CN111882924A - 车辆测试***、驾驶行为判断控制方法及事故预警方法 - Google Patents

Abstract

本发明涉及一种基于赛车场的车辆测试***、驾驶行为判断控制方法及事故预警方法，所述车辆测试***包括中心端设备和路端设备，所述路端设备设置于赛车场内，包括辅助定位设施、通信设施、交通标志标线、交通控制与诱导设施、路端计算设施和交通感知设施，该测试***基于赛车场实现自动驾驶车辆的开放环境道路测试和赛道封闭区混合交通流测试；所述判断控制方法基于在车辆测试***进行高速行驶环境下的车辆激进驾驶试验获得的数据，构建并训练一激进驾驶场景理解模型；实时获取自动驾驶车辆的驾驶行为数据及驾驶场景信息，基于所述激进驾驶场景理解模型实现自动驾驶车辆激进驾驶行为的判断控制。与现有技术相比，本发明具有测试功能多样、实现简单等优点。

Description

车辆测试***、驾驶行为判断控制方法及事故预警方法

技术领域

本发明涉及汽车测试技术领域，尤其是涉及一种基于赛车场的车辆测试***、驾驶行为判断控制方法及事故预警方法。

背景技术

随着智能汽车技术的发展，人类出行方式面临巨大变革，道路交通环境日趋复杂，有人驾驶和无人驾驶并存的道路交通环境复杂程度日益提高，并将长期存在，道路交通安全精细化管控、复杂场景下的智能车辆安全运行技术和极限状态下驾驶人的技能提升成为迫切需求。

在自动驾驶车辆行业中，所有技术要从实验室走向量产，都需要经过验证的环节。传统自动驾驶车辆要走向自动驾驶，除了各家技术方案公司的努力，包括但不限于OEM(原始设备制造商)、自动驾驶公司，还需要对实验结果进行不断测验，进行对称调试优化。在自动驾驶车辆正式上路之前，需要有针对性的测试来证明其运行安全性。路测无疑是最直接的方式，但由于自动驾驶车辆的重量以及速度，在实际场景中测试有重大的安全隐患，尤其是在技术尚未成熟之前，安全隐患更大。但是，如果没有实际的路测，技术的更新升级的难度很大。

但是目前并没有适用于用做高速极限场景测试的测试道路。

另外，目前自动驾驶车辆的驾驶行为的预测精度还不够高，特别是在高速行驶环境下，还需要进一步改进。

发明内容

本发明的目的之一是为了克服上述现有技术存在的缺陷而提供一种测试功能多样、实现简单的基于赛车场的车辆测试***。

本发明的目的之二是为了克服上述现有技术存在的缺陷而提供一种可靠性高的自动驾驶车辆激进驾驶行为判断控制方法，有助于提升自动驾驶设备在高速行驶环境下遇到激进驾驶的会车或跟车时的判断和处理能力。

本发明的目的之三是为了克服上述现有技术存在的缺陷而提供一种可靠性高的自动驾驶车辆事故预警方法

本发明的目的之一可以通过以下技术方案来实现：

一种基于赛车场的车辆测试***，包括中心端设备和路端设备，所述路端设备设置于赛车场内，包括：

辅助定位设施，用于对自动驾驶车辆进行定位更新；

通信设施，分别连接自动驾驶车辆、中心端设备和辅助定位装置，实现与自动驾驶车辆和中心端设备的信息交换，并基于所述辅助定位装置实现时钟同步；

交通标志标线，设置于赛车场车道上；

交通控制与诱导设施，与自动驾驶车辆连接，向所述自动驾驶车辆发送交通控制与诱导信息；

路端计算设施，用于基于现场实时收集数据进行数据处理及计算；

交通感知设施，用于感知交通环境状态信息并传输给路端计算设施或中心端设备；

该测试***基于赛车场实现自动驾驶车辆的开放环境道路测试和赛道封闭区混合交通流测试。

进一步地，所述开放环境道路测试包括无信号交叉口车路协同测试、有信号交叉口车速引导测试、隧道测试、长下坡测试和环岛测试；

所述赛道封闭区混合交通流测试基于高速运行状态下的混合交通流环境实现，所述混合交通流环境包括车辆跟驰、变道、编队、车道保持与跟踪、协作式自适应巡航、协作式紧急制动、协作式换道、远程遥控驾驶和人工模拟介入环境。

进一步地，所述中心端设备包括自动驾驶监测与服务中心和高精度地图生成存储设施。

进一步地，所述路端设备还包括供能与照明设施。

本发明的目的之二可以通过以下技术方案来实现：

一种自动驾驶车辆激进驾驶行为判断控制方法，包括以下步骤：

S11)采用如权利要求1所述的基于赛车场的车辆测试***进行高速行驶环境下的车辆激进驾驶试验，获取车辆在各激进驾驶行为对应的行为特征以及对应的驾驶场景信息；

S12)以步骤S11)中试验获取的数据作为训练数据，构建并训练一激进驾驶场景理解模型；

S13)实时获取自动驾驶车辆的驾驶行为数据及驾驶场景信息，基于所述激进驾驶场景理解模型实现自动驾驶车辆激进驾驶行为的判断控制；

所述激进驾驶场景理解模型包括行为网络和理解网络，所述行为网络用于判断下一步激进驾驶行为的类别及注意力机制目标，所述理解网络用于获取对所述注意力机制目标的语义描述，自动驾驶车辆基于下一步激进驾驶行为的类别及注意力机制目标的语义描述控制自身驾驶行为。

进一步地，进行所述车辆激进驾驶试验的车辆包括自动驾驶车辆和有人驾驶车辆。

进一步地，所述驾驶场景信息包括以下至少一种：实际行驶轨迹、静态障碍物信息、动态障碍物信息和道路信息。

进一步地，所述行为网络包括：

搜索分类子网络，用于根据实时获取的驾驶行为数据获得行为特征信息，基于所述行为特征信息进行搜索分类，获得激进驾驶行为类别；

注意力子网络，用于根据所述驾驶行为类别及对应的驾驶场景信息确定目标物，并利用责任敏感模型对各目标物进行距离识别，将距离小于预设值的目标物打上注意力标签，生成注意力机制目标。

进一步地，所述理解网络包括：

卷积神经子网络，用于对不同帧进行并行卷积处理，提取所述注意力机制目标的目标特征；

长短期记忆子网络，基于所述目标特征以及在图像信息给每帧分配不同的权重，并借助光流法捕获注意力机制目标的动作特征，获取对所述注意力机制目标的语义描述。

本发明的目的之三可以通过以下技术方案来实现：

一种自动驾驶车辆事故预警方法，该方法包括以下步骤：

S21)采用如权利要求1所述的基于赛车场的车辆测试***进行高速行驶环境下的车辆激进驾驶试验，获取车辆在各激进驾驶行为对应的行为特征以及对应的驾驶场景信息，形成激进驾驶行为数据库；

S22)基于实时采集的车辆行驶数据、道路信息和天气情况获取车辆实时行为数据，将所述车辆实时行为数据与激进驾驶行为数据库中的已有数据作对比，判断是否有碰撞风险，若否，则返回步骤S22)进行下一轮判断，若是，则产生预警信号发送至交通控制与诱导设施。

与现有技术相比，本发明具有如下有益效果：

1、本发明通过将赛车场与智能网联技术有机结合，针对赛车场特点设置综合测试场景，有效利用现有赛车场，降低测试成本，同时能实现高速极限等场景的车辆测试。

2、本发明可基于构建的测试***有效获得高速行驶环境下的车辆激进驾驶试验数据，从而构建自动驾驶设备的激进驾驶场景理解，有效提高自动驾驶设备激进驾驶行为的可靠控制，有利于高速环境下激进驾驶行为数据库的建设。

3、本发明可根据高速环境下激进驾驶行为数据库快速准确地实现对赛车场事故的预警。

附图说明

图1为本发明测试***下赛车场赛道***开放环境场景测试示意图；

图2为本发明测试***下赛车场赛道封闭区场景测试示意图；

图3为本发明激进驾驶场景理解过程示意图；

图4为本发明事故预警过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种基于赛车场的车辆测试***，该***通过在整个赛车场部署智能网联附属设施实现，包括中心端设备和路端设备，所述路端设备设置于赛车场内，包括辅助定位设施、通信设施、交通标志标线、交通控制与诱导设施、路端计算设施和交通感知设施，路端设备的具体设置种类、数量和位置可根据具体情况而定；中心端设备包括自动驾驶监测与服务中心和高精度地图生成存储设施。

上述各设施的功能主要包括：

1)自动驾驶监测与服务中心，用于汇聚、处理、管理所辖区公路的自动驾驶及其服务相关信息。

2)高精度地图生成存储设施，用于存储所辖公路的交通静态数据与动态数据。

3)路侧辅助定位设施，对于依靠惯性导航的自动驾驶车辆在行驶过程中会持续累积定位误差，当定位误差超过10m时，各类基本定位导航功能就无法保证正常运行，需要辅助定位***对其进行精度更高的校准，以消除累计误差。

4)路端通信设施，不仅具备接收和发送无线信号的功能，完成自动驾驶车辆与路端设施之间、路端设施与智能网联监测与服务中心之间的信息交换，还能接受高精度定位设施提供的时钟信号，并用于其自身的时钟同步。

5)交通标志标线，为自动驾驶车辆明示公路的交通禁止、限制、遵行状况，告知道路状况和交通状况信息。

6)交通控制与诱导设施，不仅能与自动驾驶车辆联网，通过无线通信网络向车辆发布交通控制与诱导信息，还能与路端计算设施联网，接收路端计算设施发出的交通控制与诱导信息，并将该信息发送给自动驾驶车辆。

7)交通感知设施，不仅能采集交通运行状况、交通事件、道路气象环境、基础设施状态等信息，还能够将其感知的信息采用有线或无线方式发送至路端计算设施或自动驾驶监测与服务中心。

8)路端计算设施，由数据处理与控制单元、数据存储单元、通信接口构成，完成自动驾驶相关信息的收集和现场快速处理。

在另一实施方式中，路端设备还包括供能与照明设施，为自动驾驶车辆和相关附属设施提供所需的能源供给和所需的照明环境。

在另一实施方式中，中心端设备和路端设备内均部署有网络安全设施，包括软硬件设施，保护自动驾驶车辆与附属设施之间、附属设施相互之间信息交换过程中，相关***的硬件、软件、数据不被破坏、更改和泄露。

上述测试***可基于赛车场实现自动驾驶车辆的开放环境道路测试和赛道封闭区混合交通流测试。

如图1所示，由于赛车场赛道***环路受场地地形制约，道路纵坡大，视距受限，并且场地拥有为穿越赛道进出围场区域设置的多处隧道，可以为自动驾驶车辆提供多样化的开放环境道路测试，可以提供无信号交叉口车路协同测试、有信号交叉口车速引导测试、隧道测试、长下坡测试、环岛测试等。

如图2所示，此外在赛道封闭区还可以将自动驾驶车辆与专业赛车手构建车辆高速运行状态下混合交通流测试场景，提供车辆跟驰、变道、编队、车道保持与跟踪、协作式自适应巡航、协作式紧急制动、协作式换道测试、远程遥控驾驶、人工模拟介入等测试环境。

实施例2

本实施例利用如实施例1所述的测试***实现一种自动驾驶车辆激进驾驶行为判断控制方法，包括以下步骤：

S11)采用如实施例1所述的基于赛车场的车辆测试***进行高速行驶环境下的车辆激进驾驶试验，获取车辆在各激进驾驶行为对应的行为特征以及对应的驾驶场景信息；

S12)以步骤S11)中试验获取的数据作为训练数据，构建并训练一激进驾驶场景理解模型；

S13)实时获取自动驾驶车辆的驾驶行为数据及驾驶场景信息，基于所述激进驾驶场景理解模型实现自动驾驶车辆激进驾驶行为的判断控制，所述驾驶场景信息包括以下至少一种：实际行驶轨迹、静态障碍物信息、动态障碍物信息和道路信息。

上述方法，鉴于赛车场自身特点，在赛车场内构建无人驾驶与有人驾驶共享道路的高速混合交通流测试场景。在赛车场布置的智能网联路端设施，可以更好更快地协助自动驾驶设备完成理解场景。比如路端感知设备可以直接把车辆周边的交通运行状况、交通事件、道路气象环境、基础设施状态更精准和快捷地发送给自动驾驶设备；需要学***，从而完成高速环境下激进驾驶行为数据库的建设，进而在实时采集数据的基础上，识别出激进驾驶行为的类别以及对应的驾驶场景信息，并基于标注的目标物完成驾驶场景理解，实现自动驾驶车辆的自主激进驾驶行为控制。

激进驾驶行为包括急加速、急减速、急转弯、急刹车、急超车等驾驶行为。每类激进驾驶行为具有其不同的行为特征，根据在车上设置的加速度传感器，获取机动车前进方向和横向线型加速度的值，来获得相应的行为特征，从而对驾驶行为进行类别划分，进而可以针对不同的类别进行不同的分析，以此来确定不同激进驾驶行为下需要关注的不同目标物，根据实时目标物状态完成驾驶场景的理解，控制自动驾驶车辆的驾驶行为。

根据激进驾驶行为及激进驾驶行为所属的类别，可以从激进驾驶行为中对应的驾驶场景中识别出于其相对应的目标物。例如，以急转弯为例，可以从与这一类的激进驾驶行为对应的急转弯需要参考的前方交叉路口、红绿灯、前后车辆等目标物。这些各类激进驾驶行为对应的目标物对于自动驾驶设备来说是周边的驾驶场景，这些目标物在一段时间内的状态变化会对驾驶行为产生影响。综合这些目标物就可以展现自动驾驶设备的驾驶场景。

如图3所示，上述驾驶场景的理解可以借助行为网络与理解网络共同实现，其中行为网络可以包括搜索分类子网络和注意力子网络，理解网络可以通过长短期记忆子网络实现。行为网络输入端可以输入驾驶行为数据，具体包括车辆的加速度、方向盘转角等。由于急加速、急减速、急转弯、急刹车、急超车等激进驾驶行为具有较为明显的特征，可以基于这一特征进行搜索并分类，可以选择加速度的变化量特征和方向盘转向角度变化量特征作为特征，并为激进驾驶行为数据打上类别标签，类别标签包括如下的至少一种：急加速、急减速、急转弯、急刹车、急超车。比如加速度突然增大、方向盘转向角度不变的激进驾驶行为特征确定为急加速；比如加速度突然增小、方向盘转向角度不变的激进驾驶行为特征确定为急减速；比如加速度突然增大、方向盘转向角度先上升后下降的激进驾驶行为特征确定为急超车。

根据激进驾驶行为的类别，利用注意力子网络对各类激进驾驶行为的驾驶场景信息进行相应的注意力处理，基于经过注意力处理后的激进驾驶行为和激进驾驶行为对应的驾驶场景信息确定目标物，并利用责任敏感模型对各目标物进行距离识别，将距离小于预设值的目标物打上注意力标签。注意力子网络利用注意力机制的选择性地关注所有信息的一部分，同时忽略其他可见的信息而建立的网络节点。责任敏感模型是通过数学的方式来界定影响范围的模型。比如对于急停车的激进驾驶行为，利用注意力网络进行注意力检索在车辆行驶方向上是否存在前车或者交通信号灯，若存在，直接将前车或者交通信号灯作为目标物打上注意力标签；如果不存在，直接将注意力加在车辆周围，根据责任敏感模块判断车辆周边的障碍物，标注出影响范围内的物体。在急超车时，注意力加在车辆的前方与侧方，可以标注出影响范围内的物体。这样，就可以根据不同的激进驾驶行为进行相应的注意力处理。

此外为了更准确高效的对目标物的图像视频数据进行分析，还可以在理解网络中利用卷积神经子网络对包含目标物的图像帧进行卷积处理。具体操作如下，经过行为网络中的搜索分类子网络、注意力子网络处理后输出的数据，可以作为理解网络的输入。理解网络将行为网络的输出作为输入，卷积神经子网络对不同帧进行并行卷积处理，提取出注意力机制目标的特征作为长短期记忆网络的输入。长短期记忆子网络基于这些这些特征以及在图像中的位置等信息给每帧分配不同的权重，并借助光流法捕获注意力机制目标的动作特征。整个理解网络最终输出为不同注意力机制目标的语义描述。这样，就实现了对驾驶场景的理解。卷积神经子网络是一类包含卷积计算且有深度结构的前馈神经网络，可以对像素和音频进行学习、有稳定的效果，卷积神经子网络可以提取出于目标物相对应的图像并对特征进行分析处理。长短期记忆子网络是一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟非常长的重要事件作为复杂的非线性单元。光流法可以用来描述相对于观察者的运动所造成的观测目标的运动。

可见，如图3所示的驾驶场景理解方法，基于人类驾驶员激进驾驶行为进行有效学***，有助于提升自动驾驶设备在高速行驶环境下遇到激进驾驶的会车或跟车时的判断和处理能力。

实施例3

如图4所示，本实施例提供一种自动驾驶车辆事故预警方法，该方法包括以下步骤：

S21)采用如实施例1所述的基于赛车场的车辆测试***进行高速行驶环境下的车辆激进驾驶试验，获取车辆在各激进驾驶行为对应的行为特征以及对应的驾驶场景信息，形成激进驾驶行为数据库；

S22)基于实时采集的车辆行驶数据、道路信息和天气情况获取车辆实时行为数据，将所述车辆实时行为数据与激进驾驶行为数据库中的已有数据作对比，判断是否有碰撞风险，若否，则返回步骤S22)进行下一轮判断，若是，则产生预警信号发送至交通控制与诱导设施，提醒车辆注意避让。如果仍然发生碰撞，则自动启动应急处置方案。

上述事故预警方法可部署于自动驾驶监测与服务中心。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于赛车场的车辆测试***，其特征在于，包括中心端设备和路端设备，所述路端设备设置于赛车场内，包括：

辅助定位设施，用于对自动驾驶车辆进行定位更新；

通信设施，分别连接自动驾驶车辆、中心端设备和辅助定位装置，实现与自动驾驶车辆和中心端设备的信息交换，并基于所述辅助定位装置实现时钟同步；

交通标志标线，设置于赛车场车道上；

交通控制与诱导设施，与自动驾驶车辆连接，向所述自动驾驶车辆发送交通控制与诱导信息；

路端计算设施，用于基于现场实时收集数据进行数据处理及计算；

交通感知设施，用于感知交通环境状态信息并传输给路端计算设施或中心端设备；

该测试***基于赛车场实现自动驾驶车辆的开放环境道路测试和赛道封闭区混合交通流测试。

2.根据权利要求1所述的基于赛车场的车辆测试***，其特征在于，所述开放环境道路测试包括无信号交叉口车路协同测试、有信号交叉口车速引导测试、隧道测试、长下坡测试和环岛测试；

所述赛道封闭区混合交通流测试基于高速运行状态下的混合交通流环境实现，所述混合交通流环境包括车辆跟驰、变道、编队、车道保持与跟踪、协作式自适应巡航、协作式紧急制动、协作式换道、远程遥控驾驶和人工模拟介入环境。

3.根据权利要求1所述的基于赛车场的车辆测试***，其特征在于，所述中心端设备包括自动驾驶监测与服务中心和高精度地图生成存储设施。

4.根据权利要求1所述的基于赛车场的车辆测试***，其特征在于，所述路端设备还包括供能与照明设施。

5.一种自动驾驶车辆激进驾驶行为判断控制方法，其特征在于，包括以下步骤：

S11)采用如权利要求1所述的基于赛车场的车辆测试***进行高速行驶环境下的车辆激进驾驶试验，获取车辆在各激进驾驶行为对应的行为特征以及对应的驾驶场景信息；

S12)以步骤S11)中试验获取的数据作为训练数据，构建并训练一激进驾驶场景理解模型；

S13)实时获取自动驾驶车辆的驾驶行为数据及驾驶场景信息，基于所述激进驾驶场景理解模型实现自动驾驶车辆激进驾驶行为的判断控制；

所述激进驾驶场景理解模型包括行为网络和理解网络，所述行为网络用于判断下一步激进驾驶行为的类别及注意力机制目标，所述理解网络用于获取对所述注意力机制目标的语义描述，自动驾驶车辆基于下一步激进驾驶行为的类别及注意力机制目标的语义描述控制自身驾驶行为。

6.根据权利要求5所述的自动驾驶车辆激进驾驶行为判断控制方法，其特征在于，进行所述车辆激进驾驶试验的车辆包括自动驾驶车辆和有人驾驶车辆。

7.根据权利要求5所述的自动驾驶车辆激进驾驶行为判断控制方法，其特征在于，所述驾驶场景信息包括以下至少一种：实际行驶轨迹、静态障碍物信息、动态障碍物信息和道路信息。

8.根据权利要求7所述的自动驾驶车辆激进驾驶行为判断控制方法，其特征在于，所述行为网络包括：

搜索分类子网络，用于根据实时获取的驾驶行为数据获得行为特征信息，基于所述行为特征信息进行搜索分类，获得激进驾驶行为类别；

注意力子网络，用于根据所述驾驶行为类别及对应的驾驶场景信息确定目标物，并利用责任敏感模型对各目标物进行距离识别，将距离小于预设值的目标物打上注意力标签，生成注意力机制目标。

9.根据权利要求7所述的自动驾驶车辆激进驾驶行为判断控制方法，其特征在于，所述理解网络包括：

卷积神经子网络，用于对不同帧进行并行卷积处理，提取所述注意力机制目标的目标特征；

长短期记忆子网络，基于所述目标特征以及在图像信息给每帧分配不同的权重，并借助光流法捕获注意力机制目标的动作特征，获取对所述注意力机制目标的语义描述。

10.一种自动驾驶车辆事故预警方法，其特征在于，该方法包括以下步骤：

S21)采用如权利要求1所述的基于赛车场的车辆测试***进行高速行驶环境下的车辆激进驾驶试验，获取车辆在各激进驾驶行为对应的行为特征以及对应的驾驶场景信息，形成激进驾驶行为数据库；

S22)基于实时采集的车辆行驶数据、道路信息和天气情况获取车辆实时行为数据，将所述车辆实时行为数据与激进驾驶行为数据库中的已有数据作对比，判断是否有碰撞风险，若否，则返回步骤S22)进行下一轮判断，若是，则产生预警信号发送至交通控制与诱导设施。

Images