CN115440027A - 面向多场景的智能车辆编队功能测评方法及装置 - Google Patents
面向多场景的智能车辆编队功能测评方法及装置 Download PDFInfo
- Publication number
- CN115440027A CN115440027A CN202210862539.2A CN202210862539A CN115440027A CN 115440027 A CN115440027 A CN 115440027A CN 202210862539 A CN202210862539 A CN 202210862539A CN 115440027 A CN115440027 A CN 115440027A
- Authority
- CN
- China
- Prior art keywords
- formation
- vehicle
- vehicles
- queue
- evaluation index
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 272
- 238000011156 evaluation Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000001133 acceleration Effects 0.000 claims abstract description 51
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 16
- 238000011056 performance test Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 30
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 125000004432 carbon atom Chemical group C* 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/22—Platooning, i.e. convoy of communicating vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种面向多场景的智能车辆编队功能测评方法及装置,本发明实施例基于编队加速、编队减速、自适应编队三种编队行驶场景,构建了不同的定量化测评指标,有效弥补了现有测评方法指标片面单一、难以定量描述的不足,可以准确、定量评测智能车辆编队功能的性能优劣,适应于智能车辆编队技术及行业日益更新发展的需求。
Description
技术领域
本发明涉及智能驾驶汽车道路试验与测试技术领域,具体而言,涉及一种面向多场景的智能车辆编队功能测评方法及装置。
背景技术
随着道路里程得到了爆发式的增长,道路运力也随之迅速提升。据统计,目前70%以上的客货运量由道路运输来承担。然而,随之带来的道路交通事故以及造成的经济损失难以忽略。导致道路交通事故的因素多种多样,其中人为因素占比达90%左右。此外,在重特大事故中,大型运输车辆造成的损失更是达80%以上。基于此,为减少驾驶员的不良或异常驾驶行为,采用信息化技术来辅助干预或控制汽车驾驶行为的智能驾驶技术已成为国内外研究的重点。其中,引入智能驾驶技术的智能车辆编队更被视为可以有效解决大型道路运输车辆在高速公路上安全高效运输问题的方法。
智能车辆编队依托智能感知、协同通信等技术将同向行驶车辆的车车间隔保持在较小的安全固定数值,使其形成统一组织的行驶队列。处于最前面的车辆充当领航员的角色,后车自动跟随行驶,以实现编队车辆几乎同步的加减速、转向及制动等控制。作为一种更具信息化智能化的道路交通运输方式,智能车辆编队对于提高行车安全、提升运输效率、减缓交通拥堵、降低能源排放都有着重要意义和应用前景。道路运输车辆,尤其是大型货车,已逐渐成为智能车辆编队技术主要的应用对象。此类车辆有着车辆体积大、运载质量重、行车时间长、视野盲区多等特点,相较其他车辆而言更容易发生交通事故,且一旦发生事故极有可能造成群死群伤的后果。因此,通过车辆测评的手段对多场景下的智能车辆编队功能进行全面有效可靠的测试必不可少。
