CN115240409B - 一种基于驾驶员模型和交通流模型提取危险场景的方法 - Google Patents
一种基于驾驶员模型和交通流模型提取危险场景的方法 Download PDFInfo
- Publication number
- CN115240409B CN115240409B CN202210684071.2A CN202210684071A CN115240409B CN 115240409 B CN115240409 B CN 115240409B CN 202210684071 A CN202210684071 A CN 202210684071A CN 115240409 B CN115240409 B CN 115240409B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- model
- traffic
- vehicle
- extracting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 19
- 238000010998 test method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于驾驶员模型和交通流模型提取危险场景的方法,解决了目前自动驾驶采用道路测试的成本高、周期长、安全风险大、覆盖工况有限的问题,其技术方案要点是包括有以下步骤:基于建立的驾驶员行为模型和交通流模型,在虚拟环境生成随机交通流;对整个交通流进行监测;在判断T时刻有车辆发生碰撞或者有车辆之间的距离小于设定的危险距离时,在T‑Δt到T时刻的时间段内,提取对应车辆及涉及到的其他交通参与者的相关信息,提取与轨迹相关的静态环境信息,组成一个危险场景;本发明的一种基于驾驶员模型和交通流模型提取危险场景的方法,能快速、高效复现各种危险工况,可大大提供测试效率、提高测试安全性、降低测试成本。
Description
技术领域
本发明涉及自动驾驶汽车测试技术,特别涉及一种基于驾驶员模型和交通流模型提取危险场景的方法。
背景技术
目前国内自动驾驶方面研发、测试发展非常迅速,在自动驾驶汽车的研发过程中,需要通过测试来考核自动驾驶***的功能及性能,帮助开发人员发现***功能的不足或缺陷,对其进行针对性的完善、优化。这些测试需要能够覆盖日常驾驶过程中的自然驾驶场景以及可能出现的事故工况场景。
目前自动驾驶厂商主要采用道路测试的方法进行测试,这种测试方法测试成本高、周期长、安全风险大,能够覆盖的危险工况有限,还有待改进的空间。
发明内容
本发明的目的是提供一种基于驾驶员模型和交通流模型提取危险场景的方法,能快速、高效的复现各种危险工况,可以大大提供测试的效率、提高测试的安全性、降低测试的成本。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于驾驶员模型和交通流模型提取危险场景的方法,包括有以下步骤:
基于建立的驾驶员行为模型和交通流模型,在虚拟环境生成随机交通流;
对整个交通流进行监测;
判断T时刻是否有车辆发生碰撞或者是否有车辆之间的距离小于设定的危险距离;若否,则继续监测;
若是,在T-Δt到T时刻的时间段内,提取发生危险的对应车辆及涉及到的其他交通参与者的交通流相关信息与驾驶员行为相关信息,同时提取与轨迹相关的静态环境信息,组成一个危险场景。
综上所述,本发明具有以下有益效果:
通过驾驶员行为模型及交通流模型,随机生成交通流可以最大限度的反应真实世界的交通情况,仿真覆盖真实世界可能产生的交通事故等危险场景,通过对虚拟环境中发生事故时的参数等数据的提取采集可对应获取一个危险场景,甚至能产生在真实世界发生概率极低的一些边缘场景、极端场景,通过大规模的布置这种随机交通流模型,可以快速的获取大量的危险场景、边缘场景和极端场景,并且所得场景具备一定的真实性,场景的有效性可以得到保证。通过仿真测试的方法可以快速、高效的复现各种危险工况,可以大大提供测试的效率、提高测试的安全性、降低测试的成本。
附图说明
图1为本方法的流程示意框图
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例,公开了一种基于驾驶员模型和交通流模型提取危险场景的方法,包括有以下步骤:
S1、基于建立的驾驶员行为模型和交通流模型,在虚拟环境生成随机交通流。
驾驶员行为模型包括多个维度,包括且不限于:
期望速度波动值-对期望速度响应的波动范围,如±10%,范围可调;
期望加/减速度波动值-对期望加/减速度响应的波动范围,如±10%,范围可调;
无视限速程度-对限速牌等交通标志给出的最大速度的无视概率,0-1之间,0表示完全遵守,0.5表示50%的可能性遵守,1表示完全无视,不遵守;
期望车距波动值-对期望保持的车间时距的波动范围,如±20%,范围可调;
轨迹线/车道保持偏移程度-对规划的轨迹线或道路的车道线发生偏移的周期时间以及最大偏移量;
期望换道横向速度的波动值-对期望换道横向速度响应的波动范围,如±10%,范围可调;
超车意愿:前车车速与本车期望车速之间比值与与超车可能性之间的关系,类似一个二维曲线,横轴代表前车车速与本车期望车速之间的比值,纵轴代表超车的可能性,如前车与本车期望车速的比值为0.8,那么超车的可能性为80%,该曲线可按照情况设定,如设为线性关系,前车与本车期望车速的比值越大,超车可能性越小;
遵守交通灯/交通牌意愿:如50%-100%,50%表示遇到交通灯后有50%的可能性遵守,100%表示肯定遵守,参数范围可调;
打转向灯意愿:转向时打转向灯的可能性,如50%-100%;
该驾驶员行为模型为通过对真实世界的驾驶员的行为特点采集、统计、分析所得,并对每个参数设置一定范围的随机性。
交通流模型包含常见参数,包括且不限于:
平均车流量:采样时间内通过指定路段中某一截面的车辆数;
车流密度:某一时间单位道路长度上存在的车辆数;
平均车速:单位时间内车辆在检测路段中行驶距离的平均值;
平均占有率:驶入检测路段的所有车辆占用交通流数据传感器的时间总和比上采样时间;
车头间距:前后车车头间的距离;
车头时距:前后车的车头间距除以后车速度所得时间;
交通流模型包含上述参数关于时间和空间的分布情况,这些分布情况通过对真实世界某些道路的交通数据进行采集、统计、分析所得,并对每个参数设置一定范围的随机性,且交通流模型中的每个车辆具备一定的自动驾驶功能。
S2、对整个交通流进行监测。
S3、判断T时刻是否有车辆发生碰撞或者是否有车辆之间的距离小于设定的危险距离;若否,则继续监测。
S4、若发生碰撞或车辆间距小于设定危险距离,在T-Δt到T时刻的时间段内,提取发生危险的对应车辆及涉及到的其他交通参与者的交通流相关信息与驾驶员行为相关信息,同时提取与轨迹相关的静态环境信息,组成一个危险场景。
譬如A车和B车涉及到危险事件,提取T-Δt到T时刻的这个时间段内,A车、B车以及涉及到的其他的交通参与者的行驶轨迹、速度、加速度车头朝向等相关信息,并提取与轨迹相关的道路信息、交通标志信息、天气信息、光照信息等静态环境信息,道路信息包括且不限于车道线类型、车道数量、坡度、路面情况等等信息,交通标志信息包括交通灯、地面标识、交通牌信息,天气信息包括晴天、雨天、雪天、雾、霾等、光照信息包括有白天、傍晚、黑夜、逆光、炫光等。以上这些信息共同组建成一个危险场景。
驾驶员行为模型和交通流模型都是根据真实世界的真实驾驶/交通情况统计、分析所得,模型具备真实性,同时又设置了一定的随机性,通过这种形式产生的随机交通流可以最大限度的反应真实世界的交通情况,可以覆盖真实世界的可能产生交通事故等危险场景,甚至能产生在真实世界发生概率极低的一些边缘场景、极端场景。通过大规模的布置这种随机交通流模型,可以快速的获取大量的危险场景、边缘场景和极端场景,并且所得场景具备一定的真实性,场景的有效性可以得到保证。通过仿真测试的方法可以快速、高效的复现各种危险工况,可以大大提供测试的效率、提高测试的安全性、降低测试的成本。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.一种基于驾驶员模型和交通流模型提取危险场景的方法,其特征是,包括有以下步骤:
基于建立的驾驶员行为模型和交通流模型,在虚拟环境生成随机交通流;
采集、统计、分析真实世界中驾驶员的行为特点,每个维度参数设定一定范围的随机性,生成驾驶员行为模型;采集、统计、分析真实交通流常见参数数据关于时间和空间的分布情况,并对每个参数设置一定范围的随机性,生成交通流模型;根据设定的参数随机生成虚拟环境中的交通流;
对整个交通流进行监测;
判断T时刻是否有车辆发生碰撞或者是否有车辆之间的距离小于设定的危险距离;若否,则继续监测;
若是,在T-Δt到T时刻的时间段内,提取发生危险的对应车辆及涉及到的其他交通参与者的交通流相关信息与驾驶员行为相关信息,同时提取与轨迹相关的静态环境信息,组成一个危险场景;
静态环境信息包括有:
交通标志信息,包括交通灯、地面标识、交通牌信息;天气信息,包括有晴天、雨天、雪天、雾天、霾天;光照信息,包括有白天光照、傍晚光照、黑夜、逆光、炫光。
2.根据权利要求1所述的基于驾驶员模型和交通流模型提取危险场景的方法,其特征是,所述驾驶员行为模型包括有以下多维度信息:
期望速度波动值-对期望速度响应的波动范围,波动范围根据设定调节;
期望加/减速度波动值-对期望加/减速度响应的波动范围,波动范围根据设定调节;
无视限速交通标志给出的最大速度的无视概率,设为0-1之间,0表示完全遵守,0.5表示50%的可能性遵守,1表示完全无视,不遵守;
期望车距波动值-对期望保持的车间时距的波动范围,波动范围根据设定调节;
轨迹线/车道保持偏移程度-对规划的轨迹线或道路的车道线发生偏移的周期时间以及最大偏移量;
期望换道横向速度的波动值-对期望换道横向速度响应的波动范围,波动范围根据设定调节;
超车意愿:前车车速与本车期望车速之间比值与超车可能性之间的关系;
遵守交通灯/交通牌意愿及打转向灯意愿。
3.根据权利要求1所述的基于驾驶员模型和交通流模型提取危险场景的方法,其特征是,所述交通流模型设定包含有以下参数信息:
平均车流量:采样时间内通过指定路段中某一截面的车辆数;
车流密度:某一时间单位道路长度上存在的车辆数;
平均车速:单位时间内车辆在检测路段中行驶距离的平均值;
平均占有率:驶入检测路段的所有车辆占用交通流数据传感器的时间总和比上采样时间;
车头间距:前后车车头间的距离;
车头时距:前后车的车头间距除以后车速度所得时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684071.2A CN115240409B (zh) | 2022-06-17 | 2022-06-17 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684071.2A CN115240409B (zh) | 2022-06-17 | 2022-06-17 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115240409A CN115240409A (zh) | 2022-10-25 |
CN115240409B true CN115240409B (zh) | 2024-02-06 |
Family
ID=83669395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210684071.2A Active CN115240409B (zh) | 2022-06-17 | 2022-06-17 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240409B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1569186A1 (en) * | 2004-02-26 | 2005-08-31 | HONDA MOTOR CO., Ltd. | A road traffic simulation apparatus |
UA102416C2 (ru) * | 2011-06-06 | 2013-07-10 | Севастопольский Национальный Технический Университет | Эмулятор нормального распределения |
CN105808315A (zh) * | 2014-12-31 | 2016-07-27 | ***通信集团公司 | 一种高层体系结构协同交通安全仿真方法及装置 |
WO2018002910A1 (en) * | 2016-06-28 | 2018-01-04 | Cognata Ltd. | Realistic 3d virtual world creation and simulation for training automated driving systems |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
KR20190057731A (ko) * | 2017-11-20 | 2019-05-29 | 한국전자통신연구원 | 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법 |
CN110795818A (zh) * | 2019-09-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 |
CN111783229A (zh) * | 2020-07-02 | 2020-10-16 | 北京赛目科技有限公司 | 一种仿真交通流的生成方法及装置 |
CN112036001A (zh) * | 2020-07-01 | 2020-12-04 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
CN112201033A (zh) * | 2020-09-08 | 2021-01-08 | 同济大学 | 一种道路交通运行主动管控策略选择方法 |
CN112904827A (zh) * | 2021-01-18 | 2021-06-04 | 同济大学 | 一种面向多icu的无人驾驶虚拟仿真测试*** |
CN113093569A (zh) * | 2021-04-13 | 2021-07-09 | 中国第一汽车股份有限公司 | 自动驾驶的仿真测试方法、装置、设备和存储介质 |
CN113095377A (zh) * | 2021-03-26 | 2021-07-09 | 中国科学院电工研究所 | 一种危险驾驶场景数据随机生成方法及*** |
CN113490940A (zh) * | 2020-01-21 | 2021-10-08 | 深圳元戎启行科技有限公司 | 基于深度学习的场景模拟器构建方法、装置和计算机设备 |
CN113609016A (zh) * | 2021-08-05 | 2021-11-05 | 北京赛目科技有限公司 | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 |
CN113868875A (zh) * | 2021-09-30 | 2021-12-31 | 天津大学 | 测试场景自动生成方法、装置、设备和存储介质 |
CN113918615A (zh) * | 2021-08-26 | 2022-01-11 | 武汉光庭信息技术股份有限公司 | 一种基于仿真的驾驶经验数据挖掘模型构建方法及*** |
CN113946902A (zh) * | 2020-07-16 | 2022-01-18 | 陕西汽车集团有限责任公司 | 创建动态交通流场景的方法、装置、设备及存储介质 |
CN114169247A (zh) * | 2021-12-13 | 2022-03-11 | 中国第一汽车股份有限公司 | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 |
-
2022
- 2022-06-17 CN CN202210684071.2A patent/CN115240409B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1569186A1 (en) * | 2004-02-26 | 2005-08-31 | HONDA MOTOR CO., Ltd. | A road traffic simulation apparatus |
UA102416C2 (ru) * | 2011-06-06 | 2013-07-10 | Севастопольский Национальный Технический Университет | Эмулятор нормального распределения |
CN105808315A (zh) * | 2014-12-31 | 2016-07-27 | ***通信集团公司 | 一种高层体系结构协同交通安全仿真方法及装置 |
WO2018002910A1 (en) * | 2016-06-28 | 2018-01-04 | Cognata Ltd. | Realistic 3d virtual world creation and simulation for training automated driving systems |
KR20190057731A (ko) * | 2017-11-20 | 2019-05-29 | 한국전자통신연구원 | 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법 |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
CN110795818A (zh) * | 2019-09-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 |
CN113490940A (zh) * | 2020-01-21 | 2021-10-08 | 深圳元戎启行科技有限公司 | 基于深度学习的场景模拟器构建方法、装置和计算机设备 |
CN112036001A (zh) * | 2020-07-01 | 2020-12-04 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
CN111783229A (zh) * | 2020-07-02 | 2020-10-16 | 北京赛目科技有限公司 | 一种仿真交通流的生成方法及装置 |
CN113946902A (zh) * | 2020-07-16 | 2022-01-18 | 陕西汽车集团有限责任公司 | 创建动态交通流场景的方法、装置、设备及存储介质 |
CN112201033A (zh) * | 2020-09-08 | 2021-01-08 | 同济大学 | 一种道路交通运行主动管控策略选择方法 |
CN112904827A (zh) * | 2021-01-18 | 2021-06-04 | 同济大学 | 一种面向多icu的无人驾驶虚拟仿真测试*** |
