CN110008577A - 基于最差全局危险度搜索的车辆自动换道功能测评方法 - Google Patents
基于最差全局危险度搜索的车辆自动换道功能测评方法 Download PDFInfo
- Publication number
- CN110008577A CN110008577A CN201910255614.7A CN201910255614A CN110008577A CN 110008577 A CN110008577 A CN 110008577A CN 201910255614 A CN201910255614 A CN 201910255614A CN 110008577 A CN110008577 A CN 110008577A
- Authority
- CN
- China
- Prior art keywords
- lane
- dan
- vehicle
- danger level
- measured
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种基于最差全局危险度搜索的车辆自动换道功能测评方法,该方法通过搭建仿真平台,对待测自动换道功能和换道场景的分析,进而对最危险换道场景进行全局搜索,搜索以最差全局危险度MSdan为输出,通过实际场地再现最差全局危险度对应的最危险换道场景,对待测自动驾驶换道功能进行验证,如果待测自动驾驶换道功能在最危险换道场景下可满足运行要求,则认定该待测自动驾驶换道功能通过测评。本发明能够在降低仿真与场地测试量的同时,提高自动驾驶自动换道功能实车运行过程中的安全性,从而对自动驾驶技术与产业化的发展起到一定的推进作用。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种自动驾驶车辆在基于最差全局危险度情况下的自动换道功能的测评方法。
背景技术
自动驾驶车辆发展至今所面临的一个主要问题是如何落地,这不仅需要进一步完善自动驾驶技术,并解决自动驾驶如何商业化的问题,更重要的是如何确保自动驾驶车辆上路后的安全性。自动换道功能是自动驾驶车辆最基本的功能之一,但相对于传统的车辆主动安全***,由于自动换道功能所持续时间较长,且涉及到的场景可变参数的数目大大增加,同时在车速较高时,自动换道功能一旦出现错误操作,将带来较大的危险。因此,对自动换道功能的测试测评不仅更加复杂,而且需要更加严格。如依照传统车辆主动安全测试方法对自动驾驶自动换道功能进行测试,为了达到较高的安全性,需要进行数目巨大的场地测试,其时间与金钱成本过于巨大而无法实用。但现有研究中仍缺乏对自动驾驶车辆自动换道功能的测试测评的理论研究,尤其是缺乏研究如何在降低测试量的同时确保自动换道功能的安全性。
发明内容
针对于现有技术,本发明提供一种基于最差全局危险度搜索的车辆自动换道功能测评方法。
该方法首先确定待测自动驾驶换道功能的功能边界,同时确定装有该待测自动驾驶换道功能车辆传感器的配置、对自动换道功能具有影响的车辆参数等。在此基础上搭建待测自动驾驶车辆模型、场景模型和待测自动驾驶算法黑箱模型的仿真平台。进一步地,可对包含传感器的车辆进行针对性的场地实验,从而实现对车辆仿真平台的参数调整,确保仿真平台的精确度在一定的范围。
通过对自动换道功能和该功能对应的ODD(Operational Design Domain设计可操作范围)以及应用场景分析,确定场景中各参数边界。依据换道场景分析对初始参数进行选择,然后将搜索最危险场景问题转换为优化问题进行求解。该优化问题的输入为换道场景参数和车辆初始参数,优化目标为全局危险度Sdan,全局危险度Sdan相关计算方法嵌入到仿真平台,在每次运行确定场景参数和车辆初始参数的仿真平台后,得到对应的全局危险度Sdan。依照最优化算法对能够达到最差全局危险度MSdan的场景参数和车辆初始参数进行搜索,从而获得最差全局危险度MSdan对应的车辆换道场景。由于该场景是对应自动换道功能在ODD范围内能遇见的最差场景,因此该最差场景在通过难度上能够在一定程度上覆盖其他场景,从而减少了场地测试量,并验证了对应自动换道功能在极端情况下的表现,提高了自动驾驶车辆上路后的安全性。
本发明所采取的技术方案如下:一种基于最差全局危险度搜索的车辆自动换道功能测评方法,该方法包括如下步骤:
S1:搭建仿真平台,装载车辆模型、场景模型,确定车辆动力学参数、外形参数、传感器参数等关键性参数,以及包括道路参数、天气参数、交通指示参数、干扰车辆数目、干扰车辆各时刻车速等的环境参数;
进一步地,可通过场地实验,对上述建模参数进行调整,确保仿真平台的精确度。
S2:通过对自动换道功能、功能边界和换道场景的分析,确定环境参数的边界。
S3:选择一初始换道场景,进而对最危险换道场景进行全局搜索,搜索最危险场景以优化问题求解的方式获得,该优化问题的输入为环境参数和换道功能及边界,输出为全局危险度Sdan,其中定义最差全局危险度MSdan所对应的场景为最危险换道场景。
S4:通过实际场地再现最危险换道场景,对待测自动驾驶换道功能进行验证,如果待测自动驾驶换道功能在该最危险换道场景下可满足运行要求,则可认定该待测自动驾驶换道功能在其它场景下的也能大概率满足要求,可认为该待测自动驾驶换道功能通过测评。
进一步地,求解全局危险度Sdan的方法为:
1)定义一车-车全局危险度Sdan-vm,其中最大车-车全局危险度MSdan-vm由待测车辆与各干扰车辆在各时刻相碰危险度的最大值确定,表述如下:
MSdan-vm=max{sup(Sdan-1(t)),sup(Sdan-2(t)),...,sup(Sdan-i(t))} (1)
其中,Sdan-i(t)为待测车辆与第i辆干扰车辆在t时刻的危险度,sup表征取Sdan-i(t)上界值,Sdan-i(t)的表述如下:
式中,(xi(t),yi(t))、Vi(t)为干扰车辆中第i辆车t时刻的位置坐标和车速,(xv(t),yv(t))、Vv(t)为待测车辆t时刻的位置坐标和车速,W为车辆宽度,WL为道路宽度,CV为一常系数,设置该系数的目的为确保(-|xv(t)-xi(t)|+(Vi(t)-Vv(t))+CV)和(-|xv(t)-xi(t)|-(Vi(t)-Vv(t))+CV)不为负值,CV取一足够大值即可;
2)定义一车道偏离全局危险度Sdan-lm,其中最大车道偏离全局危险度MSdan-lm由待测车辆相对于车道边界在各时刻偏离危险度的最大值确定,表述如下:
MSdan-lm=max{sup(Sdan-llane(t)),sup(Sdan-rlane(t))} (4)
式中,Sdan-llane(t)和Sdan-rlane(t)分别为待测车辆与任一相关车道左侧和右侧边界t时刻的车道偏离危险度,Sdan-llane(t)和Sdan-rlane(t)的表述如下:
式中,yl为l车道左/右边界的y坐标,Cl为一常系数,设置该系数的目的为确保(-|xv(t)-xi(t)|+Vv(t)+Cl)不为负值,Cl取一足够大值即可;
3)定义全局危险度Sdan,其中最差全局危险度MSdan表示如下:
MSdan=max{MSdan-vm,MSdan-lm} (6)。
本发明通过采取本技术方案,能够在降低仿真与场地测试量的同时,提高自动驾驶自动换道功能实车运行过程中的安全性,从而对自动驾驶技术与产业化的发展起到一定的推进作用。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了本发明的待测自动换道功能的换道场景;
图2示出了本发明的换道场景坐标系的建立和各车初始位置参数;
图3示出了本发明的基于最差全局危险度的自动搜索平台与搜索流程图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。下面结合附图,说明本发明的实施方式。
在此将通过对一种自动驾驶车辆的双车道换道功能进行测试测评分析,对本发明提出的方法进行进一步的说明与验证。
该双车道换道功能描述与换道场景如图1所示。图中,VUT表示待测自动驾驶车辆,C11、C12、C21、C22为干扰车辆,代表待测车辆原车道与目标车道中的其它车辆,由于这些车辆对被测车辆的换道过程将起到一定的干扰作用,所以称这些车辆被称为干扰车辆。
VUT的目标为从高速车道换入C11、C12之间的低速车道位置。与换道功能相关的其它因素为车辆外形参数,包括车辆宽度W,车辆长度L,车道宽WL,这里假设5辆车的外形参数一致。同时,5辆车的车速分别为VT、VC11、VC12、VC21和VC22,VT为待测车辆车速,其他为对应车号的车速。
为了能够进一步表示车辆相对位置关系,建立如图2所示固定在道路的坐标系。图中(xi,yi)为i车的位置坐标,(x0i,y0i)为i车在t=0时刻的初始位置,记VUT在t=0时刻的初始位置为(0,0)。
依据该场景下的换道持续时间,这里将各车辆的速度变化参数规定为5秒内,可变参数为每一秒的车辆加速度ai,和t=0时刻车辆的初始位置。由于车辆的危险程度一般与车速成正比,这里确定车辆的初始速度为对应车道的车速上限值。按照上述定义,干扰车辆i的动态环境参数为:
[x0i v0i ai|t=0s ai|t=1s ai|t=2s ai|t=3s ai|t=4s ai|t=5s]
因此,在此换道场景下,四辆干扰车辆共包含28个动态环境参数。为了能够快速搜索具有最差全局危险度的场景,这里搭建包含场景模型,车辆动力学模型和待测自动换道算法黑箱的仿真平台。同时依照上述公式(1)~(6)建立全局危险度计算模块集成至仿真平台。每一组环境参数下,在仿真平台中运行后,通过全局危险度计算模块即可计算出对应这一组参数的全局危险度。以上述28个环境参数为优化变量,全局危险度Sdan最大(最大对应最差的场景)为优化目标,结合优化工具,共同与仿真平台搭建最差全局危险度自动搜索平台,如图3。
通过上述自动搜索平台得到针对待测自动换道功能的最危险场景,通过在场地测试中搭建相同参数场景,并进行待测自动换道车辆在该场景下的场地实验,得到自动换道功能实车运行中可能发生的最差或相对较差的场景,如该最差场景可满足对自动换道功能的运行要求,则可判断该自动换道功能在其它场景的运行能够大概率满足要求,可认为该自动换道功能通过测评。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于最差全局危险度搜索的车辆自动换道功能测评方法,该方法包括如下步骤:
S1:搭建仿真平台,建立车辆模型、场景模型;
S2:通过对待测自动换道功能的功能边界和换道场景的分析,确定环境参数的边界;
S3:选择一初始换道场景,并确定初始环境参数,进而对最危险换道场景进行全局搜索,搜索以最差全局危险度MSdan作为输出;
S4:通过实际场地再现最危险换道场景,对待测自动驾驶换道功能进行验证,如果待测自动驾驶换道功能在最危险换道场景下可满足运行要求,则认定该待测自动驾驶换道功能通过测评。
2.根据权利要求1所述的基于最差全局危险度搜索的车辆自动换道功能测评方法,其特征在于:
最差全局危险度MSdan以最大车-车全局危险度MSdan-vm和最大车道偏离全局危险度MSdan-lm两者中的最大值作为选取值。
3.根据权利要求2所述的基于最差全局危险度搜索的车辆自动换道功能测评方法,其特征在于:最大车-车全局危险度MSdan-vm的求解方法为:
定义车-车全局危险度Sdan-vm,最大车-车全局危险度MSdan-vm由待测车辆与各干扰车辆在各时刻相碰危险度的最大值确定,表述如下:
MSdan-vm=max{sup(Sdan-1(t)),sup(Sdan-2(t)),...,sup(Sdan-i(t))}(1)
式中,Sdan-i(t)为待测车辆与第i辆干扰车辆在t时刻的危险度,sup表征取Sdan-i(t)上界值,Sdan-i(t)的表述如下:
式中,(xi(t),yi(t))、Vi(t)为干扰车辆中第i辆车t时刻的位置坐标和车速,(xv(t),yv(t))、Vv(t)为待测车辆t时刻的位置坐标和车速,W为车辆宽度,WL为道路宽度,CV为一常系数,确保(-|xv(t)-xi(t)|+(Vi(t)-Vv(t))+CV)和(-|xv(t)-xi(t)|-(Vi(t)-Vv(t))+CV)不为负值即可。
4.根据权利要求2或3所述的基于最差全局危险度搜索的车辆自动换道功能测评方法,其特征在于:最大车道偏离全局危险度MSdan-lm的求解方法为:
定义车道偏离全局危险度Sdan-lm,中最大车道偏离全局危险度MSdan-lm由待测车辆相对于车道边界在各时刻偏离危险度的最大值确定,表述如下:
MSdan-lm=max{sup(Sdan-llane(t)),sup(Sdan-rlane(t))} (4)
式中,Sdan-llane(t)和Sdan-rlane(t)分别为待测车辆与任一相关车道左侧和右侧边界t时刻的车道偏离危险度,Sdan-llane(t)和Sdan-rlane(t)的表述如下:
式中,(xi(t),yi(t))、Vi(t)为干扰车辆中第i辆车t时刻的位置坐标和车速,(xv(t),yv(t))、Vv(t)为待测车辆t时刻的位置坐标和车速,W为车辆宽度,WL为道路宽度,yl为第l车道左/右边界对应的y坐标,Cl为一常系数,确保(-|xv(t)-xi(t)|+Vv(t)+Cl)不为负值即可。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255614.7A CN110008577B (zh) | 2019-04-01 | 2019-04-01 | 基于最差全局危险度搜索的车辆自动换道功能测评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255614.7A CN110008577B (zh) | 2019-04-01 | 2019-04-01 | 基于最差全局危险度搜索的车辆自动换道功能测评方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008577A true CN110008577A (zh) | 2019-07-12 |
CN110008577B CN110008577B (zh) | 2020-12-11 |
Family
ID=67169283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910255614.7A Expired - Fee Related CN110008577B (zh) | 2019-04-01 | 2019-04-01 | 基于最差全局危险度搜索的车辆自动换道功能测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008577B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310302A (zh) * | 2020-01-16 | 2020-06-19 | 中国信息通信研究院 | 一种测试场景生成方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180061236A1 (en) * | 2015-03-18 | 2018-03-01 | Nec Corporation | Driving control device, driving control method, and vehicle-to-vehicle communication system |
CN108491600A (zh) * | 2018-03-12 | 2018-09-04 | 郑州大学 | 一种基于人本自治交通的车辆运动仿真方法 |
CN108519773A (zh) * | 2018-03-07 | 2018-09-11 | 西安交通大学 | 一种结构化环境下无人驾驶车辆的路径规划方法 |
CN109353337A (zh) * | 2018-08-10 | 2019-02-19 | 重庆大数据研究院有限公司 | 一种智能车换道阶段碰撞概率安全预测方法 |
-
2019
- 2019-04-01 CN CN201910255614.7A patent/CN110008577B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180061236A1 (en) * | 2015-03-18 | 2018-03-01 | Nec Corporation | Driving control device, driving control method, and vehicle-to-vehicle communication system |
CN108519773A (zh) * | 2018-03-07 | 2018-09-11 | 西安交通大学 | 一种结构化环境下无人驾驶车辆的路径规划方法 |
CN108491600A (zh) * | 2018-03-12 | 2018-09-04 | 郑州大学 | 一种基于人本自治交通的车辆运动仿真方法 |
CN109353337A (zh) * | 2018-08-10 | 2019-02-19 | 重庆大数据研究院有限公司 | 一种智能车换道阶段碰撞概率安全预测方法 |
Non-Patent Citations (2)
Title |
---|
DANCHEN ZHAO 等: "Autonomous Driving Simulation for Unmanned Vehicles", 《2015 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION》 * |
杨刚 等: "基于车车通信的车辆并行协同自动换道控制", 《公路交通科技》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310302A (zh) * | 2020-01-16 | 2020-06-19 | 中国信息通信研究院 | 一种测试场景生成方法和装置 |
CN111310302B (zh) * | 2020-01-16 | 2022-06-17 | 中国信息通信研究院 | 一种测试场景生成方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110008577B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113010967B (zh) | 一种基于混合交通流模型的智能汽车在环仿真测试方法 | |
CN111309600A (zh) | 虚拟场景注入自动驾驶测试方法及电子设备 | |
CN105718710B (zh) | 一种驾驶行为分析方法及设备 | |
CN103256939B (zh) | 智能车辆利用变粒度路权雷达图进行信息融合的方法 | |
CN109100155A (zh) | 一种无人车在环快速仿真测试***和方法 | |
CN102788704B (zh) | 基于驾驶员模型的汽车操纵稳定性检测***及检测方法 | |
CN107992016A (zh) | 一种无人驾驶车辆模拟测试方法 | |
CN107991898A (zh) | 一种无人驾驶车辆模拟测试装置及电子设备 | |
CN109992884A (zh) | 基于最差场景搜索的自动驾驶车辆功能测评方法 | |
CN106840097A (zh) | 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法 | |
CN109948289B (zh) | 基于最大全局侵占率搜索的车辆自主泊车功能测评方法 | |
RU2626424C1 (ru) | Устройство оценки позиции и угла пространственной ориентации транспортного средства и способ оценки позиции и угла пространственной ориентации транспортного средства | |
CN109726426A (zh) | 一种车辆自动驾驶虚拟环境构建方法 | |
CN110803172B (zh) | 自动驾驶车辆制动***的建模方法和车辆制动*** | |
CN105835890A (zh) | 车辆传感器补偿 | |
CN113252366A (zh) | 车辆的自动泊车评测方法、装置、车辆及存储介质 | |
CN106546260A (zh) | 一种移动测量数据的纠正方法及*** | |
CN101118500A (zh) | 自主驾驶车辆行驶过程的软件仿真方法 | |
CN110775066B (zh) | 自动驾驶车辆转向***的建模方法和车辆转向*** | |
CN110008577A (zh) | 基于最差全局危险度搜索的车辆自动换道功能测评方法 | |
CN109910008B (zh) | 用于数据型激光雷达机器人的避障预警***和预警方法 | |
CN109871659A (zh) | 一种超声波雷达的仿真方法及*** | |
CN111123729A (zh) | 车辆驾驶仿真优化的方法、装置、存储介质和终端设备 | |
CN110160802A (zh) | 汽车爬坡车速测量方法及电子设备 | |
Clark et al. | Simulation-based reduction of operational and cybersecurity risks in autonomous vehicles |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201211 |