2018年发布的《智能网联汽车自动驾驶功能测试规程(试行)》中规定了编队功能的测评方法,已被广泛接受应用。该测试规程中首先定义了编队加速、编队减速、自适应编队三种编队行驶场景,并分别针对不同的场景定义了相关测试要求和指标。即便如此,现有对智能编队功能测评***的研究仍然较为欠缺,仅有的也多从宏观角度评价编队***,主要表现为以下两个问题:1.指标描述仍较为片面单一,难以有效覆盖不同场景下的实际测评需求;2.指标描述多以定性为主,如不发生碰撞、控制车速等,缺乏有效客观的定量化描述指标。综上,现有指标仍无法客观准确的描述智能车辆编队运行过程的性能优劣,难以满足智能车辆编队技术及行业日益更新发展的需求。
发明内容
本发明解决的问题是现有智能编队功能测评指标仍无法客观准确的描述智能车辆编队运行过程的性能优劣,难以满足智能车辆编队技术及行业日益更新发展的需求。
为解决上述问题,本发明提供一种面向多场景的智能车辆编队功能测评方法,包括:根据预先建立的智能车辆编队性能测试场景,控制智能车辆进行编队测试行驶;所述智能车辆编队性能测试场景包括:编队加速场景、编队减速场景及自适应编队场景;获取所述智能车辆进行编队测试行驶过程中的行驶参数;根据所述行驶参数分别计算编队加速测评指标、编队减速测评指标及自适应编队测评指标;所述编队加速测评指标包括:队列速度保持精度以及队列车距保持精度,所述编队减速测评指标包括制动减速度一致性指标,所述自适应编队测评指标包括:完成变道车辆的单车横摆稳定性指标及相邻两车辆的安全距离余量;根据所述编队加速测评指标、所述编队减速测评指标及所述自适应编队测评指标,定量评价智能车辆编队功能。
可选地,所述相邻两车辆的安全距离余量为后车左前顶点或右前顶点与前车的最短距离。
可选地,所述根据所述行驶参数分别计算自适应编队测评指标,包括根据所述行驶参数计算相邻两车辆的安全距离余量,如下:
计算编队内每辆车四个顶点的顶点坐标;A21、A22、A23、A24分别表示车辆的四个顶点,其坐标为:
式中,l和w分别为车身的长度和宽度,(x2,y2,)为定位点S2的坐标和航向角,Δl和Δw分别为定位点到车头和车侧的距离,α21、α22、α23、α24分别为连线S2A21、S2A22、S2A23、S2A24与车辆航向角的夹角,如下:
根据所述每辆车的顶点坐标,计算所述每辆车的车身曲线方程Γ1、Γ2、…Γn;
对队列内第i辆车(i>1),定义k时刻的安全距离余量为车前端两个顶点到前车曲线距离的最小值为:
di(k)=min(Ai1(k)Γi-1(k),Ai2(k)Γi-1(k))
式中,Ai1(k)Γi-1(k)表示第i辆车k时刻的前端顶点Ai1(k)到前车曲线Γi-1(k)的距离,Ai2(k)Γi-1(k)表示第i辆车k时刻的前端顶点Ai2(k)到前车曲线Γi-1(k)的距离;
将整个采样过程中安全距离余量,如下:
Dsafe=min(di(k))。
可选地,所述根据所述行驶参数分别计算自适应编队测评指标,包括根据所述行驶参数计算完成变道车辆的变道横摆稳定性指标,如下:
变道横摆稳定性定义为:
式中,曲率半径计算公式为:
式中变量Bi1,Bi2,Bi3,Bi4分别为:
可选地,所述根据所述行驶参数分别计算自适应编队测评指标,包括根据所述行驶参数计算队列速度保持精度,如下:
队列速度保持精度计算公式如下:
可选地,所述根据所述行驶参数分别计算自适应编队测评指标,包括根据所述行驶参数计算队列车距保持精度,如下:
队列车距保持精度计算公式如下:
式中,ξD为编队加速场景下的队列车距保持精度,n表示编队车辆总数,s表示表示测试过程中的采样点个数,Δd表示编队行驶设定的车距,Δdi(k)表示队列中第i辆车距离前车的距离,其计算公式为:
可选地,所述编队加速场景包括至少3辆以上的所述智能车辆,且首辆智能车辆为人工驾驶模式、其他后续车辆为自动驾驶模式;
所述编队加速场景中所述首辆智能车辆从静止开始直线加速至预设时速后保持匀速行驶。
可选地,所述编队减速场景包括至少3辆以上的所述智能车辆,各所述智能车辆已处于编队行驶状态并匀速行驶,在预设时刻首辆智能车辆开始制动减速至停车。
可选地,所述自适应编队场景包括至少3辆以上的所述智能车辆,除目标智能车辆以外的所述智能车辆已处于编队行驶状态并匀速行驶,所述目标智能车辆行驶于相邻车道;
所述自适应编队场景中所述目标智能车辆在预设时刻开始并道切入已处于编队行驶状态的两辆智能车辆之间,并道切入后所述目标智能车辆继续编队行驶。
本发明实施例提供一种面向多场景的智能车辆编队功能测评装置,包括:编队行驶模块,用于根据预先建立的智能车辆编队性能测试场景,控制智能车辆进行编队测试行驶;所述智能车辆编队性能测试场景包括:编队加速场景、编队减速场景及自适应编队场景;参数获取模块,用于获取所述智能车辆进行编队测试行驶过程中的行驶参数;指标计算模块,用于根据所述行驶参数分别计算编队加速测评指标、编队减速测评指标及自适应编队测评指标;所述编队加速测评指标包括:队列速度保持精度以及队列车距保持精度,所述编队减速测评指标包括制动减速度一致性指标,所述自适应编队测评指标包括:完成变道车辆的单车横摆稳定性指标及相邻两车辆的安全距离余量;定量评价模块,用于根据所述编队加速测评指标、所述编队减速测评指标及所述自适应编队测评指标,定量评价智能车辆编队功能。
本发明实施例基于编队加速、编队减速、自适应编队三种编队行驶场景,构建了不同的定量化测评指标,有效弥补了现有测评方法指标片面单一、难以定量描述的不足,可以准确、定量评测智能车辆编队功能的性能优劣,适应于智能车辆编队技术及行业日益更新发展的需求。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种面向多场景的智能车辆编队功能测评方法的示意性流程图;
图2为本发明实施例中编队加速测试场景示意图;
图3为本发明实施例中编队减速测试场景示意图;
图4为本发明实施例中自适应编队测试场景示意图;
图5为本发明实施例中编队车辆顶点坐标计算示意图;
图6是本发明实施例中一种面向多场景的智能车辆编队功能测评装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
基于对智能驾驶功能测评研究的分析,参考现有标准的场景要求,面向编队加速、编队减速、自适应编队三种编队行驶场景,本发明实施例构建了一种更为全面细致的智能车辆编队测评方法,有效弥补了现有测评方法指标片面单一、难以定量描述的不足。
图1是本发明的一个实施例中一种面向多场景的智能车辆编队功能测评方法的示意性流程图,该方法包括:
S102,根据预先建立的智能车辆编队性能测试场景,控制智能车辆进行编队测试行驶。
其中,智能车辆编队性能测试场景包括:编队加速场景、编队减速场景及自适应编队场景。
具体地,编队加速场景包括至少3辆以上的智能车辆,且首辆智能车辆为人工驾驶模式、其他后续车辆为自动驾驶模式;编队加速场景中首辆智能车辆从静止开始直线加速至预设时速后保持匀速行驶。编队减速场景包括至少3辆以上的智能车辆,各智能车辆已处于编队行驶状态并匀速行驶,在预设时刻首辆智能车辆开始制动减速至停车。自适应编队场景包括至少3辆以上的智能车辆,除目标智能车辆以外的智能车辆已处于编队行驶状态并匀速行驶,目标智能车辆行驶于相邻车道;自适应编队场景中目标智能车辆在预设时刻开始并道切入已处于编队行驶状态的两辆智能车辆之间,并道切入后目标智能车辆继续编队行驶。
示例性地,在本实施例中建立智能车辆编队性能测试场景如下:
(1)编队加速场景
测试道路为至少包含一条车道的长直道,测试车队由3辆及以上测试车辆组成。测试时,车辆1为人工驾驶模式,其他后续车辆为自动驾驶模式,开启V2V(Vehicle-to-Vehiclecommunication,车间通讯)功能,编队中的车均实现互联要求。车辆1从静止开始加速至60km/h并保持匀速行驶。图2示出了编队加速测试场景示意图。
(2)编队减速场景
测试道路为至少包含一条车道的长直道,测试车队由3辆及以上测试车辆组成,测试车辆已处于编队行驶状态并匀速行驶,某一时刻,车辆1开始制动减速至停车,制动减速度为2m/s2~4m/s2。图3示出了编队减速测试场景示意图。
(3)自适应编队场景
测试道路为至少包含两条车道的长直道。测试车队由3辆及以上测试车辆组成,测试车辆已处于编队行驶状态并匀速行驶,目标车辆从相邻车道切入车辆1和车辆2之间。测试时,测试车辆已处于编队行驶状态并以60km/h的速度匀速行驶,某一时刻目标车辆开始并道切入车辆1和车辆2之间,切入后目标车辆以60km/h的速度跟随车辆1匀速行驶。图4示出了自适应编队测试场景示意图。
S104,获取智能车辆进行编队测试行驶过程中的行驶参数。
在智能车辆进行编队测试行驶过程中,可以基于预设周期采样得到各智能车辆的行驶参数。该行驶参数可以包括:车辆的速度、车辆的加速度、车辆的横摆角速度、车辆的位置、车辆的总数、相邻两车辆之间的距离等。
S106,根据行驶参数分别计算编队加速测评指标、编队减速测评指标及自适应编队测评指标。
具体地,编队加速测评指标包括:队列速度保持精度以及队列车距保持精度,编队减速测评指标包括制动减速度一致性指标,自适应编队测评指标包括:完成变道车辆的单车横摆稳定性指标及相邻两车辆的安全距离余量。其中,相邻两车辆的安全距离余量为后车左前顶点或右前顶点与前车的最短距离。
传统安全距离余量是指前车中轴线最后端与后车中轴线最前端的距离,但是考虑到当自适应编队过程是在弯道上完成时,前车中轴线最后端与后车中轴线最前端的距离并不能准确表征安全距离余量,此时需要考虑后车左前顶点或右前顶点与前车的最短距离,因此本实施例中采用相邻两车辆的后车左前顶点或右前顶点与前车的最短距离作为相邻两车辆的安全距离余量。对于自适应编队场景中的安全余量距离指标,考虑了车身矩形轮廓的影响,使评价更加准确。
S108,根据编队加速测评指标、编队减速测评指标及自适应编队测评指标,定量评价智能车辆编队功能。
基于上述计算得到的编队加速测评指标、编队减速测评指标及自适应编队测评指标,其均为定量数据,可以进一步定量评价智能车辆编队功能。
本发明实施例提供的面向多场景的智能车辆编队功能测评方法,基于编队加速、编队减速、自适应编队三种编队行驶场景,构建了不同的定量化测评指标,有效弥补了现有测评方法指标片面单一、难以定量描述的不足,可以准确、定量评测智能车辆编队功能的性能优劣,适应于智能车辆编队技术及行业日益更新发展的需求。
尤其对于自适应编队场景中的安全余量距离指标,考虑了车身矩形轮廓的影响,建立了编队行驶安全余量测量模型以计算各车辆四个顶点的坐标,可以计算后车的前端顶点与前车的车车曲线之间的距离,将整个采样过程中上述距离的最小值作为安全距离余量,使评价更加准确。
示例性地,在本实施例中构建不同场景下的编队测评指标如下:
(1)编队加速测评指标
在现有标准要求(即车距保持距离范围)的基础上,为能更细致定量化描述编队加速性能,本发明实施例构建了编队行驶过程中的队列速度保持精度以及队列车距保持精度两个指标来评价编队加速性能,队列速度保持精度计算方法如下:
同时,队列车距保持精度计算方法如下:
式中,ξD为编队加速场景下的队列车距保持精度,同样的,n表示编队车辆总数,s表示表示测试过程中的采样点个数,Δd表示编队行驶设定的车距,Δdi(k)表示队列中第i辆车距离前车的距离,其计算方法为:
(2)编队减速实验测评指标
在标准现有要求(即不发生碰撞)的基础上,本发明实施例通过比较队列内各车在减速实验中的制动减速度一致性指标来评价队列制动的响应速度,记为队列制动一致性(Brake Consistency,BC):
(3)自适应编队实验测评指标
依据上述对测试场景定义,自适应编队场景中,实验车辆可以分为三个部分:待编队车辆,待加入位置之前的车辆和待加入位置之后的车辆,在标准现有指标(即安全距离)的基础上,本发明实施例对自适应编队性能测评如下:
首先,待编队车辆在自适应编队实验中完成了变道任务,因此,对其单独采用单车横摆稳定性指标来评价其变道过程中的安全性,单车变道横摆稳定性可以定义为:
式中,σiMSE表示单车变道横摆稳定性的量化值,反映了队列中第i辆车执行车道变换的激进程度,从而评价变道过程中的安全性,s表示表示测试过程中的采样点个数,ωi(k)为k时刻车辆的横摆角速度,表示k时刻横摆角速度的期望值,其计算公式为:
式中变量Bi1,Bi2,Bi3,Bi4分别为:
然后,在自适应编队过程中,各车的安全距离余量是重要的测评参数,传统安全距离余量是指前车中轴线最后端与后车中轴线最前端的距离。但是当自适应编队过程是在弯道上完成时,前车中轴线最后端与后车中轴线最前端的距离并不能准确表征安全距离余量,此时需要考虑后车左前顶点或右前顶点与前车的最短距离,因此本发明实施例搭建了编队行驶安全余量测量模型,计算每辆车四个顶点的位置,图5示出了编队车辆顶点坐标计算示意图。
式中,α21、α22、α23、α24分别为连线S2A21、S2A22、S2A23、S2A24与车辆航向角的夹角:
由此,得到队列内所有车辆的顶点坐标,可进一步计算出每辆车的车身曲线方程Γ1、Γ2、…Γn,对队列内第i辆车(i>1),定义k时刻的安全距离余量为车前端两个顶点到前车曲线距离的最小值为:
di(k)=min(Ai1(k)Γi-1(k),Ai2(k)Γi-1(k)) (13)
式中,Ai1(k)Γi-1(k)表示第i辆车k时刻的前端顶点Ai1(k)到前车曲线Γi-1(k)的距离,Ai2(k)Γi-1(k)表示第i辆车k时刻的前端顶点Ai2(k)到前车曲线Γi-1(k)的距离。
最后求整个采样过程安全余量的最小值作为安全距离余量:
Dsafe=min(di(k)) (14)
最后,对已完成自适应编队的所有车辆,采用编队加速测评指标中的队列速度保持精度和队列车距保持精度来评估重新编队的效果。
图6是本发明的一个实施例中一种面向多场景的智能车辆编队功能测评装置的结构示意图,包括:
编队行驶模块601,用于根据预先建立的智能车辆编队性能测试场景,控制智能车辆进行编队测试行驶;所述智能车辆编队性能测试场景包括:编队加速场景、编队减速场景及自适应编队场景;
参数获取模块602,用于获取所述智能车辆进行编队测试行驶过程中的行驶参数;
指标计算模块603,用于根据所述行驶参数分别计算编队加速测评指标、编队减速测评指标及自适应编队测评指标;所述编队加速测评指标包括:队列速度保持精度以及队列车距保持精度,所述编队减速测评指标包括制动减速度一致性指标,所述自适应编队测评指标包括:完成变道车辆的单车横摆稳定性指标及相邻两车辆的安全距离余量;
定量评价模块604,用于根据所述编队加速测评指标、所述编队减速测评指标及所述自适应编队测评指标,定量评价智能车辆编队功能。
本发明实施例提供的面向多场景的智能车辆编队功能测评装置,基于编队加速、编队减速、自适应编队三种编队行驶场景,构建了不同的定量化测评指标,有效弥补了现有测评方法指标片面单一、难以定量描述的不足,可以准确、定量评测智能车辆编队功能的性能优劣,适应于智能车辆编队技术及行业日益更新发展的需求。
可选地,所述相邻两车辆的安全距离余量为后车左前顶点或右前顶点与前车的最短距离。
可选地,根据所述行驶参数计算相邻两车辆的安全距离余量,如下:
计算编队内每辆车四个顶点的顶点坐标;A21、A22、A23、A24分别表示车辆的四个顶点,其坐标为:
式中,l和w分别为车身的长度和宽度,(x2,y2,)为定位点S2的坐标和航向角,Δl和Δw分别为定位点到车头和车侧的距离,α21、α22、α23、α24分别为连线S2A21、S2A22、S2A23、S2A24与车辆航向角的夹角,如下:
根据所述每辆车的顶点坐标,计算所述每辆车的车身曲线方程Γ1、Γ2、…Γn;
对队列内第i辆车(i>1),定义k时刻的安全距离余量为车前端两个顶点到前车曲线距离的最小值为:
di(k)=min(Ai1(k)Γi-1(k),Ai2(k)Γi-1(k))
式中,Ai1(k)Γi-1(k)表示第i辆车k时刻的前端顶点Ai1(k)到前车曲线Γi-1(k)的距离,Ai2(k)Γi-1(k)表示第i辆车k时刻的前端顶点Ai2(k)到前车曲线Γi-1(k)的距离;
将整个采样过程中安全距离余量,如下:
Dsafe=min(di(k))。
可选地,根据所述行驶参数计算完成变道车辆的变道横摆稳定性指标,如下:
变道横摆稳定性定义为:
式中,曲率半径计算公式为:
式中变量Bi1,Bi2,Bi3,Bi4分别为:
可选地,根据所述行驶参数计算队列速度保持精度,如下:
队列速度保持精度计算公式如下:
可选地,根据所述行驶参数计算队列车距保持精度,如下:
队列车距保持精度计算公式如下:
式中,ξD为编队加速场景下的队列车距保持精度,n表示编队车辆总数,s表示表示测试过程中的采样点个数,Δd表示编队行驶设定的车距,Δdi(k)表示队列中第i辆车距离前车的距离,其计算公式为:
可选地,所述编队加速场景包括至少3辆以上的所述智能车辆,且首辆智能车辆为人工驾驶模式、其他后续车辆为自动驾驶模式;所述编队加速场景中所述首辆智能车辆从静止开始直线加速至预设时速后保持匀速行驶。
可选地,所述编队减速场景包括至少3辆以上的所述智能车辆,各所述智能车辆已处于编队行驶状态并匀速行驶,在预设时刻首辆智能车辆开始制动减速至停车。
可选地,所述自适应编队场景包括至少3辆以上的所述智能车辆,除目标智能车辆以外的所述智能车辆已处于编队行驶状态并匀速行驶,所述目标智能车辆行驶于相邻车道;所述自适应编队场景中所述目标智能车辆在预设时刻开始并道切入已处于编队行驶状态的两辆智能车辆之间,并道切入后所述目标智能车辆继续编队行驶。
上述实施例提供的面向多场景的智能车辆编队功能测评装置能够实现上述面向多场景的智能车辆编队功能测评方法的实施例中的各个过程,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述面向多场景的智能车辆编队功能测评方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
当然,本领域技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程度来指令控制装置来完成,所述的程序可存储于一计算机可读取的存储介质中,所述程序在执行时可包括如上述各方法实施例的流程,其中所述的存储介质可为存储器、磁盘、光盘等。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种面向多场景的智能车辆编队功能测评方法,其特征在于,包括:
根据预先建立的智能车辆编队性能测试场景,控制智能车辆进行编队测试行驶;所述智能车辆编队性能测试场景包括:编队加速场景、编队减速场景及自适应编队场景;
获取所述智能车辆进行编队测试行驶过程中的行驶参数;
根据所述行驶参数分别计算编队加速测评指标、编队减速测评指标及自适应编队测评指标;所述编队加速测评指标包括:队列速度保持精度以及队列车距保持精度,所述编队减速测评指标包括制动减速度一致性指标,所述自适应编队测评指标包括:完成变道车辆的单车横摆稳定性指标及相邻两车辆的安全距离余量;
根据所述编队加速测评指标、所述编队减速测评指标及所述自适应编队测评指标,定量评价智能车辆编队功能。
2.根据权利要求1所述的方法,其特征在于,所述相邻两车辆的安全距离余量为后车左前顶点或右前顶点与前车的最短距离。
3.根据权利要求2所述的方法,其特征在于,所述根据所述行驶参数分别计算自适应编队测评指标,包括根据所述行驶参数计算相邻两车辆的安全距离余量,如下:
计算编队内每辆车四个顶点的顶点坐标;A21、A22、A23、A24分别表示车辆的四个顶点,其坐标为:
式中,l和w分别为车身的长度和宽度,为定位点S2的坐标和航向角,Δl和Δw分别为定位点到车头和车侧的距离,α21、α22、α23、α24分别为连线S2A21、S2A22、S2A23、S2A24与车辆航向角的夹角,如下:
根据所述每辆车的顶点坐标,计算所述每辆车的车身曲线方程Γ1、Γ2、…Γn;
对队列内第i辆车(i>1),定义k时刻的安全距离余量为车前端两个顶点到前车曲线距离的最小值为:
di(k)=min(Ai1(k)Γi-1(k),Ai2(k)Γi-1(k))
式中,Ai1(k)Γi-1(k)表示第i辆车k时刻的前端顶点Ai1(k)到前车曲线Γi-1(k)的距离,Ai2(k)Γi-1(k)表示第i辆车k时刻的前端顶点Ai2(k)到前车曲线Γi-1(k)的距离;
将整个采样过程中安全距离余量,如下:
Dsafe=min(di(k))。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述编队加速场景包括至少3辆以上的所述智能车辆,且首辆智能车辆为人工驾驶模式、其他后续车辆为自动驾驶模式;
所述编队加速场景中所述首辆智能车辆从静止开始直线加速至预设时速后保持匀速行驶。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述编队减速场景包括至少3辆以上的所述智能车辆,各所述智能车辆已处于编队行驶状态并匀速行驶,在预设时刻首辆智能车辆开始制动减速至停车。
9.根据权利要求1-6任一项所述的方法,其特征在于,所述自适应编队场景包括至少3辆以上的所述智能车辆,除目标智能车辆以外的所述智能车辆已处于编队行驶状态并匀速行驶,所述目标智能车辆行驶于相邻车道;
所述自适应编队场景中所述目标智能车辆在预设时刻开始并道切入已处于编队行驶状态的两辆智能车辆之间,并道切入后所述目标智能车辆继续编队行驶。
10.一种面向多场景的智能车辆编队功能测评装置,其特征在于,包括:
编队行驶模块,用于根据预先建立的智能车辆编队性能测试场景,控制智能车辆进行编队测试行驶;所述智能车辆编队性能测试场景包括:编队加速场景、编队减速场景及自适应编队场景;
参数获取模块,用于获取所述智能车辆进行编队测试行驶过程中的行驶参数;
指标计算模块,用于根据所述行驶参数分别计算编队加速测评指标、编队减速测评指标及自适应编队测评指标;所述编队加速测评指标包括:队列速度保持精度以及队列车距保持精度,所述编队减速测评指标包括制动减速度一致性指标,所述自适应编队测评指标包括:完成变道车辆的单车横摆稳定性指标及相邻两车辆的安全距离余量;
定量评价模块,用于根据所述编队加速测评指标、所述编队减速测评指标及所述自适应编队测评指标,定量评价智能车辆编队功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210862539.2A CN115440027A (zh) | 2022-07-21 | 2022-07-21 | 面向多场景的智能车辆编队功能测评方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210862539.2A CN115440027A (zh) | 2022-07-21 | 2022-07-21 | 面向多场景的智能车辆编队功能测评方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115440027A true CN115440027A (zh) | 2022-12-06 |
Family
ID=84241126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210862539.2A Pending CN115440027A (zh) | 2022-07-21 | 2022-07-21 | 面向多场景的智能车辆编队功能测评方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115440027A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217422A (zh) * | 2023-11-07 | 2023-12-12 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆运动控制能力评估方法及其***、设备、介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987463A (zh) * | 2019-11-08 | 2020-04-10 | 东南大学 | 面向多场景的智能驾驶自主车道变换性能测试方法 |
CN111595592A (zh) * | 2020-05-21 | 2020-08-28 | 东南大学 | 一种自适应巡航控制***性能测评方法 |
CN111780981A (zh) * | 2020-05-21 | 2020-10-16 | 东南大学 | 一种智能车辆编队变道性能测评方法 |
CN112629883A (zh) * | 2020-12-28 | 2021-04-09 | 东南大学 | 一种智能车辆队列行驶性能的测试评价方法 |
-
2022
- 2022-07-21 CN CN202210862539.2A patent/CN115440027A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987463A (zh) * | 2019-11-08 | 2020-04-10 | 东南大学 | 面向多场景的智能驾驶自主车道变换性能测试方法 |
CN111595592A (zh) * | 2020-05-21 | 2020-08-28 | 东南大学 | 一种自适应巡航控制***性能测评方法 |
CN111780981A (zh) * | 2020-05-21 | 2020-10-16 | 东南大学 | 一种智能车辆编队变道性能测评方法 |
CN112629883A (zh) * | 2020-12-28 | 2021-04-09 | 东南大学 | 一种智能车辆队列行驶性能的测试评价方法 |
Non-Patent Citations (1)
Title |
---|
王培宇: "基于多源信息融合的车辆编队功能测评技术研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217422A (zh) * | 2023-11-07 | 2023-12-12 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆运动控制能力评估方法及其***、设备、介质 |
CN117217422B (zh) * | 2023-11-07 | 2024-03-22 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆运动控制能力评估方法及其***、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110155046B (zh) | 自动紧急制动分级控制方法与*** | |
CN107146412B (zh) | 一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法 | |
DE102012212301B4 (de) | Verfahren zur verbesserten Fahrzeugsteuerung | |
EP3002172B1 (en) | Apparatus and method for controlling driving mode of vehicle | |
CN109318893B (zh) | 基于车牌像素高度变化的安全驾驶辅助方法和*** | |
CN108986488B (zh) | 一种车车通信环境下匝道汇入协同轨迹确定方法及设备 | |
CN105501220A (zh) | 车辆碰撞预警的方法、装置以及车辆 | |
US20210171050A1 (en) | System for evaluating vehicle performance | |
CN105966396A (zh) | 一种基于驾驶员避撞行为的车辆避撞控制方法 | |
CN105551282A (zh) | 一种超车提示方法和装置 | |
US10363932B2 (en) | SSC-SCC system for increasing SSC distance using SSC and method for controlling the same | |
CN107839686B (zh) | 目标车辆取消选择 | |
DE102012224341A1 (de) | System und Verfahren zum automatischen Steuern der Fahrzeuggeschwindigkeit | |
CN115158308A (zh) | 一种智能车辆主动避障控制方法及装置、存储介质、终端 | |
CN103150677A (zh) | 激进驾驶状态识别方法及*** | |
US20230304896A1 (en) | Method for evaluating performance of self-driving vehicle oriented to full parameter space of logical scenario | |
US11897516B2 (en) | Apparatus and method for simulation of autonomous vehicle | |
US20190111928A1 (en) | Apparatus and method for controlling creep torque in environmentally-friendly vehicle | |
KR20170007362A (ko) | 이동 경로를 따라 차량이 주행하는 중에 차량의 운행 효율을 개선하기 위한 시스템 및 방법 | |
CN115440027A (zh) | 面向多场景的智能车辆编队功能测评方法及装置 | |
CN113313949A (zh) | 一种高速公路出口匝道客货车协同控制方法、装置和设备 | |
CN111537236B (zh) | 一种交通拥堵辅助***测试方法 | |
CN115817460A (zh) | 一种混合流条件下智能网联车主动协调避撞方法 | |
CN115116249A (zh) | 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法 | |
CN108956156A (zh) | 车辆的制动抱死***的性能测试方法及其装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221206 |
|
WD01 | Invention patent application deemed withdrawn after publication |