CN113095377A (zh) * | 2021-03-26 | 2021-07-09 | 中国科学院电工研究所 | 一种危险驾驶场景数据随机生成方法及*** |
CN113093569A (zh) * | 2021-04-13 | 2021-07-09 | 中国第一汽车股份有限公司 | 自动驾驶的仿真测试方法、装置、设备和存储介质 |
CN113609016A (zh) * | 2021-08-05 | 2021-11-05 | 北京赛目科技有限公司 | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 |
CN113918615A (zh) * | 2021-08-26 | 2022-01-11 | 武汉光庭信息技术股份有限公司 | 一种基于仿真的驾驶经验数据挖掘模型构建方法及*** |
CN113868875A (zh) * | 2021-09-30 | 2021-12-31 | 天津大学 | 测试场景自动生成方法、装置、设备和存储介质 |
CN114169247A (zh) * | 2021-12-13 | 2022-03-11 | 中国第一汽车股份有限公司 | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
自动驾驶汽车测试场景构建关键技术综述;徐向阳 等;《汽车工程》;第43卷(第4期);第610-619页 * |
超速行为对交通流扰动影响的仿真研究;王永明 等;《***仿真学报》;第20卷(第12期);第3301-3304页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115240409A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689613B (zh) | 车辆道路仿真场景构建方法、装置、介质和设备 | |
CN113050455A (zh) | 一种用于智能网联汽车的数字孪生测试***及控制方法 | |
CN113609016B (zh) | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 | |
CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
CN110232335A (zh) | 驾驶场景分类方法及电子设备 | |
CN110763483A (zh) | 一种安全等级测试场景库的自动生成方法及装置 | |
CN106564503B (zh) | 产生异常驾驶行为的行为信息确定方法及装置 | |
CN112230228B (zh) | 一种基于场地测试技术的智能汽车视觉传感器测试方法 | |
CN112329248A (zh) | 一种基于多智能体***的道路混合交通流仿真*** | |
CN115240409B (zh) | 一种基于驾驶员模型和交通流模型提取危险场景的方法 | |
CN114722569A (zh) | 一种基于事故数据的仿真危险场景的构建方法 | |
Matthews | A field study of the effects of drivers' adaptation to automobile velocity | |
CN112612288B (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 | |
CN113254336B (zh) | 自动驾驶汽车交通法规符合性仿真测试方法及*** | |
CN112373482B (zh) | 一种基于驾驶模拟器的驾驶习惯建模方法 | |
CN114564849A (zh) | 一种基于数据驱动的车辆经济性仿真测试场景生成方法 | |
CN113758728A (zh) | 一种车辆泊入避障测试方法及设备 | |
Ising | Threshold visibility levels required for nighttime pedestrian detection in a modified Adrian/CIE visibility model | |
CN114414259B (zh) | 车辆的防碰撞测试方法、装置、电子设备及存储介质 | |
Li et al. | Drivers' right-angle collision avoidance behaviors at non-signalized intersection—A driving simulator based study | |
Zhang et al. | A method for evaluating the complexity of test scenarios for autonomous vehicles | |
CN118072553B (zh) | 一种交通安全智能管控*** | |
Cavallo | Perceptual distortions when driving in fog | |
Gao et al. | Driving style recognition based on lane change behavior analysis using naturalistic driving data | |
WO2023097519A1 (zh) | 一种场景获取方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240105 Address after: Building 10, No. 860, Xinyang Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Shangzhilian (Shanghai) Intelligent Technology Co.,Ltd. Address before: 200000 building 22, No. 6055, Jinhai highway, Fengxian District, Shanghai Applicant before: Shanghai intelligent network Automobile Technology Center Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |