车辆状态信息的输入数据。
下面结合具体的实施例对本发明的实施方式进行详细说明。
参阅图4A和图4B所示,基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型,下面结合跟车模型进行详细说明:
假设车道上有两辆车,前车A和后车B之间的距离为d,如图4A所示。两车沿同一方向分别以va0、vb0行驶,初始加速度为aa0、ab0,SA为前车A走过的位移,SB为后车B走过的位移,A、B车的最大制动减速度分别为aamin,abmin(均小于0)。
在计算前后车的安全距离时,需要考虑最坏的情况,即前车不经过反应时间立即刹车,后车经过一段反应时间才刹车,并计算出前、后车减速至0走过的位移,再用后车走过的位移减去前车的位移得到安全距离S0。
在实际仿真过程中,需要结合交通环境模型仿真产生特定的交通环境以及结合车辆动力学模型仿真产生第一车辆状态信息进行具体的判断。
具体的,根据两车行驶过程中加速度与时间的关系图,如图4B所示。
其中tb1是后车驾驶员反应时间,一般取值为(0.8-1.0)s,Ka、Kb分别是前后车踩刹车时加速度的变化率,ta1、tb2-tb1分别是踩刹车所用的时间。va1、va2分别是前车在0-ta1、ta1-ta2时间段的速度,vb1、vb2、vb3分别是后车在0-tb1、tb1-tb2、tb2-tb3时间段的速度。Sa1、Sa2分别是前车在0-ta1、ta1-ta2时间段走过的路程,Sb1、Sb2、Sb3分别是后车在0-tb1、tb1-tb2、tb2-tb3时间段走过的路程。
经计算,前车在0-ta1间段的加速度、速度、距离随时间的变化如下:
aa1t=aa0=Kat
前车在ta1-ta2时间段加速度为aamin,速度、距离随时间的变化为:
后车在0-tb1时间段加速度为ab0,速度、距离随时间的变化为:
vb1(t)=vb0+ab0t
后车在tb1-tb2时间段的加速度、速度、距离随时间的变化为:
ab2t=ab0-Kb(t-tb1)
后车在tb2-tb3时间段加速度为abmin,速度、距离随时间的变化为:
设前后车减速至0的距离为Sa、Sb,先计算前车的刹车距离Sa:
(1)如果前车在0-ta1时间段速度已经减到0,即va1ta1≤0,那么先计算使va1t=0的时刻t,解得其中
则Sa=Sa1t;
(2)如果前车在ta1-ta2时间段速度才减到0,即va1ta1>0,则
再计算后车的刹车距离Sb:
(1)如果后车在0-tb1时间段速度已经减到0,即vb1tb1≤0,那么
(2)如果后车在tb1-tb2时间段才减到0,即vb1tb1>0且vb2tb2≤0,计算使vb2t=0的时
刻t,解得其中则Sb=Sb1tb1+Sb2t;
(3)如果后车在tb2-tb3时间段才减到0,即vb1tb1>0且vb2tb2>0,则
设两相邻车保持的最小距离为l,则前后车的最小安全距离为S0=Sb-Sa+l。
每过dt时间,更新车的速度为v=v+a*dt,更新车的位置 连续地显示车辆的最新状态信息可以得到很好的仿真效果。
进一步地,驾驶员行为模型的建立需要结合驾驶员行为习惯参数和非正常操作参数。
例如,如果两车的实际距离小于最小安全距离,即d<S0,那么后车应该以最大减度减速。同时还可以考虑后车驾驶员行为参数,即驾驶员的在行驶过程中的最大加速度(有一个范围,最大不超过最大减速度abmin,最小不小于abcom),最小安全距离S0是关于最大减速度abmin的一个函数,只需要把所有等式中的abmin换成abcom,这时就可以得到一个比较大的安全距离S1,结合最小安全距离S0,得到安全距离的一个范围[S0,S1]。当实际车距S0<d<S1时,后车驾驶员可以采取自己的习惯减速度使车辆减速。如果实际车距d>S1时,后车驾驶员可以自由选择加速或者保持原状态。
在实际的交通仿真过程中,通过交通环境模型和车辆动力学模型获得最新的前车车辆状态信息,和后车(本车)的第一车辆状态信息,驾驶员行为模型根据该第一车辆状态信息结合特定的交通环境做出驾驶员决策操作信息,具体的,驾驶员行为模型获知前车立即刹车及对应的前车的车辆状态信息,根据自身的车辆状态信息(即第一车辆状态信息),做出减速的决策,并采取刹车的操作行为,针对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出进行危险性评估。若评估通过,在到达下个周期时,将第二车辆状态信息最为车辆动力学模型的第一车辆状态信息输入,进入下一个仿真周期;若未通过,则驾驶员行为模型根据预警信息,对车辆的状态进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直至生成的最新的第二车辆状态信息通过危险性评估,在到达下个周期时,将第二车辆状态信息最为车辆动力学模型的第一车辆状态信息输入,进入下一个仿真周期。或者,根据获得的优化政策,直接控制车辆,对第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息,在到达下个周期时,将最新第二车辆状态信息最为车辆动力学模型的第一车辆状态信息输入,进入下一个仿真周期。
本发明中提出的跟车模型,通过对驾驶员行为进行细粒度地模型建立,并且对跟车环节的考虑了驾驶员行为***台中引入交通冲突的自发产生,从而为提高交通安全的相关技术方案的验证提供了基础。
参阅图5A和图5B所示,下面以车辆动力学模型中的转向模型为例进行详细说明。
具体的,将汽车看成一个长方形,设长为l,宽为d。P点是车头中点,坐标为f是前轮中点,b是后轮中点。设前轮速度是v,前轮速度方向是angle。以P为原点建立直角坐标系。
根据图5A,可得到f点和b点的初始坐标。
经过时间dt后,f,d和p的位置都发生了变化,车辆行驶过程中的状态更新如图5B所示。
通过不断更新车辆的位置,能够实现连续地显示车辆的具***置信息,得到很好的仿真效果。
此外,基于获取的海量交通环境数据,建立交通环境模型。具体的,根据各个车辆的位置数据,结合道路环境,例如,雨雪天气路面湿滑,雾霾天气能见度较低等,以及交通常态行为,例如,十字路口红绿灯等待时间,限速情况等,建立交通环境模型。交通环境模型为车辆动力学模型和驾驶员行为模型,以及整个仿真过程提供特定的交通环境场景。
参阅图6所示,交通仿真的装置,包括:
处理单元60,用于基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型,基于获取的海量车辆动力学数据,建立车辆动力学模型,以及基于获取的海量交通环境数据,建立交通环境模型;
仿真单元61,用于按照设定周期,基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出。
因此,采用本发明的方法实现了对威胁交通安全场景的模拟,通过不断输出仿真结果调整车辆的状态信息,节约了实际交通危险测试的成本,进而实现在仿真平台中引入交通冲突的自发产生,从而为提高交通安全的相关技术方案的验证提供了基础。
较佳的,基于获取的海量驾驶员行为数据及周边环境数据,建立驾驶员行为模型时,处理单元60具体用于:
基于获取的海量驾驶员行为数据及周边环境数据,结合驾驶员行为习惯参数和非正常操作参数,建立驾驶员行为模型,其中,驾驶员行为习惯参数至少包括驾驶员在行驶过程中的最大速度和最大加速度,非正常行为参数至少包括驾驶员误操作的最大速度和最大加速度。
较佳的,基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息时,仿真单元61用于:
基于驾驶员行为模型对当前环境参数进行感知,以及采用预设的环境类误差对感知结果进行修正,其中,感知结果中至少包含有基于交通环境模型产生的预定危险场景的环境参数;
基于感知结果以及第一车辆状态信息,生成对应的决策,以及采用预设的决策类误差对决策进行修正,其中,第一车辆状态信息中至少包含有基于车辆动力学模型产生的车辆速度、车辆加速度和车辆位置,决策中至少包含有基于驾驶员行为模型产生的车辆状态控制命令;
基于决策制定对应的操作行为,以及采用预设的操作类误差对操作行为进行修正,其中,操作行为中至少包含有基于驾驶员行为模型产生的用于实施决策的车辆操作参数;
将修正后的决策和操作行为作为最终的驾驶员决策操作信息。
较佳的,基于感知结果以及第一车辆状态信息,生成对应的决策,并基于决策制定对应的操作行为时,仿真单元61用于:
若基于感知结果以及第一车辆状态信息,确定车辆当前的速度大于等于针对特定交通环境预设的第一安全速度门限时,则决策对车辆减速,并生成用于表征踩刹车的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定车辆当前的速度小于针对特定交通环境预设的第二安全速度门限时,则决策对车辆加速,并生成用于表征踩油门的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定车辆当前的运动轨迹偏离针对特定交通环境预设的安全轨迹时,则决策对车辆转向,并生成用于表征转动方向盘的车辆操作参数;
若基于感知结果以及第一车辆状态信息,确定当前的车辆速度、车辆加速度和车辆位置,均符合针对特定交通环境预设的安全标准时,则决策对车辆维持当前状态不变,并生成用于表征维持车辆当前状态的车辆操作参数。
较佳的,将第二车辆状态信息作为仿真结果输出后,进一步包括:
危险性评估单元62,用于结合特定的交通环境,对第二车辆状态信息进行危险性评估;
以及若通过危险性评估,则保留当前的第二状态信息;若未通过危险性评估,则在接收到预警信息后,基于驾驶员行为模型对第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息;或者,若未通过危险性评估,则根据获得的优化政策,对第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息。
较佳的,仿真单元61进一步用于:
按照设定周期,循环执行以下操作:基于交通环境模型仿真产生特定的交通环境,基于车辆动力学模型仿真产生第一车辆状态信息,以及基于驾驶员行为模型仿真产生在特定交通环境下针对第一车辆状态信息的驾驶员决策操作信息,并依据驾驶员决策操作信息对第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将第二车辆状态信息作为仿真结果输出;
其中,每执行一次,将最终获得的第二车辆状态信息,作为下一次执行时,车辆动力学模型仿真产生的第一车辆状态信息的输入数据。
综上,采用本发明的方法实现了对威胁交通安全场景的模拟,通过不断输出仿真结果调整车辆的状态信息,节约了实际交通危险测试的成本,进而实现在仿真平台中引入交通冲突的自发产生,从而为提高交通安全的相关技术方案的验证提供了基础。
此外,采用本发明的方法实现了对驾驶员行为细粒度模型的建立,并且考虑了驾驶员行为习惯和驾驶员行为在各个环节的误差,能够有效全面地实现对驾驶员交通安全场景的仿真。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、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。
尽管已描述了本发明的优选实施例,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发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种交通仿真的方法,其特征在于,包括:
基于获取的海量驾驶员行为数据及周边环境数据,结合驾驶员行为习惯参数和非正常操作参数,建立驾驶员行为模型,基于获取的海量车辆动力学数据,建立车辆动力学模型,以及基于获取的海量交通环境数据,建立交通环境模型;
其中,所述驾驶员行为习惯参数至少包括驾驶员在行驶过程中的最大速度和最大加速度,所述非正常操作参数至少包括驾驶员误操作的最大速度和最大加速度;
基于所述交通环境模型仿真产生特定的交通环境,基于所述车辆动力学模型仿真产生第一车辆状态信息,以及基于所述驾驶员行为模型仿真产生在所述特定交通环境下针对所述第一车辆状态信息的驾驶员决策操作信息,并依据所述驾驶员决策操作信息对所述第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将所述第二车辆状态信息作为仿真结果输出。
2.如权利要求1所述的方法,其特征在于,基于所述驾驶员行为模型仿真产生在所述特定交通环境下针对所述第一车辆状态信息的驾驶员决策操作信息,包括:
基于所述驾驶员行为模型对当前环境参数进行感知,以及采用预设的环境类误差对感知结果进行修正,其中,所述感知结果中至少包含有基于所述交通环境模型产生的预定危险场景的环境参数;
基于所述感知结果以及所述第一车辆状态信息,生成对应的决策,以及采用预设的决策类误差对所述决策进行修正,其中,所述第一车辆状态信息中至少包含有基于所述车辆动力学模型产生的车辆速度、车辆加速度和车辆位置,所述决策中至少包含有基于所述驾驶员行为模型产生的车辆状态控制命令;
基于所述决策制定对应的操作行为,以及采用预设的操作类误差对所述操作行为进行修正,其中,所述操作行为中至少包含有基于所述驾驶员行为模型产生的用于实施所述决策的车辆操作参数;
将修正后的决策和操作行为作为最终的驾驶员决策操作信息。
3.如权利要求2所述的方法,其特征在于,基于所述感知结果以及所述第一车辆状态信息,生成对应的决策,并基于所述决策制定对应的操作行为,包括:
若基于所述感知结果以及所述第一车辆状态信息,确定车辆当前的速度大于等于针对所述特定交通环境预设的第一安全速度门限时,则决策对车辆减速,并生成用于表征踩刹车的车辆操作参数;
若基于所述感知结果以及所述第一车辆状态信息,确定车辆当前的速度小于针对所述特定交通环境预设的第二安全速度门限时,则决策对车辆加速,并生成用于表征踩油门的车辆操作参数;
若基于所述感知结果以及所述第一车辆状态信息,确定车辆当前的运动轨迹偏离针对所述特定交通环境预设的安全轨迹时,则决策对车辆转向,并生成用于表征转动方向盘的车辆操作参数;
若基于所述感知结果以及所述第一车辆状态信息,确定当前的车辆速度、车辆加速度和车辆位置,均符合针对所述特定交通环境预设的安全标准时,则决策对车辆维持当前状态不变,并生成用于表征维持车辆当前状态的车辆操作参数。
4.如权利要求1-3任一项所述的方法,其特征在于,将所述第二车辆状态信息作为仿真结果输出后,进一步包括:
结合所述特定的交通环境,对所述第二车辆状态信息进行危险性评估;
若通过危险性评估,则保留当前的第二状态信息;
若未通过危险性评估,则在接收到预警信息后,基于所述驾驶员行为模型对所述第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息;或者,若未通过危险性评估,则根据获得的优化政策,对所述第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息。
5.如权利要求1所述的方法,其特征在于,进一步包括:
按照设定周期,循环执行以下操作:基于所述交通环境模型仿真产生特定的交通环境,基于所述车辆动力学模型仿真产生第一车辆状态信息,以及基于所述驾驶员行为模型仿真产生在所述特定交通环境下针对所述第一车辆状态信息的驾驶员决策操作信息,并依据所述所述驾驶员决策操作信息对所述第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将所述第二车辆状态信息作为仿真结果输出;
其中,每执行一次,将最终获得的第二车辆状态信息,作为下一次执行时,所述车辆动力学模型仿真产生的第一车辆状态信息的输入数据。
6.一种交通仿真的装置,其特征在于,包括:
处理单元,用于基于获取的海量驾驶员行为数据及周边环境数据,结合驾驶员行为习惯参数和非正常操作参数,建立驾驶员行为模型,基于获取的海量车辆动力学数据,建立车辆动力学模型,以及基于获取的海量交通环境数据,建立交通环境模型;
其中,所述驾驶员行为习惯参数至少包括驾驶员在行驶过程中的最大速度和最大加速度,所述非正常操作参数至少包括驾驶员误操作的最大速度和最大加速度;
仿真单元,用于按照设定周期,基于所述交通环境模型仿真产生特定的交通环境,基于所述车辆动力学模型仿真产生第一车辆状态信息,以及基于所述驾驶员行为模型仿真产生在所述特定交通环境下针对所述第一车辆状态信息的驾驶员决策操作信息,并依据所述驾驶员决策操作信息对所述第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将所述第二车辆状态信息作为仿真结果输出。
7.如权利要求6所述的装置,其特征在于,基于所述驾驶员行为模型仿真产生在所述特定交通环境下针对所述第一车辆状态信息的驾驶员决策操作信息时,所述仿真单元用于:
基于所述驾驶员行为模型对当前环境参数进行感知,以及采用预设的环境类误差对感知结果进行修正,其中,所述感知结果中至少包含有基于所述交通环境模型产生的预定危险场景的环境参数;
基于所述感知结果以及所述第一车辆状态信息,生成对应的决策,以及采用预设的决策类误差对所述决策进行修正,其中,所述第一车辆状态信息中至少包含有基于所述车辆动力学模型产生的车辆速度、车辆加速度和车辆位置,所述决策中至少包含有基于所述驾驶员行为模型产生的车辆状态控制命令;
基于所述决策制定对应的操作行为,以及采用预设的操作类误差对所述操作行为进行修正,其中,所述操作行为中至少包含有基于所述驾驶员行为模型产生的用于实施所述决策的车辆操作参数;
将修正后的决策和操作行为作为最终的驾驶员决策操作信息。
8.如权利要求7所述的装置,其特征在于,基于所述感知结果以及所述第一车辆状态信息,生成对应的决策,并基于所述决策制定对应的操作行为时,所述仿真单元用于:
若基于所述感知结果以及所述第一车辆状态信息,确定车辆当前的速度大于等于针对所述特定交通环境预设的第一安全速度门限时,则决策对车辆减速,并生成用于表征踩刹车的车辆操作参数;
若基于所述感知结果以及所述第一车辆状态信息,确定车辆当前的速度小于针对所述特定交通环境预设的第二安全速度门限时,则决策对车辆加速,并生成用于表征踩油门的车辆操作参数;
若基于所述感知结果以及所述第一车辆状态信息,确定车辆当前的运动轨迹偏离针对所述特定交通环境预设的安全轨迹时,则决策对车辆转向,并生成用于表征转动方向盘的车辆操作参数;
若基于所述感知结果以及所述第一车辆状态信息,确定当前的车辆速度、车辆加速度和车辆位置,均符合针对所述特定交通环境预设的安全标准时,则决策对车辆维持当前状态不变,并生成用于表征维持车辆当前状态的车辆操作参数。
9.如权利要求6-8任一项所述的装置,其特征在于,将所述第二车辆状态信息作为仿真结果输出后,进一步包括:
危险性评估单元,用于结合所述特定的交通环境,对所述第二车辆状态信息进行危险性评估;
以及若通过危险性评估,则保留当前的第二状态信息;若未通过危险性评估,则在接收到预警信息后,基于所述驾驶员行为模型对所述第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息;或者,若未通过危险性评估,则根据获得的优化政策,对所述第二车辆状态信息进行调整,将调整结果作为最新的第二车辆状态信息,以及再次进行危险性评估,循环操作,直到生成的最新的第二车辆状态信息通过危险性评估,保留最新的第二车辆状态信息。
10.如权利要求6所述的装置,其特征在于,所述仿真单元进一步用于:
按照设定周期,循环执行以下操作:基于所述交通环境模型仿真产生特定的交通环境,基于所述车辆动力学模型仿真产生第一车辆状态信息,以及基于所述驾驶员行为模型仿真产生在所述特定交通环境下针对所述第一车辆状态信息的驾驶员决策操作信息,并依据所述所述驾驶员决策操作信息对所述第一车辆状态信息进行调整,仿真产生第二车辆状态信息,再将所述第二车辆状态信息作为仿真结果输出;
其中,每执行一次,将最终获得的第二车辆状态信息,作为下一次执行时,所述车辆动力学模型仿真产生的第一车辆状态信息的输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410844326.2A CN105808314B (zh) | 2014-12-30 | 2014-12-30 | 一种交通仿真的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410844326.2A CN105808314B (zh) | 2014-12-30 | 2014-12-30 | 一种交通仿真的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105808314A CN105808314A (zh) | 2016-07-27 |
CN105808314B true CN105808314B (zh) | 2019-05-10 |
Family
ID=56420078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410844326.2A Active CN105808314B (zh) | 2014-12-30 | 2014-12-30 | 一种交通仿真的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105808314B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009463B (zh) * | 2016-10-27 | 2020-10-30 | ***通信有限公司研究院 | 一种身份识别的方法及装置 |
DE112017007600T5 (de) | 2017-06-02 | 2020-02-20 | Honda Motor Co., Ltd. | Fahrzeug-Steuervorrichtung und Verfahren zum Steuern eines automatisiert fahrenden Fahrzeugs |
WO2018220853A1 (ja) | 2017-06-02 | 2018-12-06 | 本田技研工業株式会社 | 自動運転車の制御のための車両制御装置及び方法 |
CN108492666A (zh) * | 2018-03-31 | 2018-09-04 | 长安大学 | 一种虚实混合的实时微观交通仿真***与方法 |
CN109872567A (zh) * | 2019-03-01 | 2019-06-11 | 浙江吉利汽车研究院有限公司 | 车辆前向碰撞预警方法、装置及设备 |
CN109993234B (zh) * | 2019-04-10 | 2021-05-28 | 百度在线网络技术(北京)有限公司 | 一种无人驾驶训练数据分类方法、装置及电子设备 |
CN113715817B (zh) * | 2021-11-02 | 2022-02-25 | 腾讯科技(深圳)有限公司 | 车辆控制方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308616A (zh) * | 2007-06-15 | 2008-11-19 | 成都合纵连横数字科技有限公司 | 交互式交通仿真*** |
CN102622516A (zh) * | 2012-02-22 | 2012-08-01 | 天津港(集团)有限公司 | 面向道路安全评价的微观交通流仿真方法 |
CN102982703A (zh) * | 2012-12-12 | 2013-03-20 | 成都合纵连横数字科技有限公司 | 一种汽车驾驶仿真器与虚拟交通环境仿真***的交互方法 |
-
2014
- 2014-12-30 CN CN201410844326.2A patent/CN105808314B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308616A (zh) * | 2007-06-15 | 2008-11-19 | 成都合纵连横数字科技有限公司 | 交互式交通仿真*** |
CN102622516A (zh) * | 2012-02-22 | 2012-08-01 | 天津港(集团)有限公司 | 面向道路安全评价的微观交通流仿真方法 |
CN102982703A (zh) * | 2012-12-12 | 2013-03-20 | 成都合纵连横数字科技有限公司 | 一种汽车驾驶仿真器与虚拟交通环境仿真***的交互方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105808314A (zh) | 2016-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105808314B (zh) | 一种交通仿真的方法及装置 | |
US7487074B2 (en) | Road traffic simulation apparatus | |
Yuan et al. | Nonlinear MPC-based slip control for electric vehicles with vehicle safety constraints | |
CN108919795A (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
CN109501799A (zh) | 一种车联网条件下的动态路径规划方法 | |
CN109709956A (zh) | 一种自动驾驶车辆速度控制多目标优化的跟驰算法 | |
Yang et al. | Social force based microscopic modeling of vehicle-crowd interaction | |
CN105426638A (zh) | 一种驾驶员行为特性辨识装置 | |
Wang et al. | Evaluation of lane departure correction systems using a regenerative stochastic driver model | |
CN105045649A (zh) | 一种智能汽车仿真方法及装置 | |
CN108944943A (zh) | 一种基于风险动态平衡理论的弯道跟驰模型 | |
CN104298122A (zh) | 一种用于acc***开发的硬件在环试验***及试验方法 | |
CN113247023B (zh) | 一种行驶规划方法、装置、计算机设备及存储介质 | |
CN109799821A (zh) | 一种基于状态机的自动驾驶控制方法 | |
CN106530691A (zh) | 一种考虑车辆占有空间的混合车型多车道元胞自动机模型 | |
de Carvalho Pinheiro et al. | Design and validation of a high-level controller for automotive active systems | |
CN115777088A (zh) | 车辆运行安全模型测试*** | |
Chen et al. | Towards human-like speed control in autonomous vehicles: A mountainous freeway case | |
Zhu et al. | A lane-changing decision-making method for intelligent vehicle based on acceleration field | |
CN117242438A (zh) | 用于测试车辆的驾驶员辅助***的方法 | |
KR20230084551A (ko) | 차량용 운전자 보조 시스템을 테스트하기 위한 방법 및 시스템 | |
JP2023504506A (ja) | 知覚誤差モデル | |
Hamilton et al. | Modeling and simulation of an autonomous-capable electrified vehicle: A review | |
CN117222988A (zh) | 用于产生用于测试车辆的驾驶员辅助***的场景数据的方法和*** | |
Teng et al. | Car following model based on driving risk field for vehicle infrastructure cooperation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |